De arbejdspladser vi mister til maskiner -- og dem vi ikke gør

Machine learning bliver ikke kun brugt til simple opgaver som risiko bedømmelse og brev sortering -- i dag er det i stand til mere komplekse opgave som at bedømme stile og diagnosticere sygdomme. Med de fremskridt følger der et bekymrende spørgsmål: Kommer en robot til at udføre dit job i fremtiden?

Det her er min niece.

Hun hedder Yahli.

Hun er ni måneder gammel.

Hendes mor er læge,
og hendes far er advokat.

Når Yahli studere på universitetet

vil hendes forældres arbejde
se meget anderledes ud.

I 2013 lavede forskere fra Oxford
en undersøgelse om fremtidens arbejde.

De konkluderede, at næsten hver andet job

har stor risiko for at
blive automatiseret af maskiner.

Machine learning er den teknologi

der ligger til grunde
for størstedelen af ændringerne.

Det er den mest virkningsfulde del
af kunstig intelligens.

Det tillader maskiner at lære fra data

og efterligne nogen af de ting,
som mennesker kan gøre.

Mit firma, Kaggle, arbejder på det nyeste
inden for machine learning.

Vi samler flere
hundrede tusinder eksperter

som skal løse vigtige problemer
for den industrielle og akademiske verden

Det giver os et indblik i
hvad maskiner kan,

hvad de ikke kan,

og hvilke job de måske
kommer til at automatisere

Første gang machine learning blev brugt
industrielt, var i start 90'erne.

Det startede simpelt.

Det startede med at vurdere
kreditrisiko fra låneansøgninger,

brev sortering ved at læse
håndskrevne tegn fra postnumre.

Gennem de sidste par år
er der sket banebrydende gennembrud.

Machine learning er nu i stand til
langt mere komplekse opgaver.

I 2012 udfordrede Kaggle sit lokalsamfund

til at programmere en algoritme
til at bedømme gymnasie stile.

Algoritmen der vandt,
gav den samme karakter

som den rigtige lærer gjorde.

Sidste år lavede vi en
sværere udfordring.

Kan man tage billeder af øjet
og diagnostisere en øjensygdom

kaldet diabetisk retinopati?

Igen gav algoritmen der vandt
den samme diagnose

som var givet af en øjenlæge.

Maskiner udkonkurrerer altid mennesker
ved opgaver som denne,

givet at den får de rigtige data.

En lærer læser måske 10.000 stile
over en 40-årig karriere.

En øjenlæge ser måske 50.000 øjne

En maskine kan læse millioner af stile
eller se millioner af øjne

på få minutter.

Vi kan ikke hamle op med maskinerne,

når det gælder mængde opgaver.

Men der er ting, vi kan,
som maskiner ikke kan.

Maskiner er ikke blevet særlig meget bedre

til at takle unikke og nye situationer

De kan ikke arbejde med ting,
de ikke har set en masse gange før.

De grundlæggende begrænsninger
for machine learning

er at de skal lære fra store
mængder tidligere data.

Det skal mennesker ikke.

Vi har evnen til at finde sammenhængen
i forskellige situationer,

og løse problemer vi ikke har set før.

Mens fysikeren Percy Spenser arbejdede
med radarer under 2. verdenskrig,

opdagede han at magnetronen
smeltede hans chokolade bar.

Han forenede sin forståelse
for elektromagnetisk stråling

med sit kendskab til madlavning

for at opfinde -- nogen gæt? --
mikrobølgeovnen.

Det er et eksempel på
særlig kreativitet.

Den forenende måde at tænke på,
sker for as alle på mindre stadier

tusinder af gange om dagen.

Maskiner kan ikke hamle op med os,

når det kommer til
unikke situationer,

og det skaber en begrænsning
for hvilke opgaver

maskiner komme til at automatisere.

Så hvilken betydning har det
for fremtidens arbejde?

Om et job er sikret for fremtiden,
kan besvares med et spørgsmål:

I hvor stor en grad kan jobbet
nedskrives til mængde opgaver,

og i hvor stor grad indebærer det
unikke situationer?

Når det gælder mængde opgaver,
bliver maskiner klogere og klogere.

I dag bedømmer de stile.
De diagnosticere visse sygdomme.

De følgende år,
vil de foretage vores regnskaber.

De kommer til at læse standard tekst
fra juridiske kontrakter

Revisorer og advokater skal stadig bruges.

De skal bruges til
kompleks skatte-strukturering,

til banebrydende retstvister.

Men maskiner vil mindske deres omdømme,

og gøre den type jobs mindre hyppige.

Som jeg har nævnt,

laver maskiner ingen fremskridt
når det gælder unikke situationer.

Rammen for en marketing kampagne
skal fange folks opmærksomhed,

den skal skille sig ud.

Erhvervs strategi går ud på
at finde mangler i markedet,

noget som ingen andre gør.

Det kommer til at være mennesker som
skaber rammen for en marketing kampagne,

og det vil være mennesker, som
vil udvikle vores erhvervs strategi.

Så hvad end du beslutter
dig for at lave, Yahli,

lad hver dag bringe nye udfordringer.

For så vil du forblive foran maskinerne

Tak.

(Klapsalve)