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.
Aku punya keponakan. Namanya Yahli. Dia berumur sembilan bulan. Ibunya seorang dokter dan ayahnya seorang pengacara. Saat waktunya Yahli masuk perguruan tinggi, pekerjaan orang tuanya akan terlihat sangat berbeda.
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.
Pada 2013, peneliti di Universitas Oxford mengkaji masa depan dunia kerja. Mereka menyimpulkan bahwa hampir satu dari tiap dua pekerjaan berisiko diotomatisasi oleh mesin. Pemelajaran mesin adalah teknologi yang menyebabkan peralihan ini. Inilah cabang kecerdasan buatan dengan pengaruh terbesar. Teknologi ini memungkinkan mesin mempelajari data dan meniru beberapa hal yang bisa manusia lakukan. Perusahaanku, Kaggle, bergerak di bidang pemelajaran mesin. Kami mengumpulkan ratusan ribu ahli untuk menjawab masalah penting di sektor industri dan akademis. Kami mendapat perspektif unik soal apa yang bisa diperbuat mesin, yang tak bisa diperbuatnya, dan pekerjaan yang mungkin terotomatisasi atau terancam olehnya.
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.
Pemelajaran mesin mulai masuk ke dunia industri pada awal 90-an. Penggunaannya dimulai dengan tugas sederhana, seperti menilai risiko kredit permohonan pinjaman dan menyortir surat dengan membaca karakter kode pos yang ditulis tangan. Dalam beberapa tahun terakhir, kami membuat terobosan drastis. Pemelajaran mesin kini mampu melakukan tugas yang jauh lebih kompleks. Pada 2012, Kaggle menantang komunitasnya untuk menyusun algoritma yang dapat menilai esai siswa SMA. Algoritma yang unggul dapat menyamai penilaian yang diberikan guru-guru manusia. Tahun lalu, kami memberikan tantangan yang jauh lebih sulit. Bisakah kau mengambil foto mata dan mendiagnosis penyakit mata bernama retinopati diabetik? Lagi-lagi, algoritma yang unggul dapat menyamai diagnosis yang diberikan dokter mata manusia.
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.
Sekarang, dengan data yang tepat, mesin akan melampaui manusia pada tugas seperti ini. Seorang guru butuh 40 tahun kariernya untuk membaca 10.000 esai dan 50.000 mata yang bisa diperiksa seorang dokter mata. Mesin dapat membaca jutaan esai atau memeriksa jutaan mata dalam hitungan menit. Kita tidak punya peluang untuk bersaing melawan mesin pada tugas dengan frekuensi dan kuantitas tinggi.
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.
Namun, ada hal yang bisa kita lakukan yang tak bisa dilakukan mesin. Mesin menunjukkan kemajuan yang sangat minim dalam mengatasi situasi yang baru. Mesin tidak bisa mengatasi sesuatu yang belum banyak dipelajarinya. Batasan mendasar pemelajaran mesin adalah ia perlu mempelajari data lampau dalam jumlah besar. Sementara, manusia tak membutuhkannya. Kita mampu menghubungkan gagasan yang tampak tak berkaitan untuk mengatasi kasus yang belum pernah kita hadapi.
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.
Percy Spencer adalah fisikawan di bidang radar pada Perang Dunia II saat dia menyadari magnetron melelehkan cokelat batangannya. Dia mampu menghubungkan pemahamannya soal radiasi elektromagnetik dengan pengetahuan memasaknya untuk membuat penemuan ... tebak apa? Oven<i> microwave</i>.
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.
Inilah contoh kreativitas yang luar biasa. Namun, perpaduan semacam ini selalu kita alami dalam lingkup kecil ribuan kali tiap hari. Mesin tidak bisa menandingi kita dalam menangani situasi yang baru. Di sinilah batasan mendasar dari pekerjaan manusia yang bisa diotomatisasi mesin.
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.
Jadi, apa artinya ini bagi masa depan dunia kerja? Kondisi pekerjaan di masa mendatang bergantung pada pertanyaan: sejauh apa pekerjaan itu bisa dikerucutkan dalam frekuensi dan kuantitas tinggi dan sejauh apa pekerjaan itu melibatkan penanganan siatuasi yang baru? Pada tugas dengan frekuensi dan kuantitas tinggi, mesin makin pandai. Saat ini, ia menilai esai, mendiagnosis penyakit. Pada tahun-tahun mendatang, ia akan menjalankan audit dan membaca klausul <i>boilerplate</i> dalam perjanjian kontrak. Akuntan dan pengacara masih diperlukan. Mereka akan dibutuhkan untuk menyusun pajak dan pembaruan litigasi, tapi mesin akan menyusutkan posisi mereka dan membuat profesi mereka jarang muncul. Seperti disebutkan tadi, mesin tidak bisa bekerja pada situasi yang baru.
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.
Tulisan di balik kampanye pemasaran butuh menangkap perhatian pelanggan dan menonjol di antara para pesaing. Strategi bisnis harus mencari celah pasar, hal yang tak dilakukan orang lain. Manusialah yang tetap berkarya pada tulisan di balik kampanye pemasaran dan manusialah yang akan mengembangkan strategi bisnis. Jadi Yahli, apa pun yang akan kau lakukan,
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.
hadapilah tantangan baru setiap harinya. Dengan begitu, kau akan melampaui mesin.
Thank you.
Terima kasih.
(Applause)
(Tepuk Tangan)