4#

Рабочие места, которые мы уступим машинам, и те, которые останутся за нами. Anthony Goldbloom - видеоролик

Изучайте английский язык с помощью параллельных субтитров ролика "Рабочие места, которые мы уступим машинам, и те, которые останутся за нами". Метод интервальных повторений для пополнения словарного запаса английских слов. Встроенный словарь. Всего 564 книги и 1815 познавательных видеороликов в бесплатном доступе.

Машинное обучение теперь касается не только простых задач, вроде оценки кредитных рисков или сортировки корреспонденции. Сегодня ему доступно намного более широкое применение: от оценивания сочинений до постановки медицинских диагнозов. В связи с таким техническим прогрессом возникает вопрос: заменит ли вас в будущем робот на вашем рабочем месте?

страница 1 из 3  ←предыдущая следующая→ ...

00:00:11
So this is my niece.
Это моя племянница.
Her name is Yahli.
Её зовут Йали.
She is nine months old.
Ей девять месяцев.
Her mum is a doctor, and her dad is a lawyer.
Её мама врач, а папа — юрист.
By the time Yahli goes to college,
Когда Йали пойдёт в колледж,
00:00:22
the jobs her parents do are going to look dramatically different.
профессии её родителей принципиально изменятся.
In 2013, researchers at Oxford University did a study on the future of work.
В 2013 году в Оксфордском университете провели исследование будущего работы.
They concluded that almost one in every two jobs have a high risk
of being automated by machines.
Оно показало, что почти каждой второй специальности грозит автоматизация.
Machine learning is the technology
Машинное обучение — это технология,
that's responsible for most of this disruption.
стоя́щая за подрывом существующей системы.
00:00:43
It's the most powerful branch of artificial intelligence.
Это самое мощное направление искусственного интеллекта,
It allows machines to learn from data
где машины учатся на имеющихся данных
and mimic some of the things that humans can do.
и подражают некоторым аспектам деятельности человека.
My company, Kaggle, operates on the cutting edge of machine learning.
Моя компания Kaggle работает в авангарде машинного обучения.
We bring together hundreds of thousands of experts
Мы объединяем усилия сотен тысяч экспертов
00:00:56
to solve important problems for industry and academia.
для решения важных проблем производства и науки.
This gives us a unique perspective on what machines can do,
Так мы получаем уникальное ви́дение того, на что машины способны,
what they can't do
а на что — нет,
and what jobs they might automate or threaten.
на какой работе они грозят нас заменить, а на какой — нет.
Machine learning started making its way into industry in the early '90s.
Машинное обучение началó проникать в производство в начале 1990 годов.
00:01:11
It started with relatively simple tasks.
Сначала роботы выполняли несложную работу:
It started with things like assessing credit risk from loan applications,
оценивали кредитные риски по заявлениям на получения кредита,
sorting the mail by reading handwritten characters from zip codes.
сортировали корреспонденцию, считывая написанные от руки индексы.
Over the past few years, we have made dramatic breakthroughs.
За последние несколько лет мы совершили серьёзный прорыв,
Machine learning is now capable of far, far more complex tasks.
и сегодня машинное обучение способно на решение гораздо более сложных задач.
00:01:30
In 2012, Kaggle challenged its community
В 2012 году Kaggle бросило своим участникам вызов:
to build an algorithm that could grade high-school essays.
разработать алгоритм оценивания школьных сочинений.
The winning algorithms were able to match the grades
Лучшие алгоритмы выставляли ученикам те же оценки,
given by human teachers.
что и учителя́.
Last year, we issued an even more difficult challenge.
В прошлом году задание было ещё сложнее:
00:01:45
Can you take images of the eye and diagnose an eye disease
диагностировать по фотографиям глазную болезнь —
called diabetic retinopathy?
диабетическую ретинопатию.
Again, the winning algorithms were able to match the diagnoses
И снова лучшие алгоритмы ставили те же диагнозы,
given by human ophthalmologists.
что и настоящие офтальмологи.
Now, given the right data, machines are going to outperform humans
При наличии достаточной информации машины превзойдут людей
00:01:59
at tasks like this.
в решении таких задач.
A teacher might read 10,000 essays over a 40-year career.
За сорокалетнюю карьеру учитель читает порядка 10 000 сочинений,
An ophthalmologist might see 50,000 eyes.
а офтальмолог осматривает 50 000 глаз.
A machine can read millions of essays or see millions of eyes
Компьютер «прочитает» миллион сочинений или «увидит» миллионы глаз
within minutes.
всего за несколько минут.
00:02:13
We have no chance of competing against machines
В соревнованиях с машинами у нас нет шансов,
on frequent, high-volume tasks.
если залог победы — частота повторения и объём.
скачать в HTML/PDF
share

←предыдущая следующая→ ...

основано на 1 оценках: 4 из 5 1