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?

Matt Beane: Jak nauczyć się pracować ze sztuczną inteligencją?

Filmed:
1,770,815 views

Droga wiodąca do doskonalenia umiejętności wyglądała tak samo przez tysiące lat na całym świecie: uczeń najpierw pracował pod okiem eksperta nad małymi, prostymi zadaniami, a dopiero potem zabierał się za cięższe, wymagające większej odpowiedzialności prace. Obecnie musimy radzić sobie ze sztuczną inteligencją, która blokuje nam drogę do sukcesu, a tym samym poświęcamy naukę w imię produktywności. Takiego zdania jest etnograf Matt Beane. Co zatem można zrobić? Beane dzieli się wizją, w której zmienia dotychczasową historię w ulepszony maszynowo mentoring, który działa na szeroką skalę, wykorzystując niesamowite możliwości sztucznej inteligencji przy jednoczesnym rozwijaniu naszych umiejętności.
- 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 morningranek,
0
1292
1875
Poranek 6.30.
00:15
and KristenKristen is wheelingWheeling
her prostateprostata patientcierpliwy into the OR.
1
3583
4875
Kristen wprowadza pacjenta
z chorą prostatą na salę operacyjną.
Jest lekarzem na stażu
na oddziale chirurgii.
00:21
She's a residentMieszkaniec, a surgeonChirurg in trainingtrening.
2
9500
2250
00:24
It’s her jobpraca to learnuczyć się.
3
12333
2167
Pracuje, żeby nauczyć się profesji.
00:27
TodayDzisiaj, she’s really hopingmieć nadzieję to do
some of the nerve-sparingprostatektomii oszczędzającej,
4
15292
3351
Wierzy, że dziś pomoże przy zabiegu
zachowania nerwów erekcyjnych,
00:30
extremelyniezwykle delicatedelikatny dissectionrozwarstwienie
that can preservezachować erectileerekcji functionfunkcjonować.
5
18667
3875
czyli bardzo precyzyjnej dysekcji,
która daje szanse na zachowanie erekcji.
00:35
That'llKtóry będzie be up to the attendinguczestniczyć surgeonChirurg,
thoughchociaż, but he's not there yetjeszcze.
6
23500
3338
Będzie to jednak zależeć od chirurga,
nieobecnego jeszcze na sali.
Kristen wraz z zespołem
podaje choremu znieczulenie
00:39
She and the teamzespół put the patientcierpliwy underpod,
7
27625
2393
00:42
and she leadswskazówki the initialInicjał eight-inchosiem cali
incisionnacięcie in the lowerniższy abdomenbrzuch.
8
30042
3708
i dokonuje pierwszego cięcia
na 20 centymetrów w dolnej części brzucha.
Po założeniu klamry,
pielęgniarka prosi chirurga na salę.
00:47
OnceRaz she’s got that clampedZaciśnięty back,
she tellsmówi the nursepielęgniarka to call the attendinguczestniczyć.
9
35042
3586
Chirurg wchodzi, zakłada fartuch
00:51
He arrivesprzybywa, gownsSuknie up,
10
39583
2292
00:54
And from there on in, theirich fourcztery handsręce
are mostlyprzeważnie in that patientcierpliwy --
11
42458
5792
i od teraz czwórka ich rąk
będzie znajdowała się głównie w pacjencie.
On wskazuje drogę, ale to ona prowadzi.
01:00
with him guidingprzewodnictwo
but KristinKristin leadingprowadzący the way.
12
48708
2917
Wyciągnęli prostatę, Kristen pomogła
przy zabiegu zachowania pęczków nerwowych,
01:04
When the prostatesprostaty out (and, yes,
he let KristenKristen do a little nervenerw sparingsparing),
13
52875
4643
chirurg odrzucił fartuch na bok
01:09
he ripszgrywa off his scrubsHoży doktorzy.
14
57542
1226
01:10
He startszaczyna się to do paperworkPapierkowa robota.
15
58792
1375
i zabrał się za papierkową robotę.
01:12
KristenKristen closeszamyka się the patientcierpliwy by 8:15,
16
60833
5375
To Kristen zaszywa pacjenta o 8.15,
a młodszy stażysta stoi za nią
i obserwuje jej zmagania.
01:18
with a juniorJunior residentMieszkaniec
looking over her shoulderramię.
17
66583
2435
01:21
And she letspozwala him do
the finalfinał linelinia of suturesSzwy.
18
69042
3083
Kristen pozwala mu zakończyć
ostatnie szwy.
01:24
KristenKristen feelsczuje great.
19
72833
3042
Ogarnia ją zadowolenie.
Pacjent wyzdrowieje,
a Kristen jest bez wątpienia
01:28
PatientPacjent’s going to be fine,
20
76250
1559
01:29
and no doubtwątpić she’s a better surgeonChirurg
than she was at 6:30.
21
77833
3167
lepszym chirurgiem niż była o 6.30.
To praca ekstremalna,
01:34
Now this is extremeskrajny work.
22
82208
2834
ale Kristen uczy się profesji
w ten sam sposób, co większość z nas:
01:37
But KristinKristin’s learninguczenie się to do her jobpraca
the way that mostwiększość of us do:
23
85417
3833
obserwuje pracę specjalisty,
01:41
watchingoglądanie an expertekspert for a bitkawałek,
24
89625
1893
powoli przejmuje pałeczkę,
realizując bezpieczne zadania,
01:43
gettinguzyskiwanie involvedzaangażowany in easyłatwo,
safebezpieczny partsCzęści of the work
25
91542
3142
01:46
and progressingpostępuje to riskierbardziej ryzykowne
and hardertrudniejsze taskszadania
26
94708
2185
a potem wykonuje
coraz trudniejsze czynności,
01:48
as they guideprzewodnik and decidedecydować się she’s readygotowy.
27
96917
2333
aż specjalista uzna, że jest gotowa.
Całe życie fascynował mnie
ten sposób nauki.
01:52
My wholecały life I’veve been fascinatedzafascynowany
by this kinduprzejmy of learninguczenie się.
28
100042
2892
01:54
It feelsczuje elementalżywiołów,
partczęść of what makesczyni us humanczłowiek.
29
102958
3667
Wydaje się elementarny,
typowy dla natury ludzkiej.
Ma wiele nazw: praktyka, trenowanie,
mentoring czy szkolenie.
01:59
It has differentróżne namesnazwy: apprenticeshipstaż,
coachingCoaching, mentorshipmentoringu, on the jobpraca trainingtrening.
30
107750
5417
W chirurgii mówi się: "patrz, rób, naucz".
02:05
In surgeryChirurgia, it’s callednazywa
“see one, do one, teachnauczać one.”
31
113542
3291
Proces jest taki sam
02:09
But the processproces is the samepodobnie,
32
117625
1344
02:10
and it’s been the mainGłówny pathścieżka to skillumiejętność
around the globeglob for thousandstysiące of yearslat.
33
118993
4174
i na całym świecie od tysięcy lat
tak kształcono ludzi.
Zastosowanie sztucznej inteligencji
blokuje ten proces.
02:16
Right now, we’reRe handlingobsługa AIAI
in a way that blocksBloki that pathścieżka.
34
124333
4500
Poświęcamy naukę
dla większej produktywności.
02:21
We’reRe sacrificingpoświęcania learninguczenie się
in our questQuest for productivitywydajność.
35
129625
2690
02:25
I founduznany this first in surgeryChirurgia
while I was at MITMIT,
36
133292
2809
Zauważyłem to w chirurgii,
studiując w Instytucie MIT,
ale teraz mam dowody,
że tak jest wszędzie,
02:28
but now I’veve got evidencedowód
it’s happeningwydarzenie all over,
37
136125
2476
w różnych branżach
i z różnego rodzaju sztuczną inteligencją.
02:30
in very differentróżne industriesprzemysł
and with very differentróżne kindsrodzaje of AIAI.
38
138625
3875
Jeśli nic z tym nie zrobimy,
miliony z nas natrafią na ścianę
02:35
If we do nothing, millionsmiliony of us
are going to hittrafienie a brickcegła wallŚciana
39
143083
5851
podczas prób radzenia sobie
ze sztuczną inteligencją.
02:40
as we try to learnuczyć się to dealsprawa with AIAI.
40
148958
2417
Wyobraźmy sobie znowu oddział chirurgii,
02:45
Let’s go back to surgeryChirurgia to see how.
41
153125
1772
ale sześć miesięcy później.
02:47
FastSzybkie forwardNaprzód sixsześć monthsmiesiące.
42
155708
1935
Poranek 6.30 i Kristen znowu
wprowadza pacjenta z chorą prostatą,
02:49
It’s 6:30am again, and KristenKristen
is wheelingWheeling anotherinne prostateprostata patientcierpliwy in,
43
157667
5476
ale tym razem do zautomatyzowanej
sali operacyjnej.
02:55
but this time to the roboticzrobotyzowany OR.
44
163167
3166
02:59
The attendinguczestniczyć leadswskazówki attachingdołączając
45
167667
1684
Chirurg podłącza pacjenta
03:01
a four-armedcztery uzbrojone, thousand-poundtysięcy funtów
robotrobot to the patientcierpliwy.
46
169375
2833
do robota z czterema rękoma,
ważącego pół tony.
Chirurg i Kristen ściągają fartuchy,
03:04
They bothobie riprozerwać off theirich scrubsHoży doktorzy,
47
172750
2434
03:07
headgłowa to controlkontrola consoleskonsole
10 or 15 feetstopy away,
48
175208
3125
kierują się do kontrolera
stojącego o trzy lub cztery metry dalej.
03:11
and KristenKristen just watcheszegarki.
49
179167
3750
Zadanie Kristen sprowadza się
tylko do patrzenia.
03:16
The robotrobot allowspozwala the attendinguczestniczyć
to do the wholecały procedureprocedura himselfsamego siebie,
50
184375
3053
Robot umożliwia chirurgowi
samodzielne wykonanie pracy,
03:19
so he basicallygruntownie does.
51
187452
1583
i tak właśnie się dzieje.
03:21
He knowswie she needswymagania practicećwiczyć.
52
189917
2101
Lekarz wie, że Kristen
potrzebuje praktyki.
03:24
He wants to give her controlkontrola.
53
192042
1583
Chce, żeby ona przejęła stery,
03:26
But he alsorównież knowswie she’d be slowerwolniej
and make more mistakesbłędy,
54
194250
3393
ale wie również, że będzie wolniejsza
i zrobi więcej błędów,
03:29
and his patientcierpliwy comespochodzi first.
55
197667
1500
a pacjent to priorytet.
Kristen wie, że nie zbliży się nawet
do nerwów erekcyjnych.
03:32
So KristinKristin has no hopenadzieja of gettinguzyskiwanie anywheregdziekolwiek
nearBlisko those nervesnerwowość duringpodczas this rotationobrót.
56
200250
4625
03:37
She’llLL be luckySzczęściarz if she operatesdziała more than
15 minutesminuty duringpodczas a four-hourcztery godziny procedureprocedura.
57
205417
4375
Będzie dobrze, jeśli popracuje 15 minut
podczas czterogodzinnego zabiegu.
03:42
And she knowswie that when she slipszrazy up,
58
210250
2625
Wie, że jeśli da plamę,
03:45
he’llLL tapkran a touchdotknąć screenekran,
and she’llLL be watchingoglądanie again,
59
213458
3042
chirurg przejmie panel dotykowy,
a ona znowu będzie tylko obserwowała,
03:48
feelinguczucie like a kiddziecko in the cornerkąt
with a dunceDunce capczapka z daszkiem.
60
216917
2625
czując się, jakby stała za karę w kącie.
Wszystkie badania nad robotami,
które wykonuję przez ostatnie osiem lat,
03:53
Like all the studiesstudia of robotsroboty and work
I’veve doneGotowe in the last eightosiem yearslat,
61
221583
3501
rozpoczynałem od pytania otwartego:
03:57
I startedRozpoczęty this one
with a bigduży, openotwarty questionpytanie:
62
225108
2118
03:59
How do we learnuczyć się to work
with intelligentinteligentny machinesmaszyny?
63
227250
2792
Jak nauczyć się pracować
ze sztuczną inteligencją?
04:02
To find out, I spentwydany two and a halfpół yearslat
observingobserwując dozensdziesiątki of residentsmieszkańców and surgeonsChirurdzy
64
230792
5809
Żeby się dowiedzieć, przez dwa i pół roku
obserwowałem wielu stażystów i chirurgów,
04:08
doing traditionaltradycyjny and roboticzrobotyzowany surgeryChirurgia,
interviewingwywiad them
65
236625
3476
którzy operują tradycyjnie
i z pomocą robotów,
przeprowadzałem wywiady
04:12
and in generalgenerał hangingwiszące out
with the residentsmieszkańców as they triedwypróbowany to learnuczyć się.
66
240125
3338
i przebywałem z nimi,
kiedy uczyli się profesji.
Byłem w 18 najlepszych szpitalach
w USA oferujących staż absolwentom
04:16
I coveredpokryty 18 of the topTop
US teachingnauczanie hospitalsszpitale,
67
244250
3351
i wszystko wyglądało tak samo.
04:19
and the storyfabuła was the samepodobnie.
68
247625
1458
04:21
MostWiększość residentsmieszkańców were in Kristen'sKristen w shoesbuty.
69
249875
2542
Większość stażystów przechodziła
przez to samo co Kristen.
04:24
They got to “see one” plentydużo,
70
252958
1792
Owszem, widzieli dużo,
04:27
but the “do one” was barelyledwo availabledostępny.
71
255583
2292
ale brakowało samego działania.
Nie było wysiłku, więc nie było też nauki.
04:30
So they couldncouldn’t struggleborykać się,
and they werenbyłeś’t learninguczenie się.
72
258333
2528
04:33
This was importantważny newsAktualności for surgeonsChirurdzy, but
I neededpotrzebne to know how widespreadrozpowszechniony it was:
73
261291
3810
To ważna informacja dla chirurgów,
ale musiałem poznać zasięg tego problemu.
04:37
Where elsejeszcze was usingza pomocą AIAI
blockingBlokowanie learninguczenie się on the jobpraca?
74
265125
3833
Gdzie jeszcze stosowanie sztucznej
inteligencji hamuje naukę przy pracy?
Żeby to wyjaśnić, nawiązałem kontakt
z rozwijającą się ekipą młodych badaczy,
04:42
To find out, I’veve connectedpołączony with a smallmały
but growingrozwój groupGrupa of youngmłody researchersnaukowcy
75
270208
4310
04:46
who’veve doneGotowe boots-on-the-groundbuty na ziemi studiesstudia
of work involvingangażujące AIAI
76
274542
3434
którzy dokładnie przebadali
pracę ze sztuczną inteligencją
04:50
in very diverseróżnorodny settingsUstawienia
like start-upsstart-upów, policingdziałania policji,
77
278000
2976
w wielu różnych środowiskach,
jak start-upy, policja,
04:53
investmentinwestycja bankingBankowość and onlineonline educationEdukacja.
78
281000
2601
banki inwestycyjne czy edukacja online.
04:55
Like me, they spentwydany at leastnajmniej a yearrok
and manywiele hundredssetki of hoursgodziny observingobserwując,
79
283625
5851
Tak jak ja, spędzili przynajmniej rok
i setki godzin na obserwacjach,
05:01
interviewingwywiad and oftenczęsto workingpracujący
side-by-sideside-by-side with the people they studiedbadane.
80
289500
3917
przepytując i często pracując
razem z badanymi.
Dzieliliśmy się danymi,
a potem szukałem schematów.
05:06
We sharedudostępniony datadane, and I lookedspojrzał for patternswzorce.
81
294458
2417
05:09
No mattermateria the industryprzemysł, the work,
the AIAI, the storyfabuła was the samepodobnie.
82
297917
5208
Bez względu na branżę, typ pracy,
typ robota, wszystko wyglądało tak samo.
Organizacje próbowały wyciągnąć
jak najwięcej ze sztucznej inteligencji,
05:16
OrganizationsOrganizacje were tryingpróbować hardertrudniejsze
and hardertrudniejsze to get resultswyniki from AIAI,
83
304042
3642
05:19
and they were peelingobieranie learnersuczących się away from
expertekspert work as they did it.
84
307708
3542
odciągając stażystów od fachowej pracy.
05:24
Start-upUruchomienie managersmenedżerowie were outsourcingOutsourcing
theirich customerklient contactkontakt.
85
312333
2875
Menadżerzy start-upów
zlecali kontakt z klientem.
Policjanci musieli radzić sobie
z prognozowaną przestępczością
05:27
CopsPolicjanci had to learnuczyć się to dealsprawa with crimeprzestępstwo
forecastsprognozy withoutbez expertseksperci supportwsparcie.
86
315833
4042
bez wsparcia ekspertów.
05:32
JuniorJunior bankersbankowcy were gettinguzyskiwanie
cutciąć out of complexzłożony analysisanaliza,
87
320875
3250
Młodsi stażem bankierzy
byli odciągani od złożonych analiz,
05:36
and professorsprofesorowie had to buildbudować
onlineonline courseskursy withoutbez help.
88
324500
3083
a profesorowie mieli tworzyć
kursy online bez pomocy.
05:41
And the effectefekt of all of this
was the samepodobnie as in surgeryChirurgia.
89
329125
3226
Skutek był taki sam,
jak w przypadku chirurgii.
05:44
LearningUczenia się on the jobpraca
was gettinguzyskiwanie much hardertrudniejsze.
90
332375
2917
Nauka przy pracy
stawała się coraz trudniejsza.
05:48
This can’t last.
91
336958
1417
Tak dalej być nie może.
05:51
McKinseyMcKinsey estimatesszacunki that betweenpomiędzy halfpół
a billionmiliard and a billionmiliard of us
92
339542
4267
Spółka McKinsey szacuje,
że od pół miliarda do miliarda z nas
05:55
are going to have to adaptprzystosować się to AIAI
in our dailycodziennie work by 2030.
93
343833
4125
będzie musiało przywyknąć do pracy
ze sztuczną inteligencją do 2030 roku.
06:01
And we’reRe assumingzarozumiały
that on-the-jobmiejscu pracy learninguczenie się
94
349000
2011
Przypuszczamy, że nauka przy pracy
będzie dostępna, jeśli się postaramy.
06:03
will be there for us as we try.
95
351035
1917
06:05
AccentureAccenture’s latestnajnowszy workerspracownicy surveyAnkieta showedpokazał
that mostwiększość workerspracownicy learnednauczyli keyklawisz skillsumiejętności
96
353500
4268
Ostatnia ankieta firmy Accenture pokazuje,
że większość pracowników nauczyła się
06:09
on the jobpraca, not in formalformalny trainingtrening.
97
357792
2291
kluczowych umiejętności w pracy,
a nie na uczelniach.
06:13
So while we talk a lot about its
potentialpotencjał futureprzyszłość impactwpływ,
98
361292
3517
Myślimy o wpływie robotów na przyszłość,
ale teraz najbardziej liczy się to,
06:16
the aspectaspekt of AIAI
that maymoże mattermateria mostwiększość right now
99
364833
3685
że używając ich w obecny sposób,
blokujemy naukę w praktyce,
06:20
is that we’reRe handlingobsługa it in a way
that blocksBloki learninguczenie się on the jobpraca
100
368542
3375
a taka jest najbardziej potrzebna.
06:24
just when we need it mostwiększość.
101
372375
1625
06:27
Now acrossprzez all our siteswitryny,
a smallmały minoritymniejszościowych founduznany a way to learnuczyć się.
102
375458
6042
W każdej jednostce
znalazła się grupa osób,
która wpadła na to,
jak się uczyć w takich warunkach.
Udało się, łamiąc i naginając zasady.
06:35
They did it by breakingłamanie and bendingzginanie ruleszasady.
103
383625
3042
Przyjęte zasady nie sprawdziły się,
więc musieli je złamać lub nagiąć,
06:39
ApprovedZatwierdzone methodsmetody werenbyłeś’t workingpracujący,
so they bentgięte and brokezepsuł się ruleszasady
104
387083
4643
06:43
to get hands-onpraktyczne practicećwiczyć with expertseksperci.
105
391750
1976
żeby zdobyć doświadczenie od ekspertów.
06:45
In my settingoprawa, residentsmieszkańców got involvedzaangażowany
in roboticzrobotyzowany surgeryChirurgia in medicalmedyczny schoolszkoła
106
393750
5601
Widziałem, jak rezydenci angażowali się
w zautomatyzowane operacje
na studiach medycznych
kosztem podstawowej edukacji.
06:51
at the expensekoszt
of theirich generalistogólnym educationEdukacja.
107
399375
3583
Spędzili setki dodatkowych godzin,
06:56
And they spentwydany hundredssetki of extradodatkowy hoursgodziny
with simulatorsSymulatory and recordingsnagrania of surgeryChirurgia,
108
404417
5851
pracując na symulatorach
i z nagraniami z operacji,
07:02
when you were supposeddomniemany to learnuczyć się in the OR.
109
410292
2541
zamiast uczyć się na sali operacyjnej.
07:05
And maybe mostwiększość importantlyco ważne,
they founduznany wayssposoby to struggleborykać się
110
413375
3476
Może najważniejsze jest to,
że nauczyli się radzić sobie
07:08
in liverelacja na żywo proceduresprocedury
with limitedograniczony expertekspert supervisionnadzoru.
111
416875
3750
przy prawdziwych zabiegach
bez nadzoru eksperckiego.
07:13
I call all this “shadowcień learninguczenie się,”
because it bendszakręty the ruleszasady
112
421792
4309
Nazywam to "nauką w cieniu",
ponieważ nagina się zasady,
07:18
and learneruczeń’s do it out of the limelightświatło wapienne.
113
426125
2000
a uczeń znajduje się poza centrum uwagi.
07:21
And everyonekażdy turnsskręca a blindślepy eyeoko
because it getsdostaje resultswyniki.
114
429542
4101
Wszyscy przymykają na to oko,
bo przecież to działa.
07:25
RememberNależy pamiętać, these are
the stargwiazda pupilsuczniowie of the bunchwiązka.
115
433667
3166
Pamiętajmy, że to najwybitniejsi
uczniowie w grupie.
Oczywiście, to nie jest OK
i nie podziała na dłuższą metę.
07:29
Now, obviouslyoczywiście, this is not OK,
and it’s not sustainablepodtrzymywalny.
116
437792
3208
Chęć nabycia umiejętności zawodowych
nie powinna powodować ryzyka utraty pracy.
07:33
No one should have to riskryzyko gettinguzyskiwanie firedzwolniony
117
441708
2185
07:35
to learnuczyć się the skillsumiejętności
they need to do theirich jobpraca.
118
443917
2150
07:38
But we do need to learnuczyć się from these people.
119
446792
2056
Jednak powinniśmy się uczyć od tych osób.
Podjęli ryzyko, żeby zdobyć wiedzę.
07:41
They tookwziął seriouspoważny risksryzyko to learnuczyć się.
120
449917
2250
07:44
They understoodzrozumiany they neededpotrzebne to protectochraniać
struggleborykać się and challengewyzwanie in theirich work
121
452792
4351
Wiedzieli, że muszą bronić
wysiłku i wyzwań w pracy,
07:49
so that they could pushPchać themselvessami
to tacklesprzęt hardciężko problemsproblemy
122
457167
2892
żeby umieć zmierzyć się
z ciężkimi przypadkami
07:52
right nearBlisko the edgekrawędź of theirich capacityPojemność.
123
460083
1959
w granicach swoich kompetencji.
Zapewnili też sobie wsparcie eksperta,
07:54
They alsorównież madezrobiony sure
there was an expertekspert nearbyblisko
124
462458
2216
07:56
to offeroferta pointerswskaźniki and to backstopmechanizm ochronny
againstprzeciwko catastrophekatastrofa.
125
464698
3094
który miał dawać wskazówki
i zapobiegać katastrofom.
08:00
Let’s buildbudować this combinationpołączenie
of struggleborykać się and expertekspert supportwsparcie
126
468875
3458
Zastosujmy połączenie wysiłku
i wsparcia specjalisty
08:04
into eachkażdy AIAI implementationrealizacja.
127
472708
2750
w każdej pracy ze sztuczną inteligencją.
08:08
Here’s one clearjasny exampleprzykład
I could get of this on the groundziemia.
128
476375
2828
Podam przykład na to,
jak mogłoby to wyglądać.
Przed erą robotów
08:12
Before robotsroboty,
129
480125
1226
saper rozbrajał ładunek wybuchowy,
podchodząc do niego.
08:13
if you were a bombbomba disposalUtylizacja techniciantechnik,
you dealtrozdane with an IEDIED by walkingpieszy up to it.
130
481375
4792
Młodszy oficer znajdował się
setki metrów dalej,
08:19
A juniorJunior officeroficer was
hundredssetki of feetstopy away,
131
487333
2143
08:21
so could only watch and help
if you decidedzdecydowany it was safebezpieczny
132
489500
3309
więc mógł tylko patrzeć
i pomóc, jeśli było to bezpieczne
08:24
and invitedzaproszony them downrangedownrange.
133
492833
1417
i jeśli technik go zawołał.
08:27
Now you sitsiedzieć side-by-sideside-by-side
in a bomb-proofBomb dowód truckciężarówka.
134
495208
3893
Teraz siedzimy w pancernej ciężarówce.
08:31
You bothobie watchedoglądaliśmy the videowideo feedkarmić.
135
499125
1809
Po obejrzeniu podglądu z kamery,
08:32
They controlkontrola a distantodległy robotrobot,
and you guideprzewodnik the work out loudgłośny.
136
500958
4310
uczniowie zaczynają kontrolować robota,
a ekspert prowadzi pracę.
08:37
TraineesStażystów learnuczyć się better than they
did before robotsroboty.
137
505292
3208
Teraz praktykanci uczą się lepiej
niż przed erą robotów.
08:41
We can scaleskala this to surgeryChirurgia,
start-upsstart-upów, policingdziałania policji,
138
509125
3933
Możemy tę wiedzę przenieść
na chirurgię, start-upy, policję,
08:45
investmentinwestycja bankingBankowość,
onlineonline educationEdukacja and beyondpoza.
139
513082
2625
banki inwestycyjne, edukację online
i na inne dziedziny.
08:48
The good newsAktualności is
we’veve got newNowy toolsprzybory to do it.
140
516375
2500
Dobrą wiadomością jest to,
że nowe narzędzia nam pomogą.
08:51
The internetInternet and the cloudChmura mean we donDon’t
always need one expertekspert for everykażdy traineestażysta,
141
519750
4082
Dzięki Internetowi i chmurze
nie zawsze potrzebujemy
jednego eksperta na każdego praktykanta,
08:56
for them to be physicallyfizycznie nearBlisko eachkażdy other
or even to be in the samepodobnie organizationorganizacja.
142
524167
4458
żeby fizycznie byli obok siebie i nawet
nie muszą być w tej samej organizacji.
09:01
And we can buildbudować AIAI to help:
143
529292
3041
Możemy wykorzystać sztuczną inteligencję
09:05
to coachtrener learnersuczących się as they struggleborykać się,
to coachtrener expertseksperci as they coachtrener
144
533167
5059
do wspierania uczniów podczas nauki,
a ekspertów, kiedy monitorują uczniów,
09:10
and to connectpołączyć those two groupsgrupy
in smartmądry wayssposoby.
145
538250
2542
i inteligentnie połączyć te dwie grupy.
09:15
There are people at work
on systemssystemy like this,
146
543375
2542
Są ludzie, którzy pracują
nad takimi systemami,
09:18
but they’veve been mostlyprzeważnie focusedskupiony
on formalformalny trainingtrening.
147
546333
2792
ale skupiają się głównie
na uczelnianej praktyce,
09:21
And the deepergłębiej crisiskryzys
is in on-the-jobmiejscu pracy learninguczenie się.
148
549458
2584
a największy kryzys
obejmuje szkolenie w pracy.
Musimy się do tego lepiej zabrać.
09:24
We mustmusi do better.
149
552417
1851
09:26
TodayDzisiaj’s problemsproblemy demandżądanie we do better
150
554292
2583
Dzisiejsze problemy wymagają od nas tego,
09:29
to createStwórz work that takes fullpełny advantageZaletą
of AIAI’s amazingniesamowity capabilitiesmożliwości
151
557375
4875
żeby stworzyć w pracy takie środowisko,
w którym w pełni wykorzystuje się
sztuczną inteligencję,
09:35
while enhancingzwiększenie our skillsumiejętności as we do it.
152
563042
2750
jednocześnie rozwijając
nasze umiejętności.
09:38
That’s the kinduprzejmy of futureprzyszłość
I dreamedśnić of as a kiddziecko.
153
566333
2750
O takiej przyszłości marzyłem za dziecka.
09:41
And the time to createStwórz it is now.
154
569458
2167
Teraz jest moment,
żeby to marzenie spełnić.
09:44
Thank you.
155
572333
1226
Dziękuję.
09:45
(ApplauseAplauz)
156
573583
3625
(Brawa)
Translated by Kinga Zygmunczyk
Reviewed by Barbara Guzik

▲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