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.
זאת אחייניתי. שמה יאלי. היא בת תשעה חודשים. אימה רופאה, אביה עורך-דין. כשיאלי תלך לקולג', מקומות העבודה של הוריה ייראו אחרת לגמרי.
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.
ב-2013, חוקרים באוניברסיטת אוקספורד חקרו את עתיד העבודה. הם הסיקו שכמעט משרה אחת מכל שתיים מצויה בסיכון גבוה לעבור לאוטומציה ממוכנת. למידת מכונה היא הטכנולוגיה שאחראית לעיקר השיבוש הזה. זה הענף בעל העוצמה הרבה ביותר בתבונה המלאכותית. הוא מאפשר למכונות ללמוד מתוך נתונים ולחקות חלק מהדברים שעושים בני-אדם. החברה שלי, "קאגל", פועלת בחוד החנית של למידת המכונה. אנו מקבצים מאות אלפי מומחים במטרה לפתור בעיות עבור התעשיה והאקדמיה. זה מקנה לנו נקודת מבט ייחודית על מה שמכונות מסוגלות לעשות, מה שהן לא מסוגלות לעשות ואילו מקומות עבודה יעברו אוטומציה או יימצאו בסיכון.
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.
למידת המכונה החלה לחדור לתעשיה בתחילת שנות ה-90 של המאה ה-20. תחילה במטלות פשוטות יחסית, דברים כמו הערכת סיכוני אשראי בבקשות להלוואות, מיון דואר ע"י קריאת מיקוד כתוב ביד. בשנים האחרונות השגנו פריצות-דרך דרמטיות. למידת המכונה מסוגלת כיום למטלות מורכבות בהרבה. ב-2012, "קאגל" הציבה לקהילה שלה אתגר: לבנות אלגוריתם שיכול לתת ציונים לחיבורים ברמת בי"ס תיכון. האלגוריתמים הזוכים הצליחו לתת ציונים מקבילים לאלו של מורים אנושיים. בשנה הקודמת הצבנו אתגר עוד יותר קשה. האם אפשר לקחת צילומי עיניים ולאבחן מחלת עיניים בשם רטינופתיה סוכרתית? שוב, האלגוריתמים הזוכים הצליחו להקביל באבחוניהם לאלו של רופאי-עיניים אנושיים.
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.
כיום, עם הנתונים הנכונים, המכונות מסוגלות לעלות בביצועיהן על בני-אדם במטלות כאלה. מורה עשוי לקרוא 10,000 חיבורים בקריירה בת 40 שנה. רופא-עיניים יכול אולי לבדוק 50,000 עיניים. מכונה מסוגלת לקרוא מיליוני חיבורים או לבדוק מיליוני עיניים תוך דקות. אין לנו סיכוי להתחרות נגד המכונות בביצוע מטלות תכופות בעלות נפח גבוה.
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.
אבל יש דברים שאנו יכולים לעשות והמכונות - לא. המכונות התקדמו מעט מאד בהתמודדות עם מצבים חדשים. הן לא יכולות לטפל בדברים שלא הרבו לראות בעבר. מגבלות היסוד של למידת המכונה נעוצות בצורך שלה ללמוד מנפחים גדולים של נתונים קודמים. לא כך בני האדם. אנו מסוגלים לקשר בין רעיונות נטולי קשר, לכאורה, כדי לפתור בעיות שטרם פגשנו.
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.
פרסי ספנסר היה פיזיקאי שפיתח מכ"ם במלחה"ע ה-1, והוא ראה שהמגנטרון ממיס את השוקולד שלו. הוא ידע לקשר בין הבנתו בקרינה אלקטרומגנטית לבין הידע שלו בבישול כדי להמציא -- מישהו יודע? את תנור המיקרוגל.
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.
זאת דוגמה יוצאת-דופן במיוחד ליצירתיות. אבל הפריה הדדית כזו קורה לכולנו בארועים קטנים אלפי פעמים ביום. המכונות לא מסוגלות להתחרות בנו כשמדובר בהתמודדות עם מצבים חדשים, וזה מגביל מיסודו את המטלות האנושיות שהמכונות עתידות לבצע באופן אוטומטי.
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.
אז מה זה אומר מבחינת עתיד העבודה? עתידה של כל משרה ומשרה טמון בתשובה לשאלה אחת: באיזו מידה משרה זו ניתנת לפירוק למטלות תכופות בנפח גבוה, ובאיזו מידה היא כרוכה בהתמודדות עם מצבים חדשים? במטלות תכופות בנפח גבוה, המכונות הולכות ומחכימות. היום הן נותנות ציונים לחיבורים, מאבחנות מחלות מסוימות. בשנים הבאות הן תנהלנה את ביקורות הכספים שלנו, ותוכלנה לקרוא קודים של חוזים משפטיים. עדיין יש צורך ברואי-חשבון ובעורכי-דין. הם עדיין יהיו נחוצים לצרכי מיסוי מורכב וחקיקה חדשנית. אבל המכונות עתידות לצמצם את שורותיהם ולהקטין את מצאי מקומות העבודה שלהם. כפי שציינתי,
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.
המכונות לא התקדמו מאד בטיפול במצבים חדשים. הכרזה של מסע השיווק צריכה למשוך את תשומת לב הצרכן. עליה לבלוט. איסטרטגיה עסקית משמעה זיהוי פערים בשוק, איתור דברים שאיש איננו עושה. בני-אדם הם שעתידים ליצור את כרזת מסע השיווק, והם גם שיפתחו את האיסטרטגיה העסקית שלנו. אז יאלי, מה שלא תחליטי לעשות,
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.
הניחי לכל יום להביא עימו אתגר חדש. אם כך יהיה, יהיה לך יתרון על המכונות.
Thank you.
תודה לכם.
(Applause)
(מחיאות כפיים)