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

Специалист по машинному обучению Энтони Голдблум о роботах и людях
Андрей Константинов (по материалам TED)    

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)

Иллюстрации

ted.com