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.
Ова е мојата внука. Нејзиното име е Јали. Има девет месеци. Нејзината мајка е лекар, а татко ѝ е адвокат. Додека Јали се запише на факултет, занимањата на нејзините родители драстично ќе се изменат.
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.
Во 2013 научници од Оксфорд направија студија за иднината на занимањата. Тие тврдат дека речиси едно од две занимања има висок ризик да биде машински автоматизирано. Машинското учење е технологијата која е најодговорна за овие промени. Таа е најмоќната гранка на вештачката интелигенција. Овозможува машините да учат од податоци и да имитираат одредени работи кои луѓето ги прават. Мојата фирма Кегл се занимава со најнапредниот вид на машинско учење. Собираме стотици илјадници стручњаци да решаваат значајни проблеми за индустријата и науката. Тоа ни дава единствена перспектива за можностите на машините, што можат и што не можат, и кои занимања можат да ги автоматизираат или загрозат.
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.
Машинското учење започна да се користи во индустријата во 90-те. Започна со прилично едноставни задачи. Започна со проценка на кредитни ризици кај позајмици, сортирање на мејлови со читање на ракописни букви од зип кодови. Изминативе години достигнавме огромен пресврт. Машинското учење сега може да извршува посложени задачи Во 2012 Кегл ја предизвика својата заедница да изгради алгоритам за оценување на есеи во средни училишта. Победничките алгоритми беа во состојба да дадат оцени блиски на оцените од наставниците. Лани имавме уште потежок предизвик. Може да го сликате окото и да дијагностицирате очна болест наречена дијабетична ретинопатија? Повторно, победничките алгоритми можеа да дадат дијагнози слични на оние од офталмолозите.
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.
Со давање на точни податоци, машините ќе ги надминат луѓето во слични задачи. Наставникот може да прочита 10.000 есеи во 40 години кариера. Офталмологот може да прегледа 50.000 очи. Машината може да прочита милиони есеи и да провери милиони очи за неколку минути. Немаме шанси во натпреварот со машините кај чести и обемни задачи.
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.
Но, има работи кои можеме да ги правиме а машините не можат. Машините немаат достигнато голем напредок во справување со нови состојби. Не можат да се носат со нешта кои не ги виделе претходно. Суштинската ограниченост на машинското учење е што машините учат од обемните претходни податоци. Луѓето не прават така. Ние сме во состојба да поврземе навидум неповрзани нишки и да решиме проблем кој не сме го имале порано.
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.
Перси Спенсер беше физичар кој работел на радар во Втората светска војна и забележал дека магнетронот го топи неговото чоколадо. Можел да го поврзе познавањето на електромагнетното зрачење со познавањето на готвењето за да ја открие-ќе погодите? Микробрановата печка.
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.
Ова е посебен, исклучителен пример за креативност. Но, вакви плодни вкрстувања ни се случуваат илјадници пати во текот на денот. Справување со нови ситуации е нешто што машините не можат да го прават толку добро колку луѓето. Тоа значи дека е ограничен бројот на задачи кои машините ќе можат да ги автоматизираат.
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.
Што значи тоа за иднината на занимањата: Иднината на секое занимање лежи во одговорот на едно прашање: До кој степен може едно занимање да се сведе на зачестени, обемни задачи, и до кој степен е вклучено справувањето со нови ситуации? Машините стануваат сѐ попаметни кај зачестените и обемни задачи. Денес тие оценуваат есеи. Дијагностицираат болести. Во наредните години ќе спроведуваат ревизии и ќе читаат текстови од правни договори. Сеуште требаат сметководители и правници. Тие ќе требаат за сложените даночни структуирања на иновативни парници. Но машините ќе ги стеснат овие звања и потешко ќе се наоѓаат работни места.
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.
Како што реков, машините не се снаоѓаат добро во нови ситуации. Пораката на рекламната кампања мора да го привлече потрошувачот. Треба да се истакнува во толпата. Бизнис стартегија значи наоѓање дупки во пазарот, нешто што никој друг не го прави. Тоа се луѓето кои стојат зад пораките на рекламните кампањи и луѓето се тие кои ја развиваат бизнис стратегијата.
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.
Значи, Јали, што и да одлучиш да правиш, нека секој нов ден ти донесе нов предизвик. Само така, ќе бидеш пред машините.
Thank you.
Ви благодарам!
(Applause)
(Аплауз)