FestivalNauki.ru
En Ru
cентябрь-ноябрь
176 городов
September – October
176 cities
12-14 октября 2018
МГУ | Экспоцентр | 90+ площадок
14–16 октября 2016
Центральная региональная площадка
28–30 октября 2016
ИРНИТУ, Сибэскпоцентр
14–15 октября 2016
Центральная региональная площадка
23 сентября - 8 октября 2017
«ДонЭкспоцентр», ДГТУ
ноябрь-декабрь 2018
МВДЦ «Сибирь»,
Вузы и научные площадки города
6-8 октября 2017
Самарский университет
27-29 октября
Кампус ДВФУ, ВГУЭС
30 сентября - 1 октября
Ледовый каток «Родные города»
21-22 сентября 2018 года
ВКК "Белэкспоцентр"
9-10 ноября 2018 года
Мурманский областной Дворец Культуры

Какие рабочие места мы уступим машинам, а какие останутся за нами

Исследование, проведённое в Оксфорде, показало, что почти каждой второй специальности грозит автоматизация. Технология, которая отнимет у нас работу, называется машинным обучением. Это самое мощное направление разработок искусственного интеллекта: машины учатся на накопленных данных и подражают некоторым аспектам деятельности человека. Как раз этим занимается компания Kaggle: мы объединяем усилия сотен тысяч экспертов для решения проблем производства и науки. И получаем уникальное видение того, на что способны машины, в каких профессиях они грозят нас заменить, а в каких нет.

 

 
Энтони Голдблум — специалист по машинному обучению, директор компании Kaggle

Машинное обучение стало проникать в производство в начале 1990-х. Сначала роботы выполняли несложную работу: оценивали заявки на получение кредита, сортировали корреспонденцию, считывая написанные от руки индексы. Но за последние несколько лет произошёл прорыв. В 2012 году мы поставили своим сотрудникам задачу разработать алгоритм оценивания школьных сочинений. Так вот, лучшие алгоритмы выставляли ученикам те же оценки, что учителя. В прошлом году задание было ещё сложнее: диагностировать по фотографиям глазную болезнь — диабетическую ретинопатию. И снова лучшие алгоритмы ставили те же диагнозы, что и хорошие офтальмологи.

При наличии достаточной информации машины превзойдут людей в решении таких задач. За сорокалетнюю карьеру учитель прочитывает порядка 10 000 сочинений, а офтальмолог осматривает 50 000 глаз. Компьютер переработает миллион сочинений или обследует миллионы глаз всего за несколько минут. В соревновании с машинами у нас нет шансов, если залог победы — высокая частота повторения операций и большой объём данных.

 

 

Но кое в чём нам всё же нет равных. Компьютеры плохо справляются с непривычными ситуациями — с тем, с чем не сталкивались многократно. Главная проблема машинного обучения в том, что для него нужны больши́е массивы накопленных данных. А люди справляются 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 под действием магнетрона его шоколадка растаяла. Он соединил знания об электромагнитной радиации и навыки кулинарии и в итоге изобрёл — угадаете? — микроволновую печь.

Это занятный пример творческого подхода, но подобный синтез идей каждый из нас осуществляет в мелочах сотни раз в день. Машины же, в отличие от нас, не справляются с уникальными ситуациями. Именно это накладывает фундаментальное ограничение на круг работ, где компьютеры могут заменить людей.

 

Будущее любой работы или специальности зависит от соотношения часто повторяющихся, объёмных операций и уникальных задач

Что всё это означает с точки зрения профессиональной занятости? Будущее любой работы или специальности зависит от соотношения часто повторяющихся, объёмных операций и уникальных задач. Машины всё лучше справляются с заданиями первого типа. Сейчас они оценивают сочинения и диагностируют болезни, а со временем научатся, например, проводить аудит или юридическую экспертизу типовых договоров. Роботов охотно будут брать на должности бухгалтеров и юристов, в этих областях они потеснят людей.

Зато в решении новаторских задач машины не преуспели. Например, реклама — она должна быть особенной, чтобы привлечь внимание потребителей. Или бизнес-стратегия — её разрабатывают, чтобы найти на рынке уникальные, пустующие ниши. Поэтому только люди могут создавать рекламные кампании и бизнес-стратегии.

Итак, чем бы вы ни занимались, пусть каждый день ставит перед вами новые задачи. В этом случае вы как работник всегда будете лучше машины.

(Из выступления на конференции TED)

Расшифоровка выступления.
Переводчик: Natalia Ost Редактор: Inna Kobylnik
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.
 


Иллюстрации

ted.com

 

Добавьте свой комментарий

Plain text

  • Переносы строк и абзацы формируются автоматически
  • Разрешённые HTML-теги: <p> <br>
LiveJournal
Регистрация

Новости в фейсбук

Случайные статьи

Ученые создали гибкий источник тока

Инопланетное животное

Животное, о котором дальше пойдет речь, крайне необычно. Трудно найти более странного и настолько отличного от других жителя нашей планеты.

Результаты конкурсов РНФ Президентской программы исследовательских проектов

Две звезды, два Солнца

Группа астрофизиков, в которую входит российский ученый Алексей Князев из Государственного астрономического института имени Штернберга, сообщила о том, что 70 тысяч лет назад на расстоянии 0,8 светового года от Земли находилась звезда Шольца со своим спутником.

Мир будущего создают жители трущоб