< Return to Video

Kuras darba vietas mums atņems mašīnas un kuras ne?

  • 0:01 - 0:02
    Šī ir mana brāļameita.
  • 0:03 - 0:04
    Viņu sauc Jālī.
  • 0:04 - 0:06
    Viņai ir deviņi mēneši.
  • 0:06 - 0:09
    Viņas mamma ir ārste un tētis ‒ jurists.
  • 0:09 - 0:11
    Kad Jālī ies augstskolā,
  • 0:11 - 0:15
    viņas vecāku profesijas
    izskatīsies pavisam citādāk.
  • 0:15 - 0:20
    2013. gadā Oksfordas Universitātes
    pētnieki veica pētījumu par nākotnes darbu.
  • 0:21 - 0:25
    Viņi secināja, ka gandrīz katrai otrajai
    profesijai pastāv liels
  • 0:25 - 0:27
    automatizācijas risks.
  • 0:28 - 0:30
    Mašīnmācīšanās ir tehnoloģija,
  • 0:30 - 0:33
    kas būs par iemeslu vairumam šo pārmaiņu.
  • 0:33 - 0:35
    Tā ir visspēcīgākā
    mākslīgā intelekta nozare.
  • 0:35 - 0:37
    Tā ļauj mašīnām mācīties no datiem
  • 0:37 - 0:40
    un atdarināt dažas
    cilvēku veiktas darbības.
  • 0:40 - 0:43
    Mans uzņēmums, Kaggle, darbojas
    vēl neapgūtajos mašīnmācīšanās ūdeņos.
  • 0:43 - 0:46
    Mēs apvienojam simtiem tūkstošu ekspertu
  • 0:46 - 0:49
    svarīgu nozares
    un akadēmisku problēmu risināšanai.
  • 0:49 - 0:53
    Tas sniedz mums unikālu skatījumu
    uz to, ko mašīnas spēj,
  • 0:53 - 0:54
    ko tās nespēj
  • 0:54 - 0:57
    un kādas darba vietas tās varētu
    automatizēt un apdraudēt.
  • 0:57 - 1:01
    Mašīnmācīšanās pirmsākumi
    meklējami 90. gadu sākumā.
  • 1:01 - 1:03
    Tā sākās ar nosacīti
    vienkāršiem uzdevumiem.
  • 1:03 - 1:08
    Tā sākās, piemēram, ar kredītriska
    noteikšanu aizņēmuma pieteikumiem
  • 1:08 - 1:12
    un pasta šķirošanu, nolasot
    rokrakstā rakstītus pasta indeksus.
  • 1:12 - 1:15
    Pēdējo dažu gadu laikā
    esam veikuši strauju izrāvienu.
  • 1:16 - 1:20
    Mašīnmācīšanās tagad spēj veikt
    daudz, daudz sarežģītākus uzdevumus.
  • 1:20 - 1:23
    2012. gadā Kaggle meta izaicinājumu
    savas kopienas biedriem
  • 1:23 - 1:26
    izveidot algoritmu, kas spētu izvērtēt
    vidusskolas sacerējumus.
  • 1:26 - 1:29
    Uzvaru guvušais algoritms
    spēja novērtēšanā līdzināties
  • 1:29 - 1:31
    skolotāju-cilvēku liktajām atzīmēm.
  • 1:31 - 1:34
    Pagājušajā gadā mēs izsludinājām
    vēl sarežģītāku uzdevumu.
  • 1:34 - 1:37
    Vai spējat uzņemt acs attēlu
    un diagnosticēt acs slimību
  • 1:37 - 1:39
    diabētisko retinopātiju?
  • 1:39 - 1:43
    Arī šoreiz uzvaru guvušais algoritms
    spēja līdzināties diagnozēm,
  • 1:43 - 1:45
    ko uzstādīja dzīvi oftalmologi.
  • 1:46 - 1:50
    Ja tiks ievadīti pareizi dati,
    mašīnas šādos uzdevumos cilvēkus pārspēs.
  • 1:50 - 1:54
    Skolotājs 40 gadu karjeras laikā
    var izlasīt 10 000 sacerējumus.
  • 1:54 - 1:57
    Oftalmologs var apskatīt 50 000 acu.
  • 1:57 - 2:01
    Mašīna spēj izlasīt miljonus sacerējumu
    un apskatīt miljonus acu
  • 2:01 - 2:02
    dažu minūšu laikā.
  • 2:02 - 2:05
    Mums sacensībā ar mašīnām
    nav nekādu izredžu
  • 2:05 - 2:08
    vienveidīgos lielapjoma darbos.
  • 2:09 - 2:12
    Bet ir lietas, ko spējam
    un mašīnas nespēj.
  • 2:12 - 2:15
    Jomas, kur mašīnas ir veikušas
    ļoti nelielu progresu,
  • 2:15 - 2:17
    ir situācijas, kas saistītas ar jaunradi.
  • 2:17 - 2:21
    Tās netiek galā ar to,
    ko iepriekš nav redzējušas daudz reižu.
  • 2:21 - 2:24
    Lielākais mašīnmācīšanās ierobežojums
  • 2:24 - 2:27
    ir vajadzība mācīties
    no liela daudzuma pagātnes datu.
  • 2:27 - 2:29
    Cilvēkiem to nevajag.
  • 2:29 - 2:32
    Mēs spējam savienot
    šķietami pilnīgi atšķirīgas lietas
  • 2:32 - 2:35
    un atrisināt problēmas,
    kādas iepriekš nekad neesam sastapuši.
  • 2:35 - 2:39
    Persijs Spensers bija fiziķis, kas
    2. pasaules kara laikā strādāja ar radaru,
  • 2:39 - 2:42
    kad viņš pamanīja, ka magnetrons
    kausēja viņa šokolādes tāfelīti.
  • 2:43 - 2:46
    Viņš spēja apvienot zināšanas
    par elektromagnētisko starojumu
  • 2:46 - 2:48
    ar ēst gatavošanas prasmi
  • 2:48 - 2:51
    un izgudrot ‒ vai varat uzminēt? ‒
    mikroviļņu krāsni.
  • 2:51 - 2:55
    Tas ir sevišķi iespaidīgs
    radošuma piemērs.
  • 2:55 - 2:58
    Bet šāda starpjomu apputeksnēšanās
    mazā mērogā notiek katrā no mums
  • 2:58 - 3:00
    tūkstošiem reižu dienā.
  • 3:01 - 3:02
    Mašīnas nespēj konkurēt ar mums,
  • 3:02 - 3:04
    ja runa ir par situācijām,
    kas ietver jaunradi,
  • 3:04 - 3:08
    un tas būtiski ierobežo
    tos cilvēku darbus,
  • 3:08 - 3:09
    ko mašīnas neautomatizēs.
  • 3:10 - 3:12
    Ko tas nozīmē nākotnes darbam?
  • 3:13 - 3:17
    Katras profesijas nākotnes izredzes
    slēpjas vienā vienīgā jautājumā:
  • 3:17 - 3:22
    kādā mērā jūsu profesiju var reducēt
    uz vienveidīgiem lielapjoma uzdevumiem,
  • 3:22 - 3:26
    un kādā mērā tā iekļauj jaunradi?
  • 3:26 - 3:30
    Mašīnas arvien labāk veic
    vienveidīgus lielapjoma uzdevumus.
  • 3:30 - 3:32
    Tagad tās spēj vērtēt sacerējumus.
  • 3:32 - 3:34
    Diagnosticēt noteiktas slimības.
  • 3:34 - 3:36
    Turpmākajos gados tās spēs veikt auditus
  • 3:36 - 3:39
    un lasīs juridisku līgumu tekstveidnes.
  • 3:39 - 3:41
    Vēl arvien būs vajadzīgi
    grāmatveži un juristi.
  • 3:41 - 3:44
    Tie būs vajadzīgi
    sarežģītu nodokļu struktūru veidošanai
  • 3:44 - 3:46
    un bezprecedenta tiesas prāvām.
  • 3:46 - 3:47
    Bet mašīnas paretinās to rindas
  • 3:47 - 3:49
    un liks šim profesijām
    kļūt konkurējošākām.
  • 3:49 - 3:50
    Kā jau minēju,
  • 3:50 - 3:53
    mašīnas neveic progresu
    ar jaunradi saistītās situācijās.
  • 3:53 - 3:56
    Mārketinga kampaņas idejai
    jāpiesaista patērētāju uzmanība.
  • 3:56 - 3:58
    Tai jāizceļas uz citu fona.
  • 3:58 - 4:01
    Biznesa stratēģija nozīmē
    atrast neaizņemtas tirgus nišas,
  • 4:01 - 4:02
    to, ko nedara neviens cits.
  • 4:02 - 4:06
    Mārketinga kampaņas idejas radīs cilvēki,
  • 4:06 - 4:10
    un arī biznesa stratēģijas
    izstrādās cilvēki.
  • 4:10 - 4:13
    Tāpēc, Jālī, lai ko arī tu izlemtu darīt,
  • 4:13 - 4:15
    lai katra diena
    tev nes jaunus izaicinājumus.
  • 4:16 - 4:18
    Ja tā būs, būsi priekšā mašīnām.
  • 4:19 - 4:20
    Paldies.
  • 4:20 - 4:23
    (Aplausi)
Title:
Kuras darba vietas mums atņems mašīnas un kuras ne?
Speaker:
Entonijs Goldblūms
Description:

Mašīnmācīšanās nav vairs tikai tādu vienkāršu uzdevumu veikšana kā kredītriska noteikšana un pasta šķirošana. Mūsdienās tā spēj daudz ko sarežģītāku, piemēram, vērtēt sacerējumus un diagnosticēt slimības. Šis progress uzdod sarežģītu jautājumu: vai jūsu darbu nākotnē veiks robots?
more » « less
Video Language:
English
Team:
closed TED
Project:
TEDTalks
Duration:
04:36

Latvian subtitles

Revisions Compare revisions

Our website uses cookies for analysis purposes.