В 2013 году исследователи Оксфордского университета провели исследование о рабочих местах будущего. Они пришли к выводу, что почти каждое второе рабочее место имеет высокий риск быть автоматизированным машинами.
Машинное обучение - это технология, которая ответственна за это. Это самая мощная отрасль искусственного интеллекта, позволяющая машинам учиться на данных и имитировать некоторые вещи, которые могут делать люди.
Моя компания, Kaggle, работает на передовой машинного обучения. Мы объединяем сотни тысяч специалистов для решения важных проблем промышленности и науки. Это дает нам ясное осознание того, что машины могут делать, что они не могут делать и какие задания они могут автоматизировать.
Машинное обучение начало пробиваться в промышленность еще в начале 90-х. Все начиналось с относительно простых задач. Все началось с таких вещей, как оценка кредитного риска по кредитным заявкам, сортировка почты путем чтения рукописных символов из почтовых индексов.
За последние несколько лет мы добились значительных успехов. Машинное обучение теперь способно решать гораздо более сложные задачи. В 2012 году Kaggle бросила вызов своим сотрудникам построить алгоритм, который мог бы оценивать эссе средней школы. Победившие алгоритмы были в состоянии соответствовать оценкам, данным человеческими учителями.
В прошлом году мы поставили еще более сложную задачу:
Можете ли вы сделать снимки глаз и диагностировать заболевание глаз, называемое диабетической ретинопатией?
Опять же, победившие алгоритмы смогли соответствовать диагнозам, поставленным человеческими офтальмологами.
Теперь, получив правильные данные, машины будут превосходить людей в таких задачах. Учитель может прочитать 10 000 эссе за 40-летнюю карьеру. Офтальмолог может увидеть 50 000 глаз. Машина может прочитать миллионы эссе или увидеть миллионы глаз в течение нескольких минут. У нас нет шансов конкурировать с машинами в частых, объемных задачах.
Но есть вещи, которые мы можем делать, а машины-нет. У машин мало прогресса в решении чего-то нового. Они не могут справиться с тем, чего не видели до этого. Фундаментальные ограничения машинного обучения состоят в том, что оно должно учиться на больших объемах прошлых данных.
А люди-нет. У нас есть возможность соединить, казалось бы, разрозненные потоки для решения проблем, которые мы никогда не видели раньше.
Перси Спенсер был физиком, работавшим над радаром во время Второй мировой войны, когда он заметил, что магнетрон плавит его шоколадку.
Он сумел связать свое понимание электромагнитного излучения со знанием кулинарии, чтобы изобрести ... есть догадки? МИКРОВОЛНОВУЮ ПЕЧЬ
Это особенно замечательный пример творчества.
Но такие прекрасные открытия происходят для каждого из нас в небольших количествах тысячи раз в день. Машины не могут конкурировать с нами, когда дело доходит до решения новых ситуаций, и это накладывает фундаментальный предел на человеческие задачи, которые машины будут автоматизировать.
Так что же это значит для будущих рабочих мест? Будущее любого отдельного рабочего места заключается в ответе на один вопрос:
В какой степени эта работа сводится к частым, объемным задачам, и в какой степени она включает в себя решение новых ситуаций?
В частых задачах большого объема машины становятся все умнее и умнее.
Сегодня они оценивают эссе. Они диагностируют определенные заболевания.
Завтра они будут проводить аудиты, и они будут читать шаблоны юридических контрактов. Но бухгалтеры и юристы будут по-прежнему необходимы. Они понадобятся для сложной налоговой структуры, для новаторских судебных процессов. Но машины сократят требуемое число работников и сделают эту работу труднее.
В настоящее время, как уже было сказано, машины не преуспели в создании чего-то нового.
Именно поэтому, чтобы остаться впереди машин, вы должны выделяться из толпы, вы должен находить пробелы на рынке, делать то, что не делает никто другой.