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.
Oto moja siostrzenica. Ma na imię Yahli. Ma dziewięć miesięcy. Jej tata jest lekarzem, a mama prawnikiem. Zanim pójdzie na studia zawody jej rodziców będą wyglądać zupełnie inaczej.
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.
W 2013 roku naukowcy z Oksfordu badali przyszłość rynku pracy. Stwierdzono, że 50% zawodów grozi zastąpienie przez komputery. Samouczenie się maszyn to technologia głównie odpowiedzialna za tę sytuację. To najważniejsza dziedzina sztucznej inteligencji. Pozwala maszynom uczyć się z danych i naśladować niektóre umiejętności ludzi. Moja firma, Kaggle, działa w awangardzie uczenia maszynowego. Gromadzimy setki tysięcy ekspertów, żeby rozwiązywali ważne problemy przemysłu i nauki. Daje nam to wyjątkowy wgląd w to, co potrafią i czego nie potrafią maszyny, i jakie zawody mogą zautomatyzować, a jakim zagrozić.
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.
Uczenie maszynowe zaczęło się w latach 90. Zaczęło się od stosunkowo prostych zadań: oceny ryzyka finansowego wniosków o kredyty, sortowania poczty przez sczytywanie ręcznie napisanego kodu pocztowego. W ostatnich latach, dokonaliśmy wielkiego przełomu. Samouczące się maszyny umieją wykonywać bardziej złożone zadania. W 2012 firma Kaggle rzuciła wyzwanie społeczności użytkowników, żeby stworzyli algorytm do oceniania wypracowań uczniów liceum. Zwycięskie algorytmy dawały takie same oceny co nauczyciele. W zeszłym roku podnieśliśmy poprzeczkę. Czy da się zdiagnozować retinopatię cukrzycową na podstawie zdjęć? Tu znów zwycięskie algorytmy odpowiadały diagnozie okulistów.
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.
Mając odpowiednie dane, maszyny wykonują takie zadania lepiej niż ludzie. Nauczyciel może przeczytać 10 000 wypracowań przez 40 lat nauczania. Okulista zobaczy 50 000 oczu. Komputer przeczyta miliony wypracowań, przeanalizuje miliony oczu w mgnieniu oka. Nie mamy szans w starciu z maszyną, w wykonywaniu powtarzalnych zadań z dużą ilością danych.
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.
Ale są rzeczy, które my potrafimy, a maszyny nie. Maszyny nie zaszły zbyt daleko w rozwiązywaniu nowych problemów. Nie radzą sobie z rzeczami, których przedtem wielokrotnie nie widziały. Programy uczące się fundamentalnie ogranicza to, że muszą uczyć się z danych zebranych wcześniej. Ludzie nie potrzebują tego. Umiemy łączyć wątki pozornie bez związku, żeby rozwiązywać nieznane dotąd problemy.
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, fizyk pracujący z radarami podczas II wojny światowej, zauważył, że magnetron topi mu czekoladowy batonik w kieszeni. Połączył znajomość promieniowania elektromagnetycznego z doświadczeniem kulinarnym, żeby stworzyć - ktoś wie? - mikrofalówkę.
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.
To wyjątkowy przykład inwencji, ale podobne łączenie wątków zdarza się każdemu z nas tysiące razy dziennie. Komputery nie są konkurencją dla ludzi, jeśli chodzi o rozwiązywanie nowych problemów, co znacząco ogranicza liczbę zadań, które mogą wykonywać maszyny.
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.
Co znaczy to dla zawodów przyszłości? Przyszłość każdego zawodu leży w odpowiedzi na jedno pytanie: jak dalece da się go zredukować do powtarzalnych, dużych zadań, a na ile zależy od rozwiązywania nowych problemów? W pracach powtarzanych w kółko komputery stają się coraz lepsze. Dziś oceniają prace uczniów, wykrywają niektóre choroby. W przyszłości będą prowadzić audyty i czytać standardowy tekst w dokumentach prawnych. Księgowi i prawnicy nadal będą potrzebni w przypadku skomplikowanej struktury podatków, do rozstrzygania sporów sądowych. Ale komputery zdziesiątkują ich i utrudnią znalezienie pracy.
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.
Jak wspomniano wcześniej, maszyny nie robią postępów w nieznanych sytuacjach. Tekst kampanii reklamowej musi przyciągać uwagę konsumentów, musi wyróżniać się z tłumu. Strategia biznesowa to znajdowanie niszy rynkowej, rzeczy, których nie robi nikt inny. To ludzie będą pisać teksty kampanii reklamowych i to ludzie stworzą naszą strategię.
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.
Yahli, cokolwiek będziesz w życiu robić, niech każdy dzień będzie nowym wyzwaniem. Wtedy wyprzedzisz maszyny.
Thank you.
Dziękuję bardzo.
(Applause)
(Brawa)