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.


  • She is nine months old.


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


  • By the time Yahli goes to college, the jobs her parents do are gonna look dramatically different.

    母親は医者で 父親は弁護士ですが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

  • Now, 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.


  • It allows machines to learn from data, and mimic some of the things that humans can do.

    機械学習の技術こそそのような変化の 主な原因となるものです

  • Now, 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 to solve important problems for industry and academia.

    この技術により 機械がデータから学習してある種のことを 人間のようにできるようになります

  • So this gives us a unique perspective on what machines can do, what they can't do, and what jobs they might automate or threaten.

    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産業や学問上の重要な問題を 解決するために 何十万というエキスパートを 集めています

  • So 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

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

    どんな仕事に 自動化や 消失の怖れがあるのか?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 to build an algorithm that could grade high-school essays.

    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 given by human teachers.

    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 given by human ophthalmologists.

    一致する評価を することができました昨年には さらに難しい 課題を出しました

  • Now, given the right data, machines are gonna outperform humans at tasks like this:

    「眼球の写真から 糖尿病性網膜症の診断をできるか?」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 within minutes.

    適切なデータが与えられれば このようなタスクで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 on frequent, high-volume tasks.

    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.


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

    人間が機械に勝てる見込みはありませんしかし 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 to solve problems we've never seen before.

    経験のない状況で 判断する技術です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大量の過去データから 学ぶ必要があるという点です

  • When he noticed the magnetron was melting his chocolate bar, he was able to connect his understanding of electromagnetic radiation with his knowledge of cooking in order to invent...

  • Any guesses? The microwave oven.

    人間は違います我々は ほとんど共通点のない 手掛かりを繋ぎ合わせ 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

  • Machine cannot compete with us when it comes to tackling novel situations, and this puts a fundamental limit on the human tasks that machines will automate.

    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彼の発明したのが — 何か分かりますか? 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, and to what extent does it involve tackling novel situations?

    誰にでも毎日何千回と ひらめいています経験のない状況においては

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


  • 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 gonna conduct our audits, and they're gonna read boilerplate from legal contracts.

    基本的な限界を与えますこれが将来の仕事に 意味することは何でしょう? 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

  • Accountants and lawyers are still needed.

  • They're gonna be needed for complex tax structuring, for path-breaking litigation.

    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 and make these jobs harder to come by.

    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, machines are not making progress on novel situations.

    数年内には 監査をしたり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. It has to stand out from the crowd.

    それでも会計士や弁護士が いらなくはなりません複雑な税務対策や 前例のない訴訟の対応には

  • Business strategy means finding gaps in the market, things that nobody else is doing.

    必要とされるのです機械により 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, and it will be humans that are developing our business strategy.

    これらの職に就くことは 難しくなりますさて 前にも述べましたが

  • So Yahli, whatever you decide to do, let every day bring you a new challenge.

    経験のない状況に対応する技術は 進歩していません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


ワンタップで英和辞典検索 単語をクリックすると、意味が表示されます

B1 中級 日本語 TED 機械 学習 採点 タスク 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

  • 69799 4741
    clara.english.0001 に公開 2021 年 01 月 14 日