ABOUT THE SPEAKER
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.

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.

More profile about the speaker
Matt Beane | Speaker | TED.com
TED Salon Zebra Technologies

Matt Beane: How do we learn to work with intelligent machines?

مت بین: چگونه کار کردن با ماشین‌های هوشمند را یاد‌ می‌گیریم؟

Filmed:
1,770,815 views

راه مهارت پیدا کردن برای هزاران سال در سرتاسر جهان یکسان بوده است: زیر نظر یک متخصص آموزش ببین و کار‌های ساده‌تر و کوچکتر را قبل از کار‌های سخت‌تر و پر خطر انتخاب کن. اما هم‌اکنون، ما از هوش مصنوعی به گونه‌ای استفاده می‌کنیم که این مسیر را تغییر می‌دهد -- و نهایتاً یادگیری در مسیر ما بسوی بهره‌وری قربانی خواهد شد، این موضوع را تبارشناس سازمانی، «مت بین» عنوان می‌کند. چه می‌شود کرد؟ بین، نگاهی را با ما درمیان می‌گذارد که داستان امروز ما را به یکی از آموزش‌های توسعه یافته با کمک رایانه تغییر دهد، و با استفاده از توانایی‌های خارق‌العاده هوش مصنوعی مهارت‌های ما هم توسعه یابد.
- 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

Double-click the English transcript below to play the video.

00:13
It’s 6:30 in the morningصبح,
0
1292
1875
ساعت۶:۳۰ صبح است،
00:15
and Kristenکریستن is wheelingچرخیدن
her prostateپروستات patientصبور into the OR.
1
3583
4875
و کریستین بیمار پروستاتش را
روی صندلی چرخدار به سوی اتاق عمل می‌برد.
00:21
She's a residentساکن, a surgeonجراح in trainingآموزش.
2
9500
2250
او رزیدنت است، جراحی در حال آموزش دیدن.
00:24
It’s her jobکار to learnیاد گرفتن.
3
12333
2167
کارش یاد گرفتن است.
00:27
Todayامروز, she’s really hopingامید to do
some of the nerve-sparingعصبانیت,
4
15292
3351
امروز، خیلی امیدوار است تا بتواند
کار بازسازی عصب انجام دهد،
00:30
extremelyفوق العاده delicateظریف dissectionمحصور کردن
that can preserveحفظ erectileنعوظ functionعملکرد.
5
18667
3875
برشی بی‌نهایت دقیق که می‌تواند
توانایی نعوظ را حفظ کند.
00:35
That'llاین be up to the attendingشرکت کننده surgeonجراح,
thoughگرچه, but he's not there yetهنوز.
6
23500
3338
این کار جراح اصلی است،
اگرچه، هنوز به آنجا نرسیده.
00:39
She and the teamتیم put the patientصبور underزیر,
7
27625
2393
او به همراه گروه مریض را بیهوش کردند،
00:42
and she leadsمنجر می شود the initialاولیه eight-inchهشت اینچ
incisionبرش in the lowerپایین تر abdomenشکم.
8
30042
3708
و او برش ۲۰ سانتی‌متری را
در ناحیه زیر شکم انجام داد.
00:47
Onceیک بار she’s got that clampedبروید، back,
she tellsمی گوید the nurseپرستار to call the attendingشرکت کننده.
9
35042
3586
وقتی که آن را محکم کرد،
به پرستار گفت تا جراح اصلی را صدا کند.
00:51
He arrivesمی رسد, gownsلباس up,
10
39583
2292
او، با لباس مخصوص آمد،
00:54
And from there on in, theirخودشان fourچهار handsدست ها
are mostlyاغلب in that patientصبور --
11
42458
5792
و از آنجا به بعد، چهار دست
آن‌ها بیشتر داخل بیمار بود --
01:00
with him guidingهدایت
but Kristinکریستین leadingمنتهی شدن the way.
12
48708
2917
او راهنمایی می‌کرد
اما کریستین هدایت می‌کرد.
01:04
When the prostatesprostates out (and, yes,
he let Kristenکریستن do a little nerveعصب sparingصرفه جویی),
13
52875
4643
وقتی پروستات بیرون آمد (بله، او اجازه
داد تا کریستین کمی بازسازی عصب انجام دهد،)
01:09
he ripsریپس off his scrubsاسکراب.
14
57542
1226
روکش لباسش را پاره کرد.
01:10
He startsشروع می شود to do paperworkکاغذکاری.
15
58792
1375
کار‌های نوشتاری را شروع کرد.
01:12
Kristenکریستن closesبسته می شود the patientصبور by 8:15,
16
60833
5375
و کریستین بستن بخیه‌های
بیمار را در ساعت ۸:۱۵،
01:18
with a juniorجوان residentساکن
looking over her shoulderشانه.
17
66583
2435
وقتی که یک رزیدنت تازه‌کار
از او یاد می‌گرفت، تمام کرد.
01:21
And she letsاجازه می دهد him do
the finalنهایی lineخط of suturesبخیه.
18
69042
3083
و اجازه داد تا آخرین خط
بخیه‌ها را او انجام دهد.
01:24
Kristenکریستن feelsاحساس می کند great.
19
72833
3042
کریستین خیلی خوشحال بود.
01:28
Patientصبور’s going to be fine,
20
76250
1559
حال مریض خوب بود،
01:29
and no doubtشک she’s a better surgeonجراح
than she was at 6:30.
21
77833
3167
و شکی نبود که از ساعت ۶:۳۰
حالا جراح بهتری شده بود.
01:34
Now this is extremeمفرط work.
22
82208
2834
این کاری سخت است.
01:37
But Kristinکریستین’s learningیادگیری to do her jobکار
the way that mostاکثر of us do:
23
85417
3833
اما کریستین کارش را به شکلی یاد می‌گیرد
که بیشتر ما همین مسیر را رفته‌ایم:
01:41
watchingتماشا کردن an expertکارشناس for a bitبیت,
24
89625
1893
کمی به متخصص نگاه کن،
01:43
gettingگرفتن involvedگرفتار in easyآسان,
safeبی خطر partsقطعات of the work
25
91542
3142
درگیر قسمت‌های ساده و کم خطر کار بشو
01:46
and progressingپیشرفت to riskierخطرناک تر
and harderسخت تر tasksوظایف
26
94708
2185
و بتدریج کار‌های سخت‌تر و پر‌خطر‌تر را
01:48
as they guideراهنما and decideتصميم گرفتن she’s readyآماده.
27
96917
2333
وقتی که دیدند و تصمیم گرفتند
که آماده‌ای انجام بده.
01:52
My wholeکل life I’veبله been fascinatedمجذوب
by this kindنوع of learningیادگیری.
28
100042
2892
تمام زندگی‌ام مجذوب
این شیوه از آموزش بودم.
01:54
It feelsاحساس می کند elementalعنصری,
partبخشی of what makesباعث می شود us humanانسان.
29
102958
3667
حسی از مقدم بودن دارد،
جزیی از آنچه ما را انسان می‌کند.
01:59
It has differentناهمسان namesنام ها: apprenticeshipدوره کار آموزی,
coachingمربیگری, mentorshipمربیگری, on the jobکار trainingآموزش.
30
107750
5417
نام‌های متفاوتی دارد: کارآموزی،
مربی‌گری، راهبری، آموزش در کار.
02:05
In surgeryعمل جراحي, it’s calledبه نام
“see one, do one, teachتدریس کنید one.”
31
113542
3291
در جراحی، می‌گویند
«یکی ببین، یکی انجام بده، به یکی یاد بده».
02:09
But the processروند is the sameیکسان,
32
117625
1344
اما فرآیندش همان است،
02:10
and it’s been the mainاصلی pathمسیر to skillمهارت
around the globeجهان for thousandsهزاران نفر of yearsسالها.
33
118993
4174
و شیوه اصلی یادگیری مهارت
برای هزاران سال در جهان بوده است.
02:16
Right now, we’reدوباره handlingرسیدگی AIAI
in a way that blocksبلوک ها that pathمسیر.
34
124333
4500
هم‌اکنون، هوش مصنوعی را بگونه‌ای استفاده
می‌کنیم که جلوی این راه را می‌گیرد.
02:21
We’reدوباره sacrificingقربانی کردن learningیادگیری
in our questجستجو for productivityبهره وری.
35
129625
2690
ما آموزش را قربانی بهره‌وری می‌کنیم.
02:25
I foundپیدا شد this first in surgeryعمل جراحي
while I was at MITMIT,
36
133292
2809
من اولین بار این را در جراحی
وقتی که در ام آی تی بودم فهمیدم،
02:28
but now I’veبله got evidenceشواهد
it’s happeningاتفاق می افتد all over,
37
136125
2476
اما الان شواهدی دارم
که همه جا اتفاق می‌افتد،
02:30
in very differentناهمسان industriesصنایع
and with very differentناهمسان kindsانواع of AIAI.
38
138625
3875
در صنایعی بسیار متفاوت
و با نوع متفاوتی از هوش مصنوعی.
02:35
If we do nothing, millionsمیلیون ها نفر of us
are going to hitاصابت a brickآجر wallدیوار
39
143083
5851
اگر کاری نکنیم، میلیون‌ها نفر از ما
با دیواری آجری برخورد خواهند کرد
02:40
as we try to learnیاد گرفتن to dealمعامله with AIAI.
40
148958
2417
تا بخواهیم استفاده از آن را یاد بگیریم.
02:45
Let’s go back to surgeryعمل جراحي to see how.
41
153125
1772
برای دیدن دلیل آن
بیایید به جراحی بر‌گردیم.
02:47
Fastسریع forwardرو به جلو sixشش monthsماه ها.
42
155708
1935
اگر شش ماه به جلو برویم.
02:49
It’s 6:30am again, and Kristenکریستن
is wheelingچرخیدن anotherیکی دیگر prostateپروستات patientصبور in,
43
157667
5476
دوباره ساعت ۶:۳۰ صبح است، و کریستن
بیمار پروستات دیگری را برای جراحی می‌برد،
02:55
but this time to the roboticروباتیک OR.
44
163167
3166
اما این بار به اتاق جراحی رباتیک.
02:59
The attendingشرکت کننده leadsمنجر می شود attachingپیوستن
45
167667
1684
دستیار‌های اتاق عمل
03:01
a four-armedچهار مخالف مسلح دولت, thousand-poundهزار پوند
robotربات to the patientصبور.
46
169375
2833
یک ربات چهار دست ۵۰۰ کیلویی را
به بیمار متصل می‌کنند.
03:04
They bothهر دو ripپاره كردن off theirخودشان scrubsاسکراب,
47
172750
2434
هر دوشان روپوش پلاستیکی را پاره می‌کنند،
03:07
headسر to controlکنترل consolesکنسول ها
10 or 15 feetپا away,
48
175208
3125
و به سمت کنسول هدایت می‌روند
که ۳ یا ۴/۵ متر دورتر است،
03:11
and Kristenکریستن just watchesساعت.
49
179167
3750
و کریستن فقط نگاه می‌کند.
03:16
The robotربات allowsاجازه می دهد the attendingشرکت کننده
to do the wholeکل procedureروش himselfخودت,
50
184375
3053
ربات اجازه می‌دهد تا جراح
خودش تمامی عمل را انجام دهد،
03:19
so he basicallyاساسا does.
51
187452
1583
که اساسا این کار را می‌کند.
03:21
He knowsمی داند she needsنیاز دارد practiceتمرین.
52
189917
2101
او می‌داند که کریستن نیاز به تمرین دارد.
03:24
He wants to give her controlکنترل.
53
192042
1583
می‌خواهد که هدایت را به بسپارد.
03:26
But he alsoهمچنین knowsمی داند she’d be slowerآرام تر
and make more mistakesاشتباهات,
54
194250
3393
اما می‌داند که کندتر است
و اشتباهات بیشتری خواهد کرد،
03:29
and his patientصبور comesمی آید first.
55
197667
1500
و مریض مهمتر است.
03:32
So Kristinکریستین has no hopeامید of gettingگرفتن anywhereهر جا
nearنزدیک those nervesاعصاب duringدر حین this rotationچرخش.
56
200250
4625
پس کریستین امیدی برای نزدیک شدن به
آن عصب‌ها در این مرحله ندارد.
03:37
She’llll be luckyخوش شانس if she operatesعمل می کند more than
15 minutesدقایق duringدر حین a four-hourچهار ساعت procedureروش.
57
205417
4375
اگر بتواند ۱۵ دقیقه در یک عمل چهار ساعته
جراحی کند شانس آورده است.
03:42
And she knowsمی داند that when she slipsلغزش up,
58
210250
2625
و وقتی که اشتباه می‌کند این را می‌داند،
03:45
he’llll tapشیر a touchدست زدن به screenصفحه نمایش,
and she’llll be watchingتماشا کردن again,
59
213458
3042
جراح روی صفحه لمسی را فشار می‌دهد،
و او دوباره تماشا می‌کند،
03:48
feelingاحساس like a kidبچه in the cornerگوشه
with a dunceاستدلال capکلاه لبه دار.
60
216917
2625
احساسی شبیه به تنبل‌هایی
که کنار در کلاس می‌ایستند.
03:53
Like all the studiesمطالعات of robotsروبات ها and work
I’veبله doneانجام شده in the last eightهشت yearsسالها,
61
221583
3501
مانند تمام تحقیق‌هایی که در باره ربات‌ها
و کار در هشت سال اخیر انجام دادم،
03:57
I startedآغاز شده this one
with a bigبزرگ, openباز کن questionسوال:
62
225108
2118
این یکی را هم با یک سوال بزرگ شروع کردم:
03:59
How do we learnیاد گرفتن to work
with intelligentباهوش - هوشمند machinesماشین آلات?
63
227250
2792
چطور کار کردن با ماشین‌های
هوشمند را یاد می‌گیریم؟
04:02
To find out, I spentصرف شده two and a halfنیم yearsسالها
observingرعایت dozensده ها of residentsساکنان and surgeonsجراحان
64
230792
5809
برای فهمیدنش، دوسال و نیم را به بررسی
ده‌ها رزیدنت و جراح گذراندم
04:08
doing traditionalسنتی and roboticروباتیک surgeryعمل جراحي,
interviewingمصاحبه them
65
236625
3476
که جراحی‌های معمولی و رباتیک
انجام می‌دادند، با آن‌ها مصاحبه کردم
04:12
and in generalعمومی hangingحلق آویز out
with the residentsساکنان as they triedتلاش کرد to learnیاد گرفتن.
66
240125
3338
و با رزیدنت‌هایی که می‌خواستند
یاد بگیرند رفت و آمد کردم.
04:16
I coveredپوشش داده شده 18 of the topبالا
US teachingدرس دادن hospitalsبیمارستان ها,
67
244250
3351
۱۸ بیمارستان سطح بالای آموزشی
در آمریکا در بررسی من بودند،
04:19
and the storyداستان was the sameیکسان.
68
247625
1458
و داستان همه جا یکی بود.
04:21
Mostاکثر residentsساکنان were in Kristen'sکریستن shoesکفش.
69
249875
2542
شرایط بیشتر رزیدنت‌ها شبیه به کریستن بود.
04:24
They got to “see one” plentyفراوانی,
70
252958
1792
امکان «دیدنش» خیلی زیاد بود،
04:27
but the “do one” was barelyبه سختی availableدر دسترس است.
71
255583
2292
ولی «انجام دادنش» به سختی ممکن.
04:30
So they couldnنمی توانستم’t struggleتقلا,
and they werenweren’t learningیادگیری.
72
258333
2528
در نتیجه تلاش زیادی نمی‌کردند،
و چیزی هم یاد نمی‌گرفتند.
04:33
This was importantمهم newsاخبار for surgeonsجراحان, but
I neededمورد نیاز است to know how widespreadبطور گسترده it was:
73
261291
3810
برای جراحان این خبر مهمی بود، اما باید
می‌فهمیدم که این موضوع چقدر گسترده است؟
04:37
Where elseچیز دیگری was usingاستفاده كردن AIAI
blockingمسدود کردن learningیادگیری on the jobکار?
74
265125
3833
چه جا‌های دیگری استفاده از هوش مصنوعی
مانع از آموزش در کار شده؟
04:42
To find out, I’veبله connectedمتصل with a smallکوچک
but growingدر حال رشد groupگروه of youngجوان researchersمحققان
75
270208
4310
برای فهمیدنش، با گروه کوچک
اما در حال رشدی از محققین مرتبط شدم
04:46
who’veبله doneانجام شده boots-on-the-groundچکمه بر روی زمین studiesمطالعات
of work involvingکه شامل AIAI
76
274542
3434
که کار‌های میدانی در استفاده از هوش مصنوعی
04:50
in very diverseمتنوع settingsتنظیمات
like start-upsراه اندازی, policingپلیس,
77
278000
2976
در موضوعات خیلی مختلفی مانند
استارت آپ‌ها، نیروی انتظامی،
04:53
investmentسرمایه گذاری bankingبانکداری and onlineآنلاین educationتحصیلات.
78
281000
2601
بانکداری سرمایه‌ای
و آموزش از راه دور انجام می‌دادند.
04:55
Like me, they spentصرف شده at leastکمترین a yearسال
and manyبسیاری hundredsصدها of hoursساعت ها observingرعایت,
79
283625
5851
مثل من، حداقل یکسال و صدها ساعت
مشاهده انجام داده بودند،
05:01
interviewingمصاحبه and oftenغالبا workingکار کردن
side-by-sideکنار سمت with the people they studiedمورد مطالعه قرار گرفت.
80
289500
3917
مصاحبه و اغلب کار در کنار
آدم‌هایی که رویشان تحقیق می‌کردند.
05:06
We sharedبه اشتراک گذاشته شده dataداده ها, and I lookedنگاه کرد for patternsالگوها.
81
294458
2417
ما اطلاعاتمان را با هم به اشتراک گذاشتیم
و من به الگو‌ها توجه کردم.
05:09
No matterموضوع the industryصنعت, the work,
the AIAI, the storyداستان was the sameیکسان.
82
297917
5208
مهم نبود که کار هوش مصنوعی
در چه موضوعی است، داستان مشابه بود.
05:16
Organizationsسازمان های were tryingتلاش کن harderسخت تر
and harderسخت تر to get resultsنتایج from AIAI,
83
304042
3642
سازمان‌ها بیشتر و بیشتر سعی می‌کردند تا
از هوش مصنوعی نتیجه بگیرند،
05:19
and they were peelingلایه برداری learnersزبان آموزان away from
expertکارشناس work as they did it.
84
307708
3542
و هرچه بیشتر کارآموزان را
از کار تخصصی دور می‌کردند.
05:24
Start-upراه اندازی managersمدیران were outsourcingبرون سپاری
theirخودشان customerمشتری contactتماس.
85
312333
2875
مدیران استارت آپ‌ها قرارداد
مشتریان‌شان را برون سپاری می‌کردند.
05:27
Copsپلیس had to learnیاد گرفتن to dealمعامله with crimeجرم
forecastsپیش بینی ها withoutبدون expertsکارشناسان supportحمایت کردن.
86
315833
4042
پلیس باید استفاده از سیستم‌های پیش بینی
جرایم را بدون پشتیبانی متخصصین بیاموزد.
05:32
Juniorتازه وارد bankersبانکداران were gettingگرفتن
cutبرش out of complexپیچیده analysisتحلیل و بررسی,
87
320875
3250
خرده بانکدار‌ها از توانایی
تحلیل‌های پیشرفته محروم می‌شوند،
05:36
and professorsاساتید had to buildساختن
onlineآنلاین coursesدوره های آموزشی withoutبدون help.
88
324500
3083
و استادان باید دروس آموزش
از راه دور را بدون کمک بسازند.
05:41
And the effectاثر of all of this
was the sameیکسان as in surgeryعمل جراحي.
89
329125
3226
و تاثیر همه این‌ها مانند جراحی است.
05:44
Learningیادگیری on the jobکار
was gettingگرفتن much harderسخت تر.
90
332375
2917
کارآموزی هر روز سخت‌تر می‌شود.
05:48
This can’t last.
91
336958
1417
این نمی‌تواند ادامه پیدا کند.
05:51
McKinseyمک کینزی estimatesتخمین می زند that betweenبین halfنیم
a billionبیلیون and a billionبیلیون of us
92
339542
4267
مَکنزی پیش‌بینی می‌کند که
بین نیم تا یک میلیارد نفر از ما
05:55
are going to have to adaptانطباق to AIAI
in our dailyروزانه work by 2030.
93
343833
4125
باید هوش مصنوعی را
در کار‌های خود تا ۲۰۳۰ وارد کنیم.
06:01
And we’reدوباره assumingبا فرض اینکه
that on-the-jobدر محل کار learningیادگیری
94
349000
2011
و ما فرض می‌کنیم که آموزش در کار
06:03
will be there for us as we try.
95
351035
1917
در آن موقع قابل استفاده خواهد بود.
06:05
AccentureAccenture’s latestآخرین workersکارگران surveyنظر سنجی showedنشان داد
that mostاکثر workersکارگران learnedیاد گرفتم keyکلیدی skillsمهارت ها
96
353500
4268
بررسی از کارمندان «اَکسنچر» نشان می‌دهد
که بیشتر کارکنان مهارت‌های اصلی خود را
06:09
on the jobکار, not in formalرسمی trainingآموزش.
97
357792
2291
در کار آموخته‌اند، نه در آموزش‌های رسمی.
06:13
So while we talk a lot about its
potentialپتانسیل futureآینده impactتأثیر,
98
361292
3517
حالا که درباره تاثیرات
آینده آن صحبت می‌کنیم،
06:16
the aspectجنبه of AIAI
that mayممکن است matterموضوع mostاکثر right now
99
364833
3685
بیشتر ویژگی‌های هوش صنوعی که
همین حالا خیلی مهم است
06:20
is that we’reدوباره handlingرسیدگی it in a way
that blocksبلوک ها learningیادگیری on the jobکار
100
368542
3375
این است که ما بگونه‌ای عمل می‌کنیم
که مانع از آموزش در حین کار می‌شود
06:24
just when we need it mostاکثر.
101
372375
1625
درست وقتی که به آن خیلی نیاز داریم.
06:27
Now acrossدر سراسر all our sitesسایت های,
a smallکوچک minorityاقلیت foundپیدا شد a way to learnیاد گرفتن.
102
375458
6042
حالا میان همه این محل‌ها، اقلیت کوچکی
راهی برای آموزش پیدا کرده است.
06:35
They did it by breakingشکستن and bendingخم شدن rulesقوانین.
103
383625
3042
و آن را با تغییر و شکستن
قواعد انجام داده‌اند.
06:39
Approvedتایید methodsمواد و روش ها werenweren’t workingکار کردن,
so they bentخم شده and brokeشکست rulesقوانین
104
387083
4643
راه‌های مورد قبول کار نمی‌کنند،
پس آن‌ها قواعد را شکستند و تغییر دادند
06:43
to get hands-onدست در practiceتمرین with expertsکارشناسان.
105
391750
1976
تا بتوانند تجربه‌های عملی
با متخصصین ایجاد کند.
06:45
In my settingتنظیمات, residentsساکنان got involvedگرفتار
in roboticروباتیک surgeryعمل جراحي in medicalپزشکی schoolمدرسه
106
393750
5601
در مورد من، رزیدنت‌ها در آموزشگاه‌های
پزشکی مشغول به عمل‌های رباتیک شدند
06:51
at the expenseهزینه
of theirخودشان generalistمتخصص عمومی educationتحصیلات.
107
399375
3583
به هزینه آموزش‌های عمومی‌شان.
06:56
And they spentصرف شده hundredsصدها of extraاضافی hoursساعت ها
with simulatorsشبیه سازها and recordingsضبط of surgeryعمل جراحي,
108
404417
5851
و آن‌ها صدها ساعت اضافه را در شبیه‌ساز‌ها
و بررسی نوار‌های ضبط شده گذراندند،
07:02
when you were supposedقرار است to learnیاد گرفتن in the OR.
109
410292
2541
چیزی که باید در اتاق عمل یاد بگیری.
07:05
And maybe mostاکثر importantlyمهم است,
they foundپیدا شد waysراه ها to struggleتقلا
110
413375
3476
و شاید از همه مهمتر،
آن‌ها راهی برای تلاش
07:08
in liveزنده proceduresروش ها
with limitedمحدود expertکارشناس supervisionنظارت.
111
416875
3750
در عمل‌های واقعی با کمترین
نظارت متخصص پیدا کردند.
07:13
I call all this “shadowسایه learningیادگیری,”
because it bendsخم می شود the rulesقوانین
112
421792
4309
من نام این را «آموزش در سایه»
گذاشته‌ام، چون قوانین را تغییر می‌دهد
07:18
and learnerیادگیرنده’s do it out of the limelightلایت لایت.
113
426125
2000
و کارآموزان این کار را
مخفیانه انجام می‌دهند.
07:21
And everyoneهر کس turnsچرخش a blindنابینا eyeچشم
because it getsمی شود resultsنتایج.
114
429542
4101
و همه بخاطر اینکه نتیجه بخش است
خود را به ندیدن می‌زنند.
07:25
Rememberیاد آوردن, these are
the starستاره pupilsدانش آموزان of the bunchدسته ای.
115
433667
3166
یادتان باشد، این‌ها
همه گل‌های سرسبد هستند.
07:29
Now, obviouslyبدیهی است, this is not OK,
and it’s not sustainableپایدار.
116
437792
3208
مشخصا، این کار درست نیست،
و مناسب هم نیست.
07:33
No one should have to riskخطر gettingگرفتن firedاخراج شد
117
441708
2185
هیچکس نباید در خطر اخراج باشد
07:35
to learnیاد گرفتن the skillsمهارت ها
they need to do theirخودشان jobکار.
118
443917
2150
تا مهارت‌های لازم
برای انجام کار را پیدا کند.
07:38
But we do need to learnیاد گرفتن from these people.
119
446792
2056
اما ما باید از این‌ها یاد بگیریم.
07:41
They tookگرفت seriousجدی risksخطرات to learnیاد گرفتن.
120
449917
2250
که برای آموختن،
خطرات واقعی را پذیرفته‌اند.
07:44
They understoodفهمید they neededمورد نیاز است to protectمحافظت
struggleتقلا and challengeچالش in theirخودشان work
121
452792
4351
فهمیده‌اند که تلاش و چالش را
در محیط کارشان نگه‌دارند
07:49
so that they could pushفشار دادن themselvesخودشان
to tackleبرخورد با hardسخت problemsمشکلات
122
457167
2892
تا بتوانند به خود برای حل
مشکلات سخت فشار بیاورند
07:52
right nearنزدیک the edgeلبه - تیزی of theirخودشان capacityظرفیت.
123
460083
1959
درست تا اندازه ظرفیت‌شان.
07:54
They alsoهمچنین madeساخته شده sure
there was an expertکارشناس nearbyدر نزدیکی
124
462458
2216
همچنین مطمئن می‌شدند
که متخصصی در دسترس هست
07:56
to offerپیشنهاد pointersاشاره گرها and to backstopbackstop
againstدر برابر catastropheفاجعه.
125
464698
3094
تا راهنمایی کند و در صورت نیاز
از فاجعه جلوگیری کند.
08:00
Let’s buildساختن this combinationترکیبی
of struggleتقلا and expertکارشناس supportحمایت کردن
126
468875
3458
بگذاید تا این شیوه تلاش
و پشتیبانی متخصص را
08:04
into eachهر یک AIAI implementationپیاده سازی.
127
472708
2750
برای هر نوع پیاده‌سازی دیگر
هوش مصنوعی هم استفاده کنیم.
08:08
Here’s one clearروشن است exampleمثال
I could get of this on the groundزمینی.
128
476375
2828
این مثالی واضح است
که می‌توانم برایتان بیاورم.
08:12
Before robotsروبات ها,
129
480125
1226
قبل از روبات‌ها،
08:13
if you were a bombبمب disposalدسترس technicianتکنسین,
you dealtرسیدگی کرد with an IEDIED by walkingپیاده روی up to it.
130
481375
4792
اگر یک متخصص خنثی کردن بمب بودید، در
مورد بمب غیر معمول باید به سویش می‌رفتید.
08:19
A juniorجوان officerافسر was
hundredsصدها of feetپا away,
131
487333
2143
و یک افسر رده پایین
هم صدها متر دورتر ایستاده بود،
08:21
so could only watch and help
if you decidedقرار بر این شد it was safeبی خطر
132
489500
3309
و فقط نگاه می‌کرد و اگر شما می‌گفتید
امن است کمک می‌کرد
08:24
and invitedدعوت کرد them downrangedownrange.
133
492833
1417
و به آن‌ها می‌گفتید که نزدیک بیایند.
08:27
Now you sitنشستن side-by-sideکنار سمت
in a bomb-proofبمب گذار truckکامیون.
134
495208
3893
حالا شما در کنار هم در یک
ماشین ضد بمب نشسته‌اید.
08:31
You bothهر دو watchedتماشا کردم the videoویدئو feedخوراک.
135
499125
1809
هر دو شما به تصویر ویدئو نگاه می‌کنید.
08:32
They controlکنترل a distantدور robotربات,
and you guideراهنما the work out loudبا صدای بلند.
136
500958
4310
یک ربات را از راه دور هدایت می‌کنند،
و شما کار را با صدای بلند هدایت می‌کنید.
08:37
Traineesکارآموزان learnیاد گرفتن better than they
did before robotsروبات ها.
137
505292
3208
کارآموزان به شکلی بهتر
از قبل از ربات یاد می‌گیرند.
08:41
We can scaleمقیاس this to surgeryعمل جراحي,
start-upsراه اندازی, policingپلیس,
138
509125
3933
می‌توانیم همین کار را در جراحی،
استارت آپ‌ها، نیروی انتظامی،
08:45
investmentسرمایه گذاری bankingبانکداری,
onlineآنلاین educationتحصیلات and beyondفراتر.
139
513082
2625
بانکداری سرمایه، آموزش از راه دور
و دیگر موارد انجام دهیم.
08:48
The good newsاخبار is
we’veبله got newجدید toolsابزار to do it.
140
516375
2500
خبر خوب اینکه ما ابزار‌های
جدیدی برای این کار داریم.
08:51
The internetاینترنت and the cloudابر mean we donخدایا’t
always need one expertکارشناس for everyهرکدام traineeکارآموز,
141
519750
4082
اینترنت و پردازش ابری یعنی ما همیشه
نیاز به یک متخصص برای هر کارآموز نداریم،
08:56
for them to be physicallyاز لحاظ جسمی nearنزدیک eachهر یک other
or even to be in the sameیکسان organizationسازمان.
142
524167
4458
تا بصورت واقعی نزدیک همدیگر باشند
یا حتی در یک سازمان کار کنند.
09:01
And we can buildساختن AIAI to help:
143
529292
3041
و می‌توانیم برای کمک هوش مصنوعی بسازیم:
09:05
to coachمربی learnersزبان آموزان as they struggleتقلا,
to coachمربی expertsکارشناسان as they coachمربی
144
533167
5059
تا آموزش دهنده‌ها را در مشکلاتشان راهنمایی
کند، راهنمای متخصصین در آموزش باشد
09:10
and to connectاتصال those two groupsگروه ها
in smartهوشمندانه waysراه ها.
145
538250
2542
و این دو گروه را به شکلی هوشمند مرتبط کند.
09:15
There are people at work
on systemsسیستم های like this,
146
543375
2542
در کار افرادی هستند با ساختار‌هایی مشابه،
09:18
but they’veبله been mostlyاغلب focusedمتمرکز شده است
on formalرسمی trainingآموزش.
147
546333
2792
اما آن‌ها بیشتر بر آموزش‌های رسمی متمرکزند.
09:21
And the deeperعمیق تر crisisبحران
is in on-the-jobدر محل کار learningیادگیری.
148
549458
2584
و بحران عمیق‌تر در آموزش در کار است.
09:24
We mustباید do better.
149
552417
1851
باید بهتر عمل کنیم.
09:26
Todayامروز’s problemsمشکلات demandتقاضا we do better
150
554292
2583
مشکلات امروز نیازمند کارایی بهتر ماست
09:29
to createايجاد كردن work that takes fullپر شده advantageمزیت
of AIAI’s amazingحیرت آور capabilitiesقابلیت های
151
557375
4875
تا کار‌های بسازیم که از مزیت‌های کامل
هوش مصنوعی استفاده کند
09:35
while enhancingتقویت our skillsمهارت ها as we do it.
152
563042
2750
و همچنان مهارت‌های ما را افزایش دهد.
09:38
That’s the kindنوع of futureآینده
I dreamedرویای of as a kidبچه.
153
566333
2750
این آینده‌ای است که وقتی
کودک بودم آرزویش را داشتم.
09:41
And the time to createايجاد كردن it is now.
154
569458
2167
و زمان ایجادش حالاست.
09:44
Thank you.
155
572333
1226
متشکرم.
09:45
(Applauseتشویق و تمجید)
156
573583
3625
(تشویق)
Translated by Behdad Khazaeli
Reviewed by Sadegh Zabihi

▲Back to top

ABOUT THE SPEAKER
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.

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.

More profile about the speaker
Matt Beane | Speaker | TED.com

Data provided by TED.

This site was created in May 2015 and the last update was on January 12, 2020. It will no longer be updated.

We are currently creating a new site called "eng.lish.video" and would be grateful if you could access it.

If you have any questions or suggestions, please feel free to write comments in your language on the contact form.

Privacy Policy

Developer's Blog

Buy Me A Coffee