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

590,288 views ・ 2016-08-31

TED


Por favor, faça duplo clique nas legendas em inglês abaixo para reproduzir o vídeo.

Tradutor: Margarida Ferreira Revisora: Isabel Vaz Belchior
00:12
So this is my niece.
0
12968
1262
Esta é a minha sobrinha.
00:14
Her name is Yahli.
1
14644
1535
Chama-se Yahli.
00:16
She is nine months old.
2
16203
1511
Tem nove meses.
00:18
Her mum is a doctor, and her dad is a lawyer.
3
18201
2528
A mãe dela é médica e o pai é advogado.
00:21
By the time Yahli goes to college,
4
21269
2006
Quando a Yahli for para a faculdade,
00:23
the jobs her parents do are going to look dramatically different.
5
23299
3253
o trabalho que os pais dela fazem será radicalmente diferente.
00:27
In 2013, researchers at Oxford University did a study on the future of work.
6
27347
5073
Em 2013, investigadores da Universidade de Oxford
fizeram um estudo sobre o futuro do trabalho.
00:32
They concluded that almost one in every two jobs have a high risk
7
32766
4139
Concluíram que, praticamente, um em cada dois empregos
00:36
of being automated by machines.
8
36929
1824
correm alto risco de serem automatizados com máquinas.
00:40
Machine learning is the technology
9
40388
1905
A aprendizagem automática é a tecnologia responsável
00:42
that's responsible for most of this disruption.
10
42317
2278
pela maior parte desta revolução.
00:44
It's the most powerful branch of artificial intelligence.
11
44619
2790
É o ramo mais poderoso da inteligência artificial.
00:47
It allows machines to learn from data
12
47433
1882
Permite que as máquinas aprendam com os dados
00:49
and mimic some of the things that humans can do.
13
49339
2592
e imitem algumas das coisas que os seres humanos fazem.
00:51
My company, Kaggle, operates on the cutting edge of machine learning.
14
51955
3415
A minha empresa, a Kaggle, trabalha na aprendizagem automática de ponta.
00:55
We bring together hundreds of thousands of experts
15
55394
2386
Reunimos centenas de milhares de especialistas
00:57
to solve important problems for industry and academia.
16
57804
3118
para resolver problemas importantes para a indústria e para a academia.
01:01
This gives us a unique perspective on what machines can do,
17
61279
3222
Isso dá-nos uma perspetiva única sobre o que as máquinas conseguem fazer,
01:04
what they can't do
18
64525
1235
01:05
and what jobs they might automate or threaten.
19
65784
2939
o que elas não conseguem fazer,
e que profissões podem ser automatizadas ou ameaçadas.
01:09
Machine learning started making its way into industry in the early '90s.
20
69316
3550
A aprendizagem automática entrou na indústria no início dos anos 90.
01:12
It started with relatively simple tasks.
21
72890
2124
Começou com tarefas relativamente fáceis.
01:15
It started with things like assessing credit risk from loan applications,
22
75406
4115
Começou com coisas como avaliar o risco de crédito
para aplicações de empréstimos,
01:19
sorting the mail by reading handwritten characters from zip codes.
23
79545
4053
separar o correio, lendo os caracteres manuscritos dos códigos postais.
01:24
Over the past few years, we have made dramatic breakthroughs.
24
84036
3169
Durante os últimos anos, fizemos progressos fenomenais.
01:27
Machine learning is now capable of far, far more complex tasks.
25
87586
3916
A aprendizagem automática consegue fazer hoje tarefas muito mais complexas.
01:31
In 2012, Kaggle challenged its community
26
91860
3231
Em 2012, a Kaggle desafiou a sua comunidade
01:35
to build an algorithm that could grade high-school essays.
27
95115
3189
a construir um algoritmo que pudesse avaliar os testes do secundário.
01:38
The winning algorithms were able to match the grades
28
98328
2604
Os algoritmos vencedores conseguiram equiparar-se aos valores
01:40
given by human teachers.
29
100956
1665
dados pelos professores humanos.
01:43
Last year, we issued an even more difficult challenge.
30
103092
2984
No ano passado, lançámos um desafio ainda mais difícil.
01:46
Can you take images of the eye and diagnose an eye disease
31
106100
2953
Conseguem tirar imagens do olho e diagnosticar uma doença de olhos
01:49
called diabetic retinopathy?
32
109077
1694
chamada retinopatia diabética?
01:51
Again, the winning algorithms were able to match the diagnoses
33
111164
4040
Mais uma vez, os algoritmos vencedores conseguiram equiparar-se aos diagnósticos
01:55
given by human ophthalmologists.
34
115228
1825
feitos pelos oftalmologistas humanos.
01:57
Now, given the right data, machines are going to outperform humans
35
117561
3212
Se lhes dermos os dados certos, as máquinas vão superar os seres humanos
02:00
at tasks like this.
36
120797
1165
em tarefas como estas.
02:01
A teacher might read 10,000 essays over a 40-year career.
37
121986
3992
Um professor pode ler 10 000 testes durante a sua carreira de 40 anos.
02:06
An ophthalmologist might see 50,000 eyes.
38
126407
2360
Um oftalmologista poderá ver 50 000 olhos.
02:08
A machine can read millions of essays or see millions of eyes
39
128791
3913
Uma máquina pode ler milhões de testes ou ver milhões de olhos
02:12
within minutes.
40
132728
1276
em poucos minutos.
02:14
We have no chance of competing against machines
41
134456
2858
Não temos hipótese de competir com as máquinas
02:17
on frequent, high-volume tasks.
42
137338
2321
em tarefas frequentes, de alto volume.
02:20
But there are things we can do that machines can't do.
43
140665
3724
Mas há coisas que fazemos e que as máquinas não podem fazer.
02:24
Where machines have made very little progress
44
144791
2200
Onde as máquinas têm feito muito pouco progresso
02:27
is in tackling novel situations.
45
147015
1854
é em lidar com situações novas.
02:28
They can't handle things they haven't seen many times before.
46
148893
3899
Não conseguem lidar com coisas que não tenham visto muitas vezes.
02:33
The fundamental limitations of machine learning
47
153321
2584
As limitações fundamentais da aprendizagem automática
02:35
is that it needs to learn from large volumes of past data.
48
155929
3394
são que elas precisam de aprender com grandes volumes de dados anteriores.
02:39
Now, humans don't.
49
159347
1754
Os seres humanos não.
02:41
We have the ability to connect seemingly disparate threads
50
161125
3030
Nós temos a capacidade de relacionar fios aparentemente díspares
02:44
to solve problems we've never seen before.
51
164179
2238
para resolver problemas que nunca vimos.
02:46
Percy Spencer was a physicist working on radar during World War II,
52
166808
4411
Percy Spender era físico e trabalhava com radar durante a II Guerra Mundial,
02:51
when he noticed the magnetron was melting his chocolate bar.
53
171243
3013
quando reparou que o magnetrão estava a derreter uma barra de chocolate.
02:54
He was able to connect his understanding of electromagnetic radiation
54
174970
3295
Conseguiu relacionar o seu conhecimento de radiações eletromagnéticas
02:58
with his knowledge of cooking
55
178289
1484
com os seus conhecimentos de cozinha
02:59
in order to invent -- any guesses? -- the microwave oven.
56
179797
3258
e inventou — não adivinham? — o forno micro-ondas.
03:03
Now, this is a particularly remarkable example of creativity.
57
183444
3073
Este é um exemplo de criatividade especialmente notável
03:06
But this sort of cross-pollination happens for each of us in small ways
58
186541
3664
Mas este tipo de polinização cruzada acontece com todos nós, de forma simples,
03:10
thousands of times per day.
59
190229
1828
milhares de vezes por dia.
03:12
Machines cannot compete with us
60
192501
1661
As máquinas não podem competir connosco
03:14
when it comes to tackling novel situations,
61
194186
2251
quando se trata de lidar com situações novas.
03:16
and this puts a fundamental limit on the human tasks
62
196461
3117
Isto põe um limite fundamental às tarefas humanas
03:19
that machines will automate.
63
199602
1717
que as máquinas irão automatizar.
03:22
So what does this mean for the future of work?
64
202041
2405
O que significa isto para o futuro do trabalho?
03:24
The future state of any single job lies in the answer to a single question:
65
204804
4532
O estado futuro de qualquer trabalho reside na resposta a uma única pergunta:
03:29
To what extent is that job reducible to frequent, high-volume tasks,
66
209360
4981
Até que ponto este trabalho
pode ser reduzido a tarefas frequentes, de alto volume,
03:34
and to what extent does it involve tackling novel situations?
67
214365
3253
e até que ponto envolve situações novas?
03:37
On frequent, high-volume tasks, machines are getting smarter and smarter.
68
217975
4035
Nas tarefas frequentes, de alto volume,
as máquinas vão ser cada vez mais inteligentes.
03:42
Today they grade essays. They diagnose certain diseases.
69
222034
2714
Hoje, avaliam testes. Diagnosticam certas doenças.
03:44
Over coming years, they're going to conduct our audits,
70
224772
3157
Nos próximos anos, vão realizar as nossas auditorias,
03:47
and they're going to read boilerplate from legal contracts.
71
227953
2967
vão ler as informações básicas de contratos legais.
03:50
Accountants and lawyers are still needed.
72
230944
1997
Os contabilistas e advogados continuarão a ser precisos
03:52
They're going to be needed for complex tax structuring,
73
232965
2682
para tarefas complexas, litigações inovadoras.
03:55
for pathbreaking litigation.
74
235671
1357
Mas as máquinas irão reduzir as suas fileiras
03:57
But machines will shrink their ranks
75
237052
1717
03:58
and make these jobs harder to come by.
76
238793
1872
e tornar essas profissões mais difíceis.
04:00
Now, as mentioned,
77
240689
1151
Tal como já referi,
04:01
machines are not making progress on novel situations.
78
241864
2949
as máquinas não vão progredir em situações novas.
04:04
The copy behind a marketing campaign needs to grab consumers' attention.
79
244837
3457
O projeto para uma campanha publicitária tem de prender a atenção do consumidor,
04:08
It has to stand out from the crowd.
80
248318
1715
Tem que sobressair entre a multidão.
04:10
Business strategy means finding gaps in the market,
81
250057
2444
A estratégia empresarial é encontrar vazios no mercado,
04:12
things that nobody else is doing.
82
252525
1756
coisas que ninguém está a fazer.
04:14
It will be humans that are creating the copy behind our marketing campaigns,
83
254305
4118
Serão os seres humano a criar o projeto por detrás das campanhas publicitárias,
04:18
and it will be humans that are developing our business strategy.
84
258447
3517
serão os seres humanos a desenvolver as estratégias empresariais.
04:21
So Yahli, whatever you decide to do,
85
261988
2817
Portanto, Yahli, o que quer que venhas a ser,
04:24
let every day bring you a new challenge.
86
264829
2361
que todos os dias te tragam um novo desafio.
04:27
If it does, then you will stay ahead of the machines.
87
267587
2809
Se assim for, manter-te-ás à frente das máquinas.
04:31
Thank you.
88
271126
1176
Obrigado.
04:32
(Applause)
89
272326
3104
(Aplausos)
Sobre este site

Este sítio irá apresentar-lhe vídeos do YouTube que são úteis para a aprendizagem do inglês. Verá lições de inglês ensinadas por professores de primeira linha de todo o mundo. Faça duplo clique nas legendas em inglês apresentadas em cada página de vídeo para reproduzir o vídeo a partir daí. As legendas deslocam-se em sincronia com a reprodução do vídeo. Se tiver quaisquer comentários ou pedidos, por favor contacte-nos utilizando este formulário de contacto.

https://forms.gle/WvT1wiN1qDtmnspy7