< Return to Video

Професії, що їх ми втратимо через машини - і ті, що залишаться.

  • 0:01 - 0:02
    Це моя племінниця.
  • 0:03 - 0:04
    Її звати Ялі.
  • 0:04 - 0:06
    Їй 9 місяців.
  • 0:06 - 0:09
    Її мама — лікар,
    а тато — юрист.
  • 0:09 - 0:11
    Коли Ялі піде в коледж,
  • 0:11 - 0:15
    професії її батьків
    можуть виглядати зовсім інакше.
  • 0:15 - 0:19
    У 2013 році дослідники
    з Оксфордського університету
  • 0:19 - 0:21
    провели дослідження
    щодо майбутнього роботи.
  • 0:21 - 0:24
    Вони з'ясували, що
    майже кожна друга професія
  • 0:24 - 0:27
    може бути автоматизована
    для виконання роботами.
  • 0:29 - 0:31
    Машинне навчання —
    технологія, що відповідальна
  • 0:31 - 0:33
    значною мірою за цей переворот.
  • 0:33 - 0:35
    Це найпотужніший напрямок у
    дослідженні штучного інтелекту.
  • 0:35 - 0:38
    Він дає машинам змогу
    вчитися на основі даних
  • 0:38 - 0:40
    та імітувати деякі речі,
    що їх роблять люди.
  • 0:40 - 0:42
    Моя компанія Kaggle
    працює над передовим
  • 0:42 - 0:44
    машинним навчанням.
  • 0:44 - 0:45
    Ми збираємо разом сотні тисяч
    експертів,
  • 0:45 - 0:49
    щоб розв'язувати важливі проблеми
    промисловості та науки.
  • 0:49 - 0:52
    Це дає нам унікальний
    погляд на те,
  • 0:52 - 0:54
    що можуть робити машини,
    а що ні,
  • 0:54 - 0:57
    і які професії вони можуть
    автоматизувати чи витіснити.
  • 0:57 - 1:01
    Машинне навчання стало
    індустрією на початку 90-х.
  • 1:01 - 1:03
    Воно почалось з порівняно простих
    задач.
  • 1:03 - 1:07
    Таких як оцінка кредитних ризиків
    кредитних заявок,
  • 1:08 - 1:11
    сортування листів за
    рукописними індексами.
  • 1:12 - 1:15
    За останні роки
    ми здійснили великий прорив.
  • 1:16 - 1:18
    Машини сьогодні здатні
    виконувати
  • 1:18 - 1:20
    набагато складніші
    завдання.
  • 1:20 - 1:24
    В 2012 році Kaggle взявся
    створити алгоритм,
  • 1:24 - 1:26
    що здатний ставити оцінки
    шкільним творам.
  • 1:26 - 1:29
    Найкращі алгоритми могли
    давати такі самі оцінки,
  • 1:29 - 1:31
    що й справжні вчителі.
  • 1:31 - 1:34
    Торік ми
    взялися за важче завдання.
  • 1:34 - 1:37
    Чи можна за картинкою
    визначити хворобу ока —
  • 1:37 - 1:39
    діабетичну ретинопатію?
  • 1:39 - 1:43
    Знову ж таки, найкращі алгоритми
    давали ті ж діагнози,
  • 1:43 - 1:45
    що і офтальмологи.
  • 1:45 - 1:47
    Якщо дати машинам
    правильну інформацію,
  • 1:47 - 1:50
    то вони обійдуть людей
    у подібних завданнях.
  • 1:50 - 1:54
    Вчитель може прочитати
    10 000 шкільних творів за 40-річну кар'єру.
  • 1:54 - 1:57
    Офтальмолог може
    оглянути 50 000 очей.
  • 1:57 - 1:59
    Машина може прочитати
    мільйони творів
  • 1:59 - 2:01
    чи оглянути
    мільйони очей
  • 2:01 - 2:02
    за лічені хвилини.
  • 2:03 - 2:05
    Ми не маємо шансів
    проти машин
  • 2:05 - 2:08
    в повторюваних, об'ємних завданнях.
  • 2:08 - 2:12
    Але є речі, які ми можемо робити
    на відміну від машин.
  • 2:13 - 2:15
    Де машини не прогресують,
  • 2:15 - 2:17
    то це у розв'язанні
    незвичних ситуацій.
  • 2:17 - 2:21
    Вони не можуть осягнути речі,
    яких не бачили багато разів до того.
  • 2:21 - 2:24
    Найбільше обмеження
    машинного навчання —
  • 2:24 - 2:27
    машина має вчитись
    з великого обсягу минулих даних.
  • 2:27 - 2:29
    А люди — ні.
  • 2:29 - 2:32
    Ми можемо поєднувати
    очевидно різні речі,
  • 2:32 - 2:34
    щоб залагодити проблему,
    з якою стикнулися вперше.
  • 2:35 - 2:38
    Персі Спенсер був фізиком
    і працював на радарі
  • 2:38 - 2:39
    під час Другої світової війни.
  • 2:39 - 2:42
    коли помітив, що його магнетрон
    розтопив плитку шоколаду.
  • 2:43 - 2:46
    Він зміг поєднати розуміння
    електромагнітної радіації
  • 2:46 - 2:50
    та вміння готувати,
    і винайшов — якісь здогадки? —
  • 2:50 - 2:51
    мікрохвильову піч.
  • 2:52 - 2:55
    Зараз це визначний приклад
    креативності.
  • 2:55 - 2:57
    Але такого типу перехресні
    думки є в кожного
  • 2:57 - 3:00
    в маленьких масштабах
    тисячі разів на день.
  • 3:01 - 3:04
    Машини не можуть змагатись
    з нами у розв'язанні нових ситуацій,
  • 3:04 - 3:09
    і це обмежує людські завдання,
    які машини можуть автоматизувати.
  • 3:10 - 3:12
    Отже, що ж це значить
    для майбутнього праці?
  • 3:13 - 3:17
    Майбутнє будь-якої професії
    полягає у відповіді на просте питання:
  • 3:17 - 3:22
    якою мірою дана робота зводиться
    до частих об'ємних задач,
  • 3:22 - 3:26
    і якою мірою вона включає
    розв'язання незвичних завдань?
  • 3:26 - 3:30
    Коли йдеться про часті об'ємні завдання,
    машини стають все розумнішими.
  • 3:30 - 3:31
    Сьогодні вони оцінюють есе.
  • 3:31 - 3:33
    Вони діагностують деякі хвороби.
  • 3:33 - 3:36
    Минуть роки, і вони будуть
    перевіряти нас,
  • 3:36 - 3:38
    читати шаблони правових
    договорів.
  • 3:39 - 3:40
    Бухгалтери та юристи все ще потрібні.
  • 3:40 - 3:43
    Вони будуть потрібні для
    структуризації податків,
  • 3:43 - 3:44
    для вирішення судових позовів.
  • 3:44 - 3:46
    Але машини зменшать їх
    компетенцію
  • 3:46 - 3:48
    і зроблять ці професії важчими.
  • 3:48 - 3:51
    Але, як було сказано,
    машини не прогресують
  • 3:51 - 3:53
    у розв'язанні незвичних ситуацій.
  • 3:53 - 3:56
    Маркетингова кампанія повинна
    привернути увагу покупців.
  • 3:56 - 3:58
    Вона має виділятись з натовпу.
  • 3:58 - 4:00
    Бізнес-стратегія означає
    пошук прогалин у ринку,
  • 4:00 - 4:02
    речей, яких ніхто не робить.
  • 4:02 - 4:06
    Це люди будуть створювати
    обличчя маркетингових кампаній
  • 4:06 - 4:09
    і люди розвиватимуть
    бізнес-стратегії.
  • 4:10 - 4:13
    Отже, Ялі, що б ти не вирішила
    робити,
  • 4:13 - 4:15
    нехай кожен день
    кидає тобі новий виклик.
  • 4:15 - 4:18
    Якщо так буде, то ти
    будеш попереду машин.
  • 4:19 - 4:20
    Дякую.
  • 4:20 - 4:23
    (Оплески)
Title:
Професії, що їх ми втратимо через машини - і ті, що залишаться.
Speaker:
Ентоні Ґолдблум
Description:

Машинне навчання - це не тільки прості завдання, такі як оцінювання кредитного ризику і сортування листів. Сьогодні воно здатне на складніші дії, як-от оцінювання есе або діагностика захворювань. Такий розвиток викликає складне питання: чи буде робот виконувати твою роботу в майбутньому?
more » « less
Video Language:
English
Team:
closed TED
Project:
TEDTalks
Duration:
04:36

Ukrainian subtitles

Revisions

Our website uses cookies for analysis purposes.