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
октябрь-декабрь 2017
МВДЦ «Сибирь», Кванториум,
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 выяснили, как состав Мирового океана изменился за 25 миллионов лет

Сотрудники биологического факультета МГУ выяснили, что за 25 миллионов лет состав Мирового океана сильно изменился от преимущественно бескислородной закисной водной тол

На чем лететь к звездам?

На чем лететь к звездам? Пока единственный теоретически возможный способ – солнечный парус.

Это приспособление, использующее давление солнечного света или лазера на зеркальную поверхность для приведения в движение космического аппарата.

Стекло гибкое, металлическое

Участники международного проекта – учёные Московского института стали и сплавов и их японские коллеги из Университета Тохоку. Возглавляет коллектив исследователей профессор Дмитрий Лузгин.

Найден простой способ создания препарата для разжижения крови

Говорят, что раньше йог мог...

Йога - понятие в индийской культуре, в широком смысле означающее совокупность различных духовных, психических и физических практик, нацеленных на управление психическими и физиологическими функциями организма с целью достижения индивидуумом возвышенного духовного и п