Dette er min niese. Hun heter Yahli. Hun er ni måneder gammel. Moren hennes er lege og faren er advokat. Innen Yahli skal gå på college, vil jobbene til foreldrene hennes se veldig annerledes ut. 
I 2013 forsket universitetet i Oxford  på arbeidets fremtid. De konkluderte at nesten annenhver jobb har en høy risiko for å bli automatisert av maskiner. Maskinlæring er teknologien som er ansvarlig for denne endringen. Det er den mektigste bransjen innen kunstig intelligens. Den lar maskiner lære fra data og etterligne noe av det mennesker kan gjøre. Mitt firma, Kaggle, jobber på hugget av maskinlæring. Vi samler hundretusenvis av eksperter for å løse viktige problemer i industri og akademia. Dette gir oss et unikt perspektiv på hva maskiner kan gjøre, hva de ikke kan gjøre og hvilke jobber de kan automisere eller true. 
Maskinlæring begynte å vokse frem i industrien tidlig på 90-tallet. Det begynte med relativt enkle oppgaver. Det startet med ting som å vurdere kredittrisiko fra lånesøknader, sortering av post ved lesing av håndskrevne bokstaver i postkoder. Over de siste årene har vi hatt dramatiske gjennombrudd. Maskinlæring kan nå mestre langt mer komplekse oppgaver. I 2012 utfordret Kaggle samfunnet sitt til å bygge en algoritme som kunne rette highschool elevers stiler. Algoritmen som vant,  stemte med karakterene gitt av menneskelige lærere. I fjor ga vi en enda vanskeligere utfordring. Kan du ta bilder av øyet og diagnostisere en øyesykdom kalt diabetisk retinopati? Igjen klarte den vinnende algoritmen å matche diagnosen gitt av menneskelige oftalmologer. 
Gitt rett data, vil maskiner utkonkurrere mennesker i oppgaver som disse. En lærer kan kanskje lese 10 000 stiler over en 40 år lang karriere. En oftalmolog kan kanskje se 50 000 øyer. En maskin kan lese millioner av stiler eller se millioner av øyer på noen minutter. Vi har ingen sjanse til å konkurrere mot maskiner i hyppige oppgaver med store mengder. 
Men det er ting vi kan gjøre som maskiner ikke kan. Maskiner har gjort veldig lite fremgang i å takle nye situasjoner. De kan ikke håndtere ting de ikke har sett mange ganger før. De fundamentale begrensningene i maskinlæring er at de trenger å lære fra store mengder med tidligere data. Mennesker trenger ikke det. Vi har evnen til å koble tilsynelatende separate tråder for å løse prøblemer vi aldri har sett før. 
Percy Spencer var en fysiker som jobbet med radar under 2. verdenskrig. Plutselig så han at magnetronen smeltet sjokoladen hans. Han klarte å forbinde forståelsen for elektromagnetisk stråling med kunnskap om matlaging for å finne opp -- noen forslag? -- mikrobølgeovnen. 
Dette er et bemerkelsesverdig eksempel på kreativitet. Men denne formen for" krysspolinering" skjer for oss alle på en mindre skala tusenvis av ganger hver dag. Maskiner kan ikke konkurrere med oss når det gjelder å takle nye situasjoner, og dette setter en fundamental grense på menneskelige oppgaver som maskinene vil automatisere. 
Hva betyr så dette for arbeidets fremtid? Fremtiden for envher jobb ligger i svaret på ett enkelt spørsmål: I hvilken grad kan jobben reduseres til hyppige oppgaver med store mengder, og i hvilken grad er  takling av nye situasjoner nødvendig? På hyppige oppgaver med store mengder blir maskiner smartere og smartere. I dag retter de stil. De diagnostiserer visse sykdommer. I kommende år vil de gjøre revisjonene våre, og de kommer til å lese standardtekst fra juridiske kontrakter. Regnskapsførere og advokater trengs enda. De trengs for kompleks skatte-strukturering, for banebrytende rettssaker. Men maskiner vil tynne ut rekkene og gjøre jobbene vanskeligere å finne. 
Som tidligere nevnt gjør maskiner ikke fremskritt på nye situasjoner. Kopien bak en markedsføring må fange forbrukerens oppmerksomhet. Den må skille seg ut blant massen. Forretningsstrategi betyr å finne hull i markedet, ting ingen andre gjør. Det vil være mennesker som lager kopien bak markedsføringen vår, og det vil være mennesker som utvikler forretningsstrategien vår. 
Så Yahli, uansett hva du velger, la hver dag gi deg en ny utfordring. Så lenge den gjør det, vil du ha et forsprang på maskinene. 
Takk. 
(Applaus) 
