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.
Esta es mi sobrina. Su nombre es Yahli. Tiene nueve meses. Su madre es médica y su padre abogado. Cuando Yahli vaya a la universidad, los trabajos que desempeñan sus padres serán drásticamente diferentes.
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.
En 2013 investigadores de la Universidad de Oxford realizaron un estudio sobre el futuro del trabajo. Concluyeron que casi uno de cada dos puestos de trabajo tienen un alto riesgo de ser automatizado por máquinas. El aprendizaje automático es la tecnología responsable de la mayor parte de esta alteración. Es la rama más potente de la inteligencia artificial. Permite que las máquinas aprendan de datos e imiten algunas de las cosas que los humanos podemos hacer. Mi empresa Kaggle está en la vanguardia del aprendizaje automático. Reunimos a cientos de miles de expertos para resolver problemas importantes para la industria y el mundo académico. Esto nos da una perspectiva única sobre qué pueden hacer las máquinas, y lo que no pueden hacer y qué puestos de trabajo pueden automatizar o amenazar.
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.
El aprendizaje automático comenzó su camino en la industria en los años 90. Comenzó con tareas relativamente simples. Empezó con la evaluación del riesgo de crédito de las solicitudes de préstamo, la clasificación del correo leyendo caracteres escritos a mano a partir de los códigos postales. En los últimos años hemos hecho grandes avances. El aprendizaje automático puede ahora hacer tareas mucho más complejas. En 2012 Kaggle desafió a su comunidad al construir un algoritmo para evaluar los ensayos del instituto. Los algoritmos ganadores pudieron igualar las calificaciones dadas por profesores humanos. El año pasado abordamos un reto aún más difícil. ¿Se pueden hacer imágenes del ojo y diagnosticar una enfermedad ocular llamada retinopatía diabética? De nuevo los algoritmos ganadores pudieron igualar los diagnósticos dados por los oftalmólogos humanos.
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.
Así que con los datos correctos, las máquinas superarán a los humanos en este tipo de tareas. Un profesor puede leer 10 000 ensayos durante un tiempo de 40 años. Un oftalmólogo puede ver 50 000 ojos. Una máquina puede leer millones de ensayos o ver a millones de ojos en minutos. No tenemos oportunidad de competir contra las máquinas en las tareas frecuentes y de gran volumen.
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.
Pero hay cosas que podemos hacer que las máquinas no pueden hacer. Donde las máquinas han avanzado muy poco es haciendo frente a situaciones nuevas. Ellas no pueden manejar las cosas que no han visto muchas veces antes. Las limitaciones principales del aprendizaje automático es que requiere el aprendizaje previo de grandes volúmenes de datos del pasado. Los humanos, sin embargo, no. Tenemos la capacidad de conectar los hilos aparentemente dispares para resolver problemas que nunca antes hemos visto.
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.
El físico Percy Spencer investigaba sobre el radar durante la 2ª Guerra Mundial, cuando notó que el magnetrón derretía su barra de chocolate. Pudo conectar su comprensión de la radiación electromagnética con su conocimiento de la cocina para... ¿alguna idea? El horno de microondas.
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.
Este es un ejemplo particularmente notable de creatividad. Pero este tipo de polinización cruzada ocurre en cada uno de nosotros en formas pequeñas miles de veces por día. Las máquinas no pueden competir con nosotros cuando se trata de hacer frente a situaciones nuevas, y en las tareas humanas esto tienen un límite fundamental para que las máquinas lo automaticen.
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.
Y ¿qué significa esto para el futuro del trabajo? El futuro de cualquier trabajo radica en la respuesta a una sola pregunta: ¿En qué medida el trabajo es reducible a las tareas frecuentes y de gran volumen, y en qué medida tampoco implica hacer frente a situaciones nuevas? En tareas frecuentes y de gran volumen, las máquinas son más y más inteligentes. Hoy evalúan ensayos. Diagnostican ciertas enfermedades. Durante los próximos años harán nuestras auditorías, y leerán lo repetitivo de los contratos legales. Pero se seguirán necesitando contadores y abogados. Serán necesarios para la estructuración fiscal compleja, para los litigios pioneros. Pero las máquinas estrecharan sus rangos y harán estos puestos más difíciles de conseguir.
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.
Pero, como se ha dicho, las máquinas no están progresando en situaciones nuevas. La copia detrás de una campaña de marketing debe captar la atención de los consumidores; se ha de destacar de la multitud. Significa buscar nichos de negocios vacíos en el mercado, cosas que nadie está haciendo. Serán humanos los que crearán la copia detrás de las campañas de marketing, y será el humano quien desarrolle la estrategia de negocio.
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.
Así Yahli, sea lo que sea que decidas hacer, deja que cada día te traiga un nuevo reto. Al hacerlo, entonces estarás por delante de las máquinas.
Thank you.
Gracias.
(Applause)
(Aplausos)