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

Translator: Katka Kostkova Reviewer: Petra Zmatková

So this is my niece.

Toto je moja neter.

Her name is Yahli.

Volá sa Yahli.

She is nine months old.

Má deväť mesiacov.

Her mum is a doctor, and her dad is a lawyer.

Jej mama je doktorka a jej otec právnik.

By the time Yahli goes to college,

Kým pôjde Yahli na univerzitu,

the jobs her parents do are going to look dramatically different.

práca jej rodičov sa výrazne zmení.

In 2013, researchers at Oxford University did a study on the future of work.

V roku 2013 študovali výskumníci na Oxfordskej univerzite budúcnosť povolaní.

They concluded that almost one in every two jobs have a high risk

Zistili, že takmer každému druhému povolaniu hrozí,

of being automated by machines.

že bude vykonávané strojmi.

Machine learning is the technology

Strojové učenie je technológia

that's responsible for most of this disruption.

zodpovedná za vačšinu týchto zmien.

It's the most powerful branch of artificial intelligence.

Je to najsilnejšia oblasť v umelej inteligencii.

It allows machines to learn from data

Umožňuje strojom učiť sa z dát

and mimic some of the things that humans can do.

a napodobňovať niektoré veci, ktoré dokážu robiť ľudia.

My company, Kaggle, operates on the cutting edge of machine learning.

Moje spoločnosť, Kaggle, pracuje s najšpičkovejším strojovým učením.

We bring together hundreds of thousands of experts

Združujeme stovky tisíc expertov,

to solve important problems for industry and academia.

aby riešili najdôležitejšie problémy priemyslu a výskumu.

This gives us a unique perspective on what machines can do,

To nám dáva jedinečný pohľad na to, čo stroje môžu robiť,

what they can't do

čo nedokážu

and what jobs they might automate or threaten.

a ktoré povolania môžu automatizovať alebo ohroziť.

Machine learning started making its way into industry in the early '90s.

Strojové učenie začalo prenikať do priemyslu na začiatku 90. rokov.

It started with relatively simple tasks.

Začalo s relatívne jednoduchými úlohami.

It started with things like assessing credit risk from loan applications,

Napríklad s odhadovaním kreditného rizika žiadateľov o pôžičku,

sorting the mail by reading handwritten characters from zip codes.

triedením pošty na základe čítania rukou písaných znakov v PSČ.

Over the past few years, we have made dramatic breakthroughs.

Počas posledných pár rokov došlo k veľkému prelomu.

Machine learning is now capable of far, far more complex tasks.

Strojové učenie je dnes schopné oveľa náročnejších úloh.

In 2012, Kaggle challenged its community

V roku 2012 Kaggle vyzval svoju komunitu

na vytvorenie algoritmu, na známkovanie slohových prác stredoškolákov.

to build an algorithm that could grade high-school essays.

The winning algorithms were able to match the grades

Víťazné algoritmy dávali rovnaké hodnotenie

given by human teachers.

ako učitelia.

Last year, we issued an even more difficult challenge.

Minulý rok sme prišli s ešte náročnejšou úlohou.

Can you take images of the eye and diagnose an eye disease

Dokážeme urobiť fotky oka a diagnostikovať očné ochorenie

called diabetic retinopathy?

zvané diabetická retinopatia?

Again, the winning algorithms were able to match the diagnoses

A znova, víťazné algoritmy diagnostikovali rovnako

given by human ophthalmologists.

ako ľudskí oftalmológovia.

Now, given the right data, machines are going to outperform humans

Takže so správnymi dátami stroje

at tasks like this.

v takýchto úlohách predčia ľudí.

A teacher might read 10,000 essays over a 40-year career.

Učiteľ dokáže prečítať 10 000 slohov počas svojej 40-ročnej kariéry.

An ophthalmologist might see 50,000 eyes.

Oftalmológ dokáže prezrieť 50 000 očí.

A machine can read millions of essays or see millions of eyes

Stroj dokáže prečítať milióny slohov alebo prezrieť milióny očí

within minutes.

v priebehu niekoľkých minút.

We have no chance of competing against machines

V porovnaní so strojmi nemáme

on frequent, high-volume tasks.

pri častých, veľkoobjemových úlohách šancu.

But there are things we can do that machines can't do.

Ale sú veci, ktoré my dokážeme robiť a stroje nie.

Where machines have made very little progress

Stroje spravili len veľmi malý pokrok

is in tackling novel situations.

v riešení nových situácií.

They can't handle things they haven't seen many times before.

Stroje nedokážu zvládať veci, ktoré nevideli mnohokrát predtým.

The fundamental limitations of machine learning

Základným obmedzením strojového učenia je,

is that it needs to learn from large volumes of past data.

že potrebuje veľký objem dát z minulosti.

Now, humans don't.

Avšak ľudia nie.

We have the ability to connect seemingly disparate threads

Máme schopnosť spojiť zdanlivo nezlúčiteľné súvislosti

a vyriešiť problémy, s ktorými sme sa predtým nestretli.

to solve problems we've never seen before.

Percy Spencer was a physicist working on radar during World War II,

Fyzik Percy Spencer počas druhej svetovej vojny pracoval na radare,

when he noticed the magnetron was melting his chocolate bar.

keď si všimol, že magnetron mu topil čokoládu.

He was able to connect his understanding of electromagnetic radiation

Bol schopný spojiť svoje vedomosti o elektromagnetickej radiácii

with his knowledge of cooking

so svojimi znalosťami varenia,

in order to invent -- any guesses? -- the microwave oven.

aby vynašiel – uhádnete čo? – mikrovlnnú rúru.

Now, this is a particularly remarkable example of creativity.

Toto je neuveriteľný príklad kreativity.

But this sort of cross-pollination happens for each of us in small ways

Ale takéto prenesenie vedomostí sa stáva každému z nás pri drobnostiach

thousands of times per day.

tisíckrát za deň.

Machines cannot compete with us

Stroje s nami nemôžu súťažiť vtedy,

when it comes to tackling novel situations,

keď je potrebné riešiť nové situácie

and this puts a fundamental limit on the human tasks

a to je základným obmedzením úloh,

that machines will automate.

ktoré za nás prevezmú stroje.

So what does this mean for the future of work?

Takže čo to znamená pre budúcnosť povolaní?

The future state of any single job lies in the answer to a single question:

Budúcnosť každého jedného pracovného miesta závisí od odpovede na otázku:

To what extent is that job reducible to frequent, high-volume tasks,

Do akej miery je daná práca redukovateľná na opakovanú, veľkoobjemovú úlohu

and to what extent does it involve tackling novel situations?

a do akej miery zahŕňa reagovanie na nové situácie?

On frequent, high-volume tasks, machines are getting smarter and smarter.

V opakovaných, veľkoobjemových úlohách sú stroje čoraz lepšie.

Today they grade essays. They diagnose certain diseases.

Dnes dokážu známkovať slohy. Diagnostikovať určité ochorenia.

Over coming years, they're going to conduct our audits,

V ďalších rokov budú riadiť audity

and they're going to read boilerplate from legal contracts.

a budú čitať obsiahle právne dokumenty.

Accountants and lawyers are still needed.

Účtovníci a právnici budú stále potrební.

They're going to be needed for complex tax structuring,

Budú zodpovední za komplexné daňové štrukturovanie

for pathbreaking litigation.

a v nových právnych sporoch.

Ale stroje ich prácu zredukujú

But machines will shrink their ranks

and make these jobs harder to come by.

a bude ťažšie ju získať.

Now, as mentioned,

Ako bolo spomenuté,

machines are not making progress on novel situations.

stroje sa nevyvíjajú v oblasti riešenia nových situácií.

The copy behind a marketing campaign needs to grab consumers' attention.

Text reklamnej kampane potrebuje zaujať zákazníka.

It has to stand out from the crowd.

Musí vyčnievať z radu.

Business strategy means finding gaps in the market,

Podnikateľské stratégie hľadajú diery na trhu,

things that nobody else is doing.

veci, ktoré nikto iný nerobí.

It will be humans that are creating the copy behind our marketing campaigns,

Texty marketingových kampaní budú tvoriť ľudia,

and it will be humans that are developing our business strategy.

rovnako ako aj podnikateľské stratégie.

So Yahli, whatever you decide to do,

Takže Yahli, čokoľvek sa rozhodneš robiť,

let every day bring you a new challenge.

nech ti každý nový deň prinesie novú výzvu.

If it does, then you will stay ahead of the machines.

Ak to tak bude, budeš vždy o krok pred strojmi.

Thank you.

Ďakujem.

(Applause)

(potlesk)