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

605,396 views ・ 2016-08-31

TED


வீடியோவை இயக்க கீழே உள்ள ஆங்கில வசனங்களில் இருமுறை கிளிக் செய்யவும்.

Translator: DEVANATHAN RENGACHARI Reviewer: Elanttamil Maruthai
00:12
So this is my niece.
0
12968
1262
இது என் உடன் பிறந்தாரின் மகள்
00:14
Her name is Yahli.
1
14644
1535
அவள் பெயர் யாஹ்லி
00:16
She is nine months old.
2
16203
1511
அவளுக்கு வயது 9 மாதங்கள் ஆகிறது
00:18
Her mum is a doctor, and her dad is a lawyer.
3
18201
2528
அவள் தாய் ஒரு மருத்துவர்,மற்றும் அவள் தந்தை ஒரு வழக்கறிஞர்.
00:21
By the time Yahli goes to college,
4
21269
2006
யாஹ்லி கல்லூரி செல்வதற்குள்,
00:23
the jobs her parents do are going to look dramatically different.
5
23299
3253
அவளுடைய பெற்றோர்கள் செய்யும் பணிகள் வியக்கத்தகு வித்தியாசமாக காணப் போகிறது.
00:27
In 2013, researchers at Oxford University did a study on the future of work.
6
27347
5073
2013-ல் ஆக்ஸ்ஃபோர்ட் பல்கலைகழக ஆய்வாளர்கள் பணியின் எதிர்காலம் பற்றிய ஒரு ஆய்வில்
00:32
They concluded that almost one in every two jobs have a high risk
7
32766
4139
அநேகமாக, 2 பணிகளில் 1 பணியை, இயந்திரங்கள் தானியங்கி வேலையாக ஆக்கக்கூடிய
00:36
of being automated by machines.
8
36929
1824
பெரிய அபாயம் இருக்கிறதென்ற முடிவுக்கு வந்தார்கள்
00:40
Machine learning is the technology
9
40388
1905
பொறிக்கற்றல் என்ற தொழில்நுட்பம்தான்
00:42
that's responsible for most of this disruption.
10
42317
2278
இந்த இடையூறுகளுக்கு எல்லாம் காரணம்.
00:44
It's the most powerful branch of artificial intelligence.
11
44619
2790
அது செயற்கை நுண்ணறிவின் மிக சக்தி வாய்ந்த ஒரு பிரிவாகும்,
00:47
It allows machines to learn from data
12
47433
1882
இயந்திரங்களை தரவிலிருந்து கற்க அனுமதித்து
00:49
and mimic some of the things that humans can do.
13
49339
2592
மனிதர்கள் செய்யக்கூடிய சில விடயங்களை அபிநயிக்கிறது
00:51
My company, Kaggle, operates on the cutting edge of machine learning.
14
51955
3415
என் நிறுவனம் காகுல், பொறிக்கற்றலில் முன்னேற்றத்தின் உச்சியில் இருப்பதால்
00:55
We bring together hundreds of thousands of experts
15
55394
2386
ஆயிரக்கணக்கான வல்லுனர்களை நாங்கள் ஒருங்கிணைத்து தொழில் மற்றும்
00:57
to solve important problems for industry and academia.
16
57804
3118
கல்வி நிறுவனங்களின் முக்கிய பிரச்சனைகளுக்கு தீர்வு காண்கிறோம்.
01:01
This gives us a unique perspective on what machines can do,
17
61279
3222
இது இயந்திரங்கள் செய்யக்கூடியதை செய்ய முடியாததைப் பற்றி ஒரு ஒப்பற்ற
01:04
what they can't do
18
64525
1235
முன்னோக்கை அளிக்கிறது
01:05
and what jobs they might automate or threaten.
19
65784
2939
மேலும் எந்த வேலைகளை அவைகள் தானியங்க படுத்தக்கூடும் அல்லது அச்சுறுத்தும்,
01:09
Machine learning started making its way into industry in the early '90s.
20
69316
3550
பொறிக்கற்றல், தொழில்துறையில், 1990-ன் முற்பகுதியில் ஆரம்பித்தது
01:12
It started with relatively simple tasks.
21
72890
2124
அது ஒப்பீட்டளவில் எளிய பணிகளுடன் தொடங்கியது
01:15
It started with things like assessing credit risk from loan applications,
22
75406
4115
கடன் விண்ணப்பத்திலிருந்து கடன் மதிப்பீடு, கையெழுத்துடைய ஜிப்கோட் படித்து
01:19
sorting the mail by reading handwritten characters from zip codes.
23
79545
4053
அஞ்சல் வரிசைப்படுத்துதல் போன்றவற்றில் அது தொடங்கியது,
கடந்து சில வருடங்களாக, நாம் வியக்கத்தக்க முன்னேற்றங்கள் அடைந்திருக்கிறோம்.
01:24
Over the past few years, we have made dramatic breakthroughs.
24
84036
3169
01:27
Machine learning is now capable of far, far more complex tasks.
25
87586
3916
பொறிக்கற்றல், இப்போது மிக அதிக சிக்கலான பணிகளை செய்யும் திறனுடையது.
01:31
In 2012, Kaggle challenged its community
26
91860
3231
2012-ல், காகுல் அதன் உறுப்பினர்களை உயர்நிலைப்பள்ளி கட்டுரைகளை தரவாரியாக
01:35
to build an algorithm that could grade high-school essays.
27
95115
3189
வரிசைப்படுத்தும் ஒரு வழிமுறை உருவாக்க சவால் விட்டார்கள்.
01:38
The winning algorithms were able to match the grades
28
98328
2604
வென்ற வழிமுறைகள், மனித ஆசிரியர்கள் தரப்படுத்தியவைகளுக்கு
01:40
given by human teachers.
29
100956
1665
ஈடு இணையாக இருந்தது.
சென்ற வருடம், நாங்கள் இன்னும் அதிக கடினமான சவாலை முன் வைத்தோம்.
01:43
Last year, we issued an even more difficult challenge.
30
103092
2984
கண்ணின் படிமத்திலிருந்து டயாபெடிக் ரெடினோபதி என்ற நோயை
01:46
Can you take images of the eye and diagnose an eye disease
31
106100
2953
கண்டறிய முடியுமா என்று?
01:49
called diabetic retinopathy?
32
109077
1694
இம்முறையும், வெற்றி பெற்ற வழிமுறைகள் மனித கண் மருத்துவர்களால் வழங்கப்பட்ட
01:51
Again, the winning algorithms were able to match the diagnoses
33
111164
4040
01:55
given by human ophthalmologists.
34
115228
1825
கண்டறிதலுக்கு ஈடு இணையாக இருந்தது,
01:57
Now, given the right data, machines are going to outperform humans
35
117561
3212
சரியான தரவு இயந்திரங்களுக்கு கிடைத்தால், இதைப் போன்ற பணிகளில், அவை
02:00
at tasks like this.
36
120797
1165
மனிதர்களை விஞ்சி விடும்.
02:01
A teacher might read 10,000 essays over a 40-year career.
37
121986
3992
ஒரு ஆசிரியர், 40 வருட வாழ்க்கையில் 10,000 கட்டுரைகளைப் படிக்கலாம்.
02:06
An ophthalmologist might see 50,000 eyes.
38
126407
2360
ஒரு கண் மருத்துவர் 50,000 கண்களை பரிசீலிக்கலாம்
02:08
A machine can read millions of essays or see millions of eyes
39
128791
3913
சில நிமிடங்களுக்குள், ஒரு இயந்திரம் பல மில்லியன் கட்டுரைகளைப்
படிக்கலாம் அல்லது பல மில்லியன் கண்களைப் பார்க்கலாம்.
02:12
within minutes.
40
132728
1276
02:14
We have no chance of competing against machines
41
134456
2858
இயந்திரங்களுக்கு எதிராக போட்டியிட நமக்கு வாய்ப்பே இல்லை
02:17
on frequent, high-volume tasks.
42
137338
2321
அடிக்கடி செய்ய வேண்டிய மிக அதிக அளவு பணிகள் உள்ள போது.
02:20
But there are things we can do that machines can't do.
43
140665
3724
ஆனால், இயந்திரங்கள் செய்ய முடியாத, நாம் செய்யக்கூடிய விடயங்கள் இருக்கின்றன.
02:24
Where machines have made very little progress
44
144791
2200
இயந்திரங்கள் மிகக் குறைவாக முன்னேறியது எங்கு எனில்,
புதுமையான சூழ் நிலைகளைக் கையாள்வதில்.
02:27
is in tackling novel situations.
45
147015
1854
02:28
They can't handle things they haven't seen many times before.
46
148893
3899
பலமுறை முன்னரே பார்த்திராத சூழ் நிலைகளை அவைகளால் கையாள முடியாது,
02:33
The fundamental limitations of machine learning
47
153321
2584
பொறிக்கற்றலின் அடிப்படை குறைபாடுகள் என்னவெனில்
02:35
is that it needs to learn from large volumes of past data.
48
155929
3394
கடந்தகாலத்திய அதிக அளவு தரவுகளிலிருந்து அவை கற்றறியவேண்டும்.
02:39
Now, humans don't.
49
159347
1754
ஆனால், மனிதர்களுக்கு அப்படி இல்லை.
தோற்றத்திற்கு வித்தியாசமானதை இணைத்து, இதற்குமுன் பார்த்திராத
02:41
We have the ability to connect seemingly disparate threads
50
161125
3030
பிரச்சனைகளுக்குத் தீர்வு காணும் திறமை நம்மிடம் இருக்கிறது.
02:44
to solve problems we've never seen before.
51
164179
2238
02:46
Percy Spencer was a physicist working on radar during World War II,
52
166808
4411
பெர்சி ஸ்பென்சர் என்ற இயற்பியலாளர், 2-ம் உலகப்போரின் போது ராடாரில் பணி செய்தார்,
02:51
when he noticed the magnetron was melting his chocolate bar.
53
171243
3013
மாக்னெட்ரான், அவருடைய சாக்லேட் பட்டையை உருக்குவதை கவனித்த போது,
02:54
He was able to connect his understanding of electromagnetic radiation
54
174970
3295
அவர், தன்மின்காந்த கதிர்வீச்சு புரிதலை,
02:58
with his knowledge of cooking
55
178289
1484
தன்னுடைய சமையல் அறிவுடன் இணைத்து
02:59
in order to invent -- any guesses? -- the microwave oven.
56
179797
3258
கண்டுபிடித்தார்--ஏதவது யூகங்கள்?-- மைக்ரோவேவ் அடுப்பு,
இது, குறிப்பாக ஒரு பிரசித்தமான படைப்பாற்றலுக்கு உதாரணம்.
03:03
Now, this is a particularly remarkable example of creativity.
57
183444
3073
03:06
But this sort of cross-pollination happens for each of us in small ways
58
186541
3664
ஆனால், இந்த மாதிரி எதிர்பாரா விடயங்கள் நம் எல்லோருக்கும் சிறிய வழிகளில்
03:10
thousands of times per day.
59
190229
1828
ஒரு நாளுக்கு பல ஆயிரம் முறைகள் நடக்கிறது.
03:12
Machines cannot compete with us
60
192501
1661
புதுமையான சூழ்நிலைகளைக் கையாளுவதில்
03:14
when it comes to tackling novel situations,
61
194186
2251
இயந்திரங்கள் நம்முடன் போட்டி போட முடியாது.
03:16
and this puts a fundamental limit on the human tasks
62
196461
3117
இதனால், மனிதர்கள் செய்யும் பணிகளை
இயந்திரங்கள் தானியங்கியாக செய்வதற்கு ஒரு அடிப்படை வரம்பு உண்டாகிறது.
03:19
that machines will automate.
63
199602
1717
எனில், பணியின் எதிர்காலம் பற்றி இதனால் என்ன புரிகிறது?
03:22
So what does this mean for the future of work?
64
202041
2405
03:24
The future state of any single job lies in the answer to a single question:
65
204804
4532
எந்த ஒரு வேலையின் எதிர்கால நிலையும் ஒரே ஒரு கேள்விக்கான விடையை பொருத்திருக்கிறது:
03:29
To what extent is that job reducible to frequent, high-volume tasks,
66
209360
4981
அடிக்கடி செய்யும் பெரிய அளவு பணியாக இந்தப் பணியை எந்த அளவிற்கு மாற்ற முடியும்?
03:34
and to what extent does it involve tackling novel situations?
67
214365
3253
மேலும், புதிய சூழ்நிலைகளை சமாளிப்பது இதனுடன் எந்த அளவிற்கு ஒன்றி இருக்கிறது?
03:37
On frequent, high-volume tasks, machines are getting smarter and smarter.
68
217975
4035
அடிக்கடி செய்யும் அதிகளவான பணிகளில் இயந்திரங்கள் மேலும் மிடுக்காய் உள்ளன.
இன்று அவை கட்டுரைகளை தரப்படுத்தி சில நோய்களை கண்டறிகின்றன,
03:42
Today they grade essays. They diagnose certain diseases.
69
222034
2714
03:44
Over coming years, they're going to conduct our audits,
70
224772
3157
வருகிற வருடங்களில் அவை எங்கள் தணிக்கைகளை நடத்தப் போகின்றன,
03:47
and they're going to read boilerplate from legal contracts.
71
227953
2967
அவை, சட்ட ஒப்பந்தங்களிலிருந்து பாய்லர்ப்ளேட்டைப் படிக்கும்
03:50
Accountants and lawyers are still needed.
72
230944
1997
கணக்காளர்கள் வழக்கறிஞர்கள் இருப்பினும் தேவைப் படுகிறார்கள்.
03:52
They're going to be needed for complex tax structuring,
73
232965
2682
சிக்கலான வரி கட்டமைப்பிற்கும் வழிகாட்டும் வழக்குகளுக்கும்,
03:55
for pathbreaking litigation.
74
235671
1357
அவர்கள் தேவைப்படப் போகிறார்கள்
இயந்திரங்கள் தங்கள் அணிகளை சுருக்கும்
03:57
But machines will shrink their ranks
75
237052
1717
03:58
and make these jobs harder to come by.
76
238793
1872
இந்த பணிகள் கிடைப்பதற்கு அரிதாக செய்யும்,
04:00
Now, as mentioned,
77
240689
1151
முன்னர் கூறியபடி,
04:01
machines are not making progress on novel situations.
78
241864
2949
புதிய சூழ் நிலைகளை சமாளிப்பதில் இயந்திரங்கள் முன்னேறவில்லை.
04:04
The copy behind a marketing campaign needs to grab consumers' attention.
79
244837
3457
விளம்பர யுக்திகளின் நகல், நுகர்வோர் கவனத்தை ஈர்க்க வேண்டும்,
கும்பலிலிருந்து அது தனித்து நிற்க வேண்டும்,
04:08
It has to stand out from the crowd.
80
248318
1715
வணிக வியூகமெனில், சந்தையில் உள்ள இடைவெளியைக் கண்டறிவது,
04:10
Business strategy means finding gaps in the market,
81
250057
2444
04:12
things that nobody else is doing.
82
252525
1756
வேறு எவரும் செய்யாத விடயங்களை.
04:14
It will be humans that are creating the copy behind our marketing campaigns,
83
254305
4118
மனிதர்கள் தான் விளம்பர யுக்திகளின் நகலை உண்டாக்குவார்கள்,
04:18
and it will be humans that are developing our business strategy.
84
258447
3517
மேலும், வணிக வியூகத்தை உண்டாக்குவது மனிதர்களாகத்தான் இருக்கும்.
04:21
So Yahli, whatever you decide to do,
85
261988
2817
அதனால், யாஹ்லி, நீ என்ன செய்ய தீர்மானித்தாலும்,
04:24
let every day bring you a new challenge.
86
264829
2361
ஒவ்வொரு நாளும் உனக்கு புதியதொரு சவாலைக் கொண்டு வரட்டும்
04:27
If it does, then you will stay ahead of the machines.
87
267587
2809
அவ்வாறு நிகழ்ந்தால், நீ இயந்திரங்களை விட முன்னனியில் இருப்பாய்.
நன்றி.
04:31
Thank you.
88
271126
1176
(கரவொலி)
04:32
(Applause)
89
272326
3104
இந்த இணையதளம் பற்றி

ஆங்கிலம் கற்க பயனுள்ள YouTube வீடியோக்களை இந்த தளம் உங்களுக்கு அறிமுகப்படுத்தும். உலகெங்கிலும் உள்ள சிறந்த ஆசிரியர்களால் கற்பிக்கப்படும் ஆங்கில பாடங்களை நீங்கள் காண்பீர்கள். ஒவ்வொரு வீடியோ பக்கத்திலும் காட்டப்படும் ஆங்கில வசனங்களில் இருமுறை கிளிக் செய்து, அங்கிருந்து வீடியோவை இயக்கவும். வசனங்கள் வீடியோ பிளேபேக்குடன் ஒத்திசைவாக உருட்டும். உங்களிடம் ஏதேனும் கருத்துகள் அல்லது கோரிக்கைகள் இருந்தால், இந்த தொடர்பு படிவத்தைப் பயன்படுத்தி எங்களைத் தொடர்பு கொள்ளவும்.

https://forms.gle/WvT1wiN1qDtmnspy7