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.
İşte yeğenim. Adı Yahli. Kendisi 9 aylık bebek. Annesi doktor ve babası avukat. Yahli okula gittiğinde, ebeveynlerinin yaptığı işler, oldukça farklı görünecek.
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.
2013 yılında Oxford Üniversitesinde araştırmacılar, işin geleceği üzerine bir çalışma yaptılar. Araştırmacılar, neredeyse her iki işten birinde makineler sayesinde otomatikleşmenin yüksek bir riski olduğu hususunda karara vardılar. Makine öğrenmesi bu karmaşanın çoğunluğundan sorumlu olan teknolojidir. Makine Öğrenimi, yapay zekanın en güçlü dalıdır. Yapay zeka, insanın yapabileceği bazı şeyleri veri ve mimikden öğrenmesi için makineye olanak sağlar. Şirketim Kaggle, modern makine öğrenimini kullanmaktadır. Endüstri ve akademik çevreye yönelik önemli problemleri çözmek için yüz binlerce uzmanı bir araya getiriyoruz. Bu bize makinelerin ne yapacaklarını, ne yapamayacaklarını ve hangi işleri otomatikleştirecekleri veya tehdit oluşturabilecekleri üzerine benzersiz bir bakış açısı vermektedir.
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.
Makine öğrenme, doksanlı yılların başlarında endüstride yer almaya başlar. Makine Öğrenme, nispeten basit görevler ile başladı. Makine öğrenme, kredi taleplerinden kredi riski değerlendirme, posta kodlarından el yazısı karakterleri okuyarak posta sınıflandırma gibi şeylerle başladı. Geçtiğimiz bir kaç yıldır, belirgin bir çıkış yaptık. Makine öğrenme, artık çok daha karmaşık görevleri yapabiliyor. 2012’de Kaggle, liselerde makaleleri puanlayabilen bir algoritma yapmak için çevresindekilere meydan okudu. Kazanan algoritmaların puanlamasıyla öğretmenlerin puanlaması birbirlerine eşdeğerdi. Geçtiğimiz yıl, daha da zor bir meydan okuma sergiledik. Gözdeki görüntüleri alabilir ve şeker hastalığı retinopatisi olarak adlandılan göz hastalığını teşhis edebilir misiniz? Yine, kazanan algoritmalar, göz doktorları tarafından koyulan tanılarla eşleşiyordu.
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.
Artık verilen doğru data ile, bu tür işlerde makinalar, insanlardan daha iyi performans sergileyecekler. Bir öğretmen, kırk yıllık kariyer süresince 10,000 makale okuyabilir. Bir göz doktoru, elli bin göze bakabilir. Bir makine, dakikalar içerisinde milyonlarca makale okuyabilir veya milyonlarca göze bakabilir. Sık tekrarlanan, büyük çaplı görevlerde makineler ile rekabet etme şansımız hiç yok.
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.
Az gelişim gösterdikleri yeni alanlarda, makineler bizim yaptığımız şeyleri yapamazlar. Daha önce birçok defa görmedikleri işleri yapamazlar. Makine öğrenmenin temel engelleri, geçmiş datadan büyük miktarda öğrenme gereksinimidir. İnsanlarda böyle değil. Daha önce karşılaşmadığımız problemleri çözmek için, görünürde farklı konularda ilişki kurma yeteneğine sahibiz.
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 magnetronnun çikolata kalıbını erittiğini fark ettiğinde, ikinci dünya savaşı sırasında, radarlar üzerine çalışan bir fizikçiydi. Percy Spencer, yeni bir icat için yemek pişirme bilgisi ile elektromanyetik radyasyon kavramını birleştirebildi-- herhangi bir tahmin ?-- mikrodalga fırın.
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.
Şimdi,bu özellikle yaratıcılığın dikkat çekici bir örneğidir. Ancak bu tür çapraz birleşmeler her birimiz için günde binlerce kez oluşur. Konu yeni işleri başarmak olduğunda, makineler bizimle rekabet edemezler ve bu, makinelerin insanların işlerini otomatize etmelerinde temel engel oluşturur.
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.
Öyleyse, işin geleceği için bu ne anlama geliyor ? Herhangi bir işin gelecekteki durumu, bir sorunun cevabında yatar: Meslek ne ölçüde sık tekrarlanan, büyük çaplı işe indirgenebilir ve ne ölçüde yeni görevleri içerir? Sık tekrarlanan, büyük-çaplı görevlerde makineler, gitgide akıllı olmaktadırlar. Bugün denemeleri puanlayabiliyorlar. Bazı hastalıkları teşhis ediyorlar. Gelecek yıllarda makineler, denetimlerimizi yürütecekler ve yasal sözleşmelerden standart metni okuyacaklar. Muhasebeci ve avukatlara hala gereksinim var. karmaşık vergi yapısı, çığır açan hukuk davaları için ihtiyaç duyulacak. Ancak makineler, bu işlerin kademelerini daraltacak ve onları elde etmeyi zorlaştıracak. Günümüzde söz konusu makineler,
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.
alışılmışın dışındaki durumlarda ilerleme gösterememektedir. pazarlama kampanyasının ardındaki metin,müşterilerin ilgisini çekmelidir. Kendini göstermelidir. İş stratejisi, pazarda başkalarının bulmadığı boşlukları bulmak demektir. Pazarlama kampanyalarımızın ardındaki metni yaratacak olanlar ve iş stratejimizi geliştirecek olanlar insanlar olacaktır.
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.
Bu yüzden Yahli, ne yapmaya karar verirsen ver, her gün sana yeni bir meydan okuma getirsin. Eğer bunu yaparsan, o zaman makinelerden önde olursun.
Thank you.
Teşekkürler.
(Applause)