So, das ist meine Nichte. Ihr Name ist Yahli. Sie ist neun Monate alt. Ihre Mutter ist Ärztin, ihr Vater Anwalt. Wenn Yahli zur Universität geht, werden sich die Berufe ihrer Eltern komplett verändert haben.
So this is my niece. Her name is Yahli. She is nine months old. Her mum is a doctor, and her dad is a lawyer. By the time Yahli goes to college, the jobs her parents do are going to look dramatically different.
2013 untersuchten Forscher der Universität Oxford die Zukunft der Arbeit. Sie stellten fest, dass beinahe einer von zwei Arbeitsplätzen das Risiko birgt, durch Maschinen ersetzt zu werden. Maschinelles Lernen ist die Technologie, die verantwortlich für diesen Bruch ist. Es ist die wichtigste Sparte der künstlichen Intelligenz. Es erlaubt Computern von Daten zu lernen und Dinge nachzuahmen, die auch Menschen können. Mein Unternehmen Kaggle ist ein Vorreiter des Maschinellen Lernens. Wir bringen Hunderte von Experten zusammen, um wichtige Probleme aus Industrie und Universitäten zu lösen. Das gibt uns eine einmalige Perspektive, was Maschinen können, was sie nicht können und welche Arbeitsplätze sie automatisieren oder bedrohen könnten.
In 2013, researchers at Oxford University did a study on the future of work. They concluded that almost one in every two jobs have a high risk of being automated by machines. Machine learning is the technology that's responsible for most of this disruption. It's the most powerful branch of artificial intelligence. It allows machines to learn from data and mimic some of the things that humans can do. My company, Kaggle, operates on the cutting edge of machine learning. We bring together hundreds of thousands of experts to solve important problems for industry and academia. This gives us a unique perspective on what machines can do, what they can't do and what jobs they might automate or threaten.
Maschinelles Lernen fand in den frühen 90er Jahren den Weg in die Industrie. Es begann mit einfachen Arbeiten. Es begann mit der Risikobeurteilung von Kreditanträgen oder dem Aussortieren von Briefpost mit handgeschriebenen Postleitzahlen. Über die letzten Jahre haben wir dramatische Durchbrüche erzielt. Maschinelles Lernen kann jetzt viel komplexere Arbeiten übernehmen. 2012 hat Kaggle seine Community herausgefordert, Algorithmen zu entwerfen, die Oberstufen-Aufsätze bewerten. Die besten Algorithmen waren fähig, die Noten abzugleichen, die von Lehrern gegeben wurden. Letztes Jahr stellten wir eine noch schwierigere Aufgabe: Kann man Fotos vom Auge machen und eine Krankheit diagnostizieren, namens Diabetische Retinopathie? Erneut schafften es die besten Algorithmen, Diagnosen abzugleichen, die durch einen Augenarzt gestellt wurden.
Machine learning started making its way into industry in the early '90s. It started with relatively simple tasks. It started with things like assessing credit risk from loan applications, sorting the mail by reading handwritten characters from zip codes. Over the past few years, we have made dramatic breakthroughs. Machine learning is now capable of far, far more complex tasks. In 2012, Kaggle challenged its community to build an algorithm that could grade high-school essays. The winning algorithms were able to match the grades given by human teachers. Last year, we issued an even more difficult challenge. Can you take images of the eye and diagnose an eye disease called diabetic retinopathy? Again, the winning algorithms were able to match the diagnoses given by human ophthalmologists.
Mit den richtigen Daten werden Computer Menschen bei Arbeiten wie dieser übertreffen. Ein Lehrer wird in seiner 40-jährigen Karriere 10 000 Aufsätze gelesen haben. Ein Augenarzt wird 50 000 Augen gesehen haben. Ein Computer kann Millionen Aufsätze lesen oder Millionen Augen prüfen -- innerhalb von Minuten. Wir haben keine Chance, gegen Computer anzukämpfen, wenn es um häufige Aufgaben mit hohem Datenvolumen geht.
Now, given the right data, machines are going to outperform humans at tasks like this. A teacher might read 10,000 essays over a 40-year career. An ophthalmologist might see 50,000 eyes. A machine can read millions of essays or see millions of eyes within minutes. We have no chance of competing against machines on frequent, high-volume tasks.
Es gibt jedoch Dinge, die wir können, die Computer wiederum nicht können. Nur geringe Fortschritte haben Computer bisher beim Bewältigen neuartiger Situationen erzielt. Unbekannte Dinge können sie nicht bewältigen. Die grundlegende Beschränkung von maschinellem Lernen ist, dass es von großen Datenvolumen aus der Vergangenheit lernen muss. Menschen wiederum müssen das nicht. Wir haben die Fähigkeit, unterschiedliche Fäden zu verknüpfen, um unbekannte Probleme zu lösen.
But there are things we can do that machines can't do. Where machines have made very little progress is in tackling novel situations. They can't handle things they haven't seen many times before. The fundamental limitations of machine learning is that it needs to learn from large volumes of past data. Now, humans don't. We have the ability to connect seemingly disparate threads to solve problems we've never seen before.
Der Physiker Percy Spencer arbeitete während des 2. Weltkrieges am Radar, als er merkte, dass Magnetron seinen Schokoladenriegel schmelzen ließ. Er war fähig, seine Kenntnisse der elektromagnetischen Strahlung mit seinen Kochkenntnissen zu verknüpfen um später -- raten Sie mal? -- die Mikrowelle zu erfinden.
Percy Spencer was a physicist working on radar during World War II, when he noticed the magnetron was melting his chocolate bar. He was able to connect his understanding of electromagnetic radiation with his knowledge of cooking in order to invent -- any guesses? -- the microwave oven.
Das also ist ein bemerkenswertes Beispiel für Kreativität. Diese Art gegenseitiger Befruchtung erfolgt für uns in kleinen Schritten, tausende Male während eines Tages. PCs können nicht mit uns mithalten, wenn es um Bewältigung neuartiger Situationen geht. Das begrenzt menschliche Aufgaben, die Maschinen automatisieren können.
Now, this is a particularly remarkable example of creativity. But this sort of cross-pollination happens for each of us in small ways thousands of times per day. Machines cannot compete with us when it comes to tackling novel situations, and this puts a fundamental limit on the human tasks that machines will automate.
Was bedeutet das für die Zukunft des Arbeitens? Die Zukunft jeder einzelnen Arbeit liegt in der Antwort einer einzigen Frage: Inwieweit ist diese Arbeit reduzierbar für eine große Menge Aufgaben und inwieweit involviert sie die Bewältigung neuartiger Situationen ? Für die Verarbeitung hochvolumiger Aufgaben werden Computer immer schlauer. Heute bewerten sie Aufsätze, diagnostizieren gewisse Krankheiten. Über die Jahre werden sie unsere Prüfungen selbst ausführen und Textbausteine in rechtsgültigen Verträgen zu lesen wissen. Noch werden Buchhalter und Anwälte gebraucht. Sie werden für aufwendige Steuerstrukturierungen oder für Rechtsstreits benötigt. Rechner verringern aber ihre Bedeutung und es wird schwieriger, diese Jobs zu bekommen.
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: To what extent is that job reducible to frequent, high-volume tasks, and to what extent does it involve tackling novel situations? On frequent, high-volume tasks, machines are getting smarter and smarter. Today they grade essays. They diagnose certain diseases. Over coming years, they're going to conduct our audits, and they're going to read boilerplate from legal contracts. Accountants and lawyers are still needed. They're going to be needed for complex tax structuring, for pathbreaking litigation. But machines will shrink their ranks and make these jobs harder to come by.
Wie erwähnt, erzeugen PCs keine Fortschritte, was neuartige Situationen angeht. Eine Marketingaktion muss die Aufmerksamkeit des Verbrauchers erregen. Sie muss aus der Menge herausragen. Geschäftsstrategien heißt, Lücken im Markt zu finden, für Dinge, die sonst niemand tut. Marketingkampagne werden immer von Menschen erschaffen werden, und es werden immer Menschen sein, die Geschäftsstrategien entwickeln.
Now, as mentioned, machines are not making progress on novel situations. The copy behind a marketing campaign needs to grab consumers' attention. It has to stand out from the crowd. Business strategy means finding gaps in the market, things that nobody else is doing. It will be humans that are creating the copy behind our marketing campaigns, and it will be humans that are developing our business strategy.
Yahli, für was auch immer du dich entscheidest, stell dich jeden Tag einer neuen Herausforderung. Wenn es so ist, wirst du den Maschinen immer voraus sein.
So Yahli, whatever you decide to do, let every day bring you a new challenge. If it does, then you will stay ahead of the machines.
Danke.
Thank you.
(Applaus)
(Applause)