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.
Dit is mijn nichtje. Ze heet Yahli. Ze is negen maanden oud. Haar moeder is dokter en haar vader is advocaat. Tegen de tijd dat Yahli naar de universiteit gaat, zullen de beroepen van haar ouders drastisch zijn veranderend.
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.
In 2013 hebben onderzoekers van de universiteit van Oxford onderzoek gedaan naar werk in de toekomst. Ze concludeerden dat bijna één op de twee banen een grote kans op automatisering heeft. Machinaal leren is de technologie die grotendeels verantwoordelijk is voor deze ontregeling. Het is de krachtigste tak van kunstmatige intelligentie. Hierdoor kunnen machines leren van data en sommige dingen nabootsen die mensen kunnen doen. Mijn bedrijf Kaggle is een pionier als het gaat om machinaal leren. We brengen honderdduizenden deskundigen bijeen om belangrijke problemen op te lossen voor bedrijven en wetenschappelijke instellingen. Zo krijgen we een uniek perspectief op wat machines wel en niet kunnen doen en welke banen ze mogelijk automatiseren of in gevaar brengen.
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.
Machinaal leren ontstond begin jaren 90 in het bedrijfsleven. Het begon met tamelijk eenvoudige taken. Zoals het evalueren van kredietrisico bij kredietaanvragen en de post sorteren door het aflezen van handgeschreven postcodes. De laatste jaren hebben we dramatische doorbraken bereikt. Machinaal leren kan nu veel complexere taken aan. In 2012 heeft Kaggle zijn medewerkers uitgedaagd om een algoritme te bouwen dat middelbare school essays kan beoordelen. De winnende algoritmen kwamen tot dezelfde cijfers als de leraren. Vorig jaar stonden we voor een moeilijkere uitdaging. Kan je foto's maken van het oog en een diagnose stellen voor de oogziekte diabetische retinopathie? Opnieuw konden de winnende algoritmen dezelfde diagnose stellen als de menselijke oogartsen.
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.
Met de juiste data presteren machines bij dit soort taken beter dan mensen. Een docent leest misschien 10.000 essays in een 40-jarige loopbaan. Een oogarts ziet misschien 50.000 ogen. Een machine kan binnen een paar minuten miljoenen essays lezen en miljoenen ogen zien. We kunnen op geen enkele manier concurreren met machines als het gaat om regelmatige en omvangrijke werkzaamheden.
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.
Maar er zijn dingen die wij kunnen doen en machines niet. Machines hebben weinig vooruitgang geboekt in het omgaan met nieuwe situaties. Ze kunnen geen dingen hanteren die ze niet vaak hebben gezien. De fundamentele beperking van machinaal leren is dat het moet leren van een grote hoeveelheid oude gegevens. Dat is bij mensen niet zo. We zijn in staat om schijnbaar verschillende draden te verbinden om problemen op te lossen die we nooit hebben gezien.
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 was natuurkundige en werkte aan radar tijdens de Tweede Wereldoorlog, toen hij opmerkte dat zijn chocoladereep smolt door magnetronstraling. Hij kon zijn inzicht in elektromagnetische straling verbinden met zijn kookkennis voor de uitvinding van -- enig idee? -- de magnetronoven.
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.
Dit is een bijzonder opvallend voorbeeld van creativiteit. Deze vorm van kruisbestuiving overkomt ons met kleine dingen, duizenden keren per dag. Machines kunnen niet concurreren met ons als het gaat om het aanpakken van nieuwe situaties. Dit begrenst fundamenteel het type menselijke arbeid dat machines zullen automatiseren.
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.
Wat betekent dit voor ons werk in de toekomst? De toekomst van iedere baan ligt in het antwoord op één enkele vraag: in welke mate is ze te reduceren tot regelmatige en omvangrijke taken, en in hoeverre behelst ze het aanpakken van nieuwe situaties? Machines worden slimmer in het uitvoeren van regelmatige en omvangrijke taken. Tegenwoordig beoordelen ze essays. Ze diagnosticeren bepaalde ziektes. In de komende jaren doen ze onze accountantscontrole en lezen ze standaardteksten van juridische contracten. Accountants en advocaten zijn nog steeds nodig om complexe teksten te structureren en baanbrekende geschillen op te lossen. Maar door de machines zal hun aantal afnemen en zullen deze banen moeilijker te vinden zijn.
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.
Zoals vermeld maken machines geen vooruitgang op nieuwe situaties. De tekst voor een marketingcampagne moet de aandacht trekken van de consument. Het moet opvallen in de grijze massa. Bedrijfsstrategie betekent het gat in de markt vinden en dingen doen die anderen niet doen. Het is de mens die teksten voor een marketingcampagne zal schrijven. Het is de mens die onze bedrijfsstrategie zal ontwikkelen.
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.
Dus Yahli, wat je ook besluit te doen, laat elke dag een uitdaging zijn. Als je dat doet, zal je de machines een stap voor zijn.
Thank you.
Bedankt.
(Applause)
(Applaus)