Os trabalhos que perderemos para as máquinas – E os que não perderemos

The jobs we’ll lose to machines — and the ones we won’t

Os trabalhos que perderemos para as máquinas – E os que não perderemos

0:12 So this is my niece. Her name is Yahli. She is nine months old. Her mum is a doctor, and her dad is a lawyer. By the time Yahli goes to college, the jobs her parents do are going to look dramatically different.

0:12 Essa é minha sobrinha. O nome dela é Yahli. Ela tem nove meses. A mãe é médica; o pai, advogado. Quando a Yahli entrar para a faculdade, o trabalho que os pais fazem vai estar radicalmente diferente.

0:27 In 2013, researchers at Oxford University did a study on the future of work. They concluded that almost one in every two jobs have a high risk of being automated by machines. Machine learning is the technology that’s responsible for most of this disruption. 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. My company, Kaggle, operates on the cutting edge of machine learning. We bring together hundreds of thousands of experts to solve important problems for industry and academia.This gives us a unique perspective on what machines can do, what they can’t do and what jobs they might automate or threaten.

0:27 Em 2013, pesquisadores da Universidade de Oxford fizeram um estudo sobre o futuro do trabalho e concluíram que praticamente um em dois empregos possui um alto risco de ser automatizado por máquinas. O aprendizado de máquina é a tecnologia responsável por grande parte dessa revolução. É o ramo mais poderoso da inteligência artificial. Permite que máquinas aprendam com dados e imitem algumas das coisas que os humanos fazem. Tenho uma empresa de ponta no aprendizado de máquina, a Kaggle. Reunimos milhares de especialistas para resolver problemas importantes para a indústria e o mundo acadêmico. Isso nos dá uma perspectiva única sobre o que as máquinas podem fazer, o que não conseguem fazer e quais empregos elas vão automatizar ou ameaçar.

01:09 Machine learning started making its way into industry in the early ’90s. It started with relatively simple tasks. It started with things like assessing credit risk from loan applications, sorting the mail by reading handwritten characters from zip codes. Over the past few years, we have made dramatic breakthroughs. Machine learning is now capable of far, far more complex tasks. In 2012, Kaggle challenged its community to build an algorithm that could grade high-school essays. The winning algorithms were able to match the grades given by human teachers. Last year, we issued an even more difficult challenge. Can you take images of the eye and diagnose an eye disease called diabetic retinopathy? Again, the winning algorithms were able to match the diagnoses given by human ophthalmologists.

01:09 O aprendizado de máquina começou na indústria no início da década de 90. Primeiro, com tarefas relativamente fáceis, coisas como avaliar o risco creditício de empréstimos, e separar a correspondência pela leitura do número do CEP manuscrito. Nos últimos dez anos, temos feito avanços incríveis. O aprendizado de máquina agora é capaz de tarefas bem mais complexas. Em 2012, a Kaggle desafiou sua comunidade a fazer um algoritmo que corrigisse redações do ensino médio. Os algoritmos vencedores foram capazes de se equiparar às notas dadas por professores humanos. Ano passado, lançamos um desafio ainda mais difícil: Você consegue pegar imagens do olho e diagnosticar uma doença ocular chamada de retinopatia diabética. De novo, os algoritmos vencedores foram capazes de se equiparar aos diagnósticos dados por oftalmologistas humanos.

01;57 Now, given the right data, machines are going to outperform humans at tasks like this. A teacher might read 10,000 essays over a 40-year career. An ophthalmologist might see 50,000 eyes. A machine can read millions of essays or see millions of eyes within minutes. We have no chance of competing against machines on frequent, high-volume tasks.

01:57 De posse dos dados certos, as máquinas superarão os humanos nesse tipo de tarefa. Um professor pode ler 10 mil redações ao longo de uma carreira de 40 anos. Um oftalmologista pode examinar 50 mil olhos. Uma máquina pode ler milhões de redações ou examinar milhões de olhos em poucos minutos. Não temos a menor chance de competir com as máquinas em tarefas frequentes e volumosas.

2:20 But there are things we can do that machines can’t do. Where machines have made very little progress is in tackling novel situations. They can’t handle things they haven’t seen many times before. The fundamental limitations of machine learning is that it needs to learn from large volumes of past data. Now, humans don’t. We have the ability to connect seemingly disparate threads to solve problems we’ve never seen before.

2:20 No entanto, há coisas que conseguimos fazer, mas as máquinas não. As máquinas têm feito pouco progresso em lidar com situações novas. Elas não conseguem lidar com coisas que não viram muitas vezes antes. As limitações fundamentais do aprendizado de máquina é que ela precisa aprender através de grandes volumes de dados passados. Mas os humanos não. Temos a habilidade de ligar pontos aparentemente díspares para resolver problemas que nunca vimos antes.

2:46 Percy Spencer was a physicist working on radar during World War II, 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.

2:46 Percy Spencer foi um físico que trabalhava com radar durante a Segunda Guerra, quando notou que o magnetron estava derretendo sua barra de chocolate. Ele foi capaz de ligar seu conhecimento de radiação eletromagnética com seu conhecimento culinário para inventar… algum palpite? O forno micro-ondas.

3:03 Now, this is a particularly remarkable example of creativity. But this sort of cross-pollination happens for each of us in small ways thousands of times per day. Machines 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.

3:03 Esse é um exemplo especialmente notável de criatividade. Mas esse tipo de polinização cruzada acontece com todos nós em pequena escala, milhares de vezes ao dia. As máquinas não conseguem competir conosco quando se trata de situações novas, e isso coloca um limite fundamental nas tarefas humanas que as máquinas vão automatizar.

3:21 So what does this mean for the future of work? The future state of any single job lies in the answer to a single question: To what extent is that job reducible to frequent, high-volume tasks, and to what extent does it involve tackling novel situations? On frequent, high-volume tasks, machines are getting smarter and smarter. Today they grade essays. They diagnose certain diseases. Over coming years, they’re going to conduct our audits, and they’re going to read boilerplate from legal contracts. Accountants and lawyers are still needed. They’re going to be needed for complex tax structuring, for pathbreaking litigation. But machines will shrink their ranks and make these jobs harder to come by.

3:21 Assim, o que isso significa para o futuro do trabalho? O futuro de cada emprego está na resposta a uma única questão: “Até que ponto esse emprego é reduzível a tarefas frequentes e volumosas, e até que ponto ele envolve lidar com situações novas?” Em tarefas frequentes e volumosas, as máquinas estão cada vez melhores. Hoje elas corrigem redações e diagnosticam certas doenças.Nos anos vindouros, vão realizar auditorias e vão ler informações básicas de contratos legais.Contadores e advogados ainda serão necessários para tarefas fiscais complexas e litígios inovadores. Mas as máquinas vão cortar postos e tornar mais difícil a obtenção desses empregos.

4:00 Now, as mentioned, machines are not making progress on novel situations. The copy behind a marketing campaign needs to grab consumers’ attention. It has to stand out from the crowd.Business strategy means finding gaps in the market, things that nobody else is doing. It will be humans that are creating the copy behind our marketing campaigns, and it will be humans that are developing our business strategy.

4:00 Como mencionei, as máquinas não estão obtendo progresso em situações novas. O texto de uma campanha publicitária precisa prender a atenção do consumidor. Tem de se destacar na multidão.Estratégia empresarial é achar lacunas no mercado, algo que ninguém esteja fazendo. São seres humanos que vão criar o texto dessas campanhas publicitárias, e serão eles que vão desenvolver nossa estratégia de negócios.

4:21 So Yahli, whatever you decide to do, let every day bring you a new challenge. If it does, then you will stay ahead of the machines.

4:21 Assim, Yahli, seja lá o que você decida ser, deixe que cada novo dia lhe traga um novo desafio. Se trouxer, então você vai estar à frente das máquinas.

4:30 Thank you.

4:30 Obrigado.

Fonte: vídeo retirado do site Ted.com

 

Aproveite também para Aprender os 7 passos que vão te ajudar a organizar

seu estudo rumo a Fluência. Baixe Agora é 100% gratuito.

 

Minha Missão é fazer com que todos os alunos superem as dificuldades na língua inglesa e conquistem a fluência.

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *