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.
Esta é a minha sobrinha. Chama-se Yahli. Tem nove meses. A mãe dela é médica e o pai é advogado. Quando a Yahli for para a faculdade, o trabalho que os pais dela fazem será radicalmente diferente.
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.
Em 2013, investigadores da Universidade de Oxford fizeram um estudo sobre o futuro do trabalho. Concluíram que, praticamente, um em cada dois empregos correm alto risco de serem automatizados com máquinas. A aprendizagem automática é a tecnologia responsável pela maior parte desta revolução. É o ramo mais poderoso da inteligência artificial. Permite que as máquinas aprendam com os dados e imitem algumas das coisas que os seres humanos fazem. A minha empresa, a Kaggle, trabalha na aprendizagem automática de ponta. Reunimos centenas de milhares de especialistas para resolver problemas importantes para a indústria e para a academia. Isso dá-nos uma perspetiva única sobre o que as máquinas conseguem fazer, o que elas não conseguem fazer, e que profissões podem ser automatizadas ou ameaçadas.
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.
A aprendizagem automática entrou na indústria no início dos anos 90. Começou com tarefas relativamente fáceis. Começou com coisas como avaliar o risco de crédito para aplicações de empréstimos, separar o correio, lendo os caracteres manuscritos dos códigos postais. Durante os últimos anos, fizemos progressos fenomenais. A aprendizagem automática consegue fazer hoje tarefas muito mais complexas. Em 2012, a Kaggle desafiou a sua comunidade a construir um algoritmo que pudesse avaliar os testes do secundário. Os algoritmos vencedores conseguiram equiparar-se aos valores dados pelos professores humanos. No ano passado, lançámos um desafio ainda mais difícil. Conseguem tirar imagens do olho e diagnosticar uma doença de olhos chamada retinopatia diabética? Mais uma vez, os algoritmos vencedores conseguiram equiparar-se aos diagnósticos feitos pelos oftalmologistas humanos.
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.
Se lhes dermos os dados certos, as máquinas vão superar os seres humanos em tarefas como estas. Um professor pode ler 10 000 testes durante a sua carreira de 40 anos. Um oftalmologista poderá ver 50 000 olhos. Uma máquina pode ler milhões de testes ou ver milhões de olhos em poucos minutos. Não temos hipótese de competir com as máquinas em tarefas frequentes, de alto volume.
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.
Mas há coisas que fazemos e que as máquinas não podem fazer. Onde as máquinas têm feito muito pouco progresso é em lidar com situações novas. Não conseguem lidar com coisas que não tenham visto muitas vezes. As limitações fundamentais da aprendizagem automática são que elas precisam de aprender com grandes volumes de dados anteriores. Os seres humanos não. Nós temos a capacidade de relacionar fios aparentemente díspares para resolver problemas que nunca vimos.
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 Spender era físico e trabalhava com radar durante a II Guerra Mundial, quando reparou que o magnetrão estava a derreter uma barra de chocolate. Conseguiu relacionar o seu conhecimento de radiações eletromagnéticas com os seus conhecimentos de cozinha e inventou — não adivinham? — o forno micro-ondas.
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.
Este é um exemplo de criatividade especialmente notável Mas este tipo de polinização cruzada acontece com todos nós, de forma simples, milhares de vezes por dia. As máquinas não podem competir connosco quando se trata de lidar com situações novas. Isto põe um limite fundamental às tarefas humanas que as máquinas irão automatizar.
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.
O que significa isto para o futuro do trabalho? O estado futuro de qualquer trabalho reside na resposta a uma única pergunta: Até que ponto este trabalho pode ser reduzido a tarefas frequentes, de alto volume, e até que ponto envolve situações novas? Nas tarefas frequentes, de alto volume, as máquinas vão ser cada vez mais inteligentes. Hoje, avaliam testes. Diagnosticam certas doenças. Nos próximos anos, vão realizar as nossas auditorias, vão ler as informações básicas de contratos legais. Os contabilistas e advogados continuarão a ser precisos para tarefas complexas, litigações inovadoras. Mas as máquinas irão reduzir as suas fileiras e tornar essas profissões mais difíceis.
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.
Tal como já referi, as máquinas não vão progredir em situações novas. O projeto para uma campanha publicitária tem de prender a atenção do consumidor, Tem que sobressair entre a multidão. A estratégia empresarial é encontrar vazios no mercado, coisas que ninguém está a fazer. Serão os seres humano a criar o projeto por detrás das campanhas publicitárias, serão os seres humanos a desenvolver as estratégias empresariais.
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.
Portanto, Yahli, o que quer que venhas a ser, que todos os dias te tragam um novo desafio. Se assim for, manter-te-ás à frente das máquinas.
Thank you.
Obrigado.
(Applause)
(Aplausos)