Matt Beane: How do we learn to work with intelligent machines?
Ματ Μπιν: Πώς θα μάθουμε να δουλεύουμε με έξυπνες μηχανές;
Matt Beane is an Assistant Professor in the Technology Management Program at the University of California, Santa Barbara and a Research Affiliate with MIT's Institute for the Digital Economy. Full bio
Double-click the English transcript below to play the video.
her prostate patient into the OR.
έναν ασθενή με προστάτη στο χειρουργείο.
εκπαιδευόμενη χειρουργός.
some of the nerve-sparing,
ένα μέρος της νευροπροστατευτικής,
that can preserve erectile function.
να προστατεύσει τη λειτουργία της στύσης.
though, but he's not there yet.
χειρουργός όμως δεν έχει φτάσει ακόμα.
incision in the lower abdomen.
των 20 εκατοστών στην κοιλιακή χώρα.
she tells the nurse to call the attending.
από τη νοσηλεύτρια να φωνάξει τον επιβλέποντα.
are mostly in that patient --
βρίσκονται κυρίως μέσα στον ασθενή
but Kristin leading the way.
αλλά με την Κρίστεν να προχωράει.
he let Kristen do a little nerve sparing),
την άφησε να κάνει λίγη νευροπροστατευτική),
looking over her shoulder.
να κοιτάζει τη δουλειά της.
the final line of sutures.
τα τελευταία ράμματα.
than she was at 6:30.
απ' ό,τι ήταν στις 6:30.
the way that most of us do:
όπως και οι περισσότεροι από εμάς:
safe parts of the work
και ασφαλείς φάσεις της δουλειάς
and harder tasks
στα πιο δύσκολα καθήκοντα
κι αποφασίζουν ότι είναι έτοιμη.
by this kind of learning.
το είδος μάθησης με έχει συνεπάρει.
part of what makes us human.
ένα κομμάτι του μας κάνει ανθρώπους.
coaching, mentorship, on the job training.
συμβουλευτική, μάθηση στην πράξη.
“see one, do one, teach one.”
«δες ένα, κάνε ένα, δίδαξε ένα».
around the globe for thousands of years.
αποτελεί την πορεία προς την ικανότητα.
in a way that blocks that path.
με τρόπο που μπλοκάρει αυτόν τον δρόμο.
in our quest for productivity.
στον βωμό της παραγωγικότητας.
while I was at MIT,
σ' ένα χειρουργείο όσο ήμουν στο ΜΙΤ,
it’s happening all over,
ότι συμβαίνει παντού,
and with very different kinds of AI.
και με πολλά διαφορετικά είδη ΤΝ.
are going to hit a brick wall
θα φτάσουμε σε αδιέξοδο,
την Τεχνητή Νοημοσύνη.
is wheeling another prostate patient in,
φέρνει άλλον έναν ασθενή με προστάτη,
robot to the patient.
πεντακοσίων κιλών στον ασθενή.
10 or 15 feet away,
στα τρία ή τέσσερα μέτρα από εκεί,
να κάνει όλη τη διαδικασία,
to do the whole procedure himself,
and make more mistakes,
και θα κάνει περισσότερα λάθη,
near those nerves during this rotation.
να πλησιάσει αυτά τα νεύρα.
15 minutes during a four-hour procedure.
πάνω από 15 λεπτά σε μια 4ωρη επέμβαση.
and she’ll be watching again,
και θα βρεθεί πάλι να κοιτάζει,
with a dunce cap.
με το καπέλο τιμωρίας.
I’ve done in the last eight years,
και κάθε δουλειά μου εδώ και οκτώ χρόνια,
κάνοντας μια ανοικτή ερώτηση:
with a big, open question:
with intelligent machines?
μαζί με τις ευφυείς μηχανές;
observing dozens of residents and surgeons
δεκάδες ειδικευόμενους και χειρουργούς
interviewing them
και ρομποτικά, κάνοντας συνεντεύξεις,
with the residents as they tried to learn.
καθώς προσπαθούσαν να μάθουν.
US teaching hospitals,
Πανεπιστημιακά Νοσοκομεία στις ΗΠΑ,
ήταν στην ίδια θέση με την Κρίστεν.
and they weren’t learning.
I needed to know how widespread it was:
μα έπρεπε να μάθω πόσο διαδεδομένα ήταν:
blocking learning on the job?
μπλόκαρε τη μάθηση στην εργασία;
but growing group of young researchers
μα ανερχόμενη ομάδα νέων ερευνητών
of work involving AI
της δουλειάς που περιλαμβάνει χρήση ΤΝ
like start-ups, policing,
όπως οι νέες επιχειρήσεις, η αστυνόμευση,
και η διδασκαλία εξ' αποστάσεως.
and many hundreds of hours observing,
χρόνο και εκατοντάδες ώρες παρατηρώντας,
side-by-side with the people they studied.
στο πλευρό των ατόμων που μελετούσαν.
the AI, the story was the same.
την ΤΝ, η ιστορία επαναλαμβανόταν.
and harder to get results from AI,
να δουν αποτελέσματα απ' την ΤΝ
expert work as they did it.
τους μαθητευόμενους απ' τους ειδικούς.
ανέθεταν σ' εξωτερικούς συνεργάτες
their customer contact.
τις προβλέψεις εγκλήματος δίχως στήριξη.
forecasts without experts support.
δεν είχαν πρόσβαση στη σύνθετη ανάλυση
cut out of complex analysis,
διαδικτυακά μαθήματα χωρίς στήριξη.
online courses without help.
ήταν ανάλογες με εκείνες στο χειρουργείο.
was the same as in surgery.
was getting much harder.
γινόταν ολοένα και δυσκολότερο.
a billion and a billion of us
ότι μισό με ένα δισεκατομμύριο από εμάς
in our daily work by 2030.
στην καθημερινή μας δουλειά έως το 2030.
that on-the-job learning
that most workers learned key skills
απέκτησαν βασικές δεξιότητες
potential future impact,
για το μελλοντικό αντίκτυπο της ΤΝ,
that may matter most right now
αυτή τη στιγμή
that blocks learning on the job
που μπλοκάρει τη μάθηση επί τω έργω
a small minority found a way to learn.
ένα μικρό ποσοστό κατόρθωσε να μάθει.
παραβιάζοντας τους κανονισμούς.
so they bent and broke rules
οπότε παραβίασαν τους κανόνες
στη δουλειά των ειδικών.
in robotic surgery in medical school
ασχολήθηκαν με τις ρομποτικές επεμβάσεις
των γενικών τους γνώσεων.
of their generalist education.
with simulators and recordings of surgery,
με προσομοιώσεις και καταγραφές επεμβάσεων
μέσα στο χειρουργείο.
they found ways to struggle
είναι ότι μπόρεσαν να αντεπεξέλθουν
with limited expert supervision.
με ελάχιστη επιτήρηση απ' τους ειδικούς.
because it bends the rules
επειδή παρακάμπτει τους κανόνες
because it gets results.
επειδή αποδίδει καρπούς.
the star pupils of the bunch.
της φουρνιάς των φοιτητών.
and it’s not sustainable.
μα ούτε και βιώσιμο.
να ρισκάρει ν' απολυθεί,
they need to do their job.
σωστά τη δουλειά του.
struggle and challenge in their work
δυσκολίες και προκλήσεις στη δουλειά τους
και ν' αντιμετωπίσουν προβλήματα
to tackle hard problems
there was an expert nearby
ότι ήταν κοντά ένας έμπειρος
against catastrophe.
και ν' αποτρέπει την καταστροφή.
of struggle and expert support
του αγώνα και της υποστήριξης των ειδικών
I could get of this on the ground.
για ν' αναλύσουμε.
you dealt with an IED by walking up to it.
με Ευφυείς Ηλεκτρονικές Διατάξεις.
hundreds of feet away,
ήταν σε μεγάλη απόσταση
if you decided it was safe
και να βοηθάει μόνο αν το κρίνατε ασφαλές
in a bomb-proof truck.
σε ένα ένα ασφαλές καταφύγιο.
and you guide the work out loud.
κι εσείς τους καθοδηγείτε φωνάζοντας.
did before robots.
σε σχέση με την εποχή πριν την ΤΝ.
start-ups, policing,
στο χειρουργείο, τις νεοφυείς εταιρίες,
επενδύσεις, τη διδασκαλία εξ' αποστάσεως.
online education and beyond.
we’ve got new tools to do it.
για να το καταφέρουμε.
always need one expert for every trainee,
να υπάρχει ένας ειδικός ανά εκπαιδευόμενο,
or even to be in the same organization.
ή και να δουλεύουν για την ίδια οργάνωση.
την ΤΝ για να συμβάλει:
to coach experts as they coach
στην υποστήριξη των ειδικών που διδάσκουν,
in smart ways.
τις δύο ομάδες με έξυπνο τρόπο.
on systems like this,
δουλεύουν αυτά τα συστήματα,
on formal training.
στους τίτλους εκπαίδευσης.
is in on-the-job learning.
είναι η μάθηση στην εργασία.
επιτακτική τη βελτίωση,
of AI’s amazing capabilities
τις εκπληκτικές ικανότητες της ΤΝ
I dreamed of as a kid.
που ονειρευόμουν, όταν ήμουν παιδί.
ABOUT THE SPEAKER
Matt Beane - Organizational ethnographerMatt Beane is an Assistant Professor in the Technology Management Program at the University of California, Santa Barbara and a Research Affiliate with MIT's Institute for the Digital Economy.
Why you should listen
Matt Beane does field research on work involving robots to help us understand the implications of intelligent machines for the broader world of work. Any of his projects mean many hundreds of hours -- sometimes years -- watching, interviewing and often working side by side with people trying to work with robots to get their jobs done.
Beane has studied robotic surgery, robotic materials transport and robotic telepresence in healthcare, elder care and knowledge work. He has published in top management journals such as Administrative Science Quarterly, he was selected in 2012 as a Human Robot Interaction Pioneer and is a regular contributor to popular outlets such as Wired, MIT Technology Review, TechCrunch, Forbes and Robohub. He also took a two-year hiatus from his doctoral studies to help found and fund Humatics, an MIT-connected, full-stack IoT startup.
Beane is an Assistant Professor in the Technology Management Program at the University of California, Santa Barbara and a Research Affiliate with MIT's Institute for the Digital Economy. He received his PhD from the MIT Sloan School of Management.
Matt Beane | Speaker | TED.com