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

Çeviri: Mustafa Güven Gözden geçirme: Aslı Balmumcu

So this is my niece.

İşte yeğenim.

Her name is Yahli.

Adı Yahli.

She is nine months old.

Kendisi 9 aylık bebek.

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

Annesi doktor ve babası avukat.

By the time Yahli goes to college,

Yahli okula gittiğinde,

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

ebeveynlerinin yaptığı işler, oldukça farklı görünecek.

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

2013 yılında Oxford Üniversitesinde araştırmacılar,

işin geleceği üzerine bir çalışma yaptılar.

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

Araştırmacılar, neredeyse her iki işten birinde makineler sayesinde

otomatikleşmenin yüksek bir riski olduğu hususunda karara vardılar.

of being automated by machines.

Machine learning is the technology

Makine öğrenmesi

bu karmaşanın çoğunluğundan sorumlu olan teknolojidir.

that's responsible for most of this disruption.

It's the most powerful branch of artificial intelligence.

Makine Öğrenimi, yapay zekanın en güçlü dalıdır.

It allows machines to learn from data

Yapay zeka, insanın yapabileceği bazı şeyleri

and mimic some of the things that humans can do.

veri ve mimikden öğrenmesi için makineye olanak sağlar.

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

Şirketim Kaggle, modern makine öğrenimini kullanmaktadır.

We bring together hundreds of thousands of experts

Endüstri ve akademik çevreye yönelik önemli problemleri çözmek için

to solve important problems for industry and academia.

yüz binlerce uzmanı bir araya getiriyoruz.

Bu bize makinelerin ne yapacaklarını, ne yapamayacaklarını ve

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

hangi işleri otomatikleştirecekleri veya tehdit oluşturabilecekleri üzerine

what they can't do

and what jobs they might automate or threaten.

benzersiz bir bakış açısı vermektedir.

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

Makine öğrenme, doksanlı yılların başlarında endüstride yer almaya başlar.

It started with relatively simple tasks.

Makine Öğrenme, nispeten basit görevler ile başladı.

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

Makine öğrenme, kredi taleplerinden kredi riski değerlendirme, posta kodlarından

sorting the mail by reading handwritten characters from zip codes.

el yazısı karakterleri okuyarak posta sınıflandırma gibi şeylerle başladı.

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

Geçtiğimiz bir kaç yıldır, belirgin bir çıkış yaptık.

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

Makine öğrenme, artık çok daha karmaşık görevleri yapabiliyor.

In 2012, Kaggle challenged its community

2012’de Kaggle, liselerde makaleleri puanlayabilen

bir algoritma yapmak için çevresindekilere meydan okudu.

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

The winning algorithms were able to match the grades

Kazanan algoritmaların puanlamasıyla öğretmenlerin puanlaması

given by human teachers.

birbirlerine eşdeğerdi.

Geçtiğimiz yıl, daha da zor bir meydan okuma sergiledik.

Last year, we issued an even more difficult challenge.

Gözdeki görüntüleri alabilir ve şeker hastalığı retinopatisi olarak adlandılan

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

called diabetic retinopathy?

göz hastalığını teşhis edebilir misiniz?

Again, the winning algorithms were able to match the diagnoses

Yine, kazanan algoritmalar,

göz doktorları tarafından koyulan tanılarla eşleşiyordu.

given by human ophthalmologists.

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

Artık verilen doğru data ile,

bu tür işlerde makinalar, insanlardan daha iyi performans sergileyecekler.

at tasks like this.

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

Bir öğretmen, kırk yıllık kariyer süresince 10,000 makale okuyabilir.

An ophthalmologist might see 50,000 eyes.

Bir göz doktoru, elli bin göze bakabilir.

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

Bir makine, dakikalar içerisinde

milyonlarca makale okuyabilir veya milyonlarca göze bakabilir.

within minutes.

We have no chance of competing against machines

Sık tekrarlanan, büyük çaplı görevlerde

makineler ile rekabet etme şansımız hiç yok.

on frequent, high-volume tasks.

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

Az gelişim gösterdikleri yeni alanlarda,

Where machines have made very little progress

makineler bizim yaptığımız şeyleri yapamazlar.

is in tackling novel situations.

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

Daha önce birçok defa görmedikleri işleri yapamazlar.

The fundamental limitations of machine learning

Makine öğrenmenin temel engelleri,

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

geçmiş datadan büyük miktarda öğrenme gereksinimidir.

Now, humans don't.

İnsanlarda böyle değil.

Daha önce karşılaşmadığımız problemleri çözmek için,

We have the ability to connect seemingly disparate threads

görünürde farklı konularda ilişki kurma yeteneğine sahibiz.

to solve problems we've never seen before.

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

Percy Spencer magnetronnun çikolata kalıbını erittiğini fark ettiğinde,

ikinci dünya savaşı sırasında, radarlar üzerine çalışan bir fizikçiydi.

when he noticed the magnetron was melting his chocolate bar.

Percy Spencer, yeni bir icat için

He was able to connect his understanding of electromagnetic radiation

yemek pişirme bilgisi ile elektromanyetik radyasyon kavramını birleştirebildi--

with his knowledge of cooking

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

herhangi bir tahmin ?-- mikrodalga fırın.

Now, this is a particularly remarkable example of creativity.

Şimdi,bu özellikle yaratıcılığın dikkat çekici bir örneğidir.

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

Ancak bu tür çapraz birleşmeler her birimiz için

thousands of times per day.

günde binlerce kez oluşur.

Machines cannot compete with us

Konu yeni işleri başarmak olduğunda,

when it comes to tackling novel situations,

makineler bizimle rekabet edemezler ve

and this puts a fundamental limit on the human tasks

bu, makinelerin insanların işlerini otomatize etmelerinde

that machines will automate.

temel engel oluşturur.

So what does this mean for the future of work?

Öyleyse, işin geleceği için bu ne anlama geliyor ?

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

Herhangi bir işin gelecekteki durumu, bir sorunun cevabında yatar:

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

Meslek ne ölçüde sık tekrarlanan, büyük çaplı işe indirgenebilir ve

and to what extent does it involve tackling novel situations?

ne ölçüde yeni görevleri içerir?

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

Sık tekrarlanan, büyük-çaplı görevlerde makineler, gitgide akıllı olmaktadırlar.

Bugün denemeleri puanlayabiliyorlar. Bazı hastalıkları teşhis ediyorlar.

Today they grade essays. They diagnose certain diseases.

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

Gelecek yıllarda makineler, denetimlerimizi yürütecekler ve

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

yasal sözleşmelerden standart metni okuyacaklar.

Accountants and lawyers are still needed.

Muhasebeci ve avukatlara hala gereksinim var.

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

karmaşık vergi yapısı, çığır açan hukuk davaları için ihtiyaç duyulacak.

for pathbreaking litigation.

Ancak makineler, bu işlerin kademelerini daraltacak

But machines will shrink their ranks

and make these jobs harder to come by.

ve onları elde etmeyi zorlaştıracak.

Now, as mentioned,

Günümüzde söz konusu makineler,

machines are not making progress on novel situations.

alışılmışın dışındaki durumlarda ilerleme gösterememektedir.

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

pazarlama kampanyasının ardındaki metin,müşterilerin ilgisini çekmelidir.

It has to stand out from the crowd.

Kendini göstermelidir.

İş stratejisi, pazarda başkalarının bulmadığı

Business strategy means finding gaps in the market,

things that nobody else is doing.

boşlukları bulmak demektir.

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

Pazarlama kampanyalarımızın ardındaki metni yaratacak olanlar ve

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

iş stratejimizi geliştirecek olanlar insanlar olacaktır.

So Yahli, whatever you decide to do,

Bu yüzden Yahli, ne yapmaya karar verirsen ver,

let every day bring you a new challenge.

her gün sana yeni bir meydan okuma getirsin.

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

Eğer bunu yaparsan, o zaman makinelerden önde olursun.

Thank you.

Teşekkürler.

(Applause)