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.
Šī ir mana brāļameita. Viņu sauc Jālī. Viņai ir deviņi mēneši. Viņas mamma ir ārste un tētis ‒ jurists. Kad Jālī ies augstskolā, viņas vecāku profesijas izskatīsies pavisam citādāk.
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.
2013. gadā Oksfordas Universitātes pētnieki veica pētījumu par nākotnes darbu. Viņi secināja, ka gandrīz katrai otrajai profesijai pastāv liels automatizācijas risks. Mašīnmācīšanās ir tehnoloģija, kas būs par iemeslu vairumam šo pārmaiņu. Tā ir visspēcīgākā mākslīgā intelekta nozare. Tā ļauj mašīnām mācīties no datiem un atdarināt dažas cilvēku veiktas darbības. Mans uzņēmums, <i>Kaggle</i>, darbojas vēl neapgūtajos mašīnmācīšanās ūdeņos. Mēs apvienojam simtiem tūkstošu ekspertu svarīgu nozares un akadēmisku problēmu risināšanai. Tas sniedz mums unikālu skatījumu uz to, ko mašīnas spēj, ko tās nespēj un kādas darba vietas tās varētu automatizēt un apdraudēt.
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.
Mašīnmācīšanās pirmsākumi meklējami 90. gadu sākumā. Tā sākās ar nosacīti vienkāršiem uzdevumiem. Tā sākās, piemēram, ar kredītriska noteikšanu aizņēmuma pieteikumiem un pasta šķirošanu, nolasot rokrakstā rakstītus pasta indeksus. Pēdējo dažu gadu laikā esam veikuši strauju izrāvienu. Mašīnmācīšanās tagad spēj veikt daudz, daudz sarežģītākus uzdevumus. 2012. gadā <i>Kaggle</i> meta izaicinājumu savas kopienas biedriem izveidot algoritmu, kas spētu izvērtēt vidusskolas sacerējumus. Uzvaru guvušais algoritms spēja novērtēšanā līdzināties skolotāju-cilvēku liktajām atzīmēm. Pagājušajā gadā mēs izsludinājām vēl sarežģītāku uzdevumu. Vai spējat uzņemt acs attēlu un diagnosticēt acs slimību diabētisko retinopātiju? Arī šoreiz uzvaru guvušais algoritms spēja līdzināties diagnozēm, ko uzstādīja dzīvi oftalmologi.
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.
Ja tiks ievadīti pareizi dati, mašīnas šādos uzdevumos cilvēkus pārspēs. Skolotājs 40 gadu karjeras laikā var izlasīt 10 000 sacerējumus. Oftalmologs var apskatīt 50 000 acu. Mašīna spēj izlasīt miljonus sacerējumu un apskatīt miljonus acu dažu minūšu laikā. Mums sacensībā ar mašīnām nav nekādu izredžu vienveidīgos lielapjoma darbos.
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.
Bet ir lietas, ko spējam un mašīnas nespēj. Jomas, kur mašīnas ir veikušas ļoti nelielu progresu, ir situācijas, kas saistītas ar jaunradi. Tās netiek galā ar to, ko iepriekš nav redzējušas daudz reižu. Lielākais mašīnmācīšanās ierobežojums ir vajadzība mācīties no liela daudzuma pagātnes datu. Cilvēkiem to nevajag. Mēs spējam savienot šķietami pilnīgi atšķirīgas lietas un atrisināt problēmas, kādas iepriekš nekad neesam sastapuši.
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.
Persijs Spensers bija fiziķis, kas 2. pasaules kara laikā strādāja ar radaru, kad viņš pamanīja, ka magnetrons kausēja viņa šokolādes tāfelīti. Viņš spēja apvienot zināšanas par elektromagnētisko starojumu ar ēst gatavošanas prasmi un izgudrot ‒ vai varat uzminēt? ‒ mikroviļņu krāsni.
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.
Tas ir sevišķi iespaidīgs radošuma piemērs. Bet šāda starpjomu apputeksnēšanās mazā mērogā notiek katrā no mums tūkstošiem reižu dienā. Mašīnas nespēj konkurēt ar mums, ja runa ir par situācijām, kas ietver jaunradi, un tas būtiski ierobežo tos cilvēku darbus, ko mašīnas neautomatizēs.
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.
Ko tas nozīmē nākotnes darbam? Katras profesijas nākotnes izredzes slēpjas vienā vienīgā jautājumā: kādā mērā jūsu profesiju var reducēt uz vienveidīgiem lielapjoma uzdevumiem, un kādā mērā tā iekļauj jaunradi? Mašīnas arvien labāk veic vienveidīgus lielapjoma uzdevumus. Tagad tās spēj vērtēt sacerējumus. Diagnosticēt noteiktas slimības. Turpmākajos gados tās spēs veikt auditus un lasīs juridisku līgumu tekstveidnes. Vēl arvien būs vajadzīgi grāmatveži un juristi. Tie būs vajadzīgi sarežģītu nodokļu struktūru veidošanai un bezprecedenta tiesas prāvām. Bet mašīnas paretinās to rindas un liks šim profesijām kļūt konkurējošākām.
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.
Kā jau minēju, mašīnas neveic progresu ar jaunradi saistītās situācijās. Mārketinga kampaņas idejai jāpiesaista patērētāju uzmanība. Tai jāizceļas uz citu fona. Biznesa stratēģija nozīmē atrast neaizņemtas tirgus nišas, to, ko nedara neviens cits. Mārketinga kampaņas idejas radīs cilvēki, un arī biznesa stratēģijas izstrādās cilvēki.
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.
Tāpēc, Jālī, lai ko arī tu izlemtu darīt, lai katra diena tev nes jaunus izaicinājumus. Ja tā būs, būsi priekšā mašīnām.
Thank you.
Paldies.
(Applause)
(Aplausi)