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

المترجم: Salma Hourani المدقّق: Ayman Mahmoud

It’s 6:30 in the morning,

إنها الساعة السادسة والنصف صباحاً،

and Kristen is wheeling her prostate patient into the OR.

وتقوم كريستين بتحريك مريضها المصاب بالبروستاتا نحو غرفة العمليات.

She's a resident, a surgeon in training.

هي طبيبة جراحة مقيمة من أجل التدريب.

It’s her job to learn.

مهمتها هي التعلم.

Today, she’s really hoping to do some of the nerve-sparing,

هي تأمل فعلاً اليوم أن تقوم ببعض عمليات الجراحة العصبية،

extremely delicate dissection that can preserve erectile function.

تشريح بالغ الدقة من شأنه أن يحافظ على وظيفة الإنتصاب.

That'll be up to the attending surgeon, though, but he's not there yet.

الأمر متروك للجراح المشرف لكنه لم يصل بعد.

She and the team put the patient under,

تقوم هي والفريق بوضع المريض على السرير،

and she leads the initial eight-inch incision in the lower abdomen.

وترأست عمل شق أولي بطول 8 بوصات في أسفل البطن.

Once she’s got that clamped back, she tells the nurse to call the attending.

بمجرد ما قامت بتثبيت المريض، طلبت من الممرضة الاتصال بالجراح المشرف.

He arrives, gowns up,

لقد وصل، مرتدياً اللباس المخصص،

And from there on in, their four hands are mostly in that patient --

ومنذ تلك اللحظة ،كانت معظم أياديهم الأربعة داخل المريض

with him guiding but Kristin leading the way.

مع ارشادات الجراح ولكن كريستين هي التي تتولى زمام الأمور.

When the prostates out (and, yes, he let Kristen do a little nerve sparing),

وعند اخراج البروستات (ونعم، لقد سمح لكريستين بعمل القليل من العملية الجراحية)،

he rips off his scrubs.

يقوم بتمزيق رداءه الطبي.

He starts to do paperwork.

ويبدأ بالأعمال الورقية.

Kristen closes the patient by 8:15,

كريستين تقطب المريض بحلول الساعة 8:15،

with a junior resident looking over her shoulder.

بوجود مقيم مبتدئ يراقب من خلف كتفها.

And she lets him do the final line of sutures.

تسمح له بخياطة اخر خط من القطب.

Kristen feels great.

كريستين تشعر بالروعة.

Patient’s going to be fine,

المريض سيكون على ما يرام،

and no doubt she’s a better surgeon than she was at 6:30.

وبلا أدنى شك هي جراحة أفضل مما كانت عليه في الساعة 6:30.

Now this is extreme work.

هذا عمل مفرط.

But Kristin’s learning to do her job the way that most of us do:

ولكن كريستين تتعلم كيف تقوم بوظيفتها بالطريقة التي معظمنا يقوم بها:

watching an expert for a bit,

مشاهدة خبير لفترة وجيزة،

getting involved in easy, safe parts of the work

المشاركة في الأجزاء السهلة، الامنة من العمل

and progressing to riskier and harder tasks

والتقدم للقيام بمهام أخطر وأصعب

as they guide and decide she’s ready.

كما يوجهون حتى يقرروا انها جاهزة.

My whole life I’ve been fascinated by this kind of learning.

طوال حياتى كنت مفتون بهذا النوع من التعلم.

It feels elemental, part of what makes us human.

إنه شعور عنصري، جزء مما يجعلنا بشرا.

It has different names: apprenticeship, coaching, mentorship, on the job training.

له أسماء عديدة: التعليم المهني، التدريب، الإرشاد، التدريب الوظيفي.

In surgery, it’s called “see one, do one, teach one.”

في الجراحة ، يطلق عليه "شاهد مرة، افعل مرة، علّم شخص."

But the process is the same,

لكن العملية هي نفسها،

and it’s been the main path to skill around the globe for thousands of years.

وكان هذا هو الطريق الرئيسي للمهارة في جميع أنحاء العالم لآلاف السنين.

Right now, we’re handling AI in a way that blocks that path.

في الوقت الحالي، نتعامل مع الذكاء الاصطناعي بطريقة تمنع هذا المسار.

We’re sacrificing learning in our quest for productivity.

نحن نضحي بالتعلم في سعينا لتحقيق الإنتاجية.

I found this first in surgery while I was at MIT,

وجدت هذا أولا في الجراحة عندما كنت في معهد ماساتشوستس للتقنية،

but now I’ve got evidence it’s happening all over,

لكن الآن لدي أدلة هذا يحدث في كل مكان،

in very different industries and with very different kinds of AI.

في صناعات مختلفة جدا ومع أنواع مختلفة جدا من الذكاء الاصطناعي.

If we do nothing, millions of us are going to hit a brick wall

إذا لم نفعل شيئًا حيال ذلك، ملايين منا سوف يصطدم بعقبة

as we try to learn to deal with AI.

ونحن نتعلم كيفية التعامل مع هذا الذكاء.

Let’s go back to surgery to see how.

دعنا نعود إلى الجراحة لنرى كيف.

Fast forward six months.

لنذهب إلى الأمام مدة الستة أشهر.

It’s 6:30am again, and Kristen is wheeling another prostate patient in,

الساعة 6:30 صباحًا مرة أخرى، وكريستين تنقل مريض بروستاتا أخر لغرفة العمليات،

but this time to the robotic OR.

ولكن هذه المرة إلى غرفة العمليات الروبوتية.

The attending leads attaching

الحضور يؤدي إلى إرفاق

a four-armed, thousand-pound robot to the patient.

أربعة أذرع لروبوت بقيمة 1000 جنيه للمريض.

They both rip off their scrubs,

كلاهما يمزق من ردائهما الطبي،

head to control consoles 10 or 15 feet away,

يتوجهان للتحكم بلوحات المفاتيح على بعد 10 أو 15 قدمًا،

and Kristen just watches.

وكريستين تراقب فقط.

The robot allows the attending to do the whole procedure himself,

الروبوت يسمح للحضور للقيام بالإجراء كله بنفسه،

so he basically does.

فيفعل ذلك أساسا.

He knows she needs practice.

إنه يعرف أنها تحتاج إلى ممارسة.

He wants to give her control.

يريد أن يعطيها السيطرة.

But he also knows she’d be slower and make more mistakes,

لكنه يعرف أيضًا أنها ستكون أبطأ وسترتكب المزيد من الأخطاء،

and his patient comes first.

ويأتي مريضه أولاً.

So Kristin has no hope of getting anywhere near those nerves during this rotation.

كريستين ليس لديها أمل في الأقتراب من تلك الأعصاب خلال هذه المناوبة.

She’ll be lucky if she operates more than 15 minutes during a four-hour procedure.

ستكون محظوظة إذا استطاعت أن تعمل أكثر من 15 دقيقة خلال عملية مدتها أربع ساعات.

And she knows that when she slips up,

وهي تعرف أنه عندما تقترف خطأ،

he’ll tap a touch screen, and she’ll be watching again,

سوف ينقر على شاشة اللمس، وسترجع للمراقبة مرة أخرى،

feeling like a kid in the corner with a dunce cap.

ستشعر وكأنها طفل يجلس في الزاوية مرتدياً قبعة الغبي.

Like all the studies of robots and work I’ve done in the last eight years,

مثل كل دراسات الروبوتات والعمل الذى أنجزته في السنوات الثماني الماضية،

I started this one with a big, open question:

بدأت بهذا بسؤال كبير ومفتوح:

How do we learn to work with intelligent machines?

كيف نتعلم العمل مع الآلات الذكية؟

To find out, I spent two and a half years observing dozens of residents and surgeons

لمعرفة ذلك، أمضيت عامين ونصف في مراقبة الكثير من الأطباء المقيمين والجراحين

doing traditional and robotic surgery, interviewing them

وهم يجرون الجراحة التقليدية والروبوتية، أقوم بإجراء مقابلات معهم

and in general hanging out with the residents as they tried to learn.

وبشكل عام يمضون الوقت مع الأطباء المقيمين وهم يحاولون التعلم.

I covered 18 of the top US teaching hospitals,

غطيت 18 من أفضل المستشفيات التعليمية الأمريكية،

and the story was the same.

وكانت القصة هي نفسها.

Most residents were in Kristen's shoes.

قد مر معظم الأطباء المقيمون محل كريستين.

They got to “see one” plenty,

كان لديهم الكثير من "رؤية واحدة"،

but the “do one” was barely available.

ولكن "فعل واحد" كان بالكاد متاح.

So they couldn’t struggle, and they weren’t learning.

لذلك لم يستطيعوا أن يكافحوا، ولم يتعلموا.

This was important news for surgeons, but I needed to know how widespread it was:

كان هذا خبرًا مهمًا للجراحين، لكن كنت بحاجة لمعرفة مدى انتشاره:

Where else was using AI blocking learning on the job?

في أي مكان أخر كان أستخدام الذكاء الأصطناعي يمنع التعلم في الوظيفة؟

To find out, I’ve connected with a small but growing group of young researchers

لمعرفة ذلك، تواصلت مع مجموعة صغيرة ولكن متزادية من الباحثين الشباب

who’ve done boots-on-the-ground studies of work involving AI

الذين قاموا بدراسات على أرض الواقع متعلقة بأعمال تتضمن الذكاء الإصطناعي.

in very diverse settings like start-ups, policing,

في أوساط متنوعة جدا مثل الشركات الناشئة، في الحفاظ على الأمن،

investment banking and online education.

الخدمات المصرفية الاستثمارية والتعليم عبر الإنترنت.

Like me, they spent at least a year and many hundreds of hours observing,

مثلي، أمضوا سنة على الأقل ومئات الساعات في المراقبة،

interviewing and often working side-by-side with the people they studied.

والقيام بمقابلات والعمل في كثير من الأحيان جنبا إلى جنب مع الأشخاص الذين درسوهم.

We shared data, and I looked for patterns.

شاركنا البيانات، وقمت بالبحث عن الأنماط.

No matter the industry, the work, the AI, the story was the same.

بغض النظر عن الصناعة، العمل، الذكاء الأصطناعي، كانت القصة هي نفسها.

Organizations were trying harder and harder to get results from AI,

كانت المنظمات تحاول بجد وبجد للحصول على نتائج من الذكاء الأصطناعي،

and they were peeling learners away from expert work as they did it.

وكانوا يزيحون المتعلمين بعيدا عن عمل الخبراء وهم يفعلون ذلك.

Start-up managers were outsourcing their customer contact.

كان مدراء الشركات الناشئة يصدرون مستحقات الزبائن.

Cops had to learn to deal with crime forecasts without experts support.

اضطر رجال الشرطة تعلم كيفية التعامل مع توقعات الجريمة دون دعم الخبراء.

Junior bankers were getting cut out of complex analysis,

تم إخراج صغارالمصرفيين من عمليات التحليل المعقدة،

and professors had to build online courses without help.

وكان يجب على الأساتذة إنشاء دورات عبر الإنترنت دون مساعدة.

And the effect of all of this was the same as in surgery.

وتأثير كل هذا كان هو نفسه في حال الجراحة.

Learning on the job was getting much harder.

التعلم في الوظيفة أصبح أصعب بكثير.

This can’t last.

لا يمكن لهذا أن يستمر.

McKinsey estimates that between half a billion and a billion of us

تقدر ماكينزي أن مابين النصف مليار ومليار منّا

are going to have to adapt to AI in our daily work by 2030.

سوف يضطر إلى التكيف مع الذكاء الأصطناعي في عملنا اليومي بحلول عام 2030.

And we’re assuming that on-the-job learning

ونحن نفترض أن التعلم أثناء العمل

will be there for us as we try.

سيكون موجود من أجلنا ونحن نحاول.

Accenture’s latest workers survey showed that most workers learned key skills

أظهر أحدث استطلاع لشركة أكسنتشر للعمال أن معظم العمال تعلموا المهارات الأساسية

on the job, not in formal training.

أثناء العمل، وليس في التدريب الرسمي.

So while we talk a lot about its potential future impact,

فبينما نتحدث كثيرا عن التأثير المستقبلي المحتمل،

the aspect of AI that may matter most right now

الجانب اللذي قد يكون أكثر أهميةا للذكاء الاصطناعي

is that we’re handling it in a way that blocks learning on the job

هو أننا نتعامل معه بطريقة تمنع التعلم أثناء العمل

just when we need it most.

فقط عندما نحن في أشد الحاجة إليه.

Now across all our sites, a small minority found a way to learn.

عبر جميع مواقعنا الآن، وجدت أقلية صغيرة وسيلة للتعلم.

They did it by breaking and bending rules.

فعلوا ذلك عن طريق كسر القواعد ومخالفتها.

Approved methods weren’t working, so they bent and broke rules

الأساليب المعتمدة لم تكن تعمل، لذلك انحنوا وخرقوا القواعد

to get hands-on practice with experts.

للحصول على التدريب العملي مع الخبراء.

In my setting, residents got involved in robotic surgery in medical school

في محيطي، انخرط المقيمون في الجراحة الروبوتية في كلية الطب

at the expense of their generalist education.

على حساب تعليمهم العام.

And they spent hundreds of extra hours with simulators and recordings of surgery,

وأمضوا مئات الساعات الإضافية م ع نظم المحاكاة وتسجيلات الجراحة،

when you were supposed to learn in the OR.

عندما كان من المفترض أن تتعلم في غرفة العمليات.

And maybe most importantly, they found ways to struggle

وربما الأهم من ذلك، وجدوا طرق للكفاح

in live procedures with limited expert supervision.

في الإجراءات الحية بإشراف محدود من خبير.

I call all this “shadow learning,” because it bends the rules

أنا أسمي كل هذا "تعلم الظل" ، لأنه يكسر القواعد

and learner’s do it out of the limelight.

ويفعل المتعلمون ذلك خارج دائرة الضوء.

And everyone turns a blind eye because it gets results.

والجميع يغض الطرف لأنه يحصل على نتائج.

Remember, these are the star pupils of the bunch.

تذكر، هذه هي تلاميذ النجوم من حفنة.

Now, obviously, this is not OK, and it’s not sustainable.

الآن ، بالطبع، هذا ليس على جيداً، وهي ليست مستدامة.

No one should have to risk getting fired

لا ينبغي لأحد أن يخاطر بتعرضه للطرد

to learn the skills they need to do their job.

لتعلم المهارات هم بحاجة للقيام بعملهم.

But we do need to learn from these people.

لكننا بحاجة إلى التعلم من هؤلاء الناس.

They took serious risks to learn.

تعلرضوا لمخاطر جديّة من أجل التعلم.

They understood they needed to protect struggle and challenge in their work

لقد فهموا أنهم بحاجة إلى الحماية النضال والتحدي في عملهم

so that they could push themselves to tackle hard problems

حتى يتمكنوا من دفع أنفسهم لمواجهة المشاكل الصعبة

right near the edge of their capacity.

بالقرب من حافة قدرتهم.

They also made sure there was an expert nearby

وتأكدوا أيضاً من وجود خبير قريب

to offer pointers and to backstop against catastrophe.

لتقديم المؤشرات والدعم ضد الكارثة.

Let’s build this combination of struggle and expert support

دعونا نبني هذه المجموعة التي تضم النضال ودعم الخبراء

into each AI implementation.

في كل تنفيذ للذكاء الأصطناعي.

Here’s one clear example I could get of this on the ground.

إليكم مثال واحد واضح اللذي يمكنني الحصول عليه من أرض الواقع.

Before robots,

قبل الروبوتات،

if you were a bomb disposal technician, you dealt with an IED by walking up to it.

إذا كنت مختص بالتخلص من القنابل، تعاملت مع عبوة ناسفة من خلال المشي عليها.

A junior officer was hundreds of feet away,

كان ضابط مبتدئ على بعد مئات الأقدام،

so could only watch and help if you decided it was safe

فيمكن له فقط فقط المشاهدة والمساعدة إذا قررت أن ذلك أمن.

and invited them downrange.

ودعوتهم خارج المدى.

Now you sit side-by-side in a bomb-proof truck.

أنت الآن تجلس جنبًا إلى جنب في شاحنة مضادة للقنابل.

You both watched the video feed.

لقد شاهد كلاهما البث المصور.

They control a distant robot, and you guide the work out loud.

يسيطرون على روبوت بعيد، وأنت تقوم بتوجيه العمل بصوت عالٍ.

Trainees learn better than they did before robots.

يتعمل المتدربون بشكل أفضل مما فعلوه قبل وجود الروبوتات.

We can scale this to surgery, start-ups, policing,

يمكننا توسيع النطاق على العملية الجراحية، الشركات الناشئة، انظمة المراقبة،

investment banking, online education and beyond.

توظيف الأموال، التعليم عبر الإنترنت وخارجها.

The good news is we’ve got new tools to do it.

والخبر السار هو لدينا أدوات جديدة للقيام بذلك.

The internet and the cloud mean we don’t always need one expert for every trainee,

يعني الإنترنت والسحابة أننا لا نحتاج دائماً إلى خبير واحد لكل متدرب،

for them to be physically near each other or even to be in the same organization.

لكي يستطيعوا جسديا أن يكونوا بالقرب من بعضهم أو حتى أن يكونوا في نفس المنظمة.

And we can build AI to help:

ويمكننا بناء الذكاء الاصطناعي للمساعدة في:

to coach learners as they struggle, to coach experts as they coach

تدريب المتعلمين وهم يكافحون، تدريب الخبراء وهم يدربون

and to connect those two groups in smart ways.

ولربط هاتين المجموعتين بطرق ذكية.

There are people at work on systems like this,

هناك أشخاص في العمل على أنظمة مثل هذا،

but they’ve been mostly focused on formal training.

ولكن يكون أغلب تركيزهم على التدريب الرسمي.

And the deeper crisis is in on-the-job learning.

والأزمة الأعمق هي في التعلم أثناء العمل.

We must do better.

يجب علينا فعل ما هو أفضل.

Today’s problems demand we do better

مشاكل اليوم تتطلب أن نفعل الأفضل

to create work that takes full advantage of AI’s amazing capabilities

لخلق العمل الذي يستفيد استفادة كاملة من القدرة المذهلة للذكاء الأصطناعي

while enhancing our skills as we do it.

مع تعزيز مهاراتنا ونحن نفعل ذلك.

That’s the kind of future I dreamed of as a kid.

هذا هو نوع المستقبل كما حلمت به كطفل.

And the time to create it is now.

والوقت لإنشائه هو الآن.

Thank you.

شكراً

(Applause)

(تصفيق)