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.
Ő itt az unokahúgom. Yahlinak hívják. Yahli kilenc hónapos. Az édesanyja orvos, az édesapja ügyvéd. Mire Yahli egyetemista lesz, A munka, amit a szülei végeznek, teljesen másként fest majd.
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.
Az Oxfordi Egyetem tudósai 2013-ban kutatást végeztek a munka jövőjéről. Arra jutottak, hogy szinte minden második foglalkozást az a veszély fenyegeti, hogy gépek veszik át az emberek helyét. Ezért a nyugtalanító fejleményért leginkább a gépi tanulás technológiája felelős. A gépi tanulás a mesterséges értelem legfejlettebb ága: lehetővé teszi, hogy a gépek tanuljanak és utánozzanak bizonyos emberi tevékenységeket. A cégem, a Kaggle, a gépi tanulás világának élvonalába tartozik. A Kaggle közössége szakértők százezreit tömöríti, akik az ipar és a tudomány nagy problémáinak megoldásán dolgoznak. Kivételes rálátásunk van tehát arra, hogy mire képesek a gépek, és mire nem, és hogy mely munkákat automatizálhatnak és veszélyeztethetnek.
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.
A gépi tanulás a 90-es évek elején kezdett teret hódítani. Egyszerű feladatokkal indult az egész. Például gépek bírálták el a hitelkérelmek kockázatát, vagy kézzel írt irányítószámok alapján szortírozták a leveleket. Az elmúlt néhány évben aztán sorra jöttek a nagy áttörések. A gépi tanulás technológiája ma már jóval összetettebb feladatokkal is megbirkózik. A Kaggle 2012-ben azt a kihívást állította a közösség elé, hogy írjanak egy programot, amely iskolai fogalmazásokat osztályoz. A győztes programok ugyanolyan osztályzatokat adtak, mint a középiskolai tanárok. 2015-ben még nehezebb feladattal álltunk elő: Képes-e egy program fényképek alapján diagnosztizálni a diabéteszes retinopátiát? A nyertes programok képesek voltak ugyanazt a diagnózist felállítani, mint a szemész szakorvosok.
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.
A megfelelő adatok birtokában a gépek jobban teljesítenek nálunk az efféle feladatokban. Tegyük fel, hogy egy tanár elolvas 10 000 fogalmazást a pályafutása során, egy szemorvos pedig megvizsgál 50 000 szemet. Egy gép esszék millióit képes elolvasni, és szemek millióit képes megvizsgálni alig néhány perc alatt. Gyakori és nagy volumenű feladatok esetében nincs esélyünk a gépekkel szemben
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.
De van, amire csak mi, emberek vagyunk képesek, a gépek viszont nem. A gépek nagyon keveset fejlődtek az új helyzetek kezelésében, és nem tudnak mit kezdeni olyasmivel, amivel nem találkoztak korábban sokszor. A gépi tanulás alapvető korlátja az, hogy a gépek csak a korábbi adatok tömkelegéből képesek tanulni. Az embereknél ez nem így van. Mi össze tudunk kötni látszólag különálló szálakat, hogy teljesen új problémákat oldjunk meg.
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.
A fizikus, Percy Spencer egy radar mellett dolgozott a II. világháborúban, és feltűnt neki, hogy a magnetron megolvasztotta a csokoládéját. Spencer összekapcsolta a tudását az elektromágneses sugárzásról és a főzésről, és feltalálta – vajon mit? A mikrohullámú sütőt.
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.
Ez persze a kreativitás különösen figyelemreméltó példája. Ám ehhez hasonló inspirációt naponta ezernyi alkalommal tapasztalunk mindannyian. A gépeknek nincs esélyük, ha új helyzetek kezeléséről van szó, ez pedig behatárolja azoknak az emberi tevékenységeknek a körét, amelyeket a gépek átvesznek majd.
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.
Hogy mindez mit jelent a munka jövőjére nézve? Minden egyes foglalkozás jövője eldönthető egyetlen kérdés megválaszolásával: Milyen mértékben áll az adott munka gyakori, nagy volumenű feladatokból, és milyen mértékben igényli új helyzetek kezelését? A gépek egyre ügyesebben birkóznak meg a gyakori, nagy volumenű feladatokkal. Ma fogalmazásokat osztályoznak és betegségeket diagnosztizálnak. Az évek múlásával gépek fogják végezni a felülvizsgálatokat, és gépek fogják beemelni a szerződések szabványszövegeit. De szükség lesz számvivőkre és jogászokra a bonyolult adórendszerek kezeléséhez, vagy új peres eljárásokhoz. De egyre kevésbé lesz rájuk szükség, és nehezebb lesz ilyen munkát találni.
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.
Ahogy már mondtam, a gépek nem jeleskednek az új helyzetek kezelésében. Egy reklámkampány szövegének fel kell keltenie a fogyasztók figyelmét, és ki kell tűnnie a tömegből. Az üzleti tervek a piaci rések feltárására épülnek, olyasmire, amit más még nem csinál. A reklámkampányok szövegét tehát továbbra is emberek fogják írni, és emberek fogják kidolgozni az üzleti terveket.
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.
Így hát, Yahli, bármit is csinálsz majd, hozzon minden napod új kihívást. Ha így lesz, előnyben leszel a gépekkel szemben.
Thank you.
Köszönöm.
(Applause)
(Taps.)