Энтони Голдблум
2,479,973 views • 4:36

Это моя племянница. Её зовут Йали. Ей девять месяцев. Её мама врач, а папа — юрист. Когда Йали пойдёт в колледж, профессии её родителей принципиально изменятся.

В 2013 году в Оксфордском университете провели исследование будущего работы. Оно показало, что почти каждой второй специальности грозит автоматизация. Машинное обучение — это технология, стоя́щая за подрывом существующей системы. Это самое мощное направление искусственного интеллекта, где машины учатся на имеющихся данных и подражают некоторым аспектам деятельности человека. Моя компания Kaggle работает в авангарде машинного обучения. Мы объединяем усилия сотен тысяч экспертов для решения важных проблем производства и науки. Так мы получаем уникальное ви́дение того, на что машины способны, а на что — нет, на какой работе они грозят нас заменить, а на какой — нет.

Машинное обучение началó проникать в производство в начале 1990 годов. Сначала роботы выполняли несложную работу: оценивали кредитные риски по заявлениям на получения кредита, сортировали корреспонденцию, считывая написанные от руки индексы. За последние несколько лет мы совершили серьёзный прорыв, и сегодня машинное обучение способно на решение гораздо более сложных задач. В 2012 году Kaggle бросило своим участникам вызов: разработать алгоритм оценивания школьных сочинений. Лучшие алгоритмы выставляли ученикам те же оценки, что и учителя́. В прошлом году задание было ещё сложнее: диагностировать по фотографиям глазную болезнь — диабетическую ретинопатию. И снова лучшие алгоритмы ставили те же диагнозы, что и настоящие офтальмологи.

При наличии достаточной информации машины превзойдут людей в решении таких задач. За сорокалетнюю карьеру учитель читает порядка 10 000 сочинений, а офтальмолог осматривает 50 000 глаз. Компьютер «прочитает» миллион сочинений или «увидит» миллионы глаз всего за несколько минут. В соревнованиях с машинами у нас нет шансов, если залог победы — частота повторения и объём.

Но всё же есть то, в чём нам нет равных. С чем машины справляются плохо, так это с непривычными ситуациями. Они не справляются с тем, с чем раньше не сталкивались многократно. Главная проблема машинного обучения в том, что для него нужны больши́е массивы уже накопленных данных. А люди справляются и без этого. Мы способны соединять казалось бы разрозненные идеи, решать задачи, с которыми сталкиваемся впервые.

Перси Спенсер, физик, работавший в годы Второй мировой войны над созданием радара, однажды заметил, что от магнетрона его шоколадка растаяла. Он соединил своё понимание электромагнитной радиации и навыки кулинарии и в итоге изобрёл — угадаете? — микроволновую печь.

Это особенно занятный пример творческого подхода, но такое взаимное обогащение случается с каждым из нас в мелочах тысячи раз в день. Машины, в отличие от нас, не могут справляться с уникальными ситуациями, это накладывает фундаментальное ограничение на круг работ, где машины могут заменить людей.

Что всё это значит для будущего работы? Будущее любой работы или специальности заключается в ответе на один лишь вопрос: в какой мере эта работа сводится к часто повторяющимся, объёмным заданиям, и в какой мере на ней приходится решать уникальные задачи? Машины всё лучше справляются с выполнением часто повторяющихся, объёмных заданий. Сейчас они оценивают сочинения. Диагностируют ряд болезней. Со временем они будут проводить аудит, проводить юридическую экспертизу типовых договоров. Нам всё ещё нужны бухгалтеры и юристы, например, для сложной оптимизации налогообложения, представительства в суде. Но машины сократят их численность, и эти профессии будут встречаться реже.

Как уже было отмечено, в решении новаторских задач машины не преуспели. В маркетинговой кампании реклама должна привлекать внимание потребителей, выделяться среди других. Бизнес-стратегия заключается в том, чтобы находить на рынке пустующие, не освоенные ниши. Только люди могут создавать рекламные кампании и бизнес-стратегии.

Йали, чем бы ты ни решила заниматься, пусть каждый день ставит перед тобой новые задачи. В этом случае ты всегда будешь справляться лучше машин.

Спасибо.

(Аплодисменты)