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.
Це моя племінниця. Її звати Ялі. Їй 9 місяців. Її мама — лікар, а тато — юрист. Коли Ялі піде в коледж, професії її батьків можуть виглядати зовсім інакше.
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.
У 2013 році дослідники з Оксфордського університету провели дослідження щодо майбутнього роботи. Вони з'ясували, що майже кожна друга професія може бути автоматизована для виконання роботами. Машинне навчання — технологія, що відповідальна значною мірою за цей переворот. Це найпотужніший напрямок у дослідженні штучного інтелекту. Він дає машинам змогу вчитися на основі даних та імітувати деякі речі, що їх роблять люди. Моя компанія Kaggle працює над передовим машинним навчанням. Ми збираємо разом сотні тисяч експертів, щоб розв'язувати важливі проблеми промисловості та науки. Це дає нам унікальний погляд на те, що можуть робити машини, а що ні, і які професії вони можуть автоматизувати чи витіснити.
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.
Машинне навчання стало індустрією на початку 90-х. Воно почалось з порівняно простих задач. Таких як оцінка кредитних ризиків кредитних заявок, сортування листів за рукописними індексами. За останні роки ми здійснили великий прорив. Машини сьогодні здатні виконувати набагато складніші завдання. В 2012 році Kaggle взявся створити алгоритм, що здатний ставити оцінки шкільним творам. Найкращі алгоритми могли давати такі самі оцінки, що й справжні вчителі. Торік ми взялися за важче завдання. Чи можна за картинкою визначити хворобу ока — діабетичну ретинопатію? Знову ж таки, найкращі алгоритми давали ті ж діагнози, що і 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.
Якщо дати машинам правильну інформацію, то вони обійдуть людей у подібних завданнях. Вчитель може прочитати 10 000 шкільних творів за 40-річну кар'єру. Офтальмолог може оглянути 50 000 очей. Машина може прочитати мільйони творів чи оглянути мільйони очей
We have no chance of competing against machines on frequent, high-volume tasks.
за лічені хвилини. Ми не маємо шансів проти машин в повторюваних, об'ємних завданнях.
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.
Але є речі, які ми можемо робити на відміну від машин. Де машини не прогресують, то це у розв'язанні незвичних ситуацій. Вони не можуть осягнути речі, яких не бачили багато разів до того. Найбільше обмеження машинного навчання — машина має вчитись з великого обсягу минулих даних. А люди — ні. Ми можемо поєднувати очевидно різні речі, щоб залагодити проблему, з якою стикнулися вперше.
Percy Spencer was a physicist working on radar during World War II, when he noticed the magnetron was melting his chocolate bar.
Персі Спенсер був фізиком і працював на радарі під час Другої світової війни.
He was able to connect his understanding of electromagnetic radiation with his knowledge of cooking in order to invent -- any guesses? -- the microwave oven.
коли помітив, що його магнетрон розтопив плитку шоколаду. Він зміг поєднати розуміння електромагнітної радіації та вміння готувати, і винайшов — якісь здогадки? — мікрохвильову піч.
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.
Зараз це визначний приклад креативності. Але такого типу перехресні думки є в кожного в маленьких масштабах тисячі разів на день. Машини не можуть змагатись з нами у розв'язанні нових ситуацій, і це обмежує людські завдання, які машини можуть автоматизувати.
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.
Отже, що ж це значить для майбутнього праці? Майбутнє будь-якої професії полягає у відповіді на просте питання: якою мірою дана робота зводиться до частих об'ємних задач, і якою мірою вона включає розв'язання незвичних завдань? Коли йдеться про часті об'ємні завдання, машини стають все розумнішими. Сьогодні вони оцінюють есе. Вони діагностують деякі хвороби. Минуть роки, і вони будуть перевіряти нас, читати шаблони правових договорів. Бухгалтери та юристи все ще потрібні. Вони будуть потрібні для структуризації податків, для вирішення судових позовів. Але машини зменшать їх компетенцію і зроблять ці професії важчими.
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.
Але, як було сказано, машини не прогресують у розв'язанні незвичних ситуацій. Маркетингова кампанія повинна привернути увагу покупців. Вона має виділятись з натовпу. Бізнес-стратегія означає пошук прогалин у ринку, речей, яких ніхто не робить. Це люди будуть створювати обличчя маркетингових кампаній і люди розвиватимуть бізнес-стратегії.
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.
Отже, Ялі, що б ти не вирішила робити, нехай кожен день кидає тобі новий виклик. Якщо так буде, то ти будеш попереду машин.
Thank you.
Дякую.
(Applause)
(Оплески)