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.
Это моя племянница. Её зовут Йали. Ей девять месяцев. Её мама врач, а папа — юрист. Когда Йали пойдёт в колледж, профессии её родителей принципиально изменятся.
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.
В 2013 году в Оксфордском университете провели исследование будущего работы. Оно показало, что почти каждой второй специальности грозит автоматизация. Машинное обучение — это технология, стоя́щая за подрывом существующей системы. Это самое мощное направление искусственного интеллекта, где машины учатся на имеющихся данных и подражают некоторым аспектам деятельности человека. Моя компания Kaggle работает в авангарде машинного обучения. Мы объединяем усилия сотен тысяч экспертов для решения важных проблем производства и науки. Так мы получаем уникальное ви́дение того, на что машины способны, а на что — нет, на какой работе они грозят нас заменить, а на какой — нет.
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.
Машинное обучение началó проникать в производство в начале 1990 годов. Сначала роботы выполняли несложную работу: оценивали кредитные риски по заявлениям на получения кредита, сортировали корреспонденцию, считывая написанные от руки индексы. За последние несколько лет мы совершили серьёзный прорыв, и сегодня машинное обучение способно на решение гораздо более сложных задач. В 2012 году Kaggle бросило своим участникам вызов: разработать алгоритм оценивания школьных сочинений. Лучшие алгоритмы выставляли ученикам те же оценки, что и учителя́. В прошлом году задание было ещё сложнее: диагностировать по фотографиям глазную болезнь — диабетическую ретинопатию. И снова лучшие алгоритмы ставили те же диагнозы, что и настоящие офтальмологи.
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.
При наличии достаточной информации машины превзойдут людей в решении таких задач. За сорокалетнюю карьеру учитель читает порядка 10 000 сочинений, а офтальмолог осматривает 50 000 глаз. Компьютер «прочитает» миллион сочинений или «увидит» миллионы глаз всего за несколько минут. В соревнованиях с машинами у нас нет шансов, если залог победы — частота повторения и объём.
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 всё же есть то, в чём нам нет равных. С чем машины справляются плохо, так это с непривычными ситуациями. Они не справляются с тем, с чем раньше не сталкивались многократно. Главная проблема машинного обучения в том, что для него нужны больши́е массивы уже накопленных данных. А люди справляются и без этого. Мы способны соединять казалось бы разрозненные идеи, решать задачи, с которыми сталкиваемся впервые.
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, физик, работавший в годы Второй мировой войны над созданием радара, однажды заметил, что от магнетрона его шоколадка растаяла. Он соединил своё понимание электромагнитной радиации и навыки кулинарии и в итоге изобрёл — угадаете? — микроволновую печь.
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.
Это особенно занятный пример творческого подхода, но такое взаимное обогащение случается с каждым из нас в мелочах тысячи раз в день. Машины, в отличие от нас, не могут справляться с уникальными ситуациями, это накладывает фундаментальное ограничение на круг работ, где машины могут заменить людей.
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.
Что всё это значит для будущего работы? Будущее любой работы или специальности заключается в ответе на один лишь вопрос: в какой мере эта работа сводится к часто повторяющимся, объёмным заданиям, и в какой мере на ней приходится решать уникальные задачи? Машины всё лучше справляются с выполнением часто повторяющихся, объёмных заданий. Сейчас они оценивают сочинения. Диагностируют ряд болезней. Со временем они будут проводить аудит, проводить юридическую экспертизу типовых договоров. Нам всё ещё нужны бухгалтеры и юристы, например, для сложной оптимизации налогообложения, представительства в суде. Но машины сократят их численность, и эти профессии будут встречаться реже.
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.
Как уже было отмечено, в решении новаторских задач машины не преуспели. В маркетинговой кампании реклама должна привлекать внимание потребителей, выделяться среди других. Бизнес-стратегия заключается в том, чтобы находить на рынке пустующие, не освоенные ниши. Только люди могут создавать рекламные кампании и бизнес-стратегии.
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.
Йали, чем бы ты ни решила заниматься, пусть каждый день ставит перед тобой новые задачи. В этом случае ты всегда будешь справляться лучше машин.
Thank you.
Спасибо.
(Applause)
(Аплодисменты)