< Return to Video

Οι δουλειές που θα χάσουμε από τις μηχανές - και αυτές που όχι

  • 0:01 - 0:02
    Αυτή είναι η ανιψιά μου.
  • 0:03 - 0:04
    Ονομάζεται Γιάλι.
  • 0:04 - 0:06
    Είναι εννέα μηνών.
  • 0:06 - 0:09
    Η μαμά της είναι γιατρός
    και o μπαμπάς της δικηγόρος.
  • 0:09 - 0:11
    Μέχρι να πάει η Γιάλι στο πανεστήμιο
  • 0:11 - 0:15
    το επαγγέλματα των γονιών της
    θα είναι πολύ διαφορετικά.
  • 0:15 - 0:18
    Το 2013, ερευνητές
    στο πανεπιστήμιο της Οξφόρδης
  • 0:18 - 0:21
    έκαναν μια μελέτη
    πάνω στο μέλλον της εργασίας.
  • 0:21 - 0:25
    Κατέληξαν ότι σχεδόν ένα
    στα δύο επαγγέλματα κινδυνεύουν
  • 0:25 - 0:27
    να αυτοματοποιηθούν από μηχανές.
  • 0:28 - 0:30
    Η μηχανική μάθηση είναι η τεχνολογία
  • 0:30 - 0:33
    που ευθύνεται κυρίως
    για αυτήν την αναστάτωση.
  • 0:33 - 0:35
    Είναι το πιο δυνατό παρακλάδι
    της τεχνητής νοημοσύνης.
  • 0:35 - 0:38
    Επιτρέπει στις μηχανές
    να μάθουν από δεδομένα
  • 0:38 - 0:40
    και να μιμηθούν πράγματα
    που κάνουν οι άνθρωποι.
  • 0:40 - 0:43
    Η εταιρεία μου, η Kaggel, λειτουργεί
    στην αιχμή της μηχανικής μάθησης.
  • 0:43 - 0:46
    Μαζεύουμε εκατοντάδες χιλιάδες ειδικούς
  • 0:46 - 0:49
    για να λύσουν σημαντικά βιομηχανικά
    και ακαδημαϊκά προβλήματα.
  • 0:49 - 0:52
    Αντιλαμβανόμαστε έτσι, τι μπορούν
  • 0:52 - 0:54
    και τι δεν μπορούν να κάνουν οι μηχανές
  • 0:54 - 0:57
    και ποιες δουλειές ίσως
    αυτοματοποιήσουν ή απειλήσουν.
  • 0:57 - 1:01
    Η μηχανική μάθηση άρχισε να εμφανίζεται
    στη βιομηχανία αρχές της δεκαετίας του 90.
  • 1:01 - 1:03
    Ξεκίνησε με σχετικά απλές εργασίες.
  • 1:03 - 1:08
    Ξεκίνησε με πράγματα όπως η αξιολόγηση
    πιστωτικού κινδύνου από αιτήσεις δανείων,
  • 1:08 - 1:12
    ταξινόμηση της αλληλογραφίας διαβάζοντας
    χειρόγραφους ταχυδρομικούς κώδικες.
  • 1:12 - 1:15
    Τα τελευταία λίγα χρόνια
    κάναμε σημαντική πρόοδο.
  • 1:16 - 1:20
    Η μηχανική μάθηση είναι πλέον ικανή
    να αναλάβει πολύ πιο περίπλοκα έργα.
  • 1:20 - 1:23
    Το 2012, η Kaggle προκάλεσε τα μέλη της
  • 1:23 - 1:26
    να δημιουργήσουν έναν αλγόριθμο
    που θα διόρθωνε εργασίες λυκείου.
  • 1:26 - 1:28
    Οι αλγόριθμοι που νίκησαν,
  • 1:28 - 1:31
    βαθμολόγησαν το ίδιο
    όπως οι καθηγητές.
  • 1:31 - 1:34
    Πέρυσι ετοιμάσαμε
    μια ακόμη δυσκολότερη δοκιμασία.
  • 1:34 - 1:38
    Πως μπορεί να διαγνωστεί μια ασθένεια,
    όπως η διαβητική ρετινοπάθεια,
  • 1:38 - 1:39
    παίρνοντας εικόνες από το μάτι;
  • 1:39 - 1:41
    Και πάλι, ο αλγόριθμος που νίκησε,
  • 1:41 - 1:45
    έδωσε την ίδια διάγνωση
    που έδωσαν και οι οφθαλμίατροι.
  • 1:46 - 1:49
    Έχοντας τα σωστά δεδομένα, οι μηχανές
    θα ξεπεράσουν τους ανθρώπους
  • 1:49 - 1:50
    σε εργασίες όπως αυτές.
  • 1:50 - 1:54
    Ένας δάσκαλος, σε 40 χρόνια εργασίας,
    θα διαβάσει πάνω από 10.000 εκθέσεις.
  • 1:54 - 1:57
    Ένας οφθαλμίατρος θα δει
    περίπου 50.000 μάτια.
  • 1:57 - 2:01
    Μια μηχανή μπορεί να διαβάσει εκατομμύρια
    εργασίες ή να δει εκατομμύρια μάτια
  • 2:01 - 2:02
    σε μερικά λεπτά.
  • 2:02 - 2:05
    Δεν υπάρχει περίπτωση
    να ανταγωνιστούμε τις μηχανές
  • 2:05 - 2:08
    σε συχνές εργασίες μεγάλου όγκου.
  • 2:09 - 2:12
    Υπάρχουν όμως πράγματα,
    που μόνο εμείς μπορούμε να κάνουμε.
  • 2:13 - 2:15
    Οι μηχανές έχουν προοδεύσει ελάχιστα
  • 2:15 - 2:17
    στο να επιλύουν πρωτότυπα προβλήματα.
  • 2:17 - 2:21
    Δεν μπορούν να αντιμετωπίσουν πράγματα
    που δεν έχουν δει ήδη πολλές φορές.
  • 2:21 - 2:24
    Ο θεμελιώδης περιορισμός
    της μηχανικής μάθησης
  • 2:24 - 2:27
    είναι ότι χρειάζεται πολλά προηγούμενα
    δεδομένα για να μάθει από αυτά.
  • 2:27 - 2:29
    Ενώ οι άνθρωποι όχι.
  • 2:29 - 2:32
    Μπορούμε να ενώσουμε ανόμοια
    φαινομενικά γνωρίσματα
  • 2:32 - 2:35
    για να λύσουμε πρωτόγνωρα προβλήματα.
  • 2:35 - 2:37
    Ο Πέρσι Σπένσερ ήταν φυσικός
  • 2:37 - 2:39
    και ασχολούνταν με τα ραντάρ
    κατά τον Β' Παγκόσμιο Πόλεμο
  • 2:39 - 2:42
    όταν διαπίστωσε ότι το μάγνητρο
    έλιωνε τη σοκολάτα του.
  • 2:43 - 2:46
    Συνέδεσε τη γνώση του πάνω
    στην ηλεκτρομαγνητική ακτινοβολία
  • 2:46 - 2:48
    και τις γνώσεις του στη μαγειρική
  • 2:48 - 2:51
    για να ανακαλύψει τον φούρνο μικροκυμάτων.
  • 2:51 - 2:55
    Πρόκειται για ένα
    λαμπρό παράδειγμα δημιουργικότητας.
  • 2:55 - 2:58
    Όμως τέτοιου είδους διασταυρώσεις
    στις ιδέες μας συμβαίνουν σε όλους μας,
  • 2:58 - 3:00
    λίγο ή πολύ κατά τη διάρκεια μιας ημέρας.
  • 3:00 - 3:02
    Δεν μας πιάνουν οι μηχανές,
  • 3:02 - 3:04
    όταν πρόκειται
    για τέτοιου είδους προβλήματα,
  • 3:04 - 3:06
    κάτι το οποίο θέτει βασικά όρια,
  • 3:06 - 3:10
    ως προς το ποιες εργασίες
    θα αυτοματοποιήσουν οι μηχανές.
  • 3:10 - 3:13
    Τι σημαίνει λοιπόν αυτό
    για το μέλλον της εργασίας;
  • 3:13 - 3:17
    Το μέλλον κάθε επαγγέλματος κρύβεται
    στην απάντηση αυτής της ερώτησης;
  • 3:17 - 3:22
    Κατά πόσο μια εργασία αποτελείται
    από συχνές εργασίες μεγάλου όγκου,
  • 3:22 - 3:26
    και κατά πόσο εμπεριέχει
    πρωτόγνωρα προβλήματα;
  • 3:26 - 3:30
    Στις συχνές εργασίες μεγάλου όγκου,
    οι μηχανές γίνονται όλο και εξυπνότερες.
  • 3:30 - 3:33
    Σήμερα διορθώνουν εκθέσεις,
    διαγιγνώσκουν ορισμένες ασθένειες.
  • 3:33 - 3:36
    Σε μερικά χρόνια θα αναλάβουν
    λογιστικούς ελέγχους
  • 3:36 - 3:39
    και θα αναγνωρίζουν ορολογίες
    από νομικά συμβόλαια.
  • 3:39 - 3:41
    Θα χρειαζόμαστε λογιστές και δικηγόρους.
  • 3:41 - 3:43
    Θα χρειάζονται για περίπλοκες
    φορολογικές δηλώσεις
  • 3:43 - 3:45
    ή μια εφευρετική αντιπροσώπευση σε δίκη.
  • 3:45 - 3:46
    Αλλά θα μειωθούν
  • 3:46 - 3:49
    και θα 'ναι πιο δυσεύρετες εργασίες.
  • 3:49 - 3:50
    Όπως είπαμε
  • 3:50 - 3:53
    οι μηχανές δεν ανταπεξέρχονται
    σε πρωτόγνωρα προβλήματα.
  • 3:53 - 3:56
    Μια διαφημιστική καμπάνια
    πρέπει να τραβήξει το ενδιαφέρον.
  • 3:56 - 3:58
    Να ξεχωρίσει από το πλήθος.
  • 3:58 - 4:01
    Μια επιχειρηματική στρατηγική
    βρίσκει κενά στην αγορά
  • 4:01 - 4:02
    κάτι που κανένας άλλος δεν κάνει.
  • 4:02 - 4:06
    Οι άνθρωποι θα σχεδιάζουν
    τις διαφημιστικές καμπάνιες
  • 4:06 - 4:10
    και οι άνθρωποι θα αναπτύσσουν
    την επιχειρηματική στρατηγική.
  • 4:10 - 4:12
    Οπότε Γιάλι, ό,τι και αν κάνεις
  • 4:12 - 4:15
    προσπάθησε κάθε μέρα
    να αντιμετωπίζεις μια καινούρια πρόκληση.
  • 4:15 - 4:18
    Αν το καταφέρεις, θα είσαι
    ένα βήμα μπροστά από τις μηχανές.
  • 4:19 - 4:20
    Ευχαριστώ.
Title:
Οι δουλειές που θα χάσουμε από τις μηχανές - και αυτές που όχι
Speaker:
Άντονι Γκόλντμπλουμ
Description:

Η μηχανική μάθηση δεν απευθύνεται πλέον μόνο σε απλές εργασίες, όπως η αξιολόγηση πιστοληπτικού κινδύνου ή η ταξινόμηση αλληλογραφίας. Σήμερα μπορεί να εφαρμοστεί σε πιο περίπλοκες εργασίες, όπως στην αξιολόγηση εκθέσεων και στη διάγνωση ασθενειών. Με αυτές τις καινοτομίες, εγείρεται μια δυσάρεστη ερώτηση: θα κάνει ένα ρομπότ τη δουλειά σου στο μέλλον;
more » « less
Video Language:
English
Team:
closed TED
Project:
TEDTalks
Duration:
04:36

Greek subtitles

Revisions

Our website uses cookies for analysis purposes.