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

Translator: Kelwalin Dhanasarnsombut Reviewer: Rawee Ma

So this is my niece.

นี่คือหลานสาวของผมครับ

Her name is Yahli.

เธอมีชื่อว่า ยาห์ลิ

She is nine months old.

เธออายุเก้าเดือน

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

แม่ของเธอเป็นหมอและพ่อเป็นทนาย

By the time Yahli goes to college,

เมื่อยาห์ลิโตจนเข้าวิทยาลัย

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

งานที่พ่อแม่เธอทำกำลังจะดูต่างไปมาก

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

ในปี ค.ศ. 2013 นักวิจัยที่มหาวิทยาลัยออกฟอร์ด ทำการศึกษาเกี่ยวกับการงานในอนาคต

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

พวกเขาสรุปว่าอย่างมากที่สุด หนึ่งในสองงานจะตกอยู่ในความเสี่ยง

of being automated by machines.

ที่จะถูกดำเนินการแบบอัตโนมัติโดยจักรกล

Machine learning is the technology

การเรียนรู้ของจักรกลเป็นเทคโนโลยี

that's responsible for most of this disruption.

ที่มีส่วนต่อการเปลี่ยนแปลงส่วนใหญ่เหล่านี้

It's the most powerful branch of artificial intelligence.

มันเป็นสาขาหนึ่งที่ทรงพลังที่สุด ของปัญญาประดิษฐ์

It allows machines to learn from data

มันทำให้จักรกลเรียนรู้จากข้อมูล

and mimic some of the things that humans can do.

และเลียนแบบบางอย่างที่มนุษย์ทำได้

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

บริษัทของผม แคกเกิล ดำเนินการเกี่ยวกับ การเรียนรู้ของจักรกลล้ำสมัย

We bring together hundreds of thousands of experts

เรานำผู้เชี่ยวชาญหลายแสนคนมารวมกัน

to solve important problems for industry and academia.

เพื่อแก้ปัญหาสำคัญ ในวงการอุตสาหกรรมและวิชาการ

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

มันให้มีมุมมองที่มีความโดดเด่นกับเรา ว่าจักรกลสามารถทำอะไรได้

what they can't do

เราทำอะไรไม่ได้

and what jobs they might automate or threaten.

และงานใดที่มันอาจดำเนินการ หรือทำให้รวนได้

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

การเรียนรู้ของจักรกลเริ่มเติบโต ในวงการอุตสาหกรรมในช่วงต้นยุค 90

It started with relatively simple tasks.

มันเริ่มด้วยงานที่ค่อนข้างจะง่าย

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

มันเริ่มต้นด้วยงานอย่างเช่น การประเมิน ความเสี่ยงเครดิตจากแบบคำขอเงินกู้

sorting the mail by reading handwritten characters from zip codes.

การแยกจดหมายโดยตัวอักษรอ่านลายมือ จากรหัสไปรษณีย์

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

ตลอดหลายปีที่ผ่านมา เราได้ทำการค้นพบและพัฒนาไปมาก

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

การเรียนรู้ของจักรกลตอนนี้สามารถ ทำงานที่ซับซ้อนได้มากมายกว่านั้น

In 2012, Kaggle challenged its community

ในปี ค.ศ. 2012 แคกเกิล ท้าให้กลุ่มสังคมของมัน

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

สร้างอัลกอริธึมที่จะให้คะแนน บทความของเด็กมัธยม

The winning algorithms were able to match the grades

ผู้ชนะในการเขียนอัลกอริธึม สามารถที่จะให้คะแนน

given by human teachers.

ได้เหมือนกับที่ครูที่เป็นคนจริง ๆ ทำ

Last year, we issued an even more difficult challenge.

ปีหนึ่งต่อมา เราท้าทายในสิ่งที่ยากขึ้นไปอีก

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

คุณสามารถดูภาพดวงตาแล้ววินิจฉัยโรคตา

called diabetic retinopathy?

ที่เรียกว่า โรคจอตาเหตุเบาหวาน ได้หรือไม่

Again, the winning algorithms were able to match the diagnoses

อีกครั้งที่ผู้ชนะในการเขียนอัลกอริธึม สามารถวินิจฉัยโรค

given by human ophthalmologists.

ได้เหมือนกับที่จักษุแพทย์ทำ

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

ตอนนี้ เมื่อให้ข้อมูลที่เหมาะสม จักรกลกำลังจะทำงานได้ดีกว่ามนุษย์

at tasks like this.

สำหรับงานในลักษณะนี้

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

ครูอาจอ่านบทความ 10,000 เรื่อง มาตลอดการทำงาน 40 ปี

An ophthalmologist might see 50,000 eyes.

จักษุแพทย์อาจดูตามาแล้ว 50,000 ดวง

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

จักรกลสามารถอ่านบทความหลายล้านเรื่อง หรือมองดูดวงตาหลายล้านดวง

within minutes.

ได้ภายในไม่กี่นาที

We have no chance of competing against machines

เราไม่มีโอกาสที่จะเอาชนะจักรกลได้เลย

on frequent, high-volume tasks.

ในงานที่มีการทำซ้ำ ๆ และมีปริมาณมาก

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

แต่มีสิ่งที่เราสามารถทำได้ ที่จักรกลทำไม่ได้

Where machines have made very little progress

จุดที่จักรกลพัฒนาไปได้น้อยมาก

is in tackling novel situations.

คือการหาทางแก้ปัญหาในสถานการณ์ใหม่ ๆ

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

พวกมันไม่อาจรับมือ สิ่งที่พวกมันไม่เคยเห็นซ้ำ ๆ มาก่อน

The fundamental limitations of machine learning

ข้อจำกัดพื้นฐานของการเรียนรู้ของจักรกล

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

ก็คือมันจำเป็นต้องเรียน จากข้อมูลในอดีตปริมาณมาก ๆ

Now, humans don't.

ทีนี้ มนุษย์ไม่จำเป็นต้องทำอย่างนั้น

We have the ability to connect seemingly disparate threads

เรามีความสามารถที่จะเชื่อมต่อ เศษเสี้ยวที่อาจดูเหมือนไม่เกี่ยวข้องกัน

to solve problems we've never seen before.

เพื่อแก้ปัญหาที่เรายังไม่เคยเห็นมาก่อน

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

เพอร์ซี สเปนเซอร์ เป็นนักฟิสิกส์ ที่ทำงาน เกี่ยวกับเรดาร์ในช่วงสงครามโลกครั้งที่สอง

when he noticed the magnetron was melting his chocolate bar.

เมื่อเขาสังเกตว่าแมกนีตรอน ทำให้แท่งช็อกโกแลตของเขาละลาย

He was able to connect his understanding of electromagnetic radiation

เขาสามารถที่จะเชื่อมต่อความเข้าใจของเขา ในเรื่องการแผ่รังสีแม่เหล็กไฟฟ้า

with his knowledge of cooking

กับความรู้ในเรื่องการทำอาหารได้

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

เพื่อที่จะประดิษฐ์ -- เป็นอะไรทราบไหมครับ -- เตาไมโครเวฟ

Now, this is a particularly remarkable example of creativity.

ครับ ที่เป็นตัวอย่างที่สุดยอดมาก สำหรับความคิดสร้างสรรค์

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

แต่การถ่ายเทข้อมูลในลักษณะนี้ เกิดขึ้นกับพวกเราในแบบเล็ก ๆ น้อย ๆ

thousands of times per day.

หลายพันครั้งต่อวัน

Machines cannot compete with us

จักรกลไม่สามารถเอาชนะเราได้

when it comes to tackling novel situations,

เมื่อมันเป็นเรื่องของการแก้ปัญหา ต่อสถานการณ์ใหม่

and this puts a fundamental limit on the human tasks

และนี่เป็นการกำหนดข้อจำกัดพื้นฐาน ให้กับงานของมนุษย์

that machines will automate.

ว่าจักรกลจะดำเนินการอย่างอัตโนมัติ

So what does this mean for the future of work?

ฉะนั้น มันมีความหมายอย่างไร ต่องานของเราในอนาคตน่ะหรือ

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

สถานะของงานใด ๆ ก็ตามในอนาคต อยู่ในคำตอบต่อคำถามเพียงข้อเดียว

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

ซึ่งก็คือ งานดังกล่าวถูกลดทอนให้เป็นงาน ที่ถูกทำซ้ำ ๆ และมีปริมาณมากได้แค่ไหน

and to what extent does it involve tackling novel situations?

และมันเกี่ยวข้องกับการหาทางแก้ปัญหา ในสถานการณ์ใหม่แค่ไหน

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

สำหรับงานที่มีการทำซ้ำ ๆ และมีปริมาณมาก จักรกลกำลังทำได้ดีขึ้นและดีขึ้นเรื่อย ๆ

Today they grade essays. They diagnose certain diseases.

ปัจจุบัน พวกมันให้คะแนนบทความ พวกมันวินิจฉัยโรค

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

ในอีกหลายปีที่จะมาถึงนี้ พวกมันจะทำการประเมินพวกเรา

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

พวกมันจะอ่านเอกสารต้นฉบับ จากสัญญาทางกฎหมาย

Accountants and lawyers are still needed.

นักบัญชีและทนายยังเป็นที่ต้องการ

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

พวกเขากำลังจะเป็นที่ต้องการ สำหรับการวางโครงสร้างภาษีที่ซับซ้อน

for pathbreaking litigation.

สำหรับการฟ้องร้องที่ไม่เคยมีมาก่อน

But machines will shrink their ranks

แต่จักรกลจะลดอันดับของพวกเขาลงมา

and make these jobs harder to come by.

และทำให้งานเหล่านี้ทำได้ยากขึ้น

Now, as mentioned,

ทีนี้ อย่างที่ผมได้กล่าวไปแล้ว

machines are not making progress on novel situations.

จักรกลไม่ได้พัมนาไปมาก ในเรื่องการแก้สถานการณ์ใหม่ ๆ

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

ร่างต้นฉบับเบื้องหลังการรณรงค์ทางการตลาด ต้องจับความสนใจของผู้บริโภค

It has to stand out from the crowd.

มันต้องเริ่มจากกลุ่มคน

Business strategy means finding gaps in the market,

แผนกลยุทธทางธุรกิจ หมายถึงการหาพื้นที่ในตลาด

things that nobody else is doing.

สิ่งที่ยังไม่มีใครกำลังทำอยู่

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

มันจะต้องเป็นมนุษย์ที่สร้างสรรค์ร่างต้นฉบับ เบื้องหลังการรณรงค์ทางการตลาด

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

และมันจะต้องเป็นมนุษย์ที่พัฒนา แผนกลยุทธทางธุรกิจของเรา

So Yahli, whatever you decide to do,

ฉะนั้น ยาห์ลิ ไม่ว่าเธอตัดสินใจจะทำอะไร

let every day bring you a new challenge.

ให้ทุกวันได้นำความท้าทายมาให้กับเธอนะ

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

ถ้ามันเป็นเช่นนั้นแล้ว เธอก็จะสามารถ อยู่เหนือกว่าจักรกลได้

Thank you.

ขอบคุณครับ

(Applause)

(เสียบปรบมือ)