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.
Det här är min brorsdotter. Hon heter Yahli. Hon är nio månader gammal. Hennes mamma är läkare och hennes pappa jurist. När Yahli går på gymnasiet kommer hennes föräldrars arbeten vara dramatiskt förändrade.
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.
Forskare vid Oxford University gjorde 2013 en studie om framtidens arbete. De kom fram till att nästan vartannat jobb riskerade att bli automatiserat av maskiner. Maskinlärning är den teknologi som har störst påverkan i denna omvälvning. Den kraftfullaste grenen inom artificiell intelligens. Den tillåter att maskiner lär från data och härmar några saker som människor kan göra. Mitt företag Kagge jobbar i framkanten av maskinlärning. Vi samlar hundratusen experter för att lösa viktiga problem för industrin och akademin. Detta ger oss ett unikt perspektiv på vad maskinerna kan göra, vad de inte kan göra och vilka jobb som de möjligen kan automatisera eller hota.
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.
Maskinlärning började ta sig in i industrin under början av 90-talet. Det började med relativt enkla uppgifter. Det började med saker som att bedöma kreditrisken för låneansökningar, sortera post genom läsa av handskrivna siffror från postnummer. Det senaste år har vi gjort dramatiska genombrott. Maskinlärning är nu kapabelt att göra avsevärt mer komplicerade uppgifter. Under 2012 utmanande Kaggle sitt community att ta fram en algoritm som kunde betygsätta gymnasieuppsatser. Den vinnande algoritmen hade förmågan att matcha betyg satta av mänskliga lärare. Förra året la vi ut en ännu svårare utmaning. Kan du ta en ögonbild och diagnostisera en ögonsjukdom som heter diabetesretinopati? Återigen så klarade de vinnande algoritmerna att matcha diagnoserna som mänskliga optiker ställt.
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.
Nu kan maskiner som får rätt data utklassa människor för uppgifter som denna. En lärare läser kanske 10 000 uppsatser under en 40-årig karriär. En optiker kanske kollar på 50 000 ögon. En maskin kan läsa en miljon uppsatser eller skanna av en miljon ögon på några minuter. Vi har ingen möjlighet att tävla med maskinerna för vanliga uppgifter i stora mängder
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.
Men det finns saker som maskinerna inte kan göra. Maskinerna har haft lite framgång med att tackla unika situationer. De kan inte hantera saker som de inte sett många gånger tidigare. Den grundläggande begränsningen hos maskininlärning är den måste lära sig från stora mängder historiska data. Vilket inte människor behöver. Vi har förmågan att koppla samman till synes helt skilda trådar för att lösa problem vi inte tidigare sett.
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 var en fysiker som jobbade med radar under andra världskriget, när han la märke till att magnetronen smälte hans chokladkaka. Han kunde dra nytta av sin förståelse av elektromagnetisk strålning med kunskap om matlagning för att uppfinna – några gissningar? – mikrovågsugnen.
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.
Detta är nu ett speciellt påfallande exempel på kreativitet. Men denna typ av korspollinering händer för oss alla i liten skala tusentals gånger per dag. Maskiner kan inte tävla med oss när det gäller att tackla unika situationer, och detta innebär en grundläggande gräns för mänskliga uppgifter som maskiner kan automatisera.
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.
Så vad innebär detta för framtidens arbete? Tillståndet för varje enskilt jobb ligger i svaret på en enkel fråga: Till vilken omfattning kan jobbet göras som frekventa uppgifter av stora volymer, och till vilken omfattning involverar det att tackla unika situationer? För frekventa uppgifter av stora volymer så blir maskinerna smartare och smartare. I dag betygsätter de uppsatser. De diagnostiserar sjukdomar. De kommande åren kommer de göra revisioner och de kommer läsa standardtexter från avtal. Revisorer och jurister kommer behövas. De kommer behövas för arbete med avancerade skattefrågor och avgörande stämningar. Men maskinerna kommer göra dem färre och det blir svårare få såna jobb.
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.
Men som nämnt tidigare, maskinerna gör inga framsteg när det gäller unika situationer. Texten som fångar kundernas uppmärksamhet i en marknadsföringskampanj, den måste stå ut i från mängden. Affärsstrategin som fyller marknadsglappen, med saker ingen annan gör. Det kommer vara människor som skapar texten bakom marknadsföringen och det kommer vara människor som utvecklar affärsstrategierna.
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.
Så Yahli, vad du än bestämmer dig för att göra, låt varje dag innehålla en ny utmaning. Om den gör det, kommer du hålla dig framför maskinerna.
Thank you.
Tack så mycket.
(Applause)
(Applåder)