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

Translator: DEVANATHAN RENGACHARI Reviewer: Elanttamil Maruthai

So this is my niece.

இது என் உடன் பிறந்தாரின் மகள்

Her name is Yahli.

அவள் பெயர் யாஹ்லி

She is nine months old.

அவளுக்கு வயது 9 மாதங்கள் ஆகிறது

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

அவள் தாய் ஒரு மருத்துவர்,மற்றும் அவள் தந்தை ஒரு வழக்கறிஞர்.

By the time Yahli goes to college,

யாஹ்லி கல்லூரி செல்வதற்குள்,

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

அவளுடைய பெற்றோர்கள் செய்யும் பணிகள் வியக்கத்தகு வித்தியாசமாக காணப் போகிறது.

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

2013-ல் ஆக்ஸ்ஃபோர்ட் பல்கலைகழக ஆய்வாளர்கள் பணியின் எதிர்காலம் பற்றிய ஒரு ஆய்வில்

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

அநேகமாக, 2 பணிகளில் 1 பணியை, இயந்திரங்கள் தானியங்கி வேலையாக ஆக்கக்கூடிய

of being automated by machines.

பெரிய அபாயம் இருக்கிறதென்ற முடிவுக்கு வந்தார்கள்

Machine learning is the technology

பொறிக்கற்றல் என்ற தொழில்நுட்பம்தான்

that's responsible for most of this disruption.

இந்த இடையூறுகளுக்கு எல்லாம் காரணம்.

It's the most powerful branch of artificial intelligence.

அது செயற்கை நுண்ணறிவின் மிக சக்தி வாய்ந்த ஒரு பிரிவாகும்,

It allows machines to learn from data

இயந்திரங்களை தரவிலிருந்து கற்க அனுமதித்து

and mimic some of the things that humans can do.

மனிதர்கள் செய்யக்கூடிய சில விடயங்களை அபிநயிக்கிறது

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

என் நிறுவனம் காகுல், பொறிக்கற்றலில் முன்னேற்றத்தின் உச்சியில் இருப்பதால்

We bring together hundreds of thousands of experts

ஆயிரக்கணக்கான வல்லுனர்களை நாங்கள் ஒருங்கிணைத்து தொழில் மற்றும்

to solve important problems for industry and academia.

கல்வி நிறுவனங்களின் முக்கிய பிரச்சனைகளுக்கு தீர்வு காண்கிறோம்.

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

இது இயந்திரங்கள் செய்யக்கூடியதை செய்ய முடியாததைப் பற்றி ஒரு ஒப்பற்ற

what they can't do

முன்னோக்கை அளிக்கிறது

and what jobs they might automate or threaten.

மேலும் எந்த வேலைகளை அவைகள் தானியங்க படுத்தக்கூடும் அல்லது அச்சுறுத்தும்,

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

பொறிக்கற்றல், தொழில்துறையில், 1990-ன் முற்பகுதியில் ஆரம்பித்தது

It started with relatively simple tasks.

அது ஒப்பீட்டளவில் எளிய பணிகளுடன் தொடங்கியது

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

கடன் விண்ணப்பத்திலிருந்து கடன் மதிப்பீடு, கையெழுத்துடைய ஜிப்கோட் படித்து

sorting the mail by reading handwritten characters from zip codes.

அஞ்சல் வரிசைப்படுத்துதல் போன்றவற்றில் அது தொடங்கியது,

கடந்து சில வருடங்களாக, நாம் வியக்கத்தக்க முன்னேற்றங்கள் அடைந்திருக்கிறோம்.

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

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

பொறிக்கற்றல், இப்போது மிக அதிக சிக்கலான பணிகளை செய்யும் திறனுடையது.

In 2012, Kaggle challenged its community

2012-ல், காகுல் அதன் உறுப்பினர்களை உயர்நிலைப்பள்ளி கட்டுரைகளை தரவாரியாக

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

வரிசைப்படுத்தும் ஒரு வழிமுறை உருவாக்க சவால் விட்டார்கள்.

The winning algorithms were able to match the grades

வென்ற வழிமுறைகள், மனித ஆசிரியர்கள் தரப்படுத்தியவைகளுக்கு

given by human teachers.

ஈடு இணையாக இருந்தது.

சென்ற வருடம், நாங்கள் இன்னும் அதிக கடினமான சவாலை முன் வைத்தோம்.

Last year, we issued an even more difficult challenge.

கண்ணின் படிமத்திலிருந்து டயாபெடிக் ரெடினோபதி என்ற நோயை

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

கண்டறிய முடியுமா என்று?

called diabetic retinopathy?

இம்முறையும், வெற்றி பெற்ற வழிமுறைகள் மனித கண் மருத்துவர்களால் வழங்கப்பட்ட

Again, the winning algorithms were able to match the diagnoses

given by human ophthalmologists.

கண்டறிதலுக்கு ஈடு இணையாக இருந்தது,

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

சரியான தரவு இயந்திரங்களுக்கு கிடைத்தால், இதைப் போன்ற பணிகளில், அவை

at tasks like this.

மனிதர்களை விஞ்சி விடும்.

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

ஒரு ஆசிரியர், 40 வருட வாழ்க்கையில் 10,000 கட்டுரைகளைப் படிக்கலாம்.

An ophthalmologist might see 50,000 eyes.

ஒரு கண் மருத்துவர் 50,000 கண்களை பரிசீலிக்கலாம்

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

சில நிமிடங்களுக்குள், ஒரு இயந்திரம் பல மில்லியன் கட்டுரைகளைப்

படிக்கலாம் அல்லது பல மில்லியன் கண்களைப் பார்க்கலாம்.

within minutes.

We have no chance of competing against machines

இயந்திரங்களுக்கு எதிராக போட்டியிட நமக்கு வாய்ப்பே இல்லை

on frequent, high-volume tasks.

அடிக்கடி செய்ய வேண்டிய மிக அதிக அளவு பணிகள் உள்ள போது.

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

ஆனால், இயந்திரங்கள் செய்ய முடியாத, நாம் செய்யக்கூடிய விடயங்கள் இருக்கின்றன.

Where machines have made very little progress

இயந்திரங்கள் மிகக் குறைவாக முன்னேறியது எங்கு எனில்,

புதுமையான சூழ் நிலைகளைக் கையாள்வதில்.

is in tackling novel situations.

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

பலமுறை முன்னரே பார்த்திராத சூழ் நிலைகளை அவைகளால் கையாள முடியாது,

The fundamental limitations of machine learning

பொறிக்கற்றலின் அடிப்படை குறைபாடுகள் என்னவெனில்

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

கடந்தகாலத்திய அதிக அளவு தரவுகளிலிருந்து அவை கற்றறியவேண்டும்.

Now, humans don't.

ஆனால், மனிதர்களுக்கு அப்படி இல்லை.

தோற்றத்திற்கு வித்தியாசமானதை இணைத்து, இதற்குமுன் பார்த்திராத

We have the ability to connect seemingly disparate threads

பிரச்சனைகளுக்குத் தீர்வு காணும் திறமை நம்மிடம் இருக்கிறது.

to solve problems we've never seen before.

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

பெர்சி ஸ்பென்சர் என்ற இயற்பியலாளர், 2-ம் உலகப்போரின் போது ராடாரில் பணி செய்தார்,

when he noticed the magnetron was melting his chocolate bar.

மாக்னெட்ரான், அவருடைய சாக்லேட் பட்டையை உருக்குவதை கவனித்த போது,

He was able to connect his understanding of electromagnetic radiation

அவர், தன்மின்காந்த கதிர்வீச்சு புரிதலை,

with his knowledge of cooking

தன்னுடைய சமையல் அறிவுடன் இணைத்து

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

கண்டுபிடித்தார்--ஏதவது யூகங்கள்?-- மைக்ரோவேவ் அடுப்பு,

இது, குறிப்பாக ஒரு பிரசித்தமான படைப்பாற்றலுக்கு உதாரணம்.

Now, this is a particularly remarkable example of creativity.

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

ஆனால், இந்த மாதிரி எதிர்பாரா விடயங்கள் நம் எல்லோருக்கும் சிறிய வழிகளில்

thousands of times per day.

ஒரு நாளுக்கு பல ஆயிரம் முறைகள் நடக்கிறது.

Machines cannot compete with us

புதுமையான சூழ்நிலைகளைக் கையாளுவதில்

when it comes to tackling novel situations,

இயந்திரங்கள் நம்முடன் போட்டி போட முடியாது.

and this puts a fundamental limit on the human tasks

இதனால், மனிதர்கள் செய்யும் பணிகளை

இயந்திரங்கள் தானியங்கியாக செய்வதற்கு ஒரு அடிப்படை வரம்பு உண்டாகிறது.

that machines will automate.

எனில், பணியின் எதிர்காலம் பற்றி இதனால் என்ன புரிகிறது?

So what does this mean for the future of work?

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

எந்த ஒரு வேலையின் எதிர்கால நிலையும் ஒரே ஒரு கேள்விக்கான விடையை பொருத்திருக்கிறது:

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

அடிக்கடி செய்யும் பெரிய அளவு பணியாக இந்தப் பணியை எந்த அளவிற்கு மாற்ற முடியும்?

and to what extent does it involve tackling novel situations?

மேலும், புதிய சூழ்நிலைகளை சமாளிப்பது இதனுடன் எந்த அளவிற்கு ஒன்றி இருக்கிறது?

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

அடிக்கடி செய்யும் அதிகளவான பணிகளில் இயந்திரங்கள் மேலும் மிடுக்காய் உள்ளன.

இன்று அவை கட்டுரைகளை தரப்படுத்தி சில நோய்களை கண்டறிகின்றன,

Today they grade essays. They diagnose certain diseases.

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

வருகிற வருடங்களில் அவை எங்கள் தணிக்கைகளை நடத்தப் போகின்றன,

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

அவை, சட்ட ஒப்பந்தங்களிலிருந்து பாய்லர்ப்ளேட்டைப் படிக்கும்

Accountants and lawyers are still needed.

கணக்காளர்கள் வழக்கறிஞர்கள் இருப்பினும் தேவைப் படுகிறார்கள்.

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

சிக்கலான வரி கட்டமைப்பிற்கும் வழிகாட்டும் வழக்குகளுக்கும்,

for pathbreaking litigation.

அவர்கள் தேவைப்படப் போகிறார்கள்

இயந்திரங்கள் தங்கள் அணிகளை சுருக்கும்

But machines will shrink their ranks

and make these jobs harder to come by.

இந்த பணிகள் கிடைப்பதற்கு அரிதாக செய்யும்,

Now, as mentioned,

முன்னர் கூறியபடி,

machines are not making progress on novel situations.

புதிய சூழ் நிலைகளை சமாளிப்பதில் இயந்திரங்கள் முன்னேறவில்லை.

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

விளம்பர யுக்திகளின் நகல், நுகர்வோர் கவனத்தை ஈர்க்க வேண்டும்,

கும்பலிலிருந்து அது தனித்து நிற்க வேண்டும்,

It has to stand out from the crowd.

வணிக வியூகமெனில், சந்தையில் உள்ள இடைவெளியைக் கண்டறிவது,

Business strategy means finding gaps in the market,

things that nobody else is doing.

வேறு எவரும் செய்யாத விடயங்களை.

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

மனிதர்கள் தான் விளம்பர யுக்திகளின் நகலை உண்டாக்குவார்கள்,

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

மேலும், வணிக வியூகத்தை உண்டாக்குவது மனிதர்களாகத்தான் இருக்கும்.

So Yahli, whatever you decide to do,

அதனால், யாஹ்லி, நீ என்ன செய்ய தீர்மானித்தாலும்,

let every day bring you a new challenge.

ஒவ்வொரு நாளும் உனக்கு புதியதொரு சவாலைக் கொண்டு வரட்டும்

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

அவ்வாறு நிகழ்ந்தால், நீ இயந்திரங்களை விட முன்னனியில் இருப்பாய்.

நன்றி.

Thank you.

(கரவொலி)

(Applause)