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.
Dette er min niese. Hun heter Yahli. Hun er ni måneder gammel. Moren hennes er lege og faren er advokat. Innen Yahli skal gå på college, vil jobbene til foreldrene hennes se veldig annerledes ut.
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.
I 2013 forsket universitetet i Oxford på arbeidets fremtid. De konkluderte at nesten annenhver jobb har en høy risiko for å bli automatisert av maskiner. Maskinlæring er teknologien som er ansvarlig for denne endringen. Det er den mektigste bransjen innen kunstig intelligens. Den lar maskiner lære fra data og etterligne noe av det mennesker kan gjøre. Mitt firma, Kaggle, jobber på hugget av maskinlæring. Vi samler hundretusenvis av eksperter for å løse viktige problemer i industri og akademia. Dette gir oss et unikt perspektiv på hva maskiner kan gjøre, hva de ikke kan gjøre og hvilke jobber de kan automisere eller true.
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.
Maskinlæring begynte å vokse frem i industrien tidlig på 90-tallet. Det begynte med relativt enkle oppgaver. Det startet med ting som å vurdere kredittrisiko fra lånesøknader, sortering av post ved lesing av håndskrevne bokstaver i postkoder. Over de siste årene har vi hatt dramatiske gjennombrudd. Maskinlæring kan nå mestre langt mer komplekse oppgaver. I 2012 utfordret Kaggle samfunnet sitt til å bygge en algoritme som kunne rette highschool elevers stiler. Algoritmen som vant, stemte med karakterene gitt av menneskelige lærere. I fjor ga vi en enda vanskeligere utfordring. Kan du ta bilder av øyet og diagnostisere en øyesykdom kalt diabetisk retinopati? Igjen klarte den vinnende algoritmen å matche diagnosen gitt av menneskelige oftalmologer.
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.
Gitt rett data, vil maskiner utkonkurrere mennesker i oppgaver som disse. En lærer kan kanskje lese 10 000 stiler over en 40 år lang karriere. En oftalmolog kan kanskje se 50 000 øyer. En maskin kan lese millioner av stiler eller se millioner av øyer på noen minutter. Vi har ingen sjanse til å konkurrere mot maskiner i hyppige oppgaver med store mengder.
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.
Men det er ting vi kan gjøre som maskiner ikke kan. Maskiner har gjort veldig lite fremgang i å takle nye situasjoner. De kan ikke håndtere ting de ikke har sett mange ganger før. De fundamentale begrensningene i maskinlæring er at de trenger å lære fra store mengder med tidligere data. Mennesker trenger ikke det. Vi har evnen til å koble tilsynelatende separate tråder for å løse prøblemer vi aldri har sett før.
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 var en fysiker som jobbet med radar under 2. verdenskrig. Plutselig så han at magnetronen smeltet sjokoladen hans. Han klarte å forbinde forståelsen for elektromagnetisk stråling med kunnskap om matlaging for å finne opp -- noen forslag? -- mikrobølgeovnen.
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.
Dette er et bemerkelsesverdig eksempel på kreativitet. Men denne formen for" krysspolinering" skjer for oss alle på en mindre skala tusenvis av ganger hver dag. Maskiner kan ikke konkurrere med oss når det gjelder å takle nye situasjoner, og dette setter en fundamental grense på menneskelige oppgaver som maskinene vil automatisere.
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.
Hva betyr så dette for arbeidets fremtid? Fremtiden for envher jobb ligger i svaret på ett enkelt spørsmål: I hvilken grad kan jobben reduseres til hyppige oppgaver med store mengder, og i hvilken grad er takling av nye situasjoner nødvendig? På hyppige oppgaver med store mengder blir maskiner smartere og smartere. I dag retter de stil. De diagnostiserer visse sykdommer. I kommende år vil de gjøre revisjonene våre, og de kommer til å lese standardtekst fra juridiske kontrakter. Regnskapsførere og advokater trengs enda. De trengs for kompleks skatte-strukturering, for banebrytende rettssaker. Men maskiner vil tynne ut rekkene og gjøre jobbene vanskeligere å finne.
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.
Som tidligere nevnt gjør maskiner ikke fremskritt på nye situasjoner. Kopien bak en markedsføring må fange forbrukerens oppmerksomhet. Den må skille seg ut blant massen. Forretningsstrategi betyr å finne hull i markedet, ting ingen andre gjør. Det vil være mennesker som lager kopien bak markedsføringen vår, og det vil være mennesker som utvikler forretningsstrategien vår.
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.
Så Yahli, uansett hva du velger, la hver dag gi deg en ny utfordring. Så lenge den gjør det, vil du ha et forsprang på maskinene.
Thank you.
Takk.
(Applause)
(Applaus)