Det her er min niece. Hun hedder Yahli. Hun er ni måneder gammel. Hendes mor er læge, og hendes far er advokat. Når Yahli studere på universitetet vil hendes forældres arbejde se meget anderledes ud. 
I 2013 lavede forskere fra Oxford en undersøgelse om fremtidens arbejde. De konkluderede, at næsten hver andet job har stor risiko for at blive automatiseret af maskiner. Machine learning er den teknologi der ligger til grunde  for størstedelen af ændringerne. Det er den mest virkningsfulde del af kunstig intelligens. Det tillader maskiner at lære fra data og efterligne nogen af de ting, som mennesker kan gøre. Mit firma, Kaggle, arbejder på det nyeste inden for machine learning. Vi samler flere hundrede tusinder eksperter som skal løse vigtige problemer for den industrielle og akademiske verden Det giver os et indblik i hvad maskiner kan, hvad de ikke kan, og hvilke job de måske kommer til at automatisere 
Første gang machine learning blev brugt industrielt, var i start 90'erne. Det startede simpelt. Det startede med at vurdere  kreditrisiko fra låneansøgninger, brev sortering ved at læse håndskrevne tegn fra postnumre. Gennem de sidste par år er der sket banebrydende gennembrud. Machine learning er nu i stand til langt mere komplekse opgaver. I 2012 udfordrede Kaggle sit lokalsamfund til at programmere en algoritme til at bedømme gymnasie stile. Algoritmen der vandt, gav den samme karakter som den rigtige lærer gjorde. Sidste år lavede vi en  sværere udfordring. Kan man tage billeder af øjet og diagnostisere en øjensygdom kaldet diabetisk retinopati? Igen gav algoritmen der vandt den samme diagnose som var givet af en øjenlæge. 
Maskiner udkonkurrerer altid mennesker ved opgaver som denne, givet at den får de rigtige data. En lærer læser måske 10.000 stile over en 40-årig karriere. En øjenlæge ser måske 50.000 øjne En maskine kan læse millioner af stile eller se millioner af øjne på få minutter. Vi kan ikke hamle op med maskinerne, når det gælder mængde opgaver. 
Men der er ting, vi kan,  som maskiner ikke kan. Maskiner er ikke blevet særlig meget bedre til at takle unikke og nye situationer De kan ikke arbejde med ting, de ikke har set en masse gange før. De grundlæggende begrænsninger for machine learning er at de skal lære fra store  mængder tidligere data. Det skal mennesker ikke. Vi har evnen til at finde sammenhængen i forskellige situationer, og løse problemer vi ikke har set før. 
Mens fysikeren Percy Spenser arbejdede med radarer under 2. verdenskrig, opdagede han at magnetronen smeltede hans chokolade bar. Han forenede sin forståelse for elektromagnetisk stråling med sit kendskab til madlavning for at opfinde -- nogen gæt? -- mikrobølgeovnen. 
Det er et eksempel på særlig kreativitet. Den forenende måde at tænke på, sker for as alle på mindre stadier tusinder af gange om dagen. Maskiner kan ikke hamle op med os, når det kommer til unikke situationer, og det skaber en begrænsning for hvilke opgaver maskiner komme til at automatisere. 
Så hvilken betydning har det for fremtidens arbejde? Om et job er sikret for fremtiden, kan besvares med et spørgsmål: I hvor stor en grad kan jobbet  nedskrives til mængde opgaver, og i hvor stor grad indebærer det unikke situationer? Når det gælder mængde opgaver, bliver maskiner klogere og klogere. I dag bedømmer de stile. De diagnosticere visse sygdomme. De følgende år,  vil de foretage vores regnskaber. De kommer til at læse standard tekst fra juridiske kontrakter Revisorer og advokater skal stadig bruges. De skal bruges til kompleks skatte-strukturering, til banebrydende retstvister. Men maskiner vil mindske deres omdømme, og gøre den type jobs mindre hyppige. 
Som jeg har nævnt, laver maskiner ingen fremskridt når det gælder unikke situationer. Rammen for en marketing kampagne skal fange folks opmærksomhed, den skal skille sig ud. Erhvervs strategi går ud på at finde mangler i markedet, noget som ingen andre gør. Det kommer til at være mennesker som skaber rammen for en marketing kampagne, og det vil være mennesker, som  vil udvikle vores erhvervs strategi. 
Så hvad end du beslutter dig for at lave, Yahli, lad hver dag bringe nye udfordringer. For så vil du forblive foran maskinerne 
Tak. 
(Klapsalve) 
