TED@IBM
Eric Berridge: Why tech needs the humanities
Eric Berridge: Miért kell humán tudomány a technológiához?
Filmed:
Readability: 4.6
1,226,683 views
Ha újító szellemű problémamegoldó csapatot akarunk építeni, egyformán kell értékelnünk a humán és a természettudományokat, állítja Eric Berridge vállalkozó. Előadásában kifejti nekünk, miért kell a technológiai cégeknek a STEM-diplomások körén túlra is tekinteniük új alkalmazottak kiválasztása során – és a művészeti, humán hátterű dolgozók hogyan visznek kreativitást és éleslátást a technológiai munkahelyekre.
Eric Berridge - Entrepreneur
Eric Berridge is an entrepreneurial humanist who believes our society is overly obsessed with STEM. Full bio
Eric Berridge is an entrepreneurial humanist who believes our society is overly obsessed with STEM. Full bio
Double-click the English transcript below to play the video.
Mindenki járt már bárban, ugye?
00:12
You've all been in a bar, right?
0
647
2242
00:14
(Laughter)
1
2913
1491
(Nevetés)
00:16
But have you ever gone to a bar
2
4759
2694
De olyan bárban voltak-e már,
00:19
and come out with a $200 million business?
3
7477
2952
ahol 200 millió dolláros üzletet kötöttek?
00:24
That's what happened to us
about 10 years ago.
about 10 years ago.
4
12276
2280
Pontosan ez történt velünk
nagyjából tíz éve.
nagyjából tíz éve.
00:27
We'd had a terrible day.
5
15445
1705
Borzasztó napunk volt aznap.
00:30
We had this huge client
that was killing us.
that was killing us.
6
18012
4064
Volt egy fontos ügyfelünk,
aki kikészített minket.
aki kikészített minket.
00:34
We're a software consulting firm,
7
22100
2604
Szoftvertanácsadó cég vagyunk,
00:36
and we couldn't find
a very specific programming skill
a very specific programming skill
8
24728
2982
és nagyon speciális programozói
szaktudás kellett volna ahhoz,
szaktudás kellett volna ahhoz,
00:39
to help this client deploy
a cutting-edge cloud system.
a cutting-edge cloud system.
9
27734
3158
hogy egy új fejlesztésű felhőrendszer
telepítésében segítsünk neki.
telepítésében segítsünk neki.
Van egy rakás informatikusunk,
00:43
We have a bunch of engineers,
10
31798
1421
00:45
but none of them could please this client.
11
33243
2594
de ügyfelünk egyikkel sem volt elégedett.
00:49
And we were about to be fired.
12
37274
1657
Közel álltunk a kirúgáshoz.
00:51
So we go out to the bar,
13
39888
2335
Úgyhogy lementünk a bárba,
00:54
and we're hanging out
with our bartender friend Jeff,
with our bartender friend Jeff,
14
42247
4047
ott jól elvoltunk Jeff-fel,
csapos cimboránkkal,
csapos cimboránkkal,
00:58
and he's doing
what all good bartenders do:
what all good bartenders do:
15
46318
2001
ő azt tette, amit minden jó csapos:
01:00
he's commiserating with us,
making us feel better,
making us feel better,
16
48343
3022
együtt sopánkodott velünk,
ettől jobb kedvre derültünk,
ettől jobb kedvre derültünk,
01:03
relating to our pain,
17
51389
2292
osztozott a bánatunkban,
01:05
saying, "Hey, these guys
are overblowing it.
are overblowing it.
18
53705
2048
azt mondta: "Ezek a fickók túllihegik.
01:07
Don't worry about it."
19
55777
1183
Ne törődjetek velük."
01:08
And finally, he deadpans us and says,
20
56984
2214
Végül felvette a pléhpofát,
és így szólt:
és így szólt:
01:11
"Why don't you send me in there?
21
59222
2293
"Miért nem küldtök engem oda?
01:13
I can figure it out."
22
61539
1507
Hátha rájövök."
01:15
So the next morning,
we're hanging out in our team meeting,
we're hanging out in our team meeting,
23
63585
3081
Így aztán másnap reggel
a csapatmegbeszélésen lézengtünk,
a csapatmegbeszélésen lézengtünk,
01:19
and we're all a little hazy ...
24
67901
2555
kissé zúgó fejjel...
01:22
(Laughter)
25
70480
1150
(Nevetés)
01:24
and I half-jokingly throw it out there.
26
72504
2120
és félig tréfásan felvetettük az ötletet.
01:26
I say, "Hey, I mean,
we're about to be fired."
we're about to be fired."
27
74648
2584
Mondom: "Hé, a kirúgás szélén állunk!"
01:29
So I say,
28
77256
1302
Így folytatom:
01:30
"Why don't we send in
Jeff, the bartender?"
Jeff, the bartender?"
29
78582
2082
"Miért nem küldjük be Jeffet, a csapost?"
01:32
(Laughter)
30
80688
3077
(Nevetés)
01:35
And there's some silence,
some quizzical looks.
some quizzical looks.
31
83789
4061
Döbbent csend, tanácstalan arcok.
01:39
Finally, my chief of staff says,
"That is a great idea."
"That is a great idea."
32
87874
3542
Végül azt mondja a csapatfőnök:
"Ez mekkora ötlet!"
"Ez mekkora ötlet!"
01:43
(Laughter)
33
91440
1737
(Nevetés)
01:45
"Jeff is wicked smart. He's brilliant.
34
93201
2094
"Jeff átkozottul jó fej. Egy zseni.
01:48
He'll figure it out.
35
96168
1150
Talál megoldást.
01:50
Let's send him in there."
36
98328
1413
Küldjük őt oda."
01:52
Now, Jeff was not a programmer.
37
100189
2526
Jeff ugyebár nem informatikus.
01:54
In fact, he had dropped out of Penn
as a philosophy major.
as a philosophy major.
38
102739
3889
Valójában filozófia szakos volt,
csak kibukott a Pennről.
csak kibukott a Pennről.
01:59
But he was brilliant,
39
107491
1994
De zseniális elme,
02:01
and he could go deep on topics,
40
109509
2627
mélyre tud ásni, ha kutat valamit,
02:04
and we were about to be fired.
41
112160
2032
mi meg a kirúgás szélén álltunk.
02:06
So we sent him in.
42
114216
1150
Úgyhogy elküldtük őt.
02:09
After a couple days of suspense,
43
117839
1986
Eltelt néhány feszült nap,
02:11
Jeff was still there.
44
119849
2157
és Jeff még mindig ott volt.
02:15
They hadn't sent him home.
45
123002
2140
Nem zavarták el.
02:17
I couldn't believe it.
46
125166
2066
Alig hittem el.
02:19
What was he doing?
47
127256
1491
Mit művelt ott?
02:21
Here's what I learned.
48
129281
1150
A következőre jöttem rá:
02:23
He had completely disarmed
their fixation on the programming skill.
their fixation on the programming skill.
49
131318
4210
teljesen kiiktatta a programozási
gondolkodáshoz való ragaszkodásukat.
gondolkodáshoz való ragaszkodásukat.
02:29
And he had changed the conversation,
50
137004
2921
Megváltoztatta a beszélgetéseket,
02:31
even changing what we were building.
51
139949
2016
még azt is, amit addig felépítettünk.
02:33
The conversation was now
about what we were going to build and why.
about what we were going to build and why.
52
141989
4552
Most arról folyt a szó, mit fogunk
felépíteni, és miért.
felépíteni, és miért.
02:41
And yes, Jeff figured out
how to program the solution,
how to program the solution,
53
149059
5358
Természetesen rájött a megoldásra,
02:46
and the client became
one of our best references.
one of our best references.
54
154441
2365
ügyfelünk lett az egyik
legjobb referenciánk.
legjobb referenciánk.
02:50
Back then, we were 200 people,
55
158782
1977
Addig kétszázan voltunk,
02:52
and half of our company was made up
of computer science majors or engineers,
of computer science majors or engineers,
56
160783
6320
a cég fele végzett informatikus
vagy programozó volt,
vagy programozó volt,
02:59
but our experience with Jeff
left us wondering:
left us wondering:
57
167127
2261
de amit Jeff-fel átéltünk,
az elgondolkodtatott:
az elgondolkodtatott:
03:02
Could we repeat this through our business?
58
170627
2071
Megismételhetjük ezt
az üzleti életünkben ?
az üzleti életünkben ?
03:06
So we changed the way
we recruited and trained.
we recruited and trained.
59
174017
4261
Onnantól másképp
toboroztunk és képeztünk.
toboroztunk és képeztünk.
03:11
And while we still sought after computer
engineers and computer science majors,
engineers and computer science majors,
60
179766
5984
Még mindig végzett informatikusokat
és programozókat kerestünk,
és programozókat kerestünk,
03:17
we sprinkled in artists,
musicians, writers ...
musicians, writers ...
61
185774
4976
de festők, zenészek és írók közé
vegyültünk...
vegyültünk...
03:24
and Jeff's story started to multiply
itself throughout our company.
itself throughout our company.
62
192818
4374
és Jeff története megsokszorozódott
a cégünkben.
a cégünkben.
03:29
Our chief technology officer
is an English major,
is an English major,
63
197216
3333
Műszaki vezérigazgatónk
angol szakon végzett,
angol szakon végzett,
03:34
and he was a bike messenger in Manhattan.
64
202168
2214
és biciklis futár volt Manhattanben.
03:38
And today, we're a thousand people,
65
206680
1946
Mára pedig ezren lettünk,
03:41
yet still less than a hundred have degrees
in computer science or engineering.
in computer science or engineering.
66
209935
5452
és ebből száz alatt van
az informatikai szakemberek száma.
az informatikai szakemberek száma.
03:48
And yes, we're still
a computer consulting firm.
a computer consulting firm.
67
216984
3183
És bizony még mindig
szoftvertanácsadó cég vagyunk.
szoftvertanácsadó cég vagyunk.
03:52
We're the number one player in our market.
68
220191
2126
Mi vagyunk a piacvezetők.
A leggyorsabban bővülő
szoftvercsomaggal dolgozunk,
szoftvercsomaggal dolgozunk,
03:54
We work with the fastest-growing
software package
software package
69
222341
2353
03:56
to ever reach 10 billion dollars
in annual sales.
in annual sales.
70
224718
2293
már évente tízmilliárd dollár
a bevételünk.
a bevételünk.
04:01
So it's working.
71
229015
1626
Működik tehát.
04:05
Meanwhile, the push for STEM-based
education in this country --
education in this country --
72
233426
5731
Közben pedig ádázul
erőltetik közoktatásunkban
erőltetik közoktatásunkban
04:11
science, technology,
engineering, mathematics --
engineering, mathematics --
73
239181
3334
a STEM-alapú oktatást:
tudományt, technológiát,
tudományt, technológiát,
04:14
is fierce.
74
242539
1212
mérnöki tudományt és matematikát.
04:15
It's in all of our faces.
75
243775
1880
Itt van a nyakunkon.
04:18
And this is a colossal mistake.
76
246355
1674
Márpedig ez kolosszális tévedés.
A fenti szakokon 2009 óta
43 százalékkal többen végeztek
43 százalékkal többen végeztek
04:21
Since 2009, STEM majors
in the United States
in the United States
77
249707
4229
04:25
have increased by 43 percent,
78
253960
2056
az Egyesült Államokban,
04:28
while the humanities have stayed flat.
79
256040
2428
miközben a humán szakok stagnálnak.
04:30
Our past president
80
258492
1365
Korábbi elnökünk
04:33
dedicated over a billion dollars
towards STEM education
towards STEM education
81
261047
3503
több mint egymilliárd dollárt
szánt a STEM-képzésre,
szánt a STEM-képzésre,
04:36
at the expense of other subjects,
82
264574
2839
más szakok rovására,
04:39
and our current president
83
267437
2876
jelenlegi elnökünk pedig
04:42
recently redirected 200 million dollars
of Department of Education funding
of Department of Education funding
84
270337
4867
nemrég csoportosított át
az Oktatási Minisztériumból
az Oktatási Minisztériumból
04:47
into computer science.
85
275228
1469
200 millió dollárt
informatikai finanszírozásra.
informatikai finanszírozásra.
04:49
And CEOs are continually complaining
about an engineering-starved workforce.
about an engineering-starved workforce.
86
277788
6381
A cégvezetők mégis folyton
informatikushiányra panaszkodnak.
informatikushiányra panaszkodnak.
04:57
These campaigns,
87
285717
1445
Ezek a kampányok,
05:00
coupled with the undeniable success
of the tech economy --
of the tech economy --
88
288583
3548
a technológiai ágazat
tagadhatatlan sikerével együtt –
tagadhatatlan sikerével együtt –
05:04
I mean, let's face it,
89
292155
1248
nos, lássuk be,
05:05
seven out of the 10 most valuable
companies in the world by market cap
companies in the world by market cap
90
293427
5508
a piaci tőkeérték szerint
tíz legértékesebb cégből hét
tíz legértékesebb cégből hét
05:10
are technology firms --
91
298959
1511
technológiai vállalkozás –
05:13
these things create an assumption
92
301662
1976
ezek vezetnek olyan feltevéshez,
05:16
that the path of our future workforce
will be dominated by STEM.
will be dominated by STEM.
93
304805
4214
hogy a jövő munkaerejének útját
a STEM kell, hogy vezérelje.
a STEM kell, hogy vezérelje.
05:24
I get it.
94
312583
1150
Megértem.
05:26
On paper, it makes sense.
95
314692
1621
Papíron logikusnak tűnik.
05:29
It's tempting.
96
317498
1212
Csábító.
05:33
But it's totally overblown.
97
321597
1933
Viszont teljesen túllihegett.
05:35
It's like, the entire soccer team
chases the ball into the corner,
chases the ball into the corner,
98
323554
6051
Olyan, mintha az egész focicsapat
a sarokba futna a labda után,
a sarokba futna a labda után,
05:41
because that's where the ball is.
99
329629
1778
csak mert épp ott a labda.
05:44
We shouldn't overvalue STEM.
100
332841
2246
Nem kéne túlbecsülnünk a STEM-et.
05:48
We shouldn't value the sciences
any more than we value the humanities.
any more than we value the humanities.
101
336133
3573
a természettudományokat sem,
a humán tudományokhoz képest.
a humán tudományokhoz képest.
05:52
And there are a couple of reasons.
102
340544
1722
Ennek számos oka van.
05:55
Number one, today's technologies
are incredibly intuitive.
are incredibly intuitive.
103
343058
5986
Először is, a mai technológiák
hihetetlenül intuitívek.
hihetetlenül intuitívek.
06:01
The reason we've been able
to recruit from all disciplines
to recruit from all disciplines
104
349068
4000
Azért toborozhatunk
minden szakterületről,
minden szakterületről,
06:05
and swivel into specialized skills
105
353092
2119
és fordulhatunk sokféle szaktudáshoz,
06:08
is because modern systems
can be manipulated without writing code.
can be manipulated without writing code.
106
356377
4754
mert a modern rendszerek
programírás nélkül kezelhetők.
programírás nélkül kezelhetők.
06:13
They're like LEGO: easy to put together,
easy to learn, even easy to program,
easy to learn, even easy to program,
107
361155
5854
Könnyen összeilleszthetők, tanulhatók,
programozhatók is, mint a LEGO,
programozhatók is, mint a LEGO,
06:19
given the vast amounts of information
that are available for learning.
that are available for learning.
108
367033
3491
tekintettel a tanuláshoz elérhető
mérhetetlenül sok információra.
mérhetetlenül sok információra.
06:23
Yes, our workforce
needs specialized skill,
needs specialized skill,
109
371173
2835
Igen, különleges szaktudás
kell a munkaerőnkhöz,
kell a munkaerőnkhöz,
06:27
but that skill requires a far less
rigorous and formalized education
rigorous and formalized education
110
375242
4794
de ez sokkal kevesebb
szigorú és formális oktatást jelent,
szigorú és formális oktatást jelent,
06:32
than it did in the past.
111
380060
1856
mint korábban.
06:34
Number two, the skills
that are imperative and differentiated
that are imperative and differentiated
112
382876
5739
Másodszor is, a nélkülözhetetlen
és differenciált szaktudások
és differenciált szaktudások
06:40
in a world with intuitive technology
113
388639
3149
az intuitív technológia világában
06:43
are the skills that help us
to work together as humans,
to work together as humans,
114
391812
3587
olyan jártasságok, melyek elősegítik
az emberi együttműködést,
az emberi együttműködést,
06:49
where the hard work
is envisioning the end product
is envisioning the end product
115
397184
3984
ahol kemény feladat
elképzelni a végterméket,
elképzelni a végterméket,
06:54
and its usefulness,
116
402193
1492
annak hasznosságát,
06:55
which requires real-world experience
and judgment and historical context.
and judgment and historical context.
117
403709
6214
ehhez ítélőképesség kell, és a valóság
meg a történelmi összefüggés ismerete.
meg a történelmi összefüggés ismerete.
07:03
What Jeff's story taught us
118
411232
2286
Jeff története arra tanított minket,
07:05
is that the customer
was focused on the wrong thing.
was focused on the wrong thing.
119
413542
3531
hogy a megrendelő
téves területre koncentrált.
téves területre koncentrált.
07:10
It's the classic case:
120
418160
1507
Klasszikus eset:
07:12
the technologist struggling to communicate
with the business and the end user,
with the business and the end user,
121
420661
4262
a technikus nem ért szót az üzlettel
és a végfelhasználóval,
és a végfelhasználóval,
07:16
and the business failing
to articulate their needs.
to articulate their needs.
122
424947
4186
az üzlet pedig nem képes
megfogalmazni az igényeit.
megfogalmazni az igényeit.
07:22
I see it every day.
123
430033
1706
Minden nap megtapasztalom.
07:25
We are scratching the surface
124
433448
1922
Csak a felszínét súroljuk
07:27
in our ability as humans
to communicate and invent together,
to communicate and invent together,
125
435394
4809
emberi képességeinknek, hogy együtt
kommunikáljunk és feltaláljunk,
kommunikáljunk és feltaláljunk,
07:32
and while the sciences teach us
how to build things,
how to build things,
126
440227
4580
és miközben a műszaki tudományok
az építés "hogyan"-jára tanítanak,
az építés "hogyan"-jára tanítanak,
07:36
it's the humanities that teach us
what to build and why to build them.
what to build and why to build them.
127
444831
5410
a humán tudományok arra,
hogy mit és miért építsünk.
hogy mit és miért építsünk.
07:43
And they're equally as important,
128
451612
2604
Egyformán fontosak
07:46
and they're just as hard.
129
454240
1507
és egyformán nehezek.
07:50
It irks me ...
130
458476
1995
Bosszant engem,
07:54
when I hear people
treat the humanities as a lesser path,
treat the humanities as a lesser path,
131
462532
5493
amikor azt hallom, hogy egyesek
lesajnálják, könnyebbnek vélik
lesajnálják, könnyebbnek vélik
08:00
as the easier path.
132
468049
1184
a humán tudományokat.
08:01
Come on!
133
469840
1150
Ugyan már!
08:04
The humanities give us
the context of our world.
the context of our world.
134
472258
4150
Ezek mutatják meg nekünk
világunk összefüggését.
világunk összefüggését.
08:10
They teach us how to think critically.
135
478573
3437
Kritikus gondolkodásra tanítanak.
08:14
They are purposely unstructured,
136
482034
1969
Szándékosan kötetlenek,
08:16
while the sciences
are purposely structured.
are purposely structured.
137
484027
2546
a természettudományok pedig
szándékosan kötöttek.
szándékosan kötöttek.
08:19
They teach us to persuade,
they give us our language,
they give us our language,
138
487745
3588
Nekik köszönhetjük a meggyőzés
technikáját és nyelvünket,
technikáját és nyelvünket,
08:23
which we use to convert our emotions
to thought and action.
to thought and action.
139
491357
6839
mellyel érzelmeinket gondolatokká
és cselekvéssé alakíthatjuk át.
és cselekvéssé alakíthatjuk át.
08:32
And they need to be
on equal footing with the sciences.
on equal footing with the sciences.
140
500267
4264
Egyenrangúként kell kezelnünk
a természettudományokkal.
a természettudományokkal.
08:36
And yes, you can hire a bunch of artists
141
504555
3992
Bizony, felvehetnek egy rakás művészt,
08:40
and build a tech company
142
508571
1333
és elsöprő sikerű
08:43
and have an incredible outcome.
143
511166
1770
technológiai céget indíthatnak velük.
08:46
Now, I'm not here today
to tell you that STEM's bad.
to tell you that STEM's bad.
144
514616
4722
De nem azért vagyok ma itt,
hogy lebeszéljem önöket a STEM-ről.
hogy lebeszéljem önöket a STEM-ről.
08:52
I'm not here today
to tell you that girls shouldn't code.
to tell you that girls shouldn't code.
145
520778
3984
Nem is azért, hogy arról szónokoljak:
lányok nem lehetnek programozók.
lányok nem lehetnek programozók.
08:57
(Laughter)
146
525111
1039
(Nevetés)
08:58
Please.
147
526174
1150
Kérem.
09:00
And that next bridge I drive over
148
528355
2568
Arról is győződjünk meg,
09:02
or that next elevator we all jump into --
149
530947
3550
hogy a hidat, amire
legközelebb felhajtunk,
legközelebb felhajtunk,
09:07
let's make sure
there's an engineer behind it.
there's an engineer behind it.
150
535602
2207
vagy a liftet, amibe lépünk,
mérnök tervezte.
mérnök tervezte.
09:09
(Laughter)
151
537833
3642
(Nevetés)
09:14
But to fall into this paranoia
152
542233
3295
De butaság attól rettegni,
09:17
that our future jobs
will be dominated by STEM,
will be dominated by STEM,
153
545552
4872
hogy jövendő munkáinkat
09:22
that's just folly.
154
550448
1635
a STEM fogja uralni.
09:24
If you have friends or kids
or relatives or grandchildren
or relatives or grandchildren
155
552526
4091
Ha vannak barátaik, gyerekeik,
rokonaik, unokáik,
rokonaik, unokáik,
09:28
or nieces or nephews ...
156
556641
1799
unokatestvéreik...
09:30
encourage them to be
whatever they want to be.
whatever they want to be.
157
558464
3150
biztassák őket, hadd legyenek
azok, akik szeretnének.
azok, akik szeretnének.
09:34
(Applause)
158
562336
6896
(Taps)
09:41
The jobs will be there.
159
569607
2015
A munka ott lesz.
09:45
Those tech CEOs
160
573741
1477
Olyan technológiai cégek igazgatói,
09:48
that are clamoring for STEM grads,
161
576235
3334
akik annyira odavannak
a STEM-diplomásokért,
a STEM-diplomásokért,
09:51
you know what they're hiring for?
162
579593
1784
vajon hová keresnek munkaerőt?
09:54
Google, Apple, Facebook.
163
582430
2025
A Google, Apple, Facebook cégekhez.
09:57
Sixty-five percent
of their open job opportunities
of their open job opportunities
164
585468
3627
A betölthető álláshelyek 65 százaléka
10:01
are non-technical:
165
589119
1721
nem technológiai jellegű:
10:03
marketers, designers,
project managers, program managers,
project managers, program managers,
166
591845
4889
marketingesek, mérnökök,
projektvezetők, programvezetők,
projektvezetők, programvezetők,
10:08
product managers, lawyers, HR specialists,
167
596758
3381
termékmenedzserek, jogászok,
HR-szakemberek,
HR-szakemberek,
10:12
trainers, coaches, sellers,
buyers, on and on.
buyers, on and on.
168
600163
3325
trénerek, coach-ok, értékesítők,
vevők, és így tovább.
vevők, és így tovább.
10:15
These are the jobs they're hiring for.
169
603512
3438
Ilyen munkaerőket keresnek.
10:20
And if there's one thing
that our future workforce needs --
that our future workforce needs --
170
608602
5405
És ha van egyvalami,
ami szükséges a jövő munkaerejéhez:
ami szükséges a jövő munkaerejéhez:
10:26
and I think we can all agree on this --
171
614031
1952
és szerintem ebben mind egyetértünk –
10:29
it's diversity.
172
617056
1150
az a sokféleség.
10:31
But that diversity shouldn't end
with gender or race.
with gender or race.
173
619706
4074
De a sokféleség nem állhat meg
gender- vagy faji szinten.
gender- vagy faji szinten.
10:35
We need a diversity of backgrounds
174
623804
2103
A hátterek, a szaktudás,
10:39
and skills,
175
627192
1150
introvertáltak,
10:42
with introverts and extroverts
176
630100
3738
extrovertáltak, vezetők
10:45
and leaders and followers.
177
633862
2953
és beosztottak sokféleségére is
szükségünk van.
szükségünk van.
10:48
That is our future workforce.
178
636839
1689
Ez lesz a munkaerőnk a jövőben.
10:51
And the fact that the technology
is getting easier and more accessible
is getting easier and more accessible
179
639767
5699
A tény, hogy a technológia
könnyebb és elérhetőbb lesz,
könnyebb és elérhetőbb lesz,
10:57
frees that workforce up
180
645490
1818
felszabadítja a munkaerőt,
10:59
to study whatever they damn well please.
181
647332
3372
így azzal foglalkozhatnak,
amivel csak akarnak.
amivel csak akarnak.
11:03
Thank you.
182
651273
1151
Köszönöm.
11:04
(Applause)
183
652448
6623
(Taps)
ABOUT THE SPEAKER
Eric Berridge - EntrepreneurEric Berridge is an entrepreneurial humanist who believes our society is overly obsessed with STEM.
Why you should listen
As the co-founder of global consulting agency and Salesforce strategic partner Bluewolf, an IBM Company, Eric Berridge has applied his passion for the humanities over the past 17 years to pioneer a cloud consulting practice with less than 10 percent of employees holding engineering or computer science degrees. The way he sees it, as technology becomes easier to use and build, the humanities offer skills that are becoming increasingly valuable to the success of business everywhere. And today’s AI-driven discussion holds the key to freeing the human condition to be balanced, healthy, creative and productive.
Eric Berridge | Speaker | TED.com