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.
Toto je moja neter. Volá sa Yahli. Má deväť mesiacov. Jej mama je doktorka a jej otec právnik. Kým pôjde Yahli na univerzitu, práca jej rodičov sa výrazne zmení.
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.
V roku 2013 študovali výskumníci na Oxfordskej univerzite budúcnosť povolaní. Zistili, že takmer každému druhému povolaniu hrozí, že bude vykonávané strojmi. Strojové učenie je technológia zodpovedná za vačšinu týchto zmien. Je to najsilnejšia oblasť v umelej inteligencii. Umožňuje strojom učiť sa z dát a napodobňovať niektoré veci, ktoré dokážu robiť ľudia. Moje spoločnosť, Kaggle, pracuje s najšpičkovejším strojovým učením. Združujeme stovky tisíc expertov, aby riešili najdôležitejšie problémy priemyslu a výskumu. To nám dáva jedinečný pohľad na to, čo stroje môžu robiť, čo nedokážu a ktoré povolania môžu automatizovať alebo ohroziť.
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.
Strojové učenie začalo prenikať do priemyslu na začiatku 90. rokov. Začalo s relatívne jednoduchými úlohami. Napríklad s odhadovaním kreditného rizika žiadateľov o pôžičku, triedením pošty na základe čítania rukou písaných znakov v PSČ. Počas posledných pár rokov došlo k veľkému prelomu. Strojové učenie je dnes schopné oveľa náročnejších úloh. V roku 2012 Kaggle vyzval svoju komunitu na vytvorenie algoritmu, na známkovanie slohových prác stredoškolákov. Víťazné algoritmy dávali rovnaké hodnotenie ako učitelia. Minulý rok sme prišli s ešte náročnejšou úlohou. Dokážeme urobiť fotky oka a diagnostikovať očné ochorenie zvané diabetická retinopatia? A znova, víťazné algoritmy diagnostikovali rovnako ako ľudskí oftalmológovia.
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.
Takže so správnymi dátami stroje v takýchto úlohách predčia ľudí. Učiteľ dokáže prečítať 10 000 slohov počas svojej 40-ročnej kariéry. Oftalmológ dokáže prezrieť 50 000 očí. Stroj dokáže prečítať milióny slohov alebo prezrieť milióny očí v priebehu niekoľkých minút. V porovnaní so strojmi nemáme pri častých, veľkoobjemových úlohách šancu.
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 sú veci, ktoré my dokážeme robiť a stroje nie. Stroje spravili len veľmi malý pokrok v riešení nových situácií. Stroje nedokážu zvládať veci, ktoré nevideli mnohokrát predtým. Základným obmedzením strojového učenia je, že potrebuje veľký objem dát z minulosti. Avšak ľudia nie. Máme schopnosť spojiť zdanlivo nezlúčiteľné súvislosti a vyriešiť problémy, s ktorými sme sa predtým nestretli.
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.
Fyzik Percy Spencer počas druhej svetovej vojny pracoval na radare, keď si všimol, že magnetron mu topil čokoládu. Bol schopný spojiť svoje vedomosti o elektromagnetickej radiácii so svojimi znalosťami varenia, aby vynašiel – uhádnete čo? – mikrovlnnú rúru.
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.
Toto je neuveriteľný príklad kreativity. Ale takéto prenesenie vedomostí sa stáva každému z nás pri drobnostiach tisíckrát za deň. Stroje s nami nemôžu súťažiť vtedy, keď je potrebné riešiť nové situácie a to je základným obmedzením úloh, ktoré za nás prevezmú stroje.
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.
Takže čo to znamená pre budúcnosť povolaní? Budúcnosť každého jedného pracovného miesta závisí od odpovede na otázku: Do akej miery je daná práca redukovateľná na opakovanú, veľkoobjemovú úlohu a do akej miery zahŕňa reagovanie na nové situácie? V opakovaných, veľkoobjemových úlohách sú stroje čoraz lepšie. Dnes dokážu známkovať slohy. Diagnostikovať určité ochorenia. V ďalších rokov budú riadiť audity a budú čitať obsiahle právne dokumenty. Účtovníci a právnici budú stále potrební. Budú zodpovední za komplexné daňové štrukturovanie a v nových právnych sporoch. Ale stroje ich prácu zredukujú a bude ťažšie ju získať.
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.
Ako bolo spomenuté, stroje sa nevyvíjajú v oblasti riešenia nových situácií. Text reklamnej kampane potrebuje zaujať zákazníka. Musí vyčnievať z radu. Podnikateľské stratégie hľadajú diery na trhu, veci, ktoré nikto iný nerobí. Texty marketingových kampaní budú tvoriť ľudia, rovnako ako aj podnikateľské stratégie.
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.
Takže Yahli, čokoľvek sa rozhodneš robiť, nech ti každý nový deň prinesie novú výzvu. Ak to tak bude, budeš vždy o krok pred strojmi.
Thank you.
Ďakujem.
(Applause)
(potlesk)