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

Översättare: Anders Björk Granskare: Annika Bidner

So this is my niece.

Det här är min brorsdotter.

Her name is Yahli.

Hon heter Yahli.

She is nine months old.

Hon är nio månader gammal.

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

Hennes mamma är läkare och hennes pappa jurist.

By the time Yahli goes to college,

När Yahli går på gymnasiet

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

kommer hennes föräldrars arbeten vara dramatiskt förändrade.

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

Forskare vid Oxford University gjorde 2013 en studie om framtidens arbete.

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

De kom fram till att nästan vartannat jobb riskerade att bli automatiserat

of being automated by machines.

av maskiner.

Machine learning is the technology

Maskinlärning är den teknologi som

that's responsible for most of this disruption.

har störst påverkan i denna omvälvning.

It's the most powerful branch of artificial intelligence.

Den kraftfullaste grenen inom artificiell intelligens.

It allows machines to learn from data

Den tillåter att maskiner lär från data

and mimic some of the things that humans can do.

och härmar några saker som människor kan göra.

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

Mitt företag Kagge jobbar i framkanten av maskinlärning.

We bring together hundreds of thousands of experts

Vi samlar hundratusen experter

to solve important problems for industry and academia.

för att lösa viktiga problem för industrin och akademin.

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

Detta ger oss ett unikt perspektiv på vad maskinerna kan göra,

what they can't do

vad de inte kan göra

and what jobs they might automate or threaten.

och vilka jobb som de möjligen kan automatisera eller hota.

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

Maskinlärning började ta sig in i industrin under början av 90-talet.

It started with relatively simple tasks.

Det började med relativt enkla uppgifter.

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

Det började med saker som att bedöma kreditrisken

för låneansökningar,

sorting the mail by reading handwritten characters from zip codes.

sortera post genom läsa av handskrivna siffror från postnummer.

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

Det senaste år har vi gjort dramatiska genombrott.

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

Maskinlärning är nu kapabelt att göra avsevärt mer komplicerade uppgifter.

In 2012, Kaggle challenged its community

Under 2012 utmanande Kaggle sitt community

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

att ta fram en algoritm som kunde betygsätta gymnasieuppsatser.

The winning algorithms were able to match the grades

Den vinnande algoritmen hade förmågan att matcha betyg

given by human teachers.

satta av mänskliga lärare.

Last year, we issued an even more difficult challenge.

Förra året la vi ut en ännu svårare utmaning.

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

Kan du ta en ögonbild och diagnostisera en ögonsjukdom

called diabetic retinopathy?

som heter diabetesretinopati?

Again, the winning algorithms were able to match the diagnoses

Återigen så klarade de vinnande algoritmerna

att matcha diagnoserna som mänskliga optiker ställt.

given by human ophthalmologists.

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

Nu kan maskiner som får rätt data utklassa människor

at tasks like this.

för uppgifter som denna.

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

En lärare läser kanske 10 000 uppsatser under en 40-årig karriär.

An ophthalmologist might see 50,000 eyes.

En optiker kanske kollar på 50 000 ögon.

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

En maskin kan läsa en miljon uppsatser eller skanna av en miljon ögon

within minutes.

på några minuter.

We have no chance of competing against machines

Vi har ingen möjlighet att tävla med maskinerna

on frequent, high-volume tasks.

för vanliga uppgifter i stora mängder

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

Men det finns saker som maskinerna inte kan göra.

Where machines have made very little progress

Maskinerna har haft lite framgång

is in tackling novel situations.

med att tackla unika situationer.

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

De kan inte hantera saker som de inte sett många gånger tidigare.

The fundamental limitations of machine learning

Den grundläggande begränsningen hos maskininlärning

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

är den måste lära sig från stora mängder historiska data.

Now, humans don't.

Vilket inte människor behöver.

We have the ability to connect seemingly disparate threads

Vi har förmågan att koppla samman till synes helt skilda trådar

to solve problems we've never seen before.

för att lösa problem vi inte tidigare sett.

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

Percy Spencer var en fysiker som jobbade med radar under andra världskriget,

when he noticed the magnetron was melting his chocolate bar.

när han la märke till att magnetronen smälte hans chokladkaka.

He was able to connect his understanding of electromagnetic radiation

Han kunde dra nytta av sin förståelse av elektromagnetisk strålning

with his knowledge of cooking

med kunskap om matlagning

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

för att uppfinna – några gissningar? – mikrovågsugnen.

Now, this is a particularly remarkable example of creativity.

Detta är nu ett speciellt påfallande exempel på kreativitet.

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

Men denna typ av korspollinering händer för oss alla i liten skala

thousands of times per day.

tusentals gånger per dag.

Machines cannot compete with us

Maskiner kan inte tävla med oss

when it comes to tackling novel situations,

när det gäller att tackla unika situationer,

and this puts a fundamental limit on the human tasks

och detta innebär en grundläggande gräns för mänskliga uppgifter

that machines will automate.

som maskiner kan automatisera.

So what does this mean for the future of work?

Så vad innebär detta för framtidens arbete?

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

Tillståndet för varje enskilt jobb ligger i svaret på en enkel fråga:

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

Till vilken omfattning kan jobbet göras som frekventa uppgifter av stora volymer,

and to what extent does it involve tackling novel situations?

och till vilken omfattning involverar det att tackla unika situationer?

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

För frekventa uppgifter av stora volymer så blir maskinerna smartare och smartare.

Today they grade essays. They diagnose certain diseases.

I dag betygsätter de uppsatser. De diagnostiserar sjukdomar.

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

De kommande åren kommer de göra revisioner

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

och de kommer läsa standardtexter från avtal.

Accountants and lawyers are still needed.

Revisorer och jurister kommer behövas.

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

De kommer behövas för arbete med avancerade skattefrågor

for pathbreaking litigation.

och avgörande stämningar.

Men maskinerna kommer göra dem färre

But machines will shrink their ranks

and make these jobs harder to come by.

och det blir svårare få såna jobb.

Now, as mentioned,

Men som nämnt tidigare,

machines are not making progress on novel situations.

maskinerna gör inga framsteg när det gäller unika situationer.

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

Texten som fångar kundernas uppmärksamhet i en marknadsföringskampanj,

It has to stand out from the crowd.

den måste stå ut i från mängden.

Business strategy means finding gaps in the market,

Affärsstrategin som fyller marknadsglappen,

things that nobody else is doing.

med saker ingen annan gör.

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

Det kommer vara människor som skapar texten bakom marknadsföringen

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

och det kommer vara människor som utvecklar affärsstrategierna.

So Yahli, whatever you decide to do,

Så Yahli, vad du än bestämmer dig för att göra,

let every day bring you a new challenge.

låt varje dag innehålla en ny utmaning.

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

Om den gör det, kommer du hålla dig framför maskinerna.

Thank you.

Tack så mycket.

(Applause)

(Applåder)