The jobs we'll lose to machines -- and the ones we won't | Anthony Goldbloom

587,417 views ・ 2016-08-31

TED


Vennligst dobbeltklikk på de engelske undertekstene nedenfor for å spille av videoen.

Translator: Ronja Dahl Reviewer: Marleen Laschet
00:12
So this is my niece.
0
12968
1262
Dette er min niese.
00:14
Her name is Yahli.
1
14644
1535
Hun heter Yahli.
00:16
She is nine months old.
2
16203
1511
Hun er ni måneder gammel.
00:18
Her mum is a doctor, and her dad is a lawyer.
3
18201
2528
Moren hennes er lege og faren er advokat.
00:21
By the time Yahli goes to college,
4
21269
2006
Innen Yahli skal gå på college,
00:23
the jobs her parents do are going to look dramatically different.
5
23299
3253
vil jobbene til foreldrene hennes se veldig annerledes ut.
00:27
In 2013, researchers at Oxford University did a study on the future of work.
6
27347
5073
I 2013 forsket universitetet i Oxford på arbeidets fremtid.
00:32
They concluded that almost one in every two jobs have a high risk
7
32766
4139
De konkluderte at nesten annenhver jobb har en høy risiko
00:36
of being automated by machines.
8
36929
1824
for å bli automatisert av maskiner.
00:40
Machine learning is the technology
9
40388
1905
Maskinlæring er teknologien
00:42
that's responsible for most of this disruption.
10
42317
2278
som er ansvarlig for denne endringen.
00:44
It's the most powerful branch of artificial intelligence.
11
44619
2790
Det er den mektigste bransjen innen kunstig intelligens.
00:47
It allows machines to learn from data
12
47433
1882
Den lar maskiner lære fra data
00:49
and mimic some of the things that humans can do.
13
49339
2592
og etterligne noe av det mennesker kan gjøre.
00:51
My company, Kaggle, operates on the cutting edge of machine learning.
14
51955
3415
Mitt firma, Kaggle, jobber på hugget av maskinlæring.
00:55
We bring together hundreds of thousands of experts
15
55394
2386
Vi samler hundretusenvis av eksperter
00:57
to solve important problems for industry and academia.
16
57804
3118
for å løse viktige problemer i industri og akademia.
01:01
This gives us a unique perspective on what machines can do,
17
61279
3222
Dette gir oss et unikt perspektiv på hva maskiner kan gjøre,
01:04
what they can't do
18
64525
1235
hva de ikke kan gjøre
01:05
and what jobs they might automate or threaten.
19
65784
2939
og hvilke jobber de kan automisere eller true.
01:09
Machine learning started making its way into industry in the early '90s.
20
69316
3550
Maskinlæring begynte å vokse frem i industrien tidlig på 90-tallet.
01:12
It started with relatively simple tasks.
21
72890
2124
Det begynte med relativt enkle oppgaver.
01:15
It started with things like assessing credit risk from loan applications,
22
75406
4115
Det startet med ting som å vurdere kredittrisiko fra lånesøknader,
01:19
sorting the mail by reading handwritten characters from zip codes.
23
79545
4053
sortering av post ved lesing av håndskrevne bokstaver i postkoder.
01:24
Over the past few years, we have made dramatic breakthroughs.
24
84036
3169
Over de siste årene har vi hatt dramatiske gjennombrudd.
01:27
Machine learning is now capable of far, far more complex tasks.
25
87586
3916
Maskinlæring kan nå mestre langt mer komplekse oppgaver.
01:31
In 2012, Kaggle challenged its community
26
91860
3231
I 2012 utfordret Kaggle samfunnet sitt
01:35
to build an algorithm that could grade high-school essays.
27
95115
3189
til å bygge en algoritme som kunne rette highschool elevers stiler.
01:38
The winning algorithms were able to match the grades
28
98328
2604
Algoritmen som vant, stemte med karakterene
01:40
given by human teachers.
29
100956
1665
gitt av menneskelige lærere.
01:43
Last year, we issued an even more difficult challenge.
30
103092
2984
I fjor ga vi en enda vanskeligere utfordring.
01:46
Can you take images of the eye and diagnose an eye disease
31
106100
2953
Kan du ta bilder av øyet og diagnostisere en øyesykdom
01:49
called diabetic retinopathy?
32
109077
1694
kalt diabetisk retinopati?
01:51
Again, the winning algorithms were able to match the diagnoses
33
111164
4040
Igjen klarte den vinnende algoritmen å matche diagnosen
01:55
given by human ophthalmologists.
34
115228
1825
gitt av menneskelige oftalmologer.
01:57
Now, given the right data, machines are going to outperform humans
35
117561
3212
Gitt rett data, vil maskiner utkonkurrere mennesker
02:00
at tasks like this.
36
120797
1165
i oppgaver som disse.
02:01
A teacher might read 10,000 essays over a 40-year career.
37
121986
3992
En lærer kan kanskje lese 10 000 stiler over en 40 år lang karriere.
02:06
An ophthalmologist might see 50,000 eyes.
38
126407
2360
En oftalmolog kan kanskje se 50 000 øyer.
02:08
A machine can read millions of essays or see millions of eyes
39
128791
3913
En maskin kan lese millioner av stiler eller se millioner av øyer
02:12
within minutes.
40
132728
1276
på noen minutter.
02:14
We have no chance of competing against machines
41
134456
2858
Vi har ingen sjanse til å konkurrere mot maskiner
02:17
on frequent, high-volume tasks.
42
137338
2321
i hyppige oppgaver med store mengder.
02:20
But there are things we can do that machines can't do.
43
140665
3724
Men det er ting vi kan gjøre som maskiner ikke kan.
02:24
Where machines have made very little progress
44
144791
2200
Maskiner har gjort veldig lite fremgang
02:27
is in tackling novel situations.
45
147015
1854
i å takle nye situasjoner.
02:28
They can't handle things they haven't seen many times before.
46
148893
3899
De kan ikke håndtere ting de ikke har sett mange ganger før.
02:33
The fundamental limitations of machine learning
47
153321
2584
De fundamentale begrensningene i maskinlæring
02:35
is that it needs to learn from large volumes of past data.
48
155929
3394
er at de trenger å lære fra store mengder med tidligere data.
02:39
Now, humans don't.
49
159347
1754
Mennesker trenger ikke det.
02:41
We have the ability to connect seemingly disparate threads
50
161125
3030
Vi har evnen til å koble tilsynelatende separate tråder
02:44
to solve problems we've never seen before.
51
164179
2238
for å løse prøblemer vi aldri har sett før.
02:46
Percy Spencer was a physicist working on radar during World War II,
52
166808
4411
Percy Spencer var en fysiker som jobbet med radar under 2. verdenskrig.
02:51
when he noticed the magnetron was melting his chocolate bar.
53
171243
3013
Plutselig så han at magnetronen smeltet sjokoladen hans.
02:54
He was able to connect his understanding of electromagnetic radiation
54
174970
3295
Han klarte å forbinde forståelsen for elektromagnetisk stråling
02:58
with his knowledge of cooking
55
178289
1484
med kunnskap om matlaging
02:59
in order to invent -- any guesses? -- the microwave oven.
56
179797
3258
for å finne opp -- noen forslag? -- mikrobølgeovnen.
03:03
Now, this is a particularly remarkable example of creativity.
57
183444
3073
Dette er et bemerkelsesverdig eksempel på kreativitet.
03:06
But this sort of cross-pollination happens for each of us in small ways
58
186541
3664
Men denne formen for" krysspolinering" skjer for oss alle på en mindre skala
03:10
thousands of times per day.
59
190229
1828
tusenvis av ganger hver dag.
03:12
Machines cannot compete with us
60
192501
1661
Maskiner kan ikke konkurrere med oss
03:14
when it comes to tackling novel situations,
61
194186
2251
når det gjelder å takle nye situasjoner,
03:16
and this puts a fundamental limit on the human tasks
62
196461
3117
og dette setter en fundamental grense på menneskelige oppgaver
03:19
that machines will automate.
63
199602
1717
som maskinene vil automatisere.
03:22
So what does this mean for the future of work?
64
202041
2405
Hva betyr så dette for arbeidets fremtid?
03:24
The future state of any single job lies in the answer to a single question:
65
204804
4532
Fremtiden for envher jobb ligger i svaret på ett enkelt spørsmål:
03:29
To what extent is that job reducible to frequent, high-volume tasks,
66
209360
4981
I hvilken grad kan jobben reduseres til hyppige oppgaver med store mengder,
03:34
and to what extent does it involve tackling novel situations?
67
214365
3253
og i hvilken grad er takling av nye situasjoner nødvendig?
03:37
On frequent, high-volume tasks, machines are getting smarter and smarter.
68
217975
4035
På hyppige oppgaver med store mengder blir maskiner smartere og smartere.
03:42
Today they grade essays. They diagnose certain diseases.
69
222034
2714
I dag retter de stil. De diagnostiserer visse sykdommer.
03:44
Over coming years, they're going to conduct our audits,
70
224772
3157
I kommende år vil de gjøre revisjonene våre,
03:47
and they're going to read boilerplate from legal contracts.
71
227953
2967
og de kommer til å lese standardtekst fra juridiske kontrakter.
03:50
Accountants and lawyers are still needed.
72
230944
1997
Regnskapsførere og advokater trengs enda.
03:52
They're going to be needed for complex tax structuring,
73
232965
2682
De trengs for kompleks skatte-strukturering,
for banebrytende rettssaker.
03:55
for pathbreaking litigation.
74
235671
1357
Men maskiner vil tynne ut rekkene
03:57
But machines will shrink their ranks
75
237052
1717
03:58
and make these jobs harder to come by.
76
238793
1872
og gjøre jobbene vanskeligere å finne.
04:00
Now, as mentioned,
77
240689
1151
Som tidligere nevnt
04:01
machines are not making progress on novel situations.
78
241864
2949
gjør maskiner ikke fremskritt på nye situasjoner.
04:04
The copy behind a marketing campaign needs to grab consumers' attention.
79
244837
3457
Kopien bak en markedsføring må fange forbrukerens oppmerksomhet.
04:08
It has to stand out from the crowd.
80
248318
1715
Den må skille seg ut blant massen.
04:10
Business strategy means finding gaps in the market,
81
250057
2444
Forretningsstrategi betyr å finne hull i markedet,
04:12
things that nobody else is doing.
82
252525
1756
ting ingen andre gjør.
04:14
It will be humans that are creating the copy behind our marketing campaigns,
83
254305
4118
Det vil være mennesker som lager kopien bak markedsføringen vår,
04:18
and it will be humans that are developing our business strategy.
84
258447
3517
og det vil være mennesker som utvikler forretningsstrategien vår.
04:21
So Yahli, whatever you decide to do,
85
261988
2817
Så Yahli, uansett hva du velger,
04:24
let every day bring you a new challenge.
86
264829
2361
la hver dag gi deg en ny utfordring.
04:27
If it does, then you will stay ahead of the machines.
87
267587
2809
Så lenge den gjør det, vil du ha et forsprang på maskinene.
04:31
Thank you.
88
271126
1176
Takk.
04:32
(Applause)
89
272326
3104
(Applaus)
Om denne nettsiden

Denne siden vil introdusere deg til YouTube-videoer som er nyttige for å lære engelsk. Du vil se engelsktimer undervist av førsteklasses lærere fra hele verden. Dobbeltklikk på de engelske undertekstene som vises på hver videoside for å spille av videoen derfra. Undertekstene ruller synkronisert med videoavspillingen. Hvis du har kommentarer eller forespørsler, vennligst kontakt oss ved å bruke dette kontaktskjemaet.

https://forms.gle/WvT1wiN1qDtmnspy7