Placeholder Image

字幕表 動画を再生する

  • So this is my niece.

    翻訳: Tomoyuki Suzuki 校正: Yasushi Aoki

  • Her name is Yahli.

    この子は私の姪で

  • She is nine months old.

    名前をヤーリといいます

  • Her mom is a doctor, and her dad is a lawyer.

    生まれて9カ月です

  • By the time Yahli goes to college,

    母親は医者で 父親は弁護士ですが

  • the jobs her parents do are going to look dramatically different.

    ヤーリが大学に行く頃には

  • In 2013, researchers at Oxford University did a study on the future of work.

    両親の仕事の様子は 劇的に変わっていることでしょう

  • They concluded that almost one in every two jobs have a high risk of being automated by machines.

    2013年オックスフォード大学の研究者達が 未来の仕事についての研究を行いました

  • Machine learning is the technology that's responsible for most of this disruption.

    職の2つに1つは 機械により自動化されるリスクが高いと

  • It's the most powerful branch of artificial intelligence.

    彼らは結論付けました

  • It allows machines to learn from data,

    機械学習の技術こそ

  • and mimic some of the things that humans can do.

    そのような変化の 主な原因となるものです

  • My company, Kaggle, operates on the cutting edge of machine learning.

    これは人工知能分野の中でも 最も有力な領域です

  • We bring together hundreds of thousands of experts

    この技術により 機械がデータから学習して

  • to solve important problems for industry and academia.

    ある種のことを 人間のようにできるようになります

  • This gives us a unique perspective on what machines can do,

    私の会社Kaggleでは 最先端の機械学習技術に取り組んでいて

  • what they can't do,

    産業や学問上の重要な問題を 解決するために

  • and what jobs they might automate or threaten.

    何十万というエキスパートを 集めています

  • Machine learning started making its way into industry in the early '90s.

    そのお陰で 独特な知見が得られます

  • It started with relatively simple tasks.

    機械には何ができ 何ができないのか?

  • It started with things like assessing credit risk from loan applications,

    どんな仕事に 自動化や 消失の怖れがあるのか?

  • sorting the mail by reading handwritten characters from zip codes.

    機械学習が産業界で使われ出したのは 1990年代前半です

  • Over the past few years, we have made dramatic breakthroughs.

    まずは比較的単純な タスクから始まりました

  • Machine learning is now capable of far, far more complex tasks.

    ローン申し込みに対する 信用リスクの評価や

  • In 2012, Kaggle challenged its community

    手書きの郵便番号を読み取って 手紙を仕分けるといったことです

  • to build an algorithm that could grade high-school essays.

    ここ数年の間に 飛躍的な進歩がありました

  • The winning algorithms were able to match the grades

    機械学習が はるかに複雑なタスクを こなせるようになったのです

  • given by human teachers.

    2012年 Kaggleは 高校生の書いた小論文を採点できる

  • Last year, we issued an even more difficult challenge.

    アルゴリズムを作るという課題を 専門家コミュニティに提示しました

  • Can you take images of the eye and diagnose an eye disease called diabetic retinopathy?

    優勝したアルゴリズムは 人間の教師の採点と

  • Again, the winning algorithms were able to match the diagnoses

    一致する評価を することができました

  • given by human ophthalmologists.

    昨年には さらに難しい 課題を出しました

  • Now, given the right data,

    「眼球の写真から 糖尿病性網膜症の診断をできるか?」

  • machines are gonna outperform humans at tasks like this.

    というものです

  • A teacher might read 10,000 essays over a 40-year career.

    この時も 優勝した アルゴリズムは

  • An ophthalmologist might see 50,000 eyes.

    人間の眼科医の診断と 一致する結果を出せました

  • A machine can read millions of essays or see millions of eyes

    適切なデータが与えられれば このようなタスクで

  • within minutes.

    機械は人間より優れた結果を 出し始めています

  • We have no chance of competing against machines

    教師は40年の経歴において 小論文を1万本読むかもしれません

  • on frequent, high-volume tasks.

    眼科医は眼を5万個 診断するかもしれません

  • But there are things we can do that machines can't do.

    しかし 機械なら数分のうちに 数百万の小論文を読み

  • Where machines have made very little progress is in tackling novel situations.

    数百万の眼を診ることができます

  • They can't handle things they haven't seen many times before.

    頻度が高く 多量のデータを 処理するタスクでは

  • The fundamental limitations of machine learning

    人間が機械に勝てる見込みはありません

  • is that it needs to learn from large volumes of past data.

    しかし 我々に出来て 機械に出来ないことがあります

  • Now, humans don't.

    機械の技術が ほとんど進歩していないのは

  • We have the ability to connect seemingly disparate threads

    経験のない状況で 判断する技術です

  • to solve problems we've never seen before.

    機械は前にほとんど見たことがない状況を うまく処理できないのです

  • Percy Spencer was a physicist working on radar during World War II,

    機械学習に根本的な限界があるのは

  • when he noticed the magnetron was melting his chocolate bar.

    大量の過去データから 学ぶ必要があるという点です

  • He was able to connect his understanding of electromagnetic radiation

    人間は違います

  • with his knowledge of cooking

    我々は ほとんど共通点のない 手掛かりを繋ぎ合わせ

  • in order to invent -- any guesses? -- the microwave oven.

    見たことのない問題を 解決することができます

  • Now, this is a particularly remarkable example of creativity.

    パーシー・スペンサーは第2次世界大戦中 レーダー開発の任務に就いていた物理学者で

  • But this sort of cross-pollination happens for each of us in small ways thousands of times per day.

    その時 マグネトロンがチョコバーを 溶かすことに気づきました

  • Machines cannot compete with us

    電磁波に関する理解と 料理に関する知識を結びつけることで

  • when it comes to tackling novel situations,

    彼の発明したのが — 何か分かりますか?

  • and this puts a fundamental limit on the human tasks that machines will automate.

    電子レンジです

  • So what does this mean for the future of work?

    これこそ創造力の 素晴らしい一例です

  • The future state of any single job lies in the answer to a single question:

    このような分野を超えた発想は 些細な形であれば

  • To what extent is that job reducible to frequent, high-volume tasks,

    誰にでも毎日何千回と ひらめいています

  • and to what extent does it involve tackling novel situations?

    経験のない状況においては

  • On frequent, high-volume tasks, machines are getting smarter and smarter.

    機械は人間には勝てず

  • Today they grade essays. They diagnose certain diseases.

    それが人間の行うことを 機械で自動化する際の

  • Over coming years, they're going to conduct our audits,

    基本的な限界を与えます

  • and they're going to read boilerplate from legal contracts.

    これが将来の仕事に 意味することは何でしょう?

  • Accountants and lawyers are still needed.

    各々の仕事の未来の運命は ある1つの問への答えにかかっています

  • They're going to be needed for complex tax structuring,

    高頻度多量データ処理に 還元できる部分がどの程度あり

  • for path-breaking litigation.

    前例無き状況への対応を求められる部分が どの程度あるのか?

  • But machines will shrink their ranks

    高頻度多量データ処理については 機械はどんどん賢くなっていきます

  • and make these jobs harder to come by.

    今では 機械が小論文の採点をし ある種の病気の診断をします

  • Now, as mentioned,

    数年内には 監査をしたり

  • machines are not making progress on novel situations.

    法律上の契約書から一般的な表現を 解釈出来るようになるでしょう

  • The copy behind a marketing campaign needs to grab consumers' attention.

    それでも会計士や弁護士が いらなくはなりません

  • It has to stand out from the crowd.

    複雑な税務対策や 前例のない訴訟の対応には

  • Business strategy means finding gaps in the market,

    必要とされるのです

  • things that nobody else is doing.

    機械により 能力のある者だけが残され

  • It will be humans that are creating the copy behind our marketing campaigns,

    これらの職に就くことは 難しくなります

  • and it will be humans that are developing our business strategy.

    さて 前にも述べましたが

  • So Yahli, whatever you decide to do,

    経験のない状況に対応する技術は 進歩していません

  • let every day bring you a new challenge.

    マーケティング活動における宣伝文句は 消費者の関心を引く必要があります

  • If it does, then you will stay ahead of the machines.

    数ある中で 目立っていなければなりません

  • Thank you.

    ビジネス戦略とは 他社がやっていない

So this is my niece.

翻訳: Tomoyuki Suzuki 校正: Yasushi Aoki

字幕と単語

動画の操作 ここで「動画」の調整と「字幕」の表示を設定することができます

B1 中級 日本語 TED 機械 学習 タスク 採点 データ

TED】アンソニー・ゴールドブルームThe jobs we'll lose to machines -- and the ones we won't (The jobs we'll lose to machines -- and the ones we won't | アンソニー・ゴールドブルーム) (【TED】Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't (The jobs we'll lose t

動画の中の単語