Headlines Speaking
Debate/토론 Essay/영작
인강과정 Misc
자료실
WTS 시험보기
[Speaking] (PS-012) 기계에게 빼앗길 직업과 그렇지 않은 직업 - Anthony Goldbloom
최고관리자  |  16-09-10 13:50

대중 연설은 아마도 단순한 언어의 기술적 구사가 아닌, 청중을 사로잡는 노력과 준비로
만들어진 언변(言辯)의 결과물이라 할 수 있을 것입니다. 명연설은 한 사람의 인생을 완전히
바꾸기도 하지요. 영어 공부에 있어서 가장 중요한 "듣고/이해"하는 능력을 꾸준히 배양하여
튼튼한 영어 실력을 기르길 바랍니다.

[TED 클릭]



[Transcript]

0:11
이 아이는 제 조카입니다. 이름은 얄리이고 9개월 밖에 안 됐어요. 얄리의 엄마는 의사이고, 아빠는 법조인입니다. 얄리가 대학생이 될 때쯤이면 얄리의 부모님의 직업은 지금과는 확연히 다를 겁니다.
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.

0:26
2013년에 옥스포드 대학에서는 직업의 미래에 관해 연구했습니다. 현존하는 직업의 절반이 미래에는 기계들에 의해 대체될 확률이 높다는 결론이 났습니다. 기계 학습이 이 변화의 대부분의 원인입니다. 인공지능 분야에서 가장 강력한 분야입니다. 기계 학습은 기계들이 데이터를 통해 학습하고 인간이 할 수 있는 일을 일부 따라하는 것을 가능케 합니다. 제 회사 카글은 기계 학습 개발의 최첨단을 달리고 있습니다. 저희는 수천 명이 넘는 전문가들을 모아서 학계와 산업이 직면해 있는 문제를 해결하도록 합니다. 이 일은 저희에게 기계들이 할 수 있는 것과 할 수 없는 것 그리고 어떤 직업이 기계에 의해 대체될지 알 수 있게 해줍니다.
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.

1:08
기계 학습은 1990년대 초기에 등장했습니다. 초반에는 상대적으로 간단한 일만 했습니다. 예컨대 대출 신청자들의 신용 등급을 평가하거나 편지 봉투에 손글씨로 적힌 우편번호를 읽는 정도였죠. 지난 몇 년 동안 기계 학습 분야에서는 획기적인 발전을 이루어냈습니다. 그 결과, 기계 학습을 통해 훨씬 더 복잡한 일을 할 수 있게 되었습니다. 2012년에는 카글이 기계 학습을 통해 고등학교 에세이를 채점할 수 있는 알고리즘을 만드는 대회를 열었는데 우승한 알고리즘이 매긴 점수는 실제 선생님들이 매긴 점수와 일치했습니다. 작년에는 더 어려운 문제를 냈습니다. 눈의 사진만을 가지고 당뇨병성 망막증을 진단하는 것이었죠. 대회에서 우승한 알고리즘은 안과 의사들의 진단과 또 같은 결과를 냈습니다.
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.

1:56
올바른 데이터만 주어진다면 기계는 인간보다 이런 작업을 훨씬 더 잘하게 될 겁니다. 선생님 한 명은 40년에 걸쳐 만 개의 에세이를 읽고 안과 의사 한 명은 5만 개의 눈을 진료할 수 있겠죠. 하지만 기계는 고작 몇 분 안에 수만 개의 눈과 에세이를 진료하고 읽을 수 있습니다. 인간은 이렇게 반복적이고 방대한 양의 작업을 하는 데 있어서 기계를 뛰어넘을 수 없습니다.
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.

2:19
하지만 인간만이 할 수 있는 일도 있습니다. 기계들은 새로운 상황에 대처하는 법을 아직 배우지 못했습니다. 기계들은 전례가 없는 일은 처리하지 못합니다. 기계 학습의 본질적인 한계는 방대한 양의 전례를 통해 학습해야 한다는 것입니다. 인간들은 그럴 필요가 없죠. 우리는 관련이 없어 보이는 주제들을 이어서 전에 본적 없는 문제를 풀 수 있습니다.
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.

2:45
퍼시 스펜서는 제2차 세계 대전 때 레이더를 연구한 물리학자였습니다. 그는 마그네트론이 초콜릿을 녹이는 것을 발견하고는 전자기 방사선에 대한 지식과 요리에 대한 지식을 연결해서 아시는 분이 있으신지 모르겠지만 전자레인지를 발명했습니다.
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.

3:02
특히나 더 놀라운 창의력 발휘의 사례입니다. 하지만 이런 혼재적 창의성을 필요로 하는 상황은 우리에게 하루에 자잘하게 몇천 번씩 일어납니다. 기계는 새로운 상황에 대처하는 것에서는 인간을 이길 수 없습니다. 이로 인해 기계에 의해 자동화 될 인간의 작업에 근본적인 한계가 존재합니다.
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.

3:21
그렇다면 이것이 직업의 미래에 대해 뭘 암시할까요? 어떤 직업이든, 그것의 미래는 한 가지에 의해 결정됩니다. 이 작업이 반복적이고 방대한 양으로 축소될 수 있는지 그리고 새로운 상황에 얼마나 많이 대처해야 하는지 입니다. 반복적이고 방대한 양의 작업에서는 기계들이 더 똑똑해지고 있습니다. 오늘날에는 기계가 에세이도 채점하고 질병도 진단하니까요. 미래에는 기계가 회계 감사도 맡고 법적 계약을 맺을 때의 표준 합의안도 검토할 것입니다. 물론 회계사와 변호사는 여전히 필요하겠죠. 복잡한 조세 업무나 전례 없는 소송을 하는 데 필요하겠죠. 하지만 기계는 그들의 입지를 빼앗고 일자리 구하는 것을 더 힘들게 만들 겁니다.
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.

3:59
제가 말했듯이 기계는 새로운 상황에 한해서는 진전을 보이지 않습니다. 마케팅 캠페인의 문구는 소비자의 관심을 사로잡아야 하고 대중들 속에서 돋보여야 합니다. 경영 전략을 짜는 것은 아무도 하고 있지 않은 틈새 시장을 찾는 것입니다. 결국에는 마케팅 캠페인 뒤에서 문구를 만드는 주체는 인간이고 경영 전략을 짜는 것도 인간일 것입니다.
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.

4:20
그러니까 얄리야, 네가 무슨 꿈을 가지든 매일 매일이 새로운 도전을 가져다 주길 바란다. 그렇게 되면 네가 기계보다 앞서 있을 수 있을테니까.
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.

4:30 감사합니다.  Thank you.  4:31 (박수) (Applause)