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.
Questa è mia nipote. Si chiama Yahli. Ha nove mesi. Sua madre è dottoressa, e suo papà avvocato. Quando Yahli andrà all'università, i lavori dei suoi genitori saranno notevolmente diversi.
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.
Nel 2013 i ricercatori dell'Università di Oxford hanno fatto uno studio sul futuro del lavoro. Hanno concluso che almeno un lavoro su due ha un'alta probabilità di essere automatizzato tramite le macchine. L'apprendimento automatico è la tecnologia maggiormente responsabile di questo cambiamento. È la branca più potente dell'intelligenza artificiale. Consente alle macchine di imparare dai dati e imitare alcune delle cose che possono fare gli umani. La mia azienda, Kaggle, è all'avanguardia nell'apprendimento automatico. Coordiniamo centinaia di migliaia di esperti per risolvere problemi importanti per l'industria e il mondo accademico. Questo ci dà una prospettiva unica su ciò che le macchine possono fare, cosa non possono fare e quali lavori potrebbero automatizzare o minacciare.
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.
L'apprendimento automatico è iniziato nell'industria dei primi anni '90. È cominciato con compiti relativamente semplici. È partito con cose del tipo valutazione dei rischi per le richieste di prestito, ordinamento della posta tramite lettura dei codici postali scritti a mano. Negli ultimi anni abbiamo fatto passi da gigante. L'apprendimento automatico ora è capace di compiti molto più complessi. Nel 2012 Kaggle ha sfidato la sua comunità a creare un algoritmo che possa valutare i compiti delle superiori. Gli algoritmi vincitori riuscivano a dare gli stessi voti dati dagli insegnanti umani. L'anno scorso, abbiamo affrontato una sfida più difficile. Potete prendere immagini di un occhio e diagnosticare una malattia chiamata retinopatia diabetica? Di nuovo, gli algoritmi vincitori erano in grado di fornire la stessa diagnosi dell'oculista.
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.
Con i dati giusti, le macchine avranno prestazioni migliori dell'uomo in compiti come questo. Un insegnante può leggere 10 000 compiti in 40 anni di carriera. Un ottico può vedere 50 000 occhi. La macchina può leggere milioni di compiti o vedere milioni di occhi in pochi minuti. Non abbiamo possibilità di competere contro le macchine su compiti ripetitivi con grandi numeri.
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.
Ma ci sono cose che noi possiamo fare e le macchine no. Le macchine hanno fatto pochi progressi nell'affrontare situazioni nuove. Non riescono a gestire cose che non hanno visto molte volte prima. La limitazione fondamentale dell'apprendimento automatico è che ha bisogno di imparare da grandi volumi di dati passati. Gli umani no. Abbiamo la capacità di collegare fili apparentemente diversi per risolvere problemi che non abbiamo mai affrontato prima.
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 era un fisico che lavorava sul radar durante la II Guerra Mondiale, quando ha notato che il magnetron scioglieva la sua cioccolata. È riuscito a collegare le conoscenze delle radiazioni elettromagnetiche con la sua conoscenza della cucina per inventare -- qualche ipotesi? -- il forno a microonde.
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.
Questo è uno spettacolare esempio di creatività. Ma questo tipo di innesto accade in piccolo a ognuno di noi migliaia di volte al giorno. Le macchine non possono competere con noi quando si tratta di affrontare nuove situazioni, e questo pone un limite fondamentale ai compiti umani che le macchine potranno automatizzare.
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.
Cosa significa questo per il futuro del lavoro? Il futuro di ogni singolo lavoro si basa sulla risposta a una sola domanda: in che misura quel lavoro si può ridurre a compiti ripetitivi con grandi numeri, e in che misura comporta affrontare nuove situazioni? Su compiti ripetitivi con grandi numeri, le macchine sono sempre più intelligenti. Oggi valutano compiti. Diagnosticano alcune malattie. Col passare degli anni, faranno le nostre verifiche, e leggeranno le parti standard dei contratti legali. C'è ancora bisogno di ragionieri e avvocati per la complessa struttura delle tasse, per nuovi tipi di controversie. Ma le macchine serreranno i ranghi e renderanno più difficile trovare questi lavori.
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.
Come ho già detto, le macchine non stanno facendo progressi sulle nuove situazioni. Il testo di una campagna pubblicitaria deve catturare i consumatori. deve spiccare in mezzo al mucchio. Strategia commerciale significa trovare spazi nel mercato, cose che nessun altro sta facendo. Saranno gli umani che creeranno il testo delle campagne pubblicitarie, e saranno gli umani che svilupperanno le strategie commerciali.
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.
Quindi Yahli, qualsiasi cosa tu decida di fare, lascia che ogni giorno ti presenti una nuova sfida. Se lo fa, sarai un passo avanti alle macchine.
Thank you.
Grazie.
(Applause)
(Applausi)