Jobbene vi vil miste til maskinene -- og de vi ikke mister

Maskinlæring er ikke lenger bare for enkle oppgaver som å beregne kredittrisiko og sortere post -- i dag klarer den mye mer kompliserte oppgaver, som å rette essayer og diagnostisere sykdommer. Med disse fremskrittene kommer det opp et vanskelig spørsmål: Vil en robot gjøre jobben din i fremtiden?

Dette er min niese.

Hun heter Yahli.

Hun er ni måneder gammel.

Moren hennes er lege
og faren er advokat.

Innen Yahli skal gå på college,

vil jobbene til foreldrene hennes
se veldig annerledes ut.

I 2013 forsket universitetet i Oxford
på arbeidets fremtid.

De konkluderte at nesten
annenhver jobb har en høy risiko

for å bli automatisert av maskiner.

Maskinlæring er teknologien

som er ansvarlig for denne endringen.

Det er den mektigste bransjen
innen kunstig intelligens.

Den lar maskiner lære fra data

og etterligne noe av det
mennesker kan gjøre.

Mitt firma, Kaggle, jobber
på hugget av maskinlæring.

Vi samler hundretusenvis av eksperter

for å løse viktige problemer
i industri og akademia.

Dette gir oss et unikt perspektiv
på hva maskiner kan gjøre,

hva de ikke kan gjøre

og hvilke jobber de kan
automisere eller true.

Maskinlæring begynte å vokse frem
i industrien tidlig på 90-tallet.

Det begynte med relativt enkle oppgaver.

Det startet med ting som å vurdere
kredittrisiko fra lånesøknader,

sortering av post ved lesing av
håndskrevne bokstaver i postkoder.

Over de siste årene har vi hatt
dramatiske gjennombrudd.

Maskinlæring kan nå mestre
langt mer komplekse oppgaver.

I 2012 utfordret Kaggle samfunnet sitt

til å bygge en algoritme som kunne
rette highschool elevers stiler.

Algoritmen som vant,
stemte med karakterene

gitt av menneskelige lærere.

I fjor ga vi en enda
vanskeligere utfordring.

Kan du ta bilder av øyet
og diagnostisere en øyesykdom

kalt diabetisk retinopati?

Igjen klarte den vinnende algoritmen
å matche diagnosen

gitt av menneskelige oftalmologer.

Gitt rett data, vil maskiner
utkonkurrere mennesker

i oppgaver som disse.

En lærer kan kanskje lese 10 000 stiler
over en 40 år lang karriere.

En oftalmolog kan kanskje se 50 000 øyer.

En maskin kan lese millioner av stiler
eller se millioner av øyer

på noen minutter.

Vi har ingen sjanse til
å konkurrere mot maskiner

i hyppige oppgaver med store mengder.

Men det er ting vi kan gjøre
som maskiner ikke kan.

Maskiner har gjort veldig lite fremgang

i å takle nye situasjoner.

De kan ikke håndtere ting
de ikke har sett mange ganger før.

De fundamentale begrensningene
i maskinlæring

er at de trenger å lære
fra store mengder med tidligere data.

Mennesker trenger ikke det.

Vi har evnen til å koble
tilsynelatende separate tråder

for å løse prøblemer
vi aldri har sett før.

Percy Spencer var en fysiker
som jobbet med radar under 2. verdenskrig.

Plutselig så han at magnetronen
smeltet sjokoladen hans.

Han klarte å forbinde forståelsen
for elektromagnetisk stråling

med kunnskap om matlaging

for å finne opp -- noen forslag? --
mikrobølgeovnen.

Dette er et bemerkelsesverdig
eksempel på kreativitet.

Men denne formen for" krysspolinering"
skjer for oss alle på en mindre skala

tusenvis av ganger hver dag.

Maskiner kan ikke konkurrere med oss

når det gjelder
å takle nye situasjoner,

og dette setter en fundamental grense
på menneskelige oppgaver

som maskinene vil automatisere.

Hva betyr så dette
for arbeidets fremtid?

Fremtiden for envher jobb ligger
i svaret på ett enkelt spørsmål:

I hvilken grad kan jobben reduseres
til hyppige oppgaver med store mengder,

og i hvilken grad er
takling av nye situasjoner nødvendig?

På hyppige oppgaver med store mengder
blir maskiner smartere og smartere.

I dag retter de stil.
De diagnostiserer visse sykdommer.

I kommende år
vil de gjøre revisjonene våre,

og de kommer til å lese standardtekst
fra juridiske kontrakter.

Regnskapsførere og advokater trengs enda.

De trengs for kompleks
skatte-strukturering,

for banebrytende rettssaker.

Men maskiner vil tynne ut rekkene

og gjøre jobbene vanskeligere å finne.

Som tidligere nevnt

gjør maskiner ikke fremskritt
på nye situasjoner.

Kopien bak en markedsføring
må fange forbrukerens oppmerksomhet.

Den må skille seg ut blant massen.

Forretningsstrategi betyr å
finne hull i markedet,

ting ingen andre gjør.

Det vil være mennesker som lager
kopien bak markedsføringen vår,

og det vil være mennesker som utvikler
forretningsstrategien vår.

Så Yahli, uansett hva du velger,

la hver dag gi deg en ny utfordring.

Så lenge den gjør det, vil du
ha et forsprang på maskinene.

Takk.

(Applaus)