TED Salon Zebra Technologies
Matt Beane: How do we learn to work with intelligent machines?
Ματ Μπιν: Πώς θα μάθουμε να δουλεύουμε με έξυπνες μηχανές;
Filmed:
Readability: 4.2
1,770,815 views
Σε ολόκληρο τον πλανήτη, ο δρόμος προς τη γνώση έχει παραμείνει απαράλλαχτος για χιλιάδες χρόνια: εκπαιδευόμαστε δίπλα σ' έναν ειδικό και αναλαμβάνουμε μικρά και εύκολα καθήκοντα, πριν προχωρήσουμε στα πιο επικίνδυνα και δύσκολα. Όμως αυτή τη στιγμή, χειριζόμαστε την Τεχνητή Νοημοσύνη μ' έναν τρόπο που παρεμποδίζει αυτό τον δρόμο και θυσιάζει τη γνώση στον βωμό της παραγωγικότητας, ισχυρίζεται ο Εθνογράφος Ματ Μπιν. Τι μπορούμε να κάνουμε; Ο Μπιν μοιράζεται ένα όραμα που ανατρέπει την παρούσα κατάσταση, σε μία κατανεμημένη, εμπλουτισμένη καθοδήγηση που εκμεταλλεύεται στο έπακρο τις απίστευτες δυνατότητες της ΤΝ, ενώ παράλληλα εμπλουτίζει και τις δικές μας δεξιότητες.
Matt Beane - Organizational ethnographer
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
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.
00:13
It’s 6:30 in the morning,
0
1292
1875
Είναι 6:30 το πρωί,
00:15
and Kristen is wheeling
her prostate patient into the OR.
her prostate patient into the OR.
1
3583
4875
και η Κρίστεν μεταφέρει
έναν ασθενή με προστάτη στο χειρουργείο.
έναν ασθενή με προστάτη στο χειρουργείο.
Είναι ειδικευόμενη ιατρός,
εκπαιδευόμενη χειρουργός.
εκπαιδευόμενη χειρουργός.
00:21
She's a resident, a surgeon in training.
2
9500
2250
00:24
It’s her job to learn.
3
12333
2167
Η δουλειά της είναι να μαθαίνει.
00:27
Today, she’s really hoping to do
some of the nerve-sparing,
some of the nerve-sparing,
4
15292
3351
Σήμερα, πραγματικά ελπίζει να κάνει
ένα μέρος της νευροπροστατευτικής,
ένα μέρος της νευροπροστατευτικής,
00:30
extremely delicate dissection
that can preserve erectile function.
that can preserve erectile function.
5
18667
3875
εξαιρετικά λεπτής τομής που μπορεί
να προστατεύσει τη λειτουργία της στύσης.
να προστατεύσει τη λειτουργία της στύσης.
00:35
That'll be up to the attending surgeon,
though, but he's not there yet.
though, but he's not there yet.
6
23500
3338
Αυτό θα το αποφασίσει ο επιβλέπων
χειρουργός όμως δεν έχει φτάσει ακόμα.
χειρουργός όμως δεν έχει φτάσει ακόμα.
00:39
She and the team put the patient under,
7
27625
2393
Εκείνη και η ομάδα του έκαναν αναισθησία,
00:42
and she leads the initial eight-inch
incision in the lower abdomen.
incision in the lower abdomen.
8
30042
3708
κι εκείνη καθοδηγεί στην αρχική τομή
των 20 εκατοστών στην κοιλιακή χώρα.
των 20 εκατοστών στην κοιλιακή χώρα.
00:47
Once she’s got that clamped back,
she tells the nurse to call the attending.
she tells the nurse to call the attending.
9
35042
3586
Μόλις την πιάσει με τις λαβίδες, ζητάει
από τη νοσηλεύτρια να φωνάξει τον επιβλέποντα.
από τη νοσηλεύτρια να φωνάξει τον επιβλέποντα.
00:51
He arrives, gowns up,
10
39583
2292
Εκείνος έρχεται, φοράει την ποδιά του,
00:54
And from there on in, their four hands
are mostly in that patient --
are mostly in that patient --
11
42458
5792
κι έπειτα, τα τέσσερα χέρια τους
βρίσκονται κυρίως μέσα στον ασθενή
βρίσκονται κυρίως μέσα στον ασθενή
01:00
with him guiding
but Kristin leading the way.
but Kristin leading the way.
12
48708
2917
μ' εκείνον να δίνει οδηγίες,
αλλά με την Κρίστεν να προχωράει.
αλλά με την Κρίστεν να προχωράει.
01:04
When the prostates out (and, yes,
he let Kristen do a little nerve sparing),
he let Kristen do a little nerve sparing),
13
52875
4643
Όταν ο προστάτης χειρουργείται (και ναι,
την άφησε να κάνει λίγη νευροπροστατευτική),
την άφησε να κάνει λίγη νευροπροστατευτική),
01:09
he rips off his scrubs.
14
57542
1226
πετάει την ποδιά του.
01:10
He starts to do paperwork.
15
58792
1375
Συμπληρώνει τα έγγραφα.
01:12
Kristen closes the patient by 8:15,
16
60833
5375
Η Κρίστεν κλείνει τον ασθενή στις 8:15,
01:18
with a junior resident
looking over her shoulder.
looking over her shoulder.
17
66583
2435
μ' ένα νέο ασκούμενο
να κοιτάζει τη δουλειά της.
να κοιτάζει τη δουλειά της.
01:21
And she lets him do
the final line of sutures.
the final line of sutures.
18
69042
3083
Και τον αφήνει να κάνει
τα τελευταία ράμματα.
τα τελευταία ράμματα.
01:24
Kristen feels great.
19
72833
3042
Η Κρίστεν νιώθει θαυμάσια.
01:28
Patient’s going to be fine,
20
76250
1559
Ο ασθενής θα τα πάει μια χαρά,
01:29
and no doubt she’s a better surgeon
than she was at 6:30.
than she was at 6:30.
21
77833
3167
και αναμφίβολα, είναι καλύτερη χειρουργός
απ' ό,τι ήταν στις 6:30.
απ' ό,τι ήταν στις 6:30.
01:34
Now this is extreme work.
22
82208
2834
Αυτή, βέβαια, είναι μια ακραία δουλειά.
01:37
But Kristin’s learning to do her job
the way that most of us do:
the way that most of us do:
23
85417
3833
Όμως η Κρίστεν μαθαίνει να δουλεύει
όπως και οι περισσότεροι από εμάς:
όπως και οι περισσότεροι από εμάς:
01:41
watching an expert for a bit,
24
89625
1893
παρατηρεί έναν ειδικό για λίγο,
01:43
getting involved in easy,
safe parts of the work
safe parts of the work
25
91542
3142
συμμετέχει στις εύκολες
και ασφαλείς φάσεις της δουλειάς
και ασφαλείς φάσεις της δουλειάς
01:46
and progressing to riskier
and harder tasks
and harder tasks
26
94708
2185
και σταδιακά προχωρά
στα πιο δύσκολα καθήκοντα
στα πιο δύσκολα καθήκοντα
01:48
as they guide and decide she’s ready.
27
96917
2333
καθώς την καθοδηγούν
κι αποφασίζουν ότι είναι έτοιμη.
κι αποφασίζουν ότι είναι έτοιμη.
01:52
My whole life I’ve been fascinated
by this kind of learning.
by this kind of learning.
28
100042
2892
Σε όλη μου τη ζωή, αυτό
το είδος μάθησης με έχει συνεπάρει.
το είδος μάθησης με έχει συνεπάρει.
01:54
It feels elemental,
part of what makes us human.
part of what makes us human.
29
102958
3667
Φαίνεται κάτι το στοιχειώδες,
ένα κομμάτι του μας κάνει ανθρώπους.
ένα κομμάτι του μας κάνει ανθρώπους.
01:59
It has different names: apprenticeship,
coaching, mentorship, on the job training.
coaching, mentorship, on the job training.
30
107750
5417
Έχει διάφορα ονόματα: μαθητεία, προπόνηση,
συμβουλευτική, μάθηση στην πράξη.
συμβουλευτική, μάθηση στην πράξη.
02:05
In surgery, it’s called
“see one, do one, teach one.”
“see one, do one, teach one.”
31
113542
3291
Στο χειρουργείο ονομάζεται:
«δες ένα, κάνε ένα, δίδαξε ένα».
«δες ένα, κάνε ένα, δίδαξε ένα».
02:09
But the process is the same,
32
117625
1344
Μα είναι η ίδια διαδικασία,
02:10
and it’s been the main path to skill
around the globe for thousands of years.
around the globe for thousands of years.
33
118993
4174
και εδώ και χιλιάδες χρόνια,
αποτελεί την πορεία προς την ικανότητα.
αποτελεί την πορεία προς την ικανότητα.
02:16
Right now, we’re handling AI
in a way that blocks that path.
in a way that blocks that path.
34
124333
4500
Την παρούσα στιγμή, χειριζόμαστε την ΤΝ
με τρόπο που μπλοκάρει αυτόν τον δρόμο.
με τρόπο που μπλοκάρει αυτόν τον δρόμο.
02:21
We’re sacrificing learning
in our quest for productivity.
in our quest for productivity.
35
129625
2690
Θυσιάζουμε τη γνώση,
στον βωμό της παραγωγικότητας.
στον βωμό της παραγωγικότητας.
02:25
I found this first in surgery
while I was at MIT,
while I was at MIT,
36
133292
2809
Το κατάλαβα πρώτη φορά
σ' ένα χειρουργείο όσο ήμουν στο ΜΙΤ,
σ' ένα χειρουργείο όσο ήμουν στο ΜΙΤ,
02:28
but now I’ve got evidence
it’s happening all over,
it’s happening all over,
37
136125
2476
μα τώρα έχω αποδείξεις
ότι συμβαίνει παντού,
ότι συμβαίνει παντού,
02:30
in very different industries
and with very different kinds of AI.
and with very different kinds of AI.
38
138625
3875
σε πολύ διαφορετικές βιομηχανίες
και με πολλά διαφορετικά είδη ΤΝ.
και με πολλά διαφορετικά είδη ΤΝ.
02:35
If we do nothing, millions of us
are going to hit a brick wall
are going to hit a brick wall
39
143083
5851
Αν δεν κάνουμε κάτι γι' αυτό,
εκατομμύρια άνθρωποι
θα φτάσουμε σε αδιέξοδο,
θα φτάσουμε σε αδιέξοδο,
02:40
as we try to learn to deal with AI.
40
148958
2417
προσπαθώντας να χειριστούμε
την Τεχνητή Νοημοσύνη.
την Τεχνητή Νοημοσύνη.
Πάμε να δούμε πώς, πίσω στο χειρουργείο.
02:45
Let’s go back to surgery to see how.
41
153125
1772
02:47
Fast forward six months.
42
155708
1935
Πάμε έξι μήνες μπροστά.
02:49
It’s 6:30am again, and Kristen
is wheeling another prostate patient in,
is wheeling another prostate patient in,
43
157667
5476
Και πάλι είναι 6:30, και η Κρίστεν
φέρνει άλλον έναν ασθενή με προστάτη,
φέρνει άλλον έναν ασθενή με προστάτη,
02:55
but this time to the robotic OR.
44
163167
3166
αυτή τη φορά στο ρομποτικό χειρουργείο.
02:59
The attending leads attaching
45
167667
1684
Ο επιβλέπων ξεκινά προσαρτώντας
03:01
a four-armed, thousand-pound
robot to the patient.
robot to the patient.
46
169375
2833
ένα ρομπότ τεσσάρων χεριών,
πεντακοσίων κιλών στον ασθενή.
πεντακοσίων κιλών στον ασθενή.
03:04
They both rip off their scrubs,
47
172750
2434
Και οι δύο βγάζουν τις ποδιές,
03:07
head to control consoles
10 or 15 feet away,
10 or 15 feet away,
48
175208
3125
και κατευθύνονται προς τα χειριστήρια
στα τρία ή τέσσερα μέτρα από εκεί,
στα τρία ή τέσσερα μέτρα από εκεί,
03:11
and Kristen just watches.
49
179167
3750
και η Κρίστεν απλώς παρακολουθεί.
Το ρομπότ αφήνει τον επιβλέποντα
να κάνει όλη τη διαδικασία,
να κάνει όλη τη διαδικασία,
03:16
The robot allows the attending
to do the whole procedure himself,
to do the whole procedure himself,
50
184375
3053
03:19
so he basically does.
51
187452
1583
οπότε και το κάνει.
03:21
He knows she needs practice.
52
189917
2101
Γνωρίζει ότι εκείνη πρέπει να εξασκηθεί.
03:24
He wants to give her control.
53
192042
1583
Θέλει να της δώσει τον έλεγχο.
03:26
But he also knows she’d be slower
and make more mistakes,
and make more mistakes,
54
194250
3393
Μα ξέρει επίσης ότι θα είναι πιο αργή
και θα κάνει περισσότερα λάθη,
και θα κάνει περισσότερα λάθη,
03:29
and his patient comes first.
55
197667
1500
και πάνω απ' όλα είναι ο ασθενής.
03:32
So Kristin has no hope of getting anywhere
near those nerves during this rotation.
near those nerves during this rotation.
56
200250
4625
Έτσι, η Κρίστεν δεν έχει καμία ελπίδα
να πλησιάσει αυτά τα νεύρα.
να πλησιάσει αυτά τα νεύρα.
03:37
She’ll be lucky if she operates more than
15 minutes during a four-hour procedure.
15 minutes during a four-hour procedure.
57
205417
4375
Θα είναι τυχερή αν χειρουργήσει
πάνω από 15 λεπτά σε μια 4ωρη επέμβαση.
πάνω από 15 λεπτά σε μια 4ωρη επέμβαση.
03:42
And she knows that when she slips up,
58
210250
2625
Και ξέρει ότι με το πρώτο λάθος,
03:45
he’ll tap a touch screen,
and she’ll be watching again,
and she’ll be watching again,
59
213458
3042
εκείνος θα πατήσει μια οθόνη αφής
και θα βρεθεί πάλι να κοιτάζει,
και θα βρεθεί πάλι να κοιτάζει,
03:48
feeling like a kid in the corner
with a dunce cap.
with a dunce cap.
60
216917
2625
νιώθοντας σαν τον μαθητή στη γωνία
με το καπέλο τιμωρίας.
με το καπέλο τιμωρίας.
03:53
Like all the studies of robots and work
I’ve done in the last eight years,
I’ve done in the last eight years,
61
221583
3501
Όπως σε κάθε μελέτη για ρομπότ
και κάθε δουλειά μου εδώ και οκτώ χρόνια,
και κάθε δουλειά μου εδώ και οκτώ χρόνια,
άρχισα αυτήν εδώ,
κάνοντας μια ανοικτή ερώτηση:
κάνοντας μια ανοικτή ερώτηση:
03:57
I started this one
with a big, open question:
with a big, open question:
62
225108
2118
03:59
How do we learn to work
with intelligent machines?
with intelligent machines?
63
227250
2792
Πώς μαθαίνουμε να εργαζόμαστε
μαζί με τις ευφυείς μηχανές;
μαζί με τις ευφυείς μηχανές;
04:02
To find out, I spent two and a half years
observing dozens of residents and surgeons
observing dozens of residents and surgeons
64
230792
5809
Για να το βρω, επί 2,5 χρόνια μελετούσα
δεκάδες ειδικευόμενους και χειρουργούς
δεκάδες ειδικευόμενους και χειρουργούς
04:08
doing traditional and robotic surgery,
interviewing them
interviewing them
65
236625
3476
που χειρουργούσαν παραδοσιακά
και ρομποτικά, κάνοντας συνεντεύξεις,
και ρομποτικά, κάνοντας συνεντεύξεις,
04:12
and in general hanging out
with the residents as they tried to learn.
with the residents as they tried to learn.
66
240125
3338
και συζητούσα με τους ειδικευόμενους,
καθώς προσπαθούσαν να μάθουν.
καθώς προσπαθούσαν να μάθουν.
04:16
I covered 18 of the top
US teaching hospitals,
US teaching hospitals,
67
244250
3351
Κάλυψα 18 από τα κορυφαία
Πανεπιστημιακά Νοσοκομεία στις ΗΠΑ,
Πανεπιστημιακά Νοσοκομεία στις ΗΠΑ,
04:19
and the story was the same.
68
247625
1458
και η ιστορία επαναλαμβανόταν.
Οι πιο πολλοί ειδικευόμενοι
ήταν στην ίδια θέση με την Κρίστεν.
ήταν στην ίδια θέση με την Κρίστεν.
04:21
Most residents were in Kristen's shoes.
69
249875
2542
04:24
They got to “see one” plenty,
70
252958
1792
Αναλωνόντουσαν υπερβολικά στο «δες»,
04:27
but the “do one” was barely available.
71
255583
2292
αλλά σχεδόν ποτέ δεν έφταναν στο «κάνε».
04:30
So they couldn’t struggle,
and they weren’t learning.
and they weren’t learning.
72
258333
2528
Δεν πάσχιζαν, και συνεπώς δεν μάθαιναν.
04:33
This was important news for surgeons, but
I needed to know how widespread it was:
I needed to know how widespread it was:
73
261291
3810
Ήταν σημαντικά νέα για τους χειρουργούς,
μα έπρεπε να μάθω πόσο διαδεδομένα ήταν:
μα έπρεπε να μάθω πόσο διαδεδομένα ήταν:
04:37
Where else was using AI
blocking learning on the job?
blocking learning on the job?
74
265125
3833
Πού αλλού η ΤΝ που χρησιμοποιούταν
μπλόκαρε τη μάθηση στην εργασία;
μπλόκαρε τη μάθηση στην εργασία;
04:42
To find out, I’ve connected with a small
but growing group of young researchers
but growing group of young researchers
75
270208
4310
Για να το μάθω, συνδέθηκα με μια μικρή
μα ανερχόμενη ομάδα νέων ερευνητών
μα ανερχόμενη ομάδα νέων ερευνητών
04:46
who’ve done boots-on-the-ground studies
of work involving AI
of work involving AI
76
274542
3434
που έκαναν μελέτες για το ζήτημα
της δουλειάς που περιλαμβάνει χρήση ΤΝ
της δουλειάς που περιλαμβάνει χρήση ΤΝ
04:50
in very diverse settings
like start-ups, policing,
like start-ups, policing,
77
278000
2976
σε ένα ευρύ φάσμα,
όπως οι νέες επιχειρήσεις, η αστυνόμευση,
όπως οι νέες επιχειρήσεις, η αστυνόμευση,
04:53
investment banking and online education.
78
281000
2601
οι τράπεζες επενδύσεις
και η διδασκαλία εξ' αποστάσεως.
και η διδασκαλία εξ' αποστάσεως.
04:55
Like me, they spent at least a year
and many hundreds of hours observing,
and many hundreds of hours observing,
79
283625
5851
Όπως κι εγώ, πέρασαν τουλάχιστον έναν
χρόνο και εκατοντάδες ώρες παρατηρώντας,
χρόνο και εκατοντάδες ώρες παρατηρώντας,
05:01
interviewing and often working
side-by-side with the people they studied.
side-by-side with the people they studied.
80
289500
3917
παίρνοντας συνεντεύξεις και δουλεύοντας
στο πλευρό των ατόμων που μελετούσαν.
στο πλευρό των ατόμων που μελετούσαν.
05:06
We shared data, and I looked for patterns.
81
294458
2417
Ανταλλάξαμε στοιχεία, κι έψαξα για μοτίβα.
05:09
No matter the industry, the work,
the AI, the story was the same.
the AI, the story was the same.
82
297917
5208
Ανεξάρτητα από τη βιομηχανία, την εργασία,
την ΤΝ, η ιστορία επαναλαμβανόταν.
την ΤΝ, η ιστορία επαναλαμβανόταν.
05:16
Organizations were trying harder
and harder to get results from AI,
and harder to get results from AI,
83
304042
3642
Οι οργανισμοί προσπαθούσαν
να δουν αποτελέσματα απ' την ΤΝ
να δουν αποτελέσματα απ' την ΤΝ
05:19
and they were peeling learners away from
expert work as they did it.
expert work as they did it.
84
307708
3542
και κάνοντάς το, απομάκρυναν
τους μαθητευόμενους απ' τους ειδικούς.
τους μαθητευόμενους απ' τους ειδικούς.
Οι διευθυντές νεοφυών εταιριών
ανέθεταν σ' εξωτερικούς συνεργάτες
ανέθεταν σ' εξωτερικούς συνεργάτες
05:24
Start-up managers were outsourcing
their customer contact.
their customer contact.
85
312333
2875
την επαφή με πελάτες.
Οι αστυνομικοί χειριζόντουσαν
τις προβλέψεις εγκλήματος δίχως στήριξη.
τις προβλέψεις εγκλήματος δίχως στήριξη.
05:27
Cops had to learn to deal with crime
forecasts without experts support.
forecasts without experts support.
86
315833
4042
Νέα τραπεζικά στελέχη
δεν είχαν πρόσβαση στη σύνθετη ανάλυση
δεν είχαν πρόσβαση στη σύνθετη ανάλυση
05:32
Junior bankers were getting
cut out of complex analysis,
cut out of complex analysis,
87
320875
3250
και οι ακαδημαϊκοί σχεδίαζαν
διαδικτυακά μαθήματα χωρίς στήριξη.
διαδικτυακά μαθήματα χωρίς στήριξη.
05:36
and professors had to build
online courses without help.
online courses without help.
88
324500
3083
Και οι συνέπειες από όλα αυτά
ήταν ανάλογες με εκείνες στο χειρουργείο.
ήταν ανάλογες με εκείνες στο χειρουργείο.
05:41
And the effect of all of this
was the same as in surgery.
was the same as in surgery.
89
329125
3226
05:44
Learning on the job
was getting much harder.
was getting much harder.
90
332375
2917
Το να μάθεις τη δουλειά
γινόταν ολοένα και δυσκολότερο.
γινόταν ολοένα και δυσκολότερο.
05:48
This can’t last.
91
336958
1417
Αυτό δεν μπορεί να συνεχιστεί.
05:51
McKinsey estimates that between half
a billion and a billion of us
a billion and a billion of us
92
339542
4267
Η McKinsey υπολογίζει
ότι μισό με ένα δισεκατομμύριο από εμάς
ότι μισό με ένα δισεκατομμύριο από εμάς
05:55
are going to have to adapt to AI
in our daily work by 2030.
in our daily work by 2030.
93
343833
4125
θα έχουμε εφαρμόσει την ΤΝ
στην καθημερινή μας δουλειά έως το 2030.
στην καθημερινή μας δουλειά έως το 2030.
06:01
And we’re assuming
that on-the-job learning
that on-the-job learning
94
349000
2011
Και υποθέτουμε ότι η μαθητεία στη δουλειά
06:03
will be there for us as we try.
95
351035
1917
θα είναι εφικτή, καθώς προσπαθούμε.
06:05
Accenture’s latest workers survey showed
that most workers learned key skills
that most workers learned key skills
96
353500
4268
Η Accenture ανακάλυψε ότι οι εργαζόμενοι
απέκτησαν βασικές δεξιότητες
απέκτησαν βασικές δεξιότητες
06:09
on the job, not in formal training.
97
357792
2291
επί τω έργω, και όχι κατά την εκπαίδευση.
06:13
So while we talk a lot about its
potential future impact,
potential future impact,
98
361292
3517
Άρα, καθώς μιλάμε πολύ
για το μελλοντικό αντίκτυπο της ΤΝ,
για το μελλοντικό αντίκτυπο της ΤΝ,
06:16
the aspect of AI
that may matter most right now
that may matter most right now
99
364833
3685
αυτό που έχει περισσότερη σημασία
αυτή τη στιγμή
αυτή τη στιγμή
06:20
is that we’re handling it in a way
that blocks learning on the job
that blocks learning on the job
100
368542
3375
είναι ότι το χειριζόμαστε με τρόπο
που μπλοκάρει τη μάθηση επί τω έργω
που μπλοκάρει τη μάθηση επί τω έργω
06:24
just when we need it most.
101
372375
1625
ακριβώς όταν τη χρειαζόμαστε περισσότερο.
06:27
Now across all our sites,
a small minority found a way to learn.
a small minority found a way to learn.
102
375458
6042
Σε όλες τις τοποθεσίες που ερευνήσαμε,
ένα μικρό ποσοστό κατόρθωσε να μάθει.
ένα μικρό ποσοστό κατόρθωσε να μάθει.
06:35
They did it by breaking and bending rules.
103
383625
3042
Και τα κατάφεραν
παραβιάζοντας τους κανονισμούς.
παραβιάζοντας τους κανονισμούς.
06:39
Approved methods weren’t working,
so they bent and broke rules
so they bent and broke rules
104
387083
4643
Οι εγκεκριμένες μέθοδοι δεν απέδωσαν,
οπότε παραβίασαν τους κανόνες
οπότε παραβίασαν τους κανόνες
για ν' αναμειχθούν
στη δουλειά των ειδικών.
στη δουλειά των ειδικών.
06:43
to get hands-on practice with experts.
105
391750
1976
06:45
In my setting, residents got involved
in robotic surgery in medical school
in robotic surgery in medical school
106
393750
5601
Στον χώρο μου, οι ειδικευόμενοι
ασχολήθηκαν με τις ρομποτικές επεμβάσεις
ασχολήθηκαν με τις ρομποτικές επεμβάσεις
στην Ιατρική Σχολή, σε βάρος
των γενικών τους γνώσεων.
των γενικών τους γνώσεων.
06:51
at the expense
of their generalist education.
of their generalist education.
107
399375
3583
06:56
And they spent hundreds of extra hours
with simulators and recordings of surgery,
with simulators and recordings of surgery,
108
404417
5851
Και αφιέρωσαν πολλές επιπλέον ώρες
με προσομοιώσεις και καταγραφές επεμβάσεων
με προσομοιώσεις και καταγραφές επεμβάσεων
07:02
when you were supposed to learn in the OR.
109
410292
2541
όταν θα έπρεπε να μαθαίνουν
μέσα στο χειρουργείο.
μέσα στο χειρουργείο.
07:05
And maybe most importantly,
they found ways to struggle
they found ways to struggle
110
413375
3476
Και το κυριότερο, ίσως,
είναι ότι μπόρεσαν να αντεπεξέλθουν
είναι ότι μπόρεσαν να αντεπεξέλθουν
07:08
in live procedures
with limited expert supervision.
with limited expert supervision.
111
416875
3750
σε ζωντανές διαδικασίες
με ελάχιστη επιτήρηση απ' τους ειδικούς.
με ελάχιστη επιτήρηση απ' τους ειδικούς.
07:13
I call all this “shadow learning,”
because it bends the rules
because it bends the rules
112
421792
4309
Μου αρέσει να τ' ονομάζω «πλάγια μάθηση»
επειδή παρακάμπτει τους κανόνες
επειδή παρακάμπτει τους κανόνες
07:18
and learner’s do it out of the limelight.
113
426125
2000
και ο μαθητής δεν βρίσκεται στο επίκεντρο.
07:21
And everyone turns a blind eye
because it gets results.
because it gets results.
114
429542
4101
Και όλοι κάνουν τα στραβά μάτια,
επειδή αποδίδει καρπούς.
επειδή αποδίδει καρπούς.
07:25
Remember, these are
the star pupils of the bunch.
the star pupils of the bunch.
115
433667
3166
Να θυμάστε, αυτοί είναι τα «αστέρια»
της φουρνιάς των φοιτητών.
της φουρνιάς των φοιτητών.
07:29
Now, obviously, this is not OK,
and it’s not sustainable.
and it’s not sustainable.
116
437792
3208
Προφανώς, αυτό δεν είναι ούτε αποδεκτό,
μα ούτε και βιώσιμο.
μα ούτε και βιώσιμο.
07:33
No one should have to risk getting fired
117
441708
2185
Κανείς δεν θα 'πρεπε
να ρισκάρει ν' απολυθεί,
να ρισκάρει ν' απολυθεί,
07:35
to learn the skills
they need to do their job.
they need to do their job.
118
443917
2150
για να μάθει πώς να κάνει
σωστά τη δουλειά του.
σωστά τη δουλειά του.
07:38
But we do need to learn from these people.
119
446792
2056
Πρέπει να παραδειγματιστούμε απ' αυτούς.
07:41
They took serious risks to learn.
120
449917
2250
Διακινδύνευσαν πολλά για να μάθουν.
07:44
They understood they needed to protect
struggle and challenge in their work
struggle and challenge in their work
121
452792
4351
Κατανόησαν ότι έπρεπε ν' αντιμετωπίσουν
δυσκολίες και προκλήσεις στη δουλειά τους
δυσκολίες και προκλήσεις στη δουλειά τους
για να πιέσουν τον εαυτό τους
και ν' αντιμετωπίσουν προβλήματα
και ν' αντιμετωπίσουν προβλήματα
07:49
so that they could push themselves
to tackle hard problems
to tackle hard problems
122
457167
2892
07:52
right near the edge of their capacity.
123
460083
1959
που τους έφερναν σχεδόν στα όριά τους.
07:54
They also made sure
there was an expert nearby
there was an expert nearby
124
462458
2216
Ακόμα, βεβαιώνονταν
ότι ήταν κοντά ένας έμπειρος
ότι ήταν κοντά ένας έμπειρος
07:56
to offer pointers and to backstop
against catastrophe.
against catastrophe.
125
464698
3094
για να τους καθοδηγεί
και ν' αποτρέπει την καταστροφή.
και ν' αποτρέπει την καταστροφή.
08:00
Let’s build this combination
of struggle and expert support
of struggle and expert support
126
468875
3458
Ας εμφυτεύσουμε τον συνδυασμό
του αγώνα και της υποστήριξης των ειδικών
του αγώνα και της υποστήριξης των ειδικών
08:04
into each AI implementation.
127
472708
2750
σε κάθε εφαρμογή ΤΝ.
08:08
Here’s one clear example
I could get of this on the ground.
I could get of this on the ground.
128
476375
2828
Εδώ έχουμε ένα σαφές παράδειγμα
για ν' αναλύσουμε.
για ν' αναλύσουμε.
08:12
Before robots,
129
480125
1226
Πριν τα ρομπότ,
08:13
if you were a bomb disposal technician,
you dealt with an IED by walking up to it.
you dealt with an IED by walking up to it.
130
481375
4792
αν εξουδετερώνατε βόμβες, είχατε επαφή
με Ευφυείς Ηλεκτρονικές Διατάξεις.
με Ευφυείς Ηλεκτρονικές Διατάξεις.
08:19
A junior officer was
hundreds of feet away,
hundreds of feet away,
131
487333
2143
Ένας κατώτερος αξιωματικός
ήταν σε μεγάλη απόσταση
ήταν σε μεγάλη απόσταση
08:21
so could only watch and help
if you decided it was safe
if you decided it was safe
132
489500
3309
ώστε μπορούσε μόνο να βλέπει
και να βοηθάει μόνο αν το κρίνατε ασφαλές
και να βοηθάει μόνο αν το κρίνατε ασφαλές
08:24
and invited them downrange.
133
492833
1417
και τον καλούσατε κοντά σας.
08:27
Now you sit side-by-side
in a bomb-proof truck.
in a bomb-proof truck.
134
495208
3893
Τώρα, κάθεστε δίπλα-δίπλα
σε ένα ένα ασφαλές καταφύγιο.
σε ένα ένα ασφαλές καταφύγιο.
08:31
You both watched the video feed.
135
499125
1809
Και οι δύο είδατε τη ροή των βίντεο.
08:32
They control a distant robot,
and you guide the work out loud.
and you guide the work out loud.
136
500958
4310
Χειρίζονται από μακριά ένα ρομπότ,
κι εσείς τους καθοδηγείτε φωνάζοντας.
κι εσείς τους καθοδηγείτε φωνάζοντας.
08:37
Trainees learn better than they
did before robots.
did before robots.
137
505292
3208
Οι μαθητές μαθαίνουν καλύτερα
σε σχέση με την εποχή πριν την ΤΝ.
σε σχέση με την εποχή πριν την ΤΝ.
08:41
We can scale this to surgery,
start-ups, policing,
start-ups, policing,
138
509125
3933
Μπορούμε να το επεκτείνουμε
στο χειρουργείο, τις νεοφυείς εταιρίες,
στο χειρουργείο, τις νεοφυείς εταιρίες,
την αστυνόμευση, τις τραπεζικές
επενδύσεις, τη διδασκαλία εξ' αποστάσεως.
επενδύσεις, τη διδασκαλία εξ' αποστάσεως.
08:45
investment banking,
online education and beyond.
online education and beyond.
139
513082
2625
08:48
The good news is
we’ve got new tools to do it.
we’ve got new tools to do it.
140
516375
2500
Ευτυχώς, έχουμε νέα εργαλεία
για να το καταφέρουμε.
για να το καταφέρουμε.
08:51
The internet and the cloud mean we don’t
always need one expert for every trainee,
always need one expert for every trainee,
141
519750
4082
Με το διαδίκτυο, δεν χρειάζεται πάντα
να υπάρχει ένας ειδικός ανά εκπαιδευόμενο,
να υπάρχει ένας ειδικός ανά εκπαιδευόμενο,
08:56
for them to be physically near each other
or even to be in the same organization.
or even to be in the same organization.
142
524167
4458
να βρίσκεται στον ίδιο χώρο μ' εκείνον
ή και να δουλεύουν για την ίδια οργάνωση.
ή και να δουλεύουν για την ίδια οργάνωση.
09:01
And we can build AI to help:
143
529292
3041
Και μπορούμε να βελτιώσουμε
την ΤΝ για να συμβάλει:
την ΤΝ για να συμβάλει:
09:05
to coach learners as they struggle,
to coach experts as they coach
to coach experts as they coach
144
533167
5059
στην καθοδήγηση μαθητευόμενων,
στην υποστήριξη των ειδικών που διδάσκουν,
στην υποστήριξη των ειδικών που διδάσκουν,
09:10
and to connect those two groups
in smart ways.
in smart ways.
145
538250
2542
και να συνδέσει αυτές
τις δύο ομάδες με έξυπνο τρόπο.
τις δύο ομάδες με έξυπνο τρόπο.
09:15
There are people at work
on systems like this,
on systems like this,
146
543375
2542
Υπάρχουν άτομα που
δουλεύουν αυτά τα συστήματα,
δουλεύουν αυτά τα συστήματα,
09:18
but they’ve been mostly focused
on formal training.
on formal training.
147
546333
2792
αλλά επικεντρώνονται κυρίως
στους τίτλους εκπαίδευσης.
στους τίτλους εκπαίδευσης.
09:21
And the deeper crisis
is in on-the-job learning.
is in on-the-job learning.
148
549458
2584
Το κυριότερο πρόβλημα
είναι η μάθηση στην εργασία.
είναι η μάθηση στην εργασία.
09:24
We must do better.
149
552417
1851
Πρέπει να βελτιωθούμε.
09:26
Today’s problems demand we do better
150
554292
2583
Τα τωρινά προβλήματα καθιστούν
επιτακτική τη βελτίωση,
επιτακτική τη βελτίωση,
09:29
to create work that takes full advantage
of AI’s amazing capabilities
of AI’s amazing capabilities
151
557375
4875
για να εκμεταλλευτούμε στο έπακρο
τις εκπληκτικές ικανότητες της ΤΝ
τις εκπληκτικές ικανότητες της ΤΝ
09:35
while enhancing our skills as we do it.
152
563042
2750
ενώ παράλληλα εμπλουτίζουμε τη γνώση μας.
09:38
That’s the kind of future
I dreamed of as a kid.
I dreamed of as a kid.
153
566333
2750
Αυτό είναι το μέλλον
που ονειρευόμουν, όταν ήμουν παιδί.
που ονειρευόμουν, όταν ήμουν παιδί.
09:41
And the time to create it is now.
154
569458
2167
Και η στιγμή για να το φτιάξουμε, έφτασε.
09:44
Thank you.
155
572333
1226
Σας ευχαριστώ.
09:45
(Applause)
156
573583
3625
(Χειροκρότημα)
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