021-22889554
021-26703715
مشاوره آموزشی رایگان

021-22889554  |  021-26703715 مشاوره آموزشی رایگان

مشاغلی که ما به ماشین ها می بازیم -- و اونهایی که ما برنده ایم

Anthony Goldbloom

The jobs we'll lose to machines — and the ones we won't

Machine learning isn't just for simple tasks like assessing credit risk and sorting mail anymore -- today, it's capable of far more complex applications, like grading essays and diagnosing diseases. With these advances comes an uneasy question: Will a robot do your job in the future?


تگ های مرتبط :

AI, Collaboration, Intelligence
این خواهرزاده من است. نام او یاهلی است. نُه ماهه است. مادر او دکتر، و پدرش وکیل است. تا زمان کالج رفتن یاهلی، شغل پدر و مادرش بطور چشمگیری متفاوت به نظرخواهد رسید. در سال ۲۰۱۳، محققان دانشگاه آکسفورد مطالعه ای در مورد آینده کار انجام دادند. آنها نتیجه گرفتند که تقریبا از هر دو شغل یکی در معرض ریسک بالایی است که توسط ماشین آلات بصورت اتوماتیک انجام می شود. دانش ماشین، فن آوری است که مسئول اغلب این اختلال است. این قوی ترین شاخه هوش مصنوعی است. به ماشین آلات اجازه می دهد که از داده ها یاد بگیرند
و برخی چیزهایی که انسان می تواند انجام دهد را تقلید کنند. شرکت من، کاگل، بر روی آخرین فن آوریهای دانش ماشین کار می کند. صدها هزار کارشناس را گرد هم آوردیم برای حل مشکلات مهم صنعت و دانشگاه. این دیدگاه منحصر به فردی به ما می دهد از آنچه ماشین آلات می توانند انجام دهند، آنچه نمی توانند انجام دهند، و چه شغل هایی احتمالا بطور اتوماتیک انجام شده و یا در معرض خطرند. دانش ماشین در اوایل دهه ۹۰ راه خود را به سوی صنعت بازکرد. با وظایف نسبتا ساده آغاز شد. چیزهایی مانند ارزیابی ریسک اعتباری درخواست وام، مرتب سازی نامه ها با خواندن کد پستی هایی که با دست نوشته شدند. در طول چند سال گذشته، پیشرفت های چشمگیری را ایجاد کرده ایم.
در حال حاضر دانش ماشین آلات در حد انجام امور خیلی پیچیده تری است. در سال ۲۰۱۲، کاگل ، گروهش را برای ساخت یک الگوریتم که بتواند مقالات دبیرستان را رتبه بندی کند به چالش کشید. الگوریتم های برنده قادر به مطابقت با نمراتی بودند که توسط معلم های شخصی داده شده بود. سال گذشته، چالشی سخت تر منتشر کردیم. می تونید از چشم عکس هایی گرفته و بیماری چشمی بنام رتینوپاتی دیابتی را تشخیص دهید؟ باز هم، الگوریتم های برنده قادر به مطابقت با تشخیص ارایه شده توسط چشم پزشکان انسان بودند. در حال حاضر، با ارایه داده های صحیح، ماشین ها در انجام وظایفی این چنین از انسانها بهتر عمل خواهند کرد.
یک معلم ممکن است ۱۰,۰۰۰ مقاله را در طول ۴۰ سال حرفه ای خود بخواند. چشم پزشکی ممکن است ۵۰,۰۰۰ چشم ببیند. ماشین می تواند در یک دقیقه میلیون ها مقالات بخواند و یا میلیون ها چشم ببیند. هیچ شانسی برای رقابت با ماشین در تکرار و وظایفی با حجم بالا نداریم. اما چیزهایی هست که ما می توانیم انجام دهیم ولی ماشین ازانجام آن ناتوان است. جایی که ماشین ها پیشرفت چندانی نداشته اند، در مقابله با موقعیت های جدید است. آنها نمی توانند از پس چیزهای که قبلا چندین بار مشاهده نکردند بربیایند. یکی از محدودیت های اساسی دانش ماشین نیاز به حجم بالای اطلاعات گذشته برای یادگیری است.
در حال حاضر، انسان نیازی ندارد. در حال حاضر ما توانایی اتصال موضوعات ظاهرا گسسته برای حل مشکلاتی که قبلا با آنها روبرو نبودیم را داریم. پرسی اسپنسر فیزیکدانی که در طول جنگ جهانی دوم بر روی رادار کار می کرد، متوجه ذوب شدن شکلاتش توسط مگنترون شد. او قادر به ارتباط درک خود ازتابش الکترومغناطیسی با دانش خود از آشپزی به منظور اختراع - حدس بزنید؟ - اجاق مایکروویو شد. در حال حاضر، نمونه ای بخصوص از خلاقیت منحصربفرد است. اما این نوع از اتفاقات برای هر یک از ما در مقیاس های کوچکتر هزاران بار در روز رخ می دهد. ماشین ها در مقابله با شرایط جدید نمی توانند با ما رقابت کنند،
و این موضوع محدودیت اساسی برای انجام اتوماتیک کارهای انسانی توسط ماشین آلات بوجود می آورد. خوب برای آینده کار این به چه معنا است؟ آینده هر شغل مستقلی در پاسخ به این سوال می باشد: تا چه حد این کار قابل تقلیل از نظر تکرار و وظایف با حجم بالا می باشد، و تا چه حد آن می تواند با وضعیت های نو مقابله کند؟ در وضعیت های تکرار و وظایف با حجم بالا، ماشین ها هوشمندانه تر می شوند. امروزه آنها مقالات را امتیاز می دهند. بیماری های خاص را تشخیص می دهد. و در سالهای پیش رو، به سمت ممیزیها هدایت می شوند، و تکیه کلامهای قراردادهای قانونی را خواهند خواند. حسابداران و وکلا هنوز هم مورد نیاز هستند.
آنها برای ساختارهای پیچیده مالی مورد نیاز خواهند بود، برای اصلاح مسیر دادخواهی. اما ماشین رتبه بندی آنها را تقلیل خواهد کرد و این کارها مشکل تر خواهند شد. در حال حاضر ، همان طور که اشاره شد، ماشین آلات در مواجهه با شرایط جدید، پیشرفت خاصی نمی کنند. عکس پشت یک کمپین بازاریابی، نیاز به جلب توجه مصرف کنندگان دارد. نیاز به خاص بودن دارد. استراتژی بازار یعنی پیدا کردن شکاف ها در بازار، چیزهایی که کسی دیگر انجام نداده است. آن انسانهایی خواهند بود که عکس پشت کمپین بازاریابی ما را خلق می کنند، و افرادی خواهند بود که در حال توسعه استراتژی کسب و کار ما هستند.
پس یاهلی، هر تصمیمی که می خواهی انجام دهی، اجازه بده تورو به سمت چالشی جدید سوق دهد. اگر اینچنین باشد، اونوقت تو همیشه از ماشین جلوتر خواهی بود. متشکرم. (تشویق )
So this is my niece. Her name is Yahli. She is nine months old. Her mum is a doctor, and her dad is a lawyer. By the time Yahli goes to college, the jobs her parents do are going to look dramatically different. In 2013, researchers at Oxford University did a study on the future of work. They concluded that almost one in every two jobs have a high risk of being automated by machines. Machine learning is the technology that's responsible for most of this disruption. It's the most powerful branch of artificial intelligence. It allows machines to learn from data
and mimic some of the things that humans can do. My company, Kaggle, operates on the cutting edge of machine learning. We bring together hundreds of thousands of experts to solve important problems for industry and academia. This gives us a unique perspective on what machines can do, what they can't do and what jobs they might automate or threaten. Machine learning started making its way into industry in the early '90s. It started with relatively simple tasks. It started with things like assessing credit risk from loan applications, sorting the mail by reading handwritten characters from zip codes. Over the past few years, we have made dramatic breakthroughs.
Machine learning is now capable of far, far more complex tasks. In 2012, Kaggle challenged its community to build an algorithm that could grade high-school essays. The winning algorithms were able to match the grades given by human teachers. Last year, we issued an even more difficult challenge. Can you take images of the eye and diagnose an eye disease called diabetic retinopathy? Again, the winning algorithms were able to match the diagnoses given by human ophthalmologists. Now, given the right data, machines are going to outperform humans at tasks like this.
A teacher might read 10,000 essays over a 40-year career. An ophthalmologist might see 50,000 eyes. A machine can read millions of essays or see millions of eyes within minutes. We have no chance of competing against machines on frequent, high-volume tasks. But there are things we can do that machines can't do. Where machines have made very little progress is in tackling novel situations. They can't handle things they haven't seen many times before. The fundamental limitations of machine learning is that it needs to learn from large volumes of past data.
Now, humans don't. We have the ability to connect seemingly disparate threads to solve problems we've never seen before. Percy Spencer was a physicist working on radar during World War II, when he noticed the magnetron was melting his chocolate bar. He was able to connect his understanding of electromagnetic radiation with his knowledge of cooking in order to invent -- any guesses? -- the microwave oven. Now, this is a particularly remarkable example of creativity. But this sort of cross-pollination happens for each of us in small ways thousands of times per day. Machines cannot compete with us
when it comes to tackling novel situations, and this puts a fundamental limit on the human tasks that machines will automate. So what does this mean for the future of work? The future state of any single job lies in the answer to a single question: To what extent is that job reducible to frequent, high-volume tasks, and to what extent does it involve tackling novel situations? On frequent, high-volume tasks, machines are getting smarter and smarter. Today they grade essays. They diagnose certain diseases. Over coming years, they're going to conduct our audits, and they're going to read boilerplate from legal contracts.
Accountants and lawyers are still needed. They're going to be needed for complex tax structuring, for pathbreaking litigation. But machines will shrink their ranks and make these jobs harder to come by. Now, as mentioned, machines are not making progress on novel situations. The copy behind a marketing campaign needs to grab consumers' attention. It has to stand out from the crowd. Business strategy means finding gaps in the market, things that nobody else is doing. It will be humans that are creating the copy behind our marketing campaigns,
and it will be humans that are developing our business strategy. So Yahli, whatever you decide to do, let every day bring you a new challenge. If it does, then you will stay ahead of the machines. Thank you. (Applause)