< Return to Video

I lavori che daremo alle macchine -- e quelli che non daremo

  • 0:01 - 0:02
    Questa è mia nipote.
  • 0:03 - 0:04
    Si chiama Yahli.
  • 0:04 - 0:06
    Ha nove mesi.
  • 0:06 - 0:09
    Sua madre è dottoressa,
    e suo papà avvocato.
  • 0:09 - 0:11
    Quando Yahli andrà all'università,
  • 0:11 - 0:15
    i lavori dei suoi genitori
    saranno notevolmente diversi.
  • 0:15 - 0:18
    Nel 2013 i ricercatori
    dell'Università di Oxford
  • 0:18 - 0:21
    hanno fatto uno studio
    sul futuro del lavoro.
  • 0:21 - 0:25
    Hanno concluso che almeno un lavoro su due
    ha un'alta probabilità
  • 0:25 - 0:27
    di essere automatizzato
    tramite le macchine.
  • 0:28 - 0:30
    L'apprendimento automatico
    è la tecnologia
  • 0:30 - 0:33
    maggiormente responsabile
    di questo cambiamento.
  • 0:33 - 0:35
    È la branca più potente
    dell'intelligenza artificiale.
  • 0:35 - 0:37
    Consente alle macchine
    di imparare dai dati
  • 0:37 - 0:40
    e imitare alcune delle cose
    che possono fare gli umani.
  • 0:40 - 0:43
    La mia azienda, Kaggle, è all'avanguardia
    nell'apprendimento automatico.
  • 0:43 - 0:46
    Coordiniamo
    centinaia di migliaia di esperti
  • 0:46 - 0:49
    per risolvere problemi importanti
    per l'industria e il mondo accademico.
  • 0:49 - 0:53
    Questo ci dà una prospettiva unica
    su ciò che le macchine possono fare,
  • 0:53 - 0:54
    cosa non possono fare
  • 0:54 - 0:57
    e quali lavori potrebbero
    automatizzare o minacciare.
  • 0:57 - 1:01
    L'apprendimento automatico è iniziato
    nell'industria dei primi anni '90.
  • 1:01 - 1:03
    È cominciato con compiti
    relativamente semplici.
  • 1:03 - 1:07
    È partito con cose del tipo valutazione
    dei rischi per le richieste di prestito,
  • 1:08 - 1:11
    ordinamento della posta tramite
    lettura dei codici postali scritti a mano.
  • 1:12 - 1:15
    Negli ultimi anni abbiamo fatto
    passi da gigante.
  • 1:16 - 1:19
    L'apprendimento automatico ora è capace
    di compiti molto più complessi.
  • 1:20 - 1:23
    Nel 2012 Kaggle ha sfidato la sua comunità
  • 1:23 - 1:26
    a creare un algoritmo che possa valutare
    i compiti delle superiori.
  • 1:26 - 1:29
    Gli algoritmi vincitori riuscivano
    a dare gli stessi voti
  • 1:29 - 1:30
    dati dagli insegnanti umani.
  • 1:31 - 1:34
    L'anno scorso, abbiamo affrontato
    una sfida più difficile.
  • 1:34 - 1:37
    Potete prendere immagini di un occhio
    e diagnosticare una malattia
  • 1:37 - 1:39
    chiamata retinopatia diabetica?
  • 1:39 - 1:42
    Di nuovo, gli algoritmi vincitori
    erano in grado di fornire
  • 1:42 - 1:45
    la stessa diagnosi dell'oculista.
  • 1:45 - 1:49
    Con i dati giusti, le macchine
    avranno prestazioni migliori dell'uomo
  • 1:49 - 1:50
    in compiti come questo.
  • 1:51 - 1:54
    Un insegnante può leggere 10 000 compiti
    in 40 anni di carriera.
  • 1:54 - 1:57
    Un ottico può vedere 50 000 occhi.
  • 1:57 - 2:01
    La macchina può leggere milioni di compiti
    o vedere milioni di occhi
  • 2:01 - 2:02
    in pochi minuti.
  • 2:03 - 2:05
    Non abbiamo possibilità di competere
    contro le macchine
  • 2:05 - 2:07
    su compiti ripetitivi con grandi numeri.
  • 2:09 - 2:12
    Ma ci sono cose che noi possiamo fare
    e le macchine no.
  • 2:13 - 2:15
    Le macchine hanno fatto
    pochi progressi
  • 2:15 - 2:17
    nell'affrontare situazioni nuove.
  • 2:17 - 2:21
    Non riescono a gestire cose
    che non hanno visto molte volte prima.
  • 2:21 - 2:24
    La limitazione fondamentale
    dell'apprendimento automatico
  • 2:24 - 2:27
    è che ha bisogno di imparare
    da grandi volumi di dati passati.
  • 2:27 - 2:28
    Gli umani no.
  • 2:29 - 2:32
    Abbiamo la capacità di collegare
    fili apparentemente diversi
  • 2:32 - 2:35
    per risolvere problemi
    che non abbiamo mai affrontato prima.
  • 2:35 - 2:39
    Percy Spencer era un fisico che lavorava
    sul radar durante la II Guerra Mondiale,
  • 2:39 - 2:43
    quando ha notato che il magnetron
    scioglieva la sua cioccolata.
  • 2:43 - 2:46
    È riuscito a collegare le conoscenze
    delle radiazioni elettromagnetiche
  • 2:46 - 2:48
    con la sua conoscenza della cucina
  • 2:48 - 2:51
    per inventare -- qualche ipotesi? --
    il forno a microonde.
  • 2:52 - 2:55
    Questo è uno spettacolare esempio
    di creatività.
  • 2:55 - 2:58
    Ma questo tipo di innesto
    accade in piccolo a ognuno di noi
  • 2:58 - 3:00
    migliaia di volte al giorno.
  • 3:00 - 3:02
    Le macchine non possono
    competere con noi
  • 3:02 - 3:05
    quando si tratta di affrontare
    nuove situazioni,
  • 3:05 - 3:07
    e questo pone un limite fondamentale
    ai compiti umani
  • 3:07 - 3:09
    che le macchine potranno automatizzare.
  • 3:10 - 3:12
    Cosa significa questo
    per il futuro del lavoro?
  • 3:13 - 3:17
    Il futuro di ogni singolo lavoro si basa
    sulla risposta a una sola domanda:
  • 3:17 - 3:22
    in che misura quel lavoro si può ridurre
    a compiti ripetitivi con grandi numeri,
  • 3:22 - 3:25
    e in che misura comporta
    affrontare nuove situazioni?
  • 3:26 - 3:30
    Su compiti ripetitivi con grandi numeri,
    le macchine sono sempre più intelligenti.
  • 3:30 - 3:33
    Oggi valutano compiti.
    Diagnosticano alcune malattie.
  • 3:33 - 3:35
    Col passare degli anni,
    faranno le nostre verifiche,
  • 3:36 - 3:39
    e leggeranno le parti standard
    dei contratti legali.
  • 3:39 - 3:41
    C'è ancora bisogno
    di ragionieri e avvocati
  • 3:41 - 3:43
    per la complessa
    struttura delle tasse,
  • 3:43 - 3:44
    per nuovi tipi di controversie.
  • 3:44 - 3:46
    Ma le macchine serreranno i ranghi
  • 3:46 - 3:48
    e renderanno più difficile
    trovare questi lavori.
  • 3:48 - 3:49
    Come ho già detto,
  • 3:49 - 3:52
    le macchine non stanno facendo progressi
    sulle nuove situazioni.
  • 3:53 - 3:56
    Il testo di una campagna pubblicitaria
    deve catturare i consumatori.
  • 3:56 - 3:58
    deve spiccare in mezzo al mucchio.
  • 3:58 - 4:01
    Strategia commerciale significa
    trovare spazi nel mercato,
  • 4:01 - 4:02
    cose che nessun altro sta facendo.
  • 4:02 - 4:06
    Saranno gli umani che creeranno
    il testo delle campagne pubblicitarie,
  • 4:06 - 4:09
    e saranno gli umani che svilupperanno
    le strategie commerciali.
  • 4:10 - 4:13
    Quindi Yahli, qualsiasi cosa
    tu decida di fare,
  • 4:13 - 4:15
    lascia che ogni giorno
    ti presenti una nuova sfida.
  • 4:15 - 4:18
    Se lo fa, sarai un passo avanti
    alle macchine.
  • 4:19 - 4:20
    Grazie.
  • 4:20 - 4:23
    (Applausi)
Title:
I lavori che daremo alle macchine -- e quelli che non daremo
Speaker:
Anthony Goldbloom
Description:

L'apprendimento automatico non è più solo per semplici compiti come valutare il rischio di credito e ordinare la posta -- oggi, è in grado di eseguire applicazioni molto più complesse, come valutare delle composizioni e diagnosticare malattie. Con questi progressi arriva una domanda difficile: un robot farà il vostro lavoro nel futuro?
more » « less
Video Language:
English
Team:
closed TED
Project:
TEDTalks
Duration:
04:36

Italian subtitles

Revisions

Our website uses cookies for analysis purposes.