Αυτή είναι η ανιψιά μου. Ονομάζεται Γιάλι. Είναι εννέα μηνών. Η μαμά της είναι γιατρός και o μπαμπάς της δικηγόρος. Μέχρι να πάει η Γιάλι στο πανεστήμιο το επαγγέλματα των γονιών της θα είναι πολύ διαφορετικά.
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.
Το 2013, ερευνητές στο πανεπιστήμιο της Οξφόρδης έκαναν μια μελέτη πάνω στο μέλλον της εργασίας. Κατέληξαν ότι σχεδόν ένα στα δύο επαγγέλματα κινδυνεύουν να αυτοματοποιηθούν από μηχανές. Η μηχανική μάθηση είναι η τεχνολογία που ευθύνεται κυρίως για αυτήν την αναστάτωση. Είναι το πιο δυνατό παρακλάδι της τεχνητής νοημοσύνης. Επιτρέπει στις μηχανές να μάθουν από δεδομένα και να μιμηθούν πράγματα που κάνουν οι άνθρωποι. Η εταιρεία μου, η Kaggel, λειτουργεί στην αιχμή της μηχανικής μάθησης. Μαζεύουμε εκατοντάδες χιλιάδες ειδικούς για να λύσουν σημαντικά βιομηχανικά και ακαδημαϊκά προβλήματα. Αντιλαμβανόμαστε έτσι, τι μπορούν και τι δεν μπορούν να κάνουν οι μηχανές και ποιες δουλειές ίσως αυτοματοποιήσουν ή απειλήσουν.
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.
Η μηχανική μάθηση άρχισε να εμφανίζεται στη βιομηχανία αρχές της δεκαετίας του 90. Ξεκίνησε με σχετικά απλές εργασίες. Ξεκίνησε με πράγματα όπως η αξιολόγηση πιστωτικού κινδύνου από αιτήσεις δανείων, ταξινόμηση της αλληλογραφίας διαβάζοντας χειρόγραφους ταχυδρομικούς κώδικες. Τα τελευταία λίγα χρόνια κάναμε σημαντική πρόοδο. Η μηχανική μάθηση είναι πλέον ικανή να αναλάβει πολύ πιο περίπλοκα έργα. Το 2012, η Kaggle προκάλεσε τα μέλη της να δημιουργήσουν έναν αλγόριθμο που θα διόρθωνε εργασίες λυκείου. Οι αλγόριθμοι που νίκησαν, βαθμολόγησαν το ίδιο όπως οι καθηγητές. Πέρυσι ετοιμάσαμε μια ακόμη δυσκολότερη δοκιμασία. Πως μπορεί να διαγνωστεί μια ασθένεια, όπως η διαβητική ρετινοπάθεια, παίρνοντας εικόνες από το μάτι; Και πάλι, ο αλγόριθμος που νίκησε, έδωσε την ίδια διάγνωση που έδωσαν και οι οφθαλμίατροι.
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.
Έχοντας τα σωστά δεδομένα, οι μηχανές θα ξεπεράσουν τους ανθρώπους σε εργασίες όπως αυτές. Ένας δάσκαλος, σε 40 χρόνια εργασίας, θα διαβάσει πάνω από 10.000 εκθέσεις. Ένας οφθαλμίατρος θα δει περίπου 50.000 μάτια. Μια μηχανή μπορεί να διαβάσει εκατομμύρια εργασίες ή να δει εκατομμύρια μάτια σε μερικά λεπτά. Δεν υπάρχει περίπτωση να ανταγωνιστούμε τις μηχανές σε συχνές εργασίες μεγάλου όγκου.
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.
Υπάρχουν όμως πράγματα, που μόνο εμείς μπορούμε να κάνουμε. Οι μηχανές έχουν προοδεύσει ελάχιστα στο να επιλύουν πρωτότυπα προβλήματα. Δεν μπορούν να αντιμετωπίσουν πράγματα που δεν έχουν δει ήδη πολλές φορές. Ο θεμελιώδης περιορισμός της μηχανικής μάθησης είναι ότι χρειάζεται πολλά προηγούμενα δεδομένα για να μάθει από αυτά. Ενώ οι άνθρωποι όχι. Μπορούμε να ενώσουμε ανόμοια φαινομενικά γνωρίσματα για να λύσουμε πρωτόγνωρα προβλήματα.
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.
Ο Πέρσι Σπένσερ ήταν φυσικός και ασχολούνταν με τα ραντάρ κατά τον Β' Παγκόσμιο Πόλεμο όταν διαπίστωσε ότι το μάγνητρο έλιωνε τη σοκολάτα του. Συνέδεσε τη γνώση του πάνω στην ηλεκτρομαγνητική ακτινοβολία και τις γνώσεις του στη μαγειρική για να ανακαλύψει τον φούρνο μικροκυμάτων.
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.
Πρόκειται για ένα λαμπρό παράδειγμα δημιουργικότητας. Όμως τέτοιου είδους διασταυρώσεις στις ιδέες μας συμβαίνουν σε όλους μας, λίγο ή πολύ κατά τη διάρκεια μιας ημέρας. Δεν μας πιάνουν οι μηχανές, όταν πρόκειται για τέτοιου είδους προβλήματα, κάτι το οποίο θέτει βασικά όρια, ως προς το ποιες εργασίες θα αυτοματοποιήσουν οι μηχανές.
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.
Τι σημαίνει λοιπόν αυτό για το μέλλον της εργασίας; Το μέλλον κάθε επαγγέλματος κρύβεται στην απάντηση αυτής της ερώτησης; Κατά πόσο μια εργασία αποτελείται από συχνές εργασίες μεγάλου όγκου, και κατά πόσο εμπεριέχει πρωτόγνωρα προβλήματα; Στις συχνές εργασίες μεγάλου όγκου, οι μηχανές γίνονται όλο και εξυπνότερες. Σήμερα διορθώνουν εκθέσεις, διαγιγνώσκουν ορισμένες ασθένειες. Σε μερικά χρόνια θα αναλάβουν λογιστικούς ελέγχους και θα αναγνωρίζουν ορολογίες από νομικά συμβόλαια. Θα χρειαζόμαστε λογιστές και δικηγόρους. Θα χρειάζονται για περίπλοκες φορολογικές δηλώσεις ή μια εφευρετική αντιπροσώπευση σε δίκη. Αλλά θα μειωθούν και θα 'ναι πιο δυσεύρετες εργασίες.
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.
Όπως είπαμε οι μηχανές δεν ανταπεξέρχονται σε πρωτόγνωρα προβλήματα. Μια διαφημιστική καμπάνια πρέπει να τραβήξει το ενδιαφέρον. Να ξεχωρίσει από το πλήθος. Μια επιχειρηματική στρατηγική βρίσκει κενά στην αγορά κάτι που κανένας άλλος δεν κάνει. Οι άνθρωποι θα σχεδιάζουν τις διαφημιστικές καμπάνιες και οι άνθρωποι θα αναπτύσσουν την επιχειρηματική στρατηγική.
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.
Οπότε Γιάλι, ό,τι και αν κάνεις προσπάθησε κάθε μέρα να αντιμετωπίζεις μια καινούρια πρόκληση. Αν το καταφέρεις, θα είσαι ένα βήμα μπροστά από τις μηχανές.
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.
Ευχαριστώ.
Thank you.