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

Μετάφραση: Paraskevi Boura Επιμέλεια: Antonis Isaakidis

It’s 6:30 in the morning,

Είναι 6:30 το πρωί,

and Kristen is wheeling her prostate patient into the OR.

και η Κρίστεν μεταφέρει έναν ασθενή με προστάτη στο χειρουργείο.

She's a resident, a surgeon in training.

Είναι ειδικευόμενη ιατρός, εκπαιδευόμενη χειρουργός.

It’s her job to learn.

Η δουλειά της είναι να μαθαίνει.

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

Σήμερα, πραγματικά ελπίζει να κάνει ένα μέρος της νευροπροστατευτικής,

extremely delicate dissection that can preserve erectile function.

εξαιρετικά λεπτής τομής που μπορεί να προστατεύσει τη λειτουργία της στύσης.

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

Αυτό θα το αποφασίσει ο επιβλέπων χειρουργός όμως δεν έχει φτάσει ακόμα.

She and the team put the patient under,

Εκείνη και η ομάδα του έκαναν αναισθησία,

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

κι εκείνη καθοδηγεί στην αρχική τομή των 20 εκατοστών στην κοιλιακή χώρα.

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

Μόλις την πιάσει με τις λαβίδες, ζητάει από τη νοσηλεύτρια να φωνάξει τον επιβλέποντα.

He arrives, gowns up,

Εκείνος έρχεται, φοράει την ποδιά του,

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

κι έπειτα, τα τέσσερα χέρια τους βρίσκονται κυρίως μέσα στον ασθενή

with him guiding but Kristin leading the way.

μ' εκείνον να δίνει οδηγίες, αλλά με την Κρίστεν να προχωράει.

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

Όταν ο προστάτης χειρουργείται (και ναι, την άφησε να κάνει λίγη νευροπροστατευτική),

he rips off his scrubs.

πετάει την ποδιά του.

He starts to do paperwork.

Συμπληρώνει τα έγγραφα.

Kristen closes the patient by 8:15,

Η Κρίστεν κλείνει τον ασθενή στις 8:15,

with a junior resident looking over her shoulder.

μ' ένα νέο ασκούμενο να κοιτάζει τη δουλειά της.

And she lets him do the final line of sutures.

Και τον αφήνει να κάνει τα τελευταία ράμματα.

Kristen feels great.

Η Κρίστεν νιώθει θαυμάσια.

Patient’s going to be fine,

Ο ασθενής θα τα πάει μια χαρά,

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

και αναμφίβολα, είναι καλύτερη χειρουργός απ' ό,τι ήταν στις 6:30.

Now this is extreme work.

Αυτή, βέβαια, είναι μια ακραία δουλειά.

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

Όμως η Κρίστεν μαθαίνει να δουλεύει όπως και οι περισσότεροι από εμάς:

watching an expert for a bit,

παρατηρεί έναν ειδικό για λίγο,

getting involved in easy, safe parts of the work

συμμετέχει στις εύκολες και ασφαλείς φάσεις της δουλειάς

and progressing to riskier and harder tasks

και σταδιακά προχωρά στα πιο δύσκολα καθήκοντα

as they guide and decide she’s ready.

καθώς την καθοδηγούν κι αποφασίζουν ότι είναι έτοιμη.

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

Σε όλη μου τη ζωή, αυτό το είδος μάθησης με έχει συνεπάρει.

It feels elemental, part of what makes us human.

Φαίνεται κάτι το στοιχειώδες, ένα κομμάτι του μας κάνει ανθρώπους.

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

Έχει διάφορα ονόματα: μαθητεία, προπόνηση, συμβουλευτική, μάθηση στην πράξη.

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

Στο χειρουργείο ονομάζεται: «δες ένα, κάνε ένα, δίδαξε ένα».

But the process is the same,

Μα είναι η ίδια διαδικασία,

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

και εδώ και χιλιάδες χρόνια, αποτελεί την πορεία προς την ικανότητα.

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

Την παρούσα στιγμή, χειριζόμαστε την ΤΝ με τρόπο που μπλοκάρει αυτόν τον δρόμο.

We’re sacrificing learning in our quest for productivity.

Θυσιάζουμε τη γνώση, στον βωμό της παραγωγικότητας.

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

Το κατάλαβα πρώτη φορά σ' ένα χειρουργείο όσο ήμουν στο ΜΙΤ,

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

μα τώρα έχω αποδείξεις ότι συμβαίνει παντού,

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

σε πολύ διαφορετικές βιομηχανίες και με πολλά διαφορετικά είδη ΤΝ.

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

Αν δεν κάνουμε κάτι γι' αυτό,

εκατομμύρια άνθρωποι θα φτάσουμε σε αδιέξοδο,

as we try to learn to deal with AI.

προσπαθώντας να χειριστούμε την Τεχνητή Νοημοσύνη.

Let’s go back to surgery to see how.

Πάμε να δούμε πώς, πίσω στο χειρουργείο.

Fast forward six months.

Πάμε έξι μήνες μπροστά.

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

Και πάλι είναι 6:30, και η Κρίστεν φέρνει άλλον έναν ασθενή με προστάτη,

but this time to the robotic OR.

αυτή τη φορά στο ρομποτικό χειρουργείο.

The attending leads attaching

Ο επιβλέπων ξεκινά προσαρτώντας

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

ένα ρομπότ τεσσάρων χεριών, πεντακοσίων κιλών στον ασθενή.

They both rip off their scrubs,

Και οι δύο βγάζουν τις ποδιές,

head to control consoles 10 or 15 feet away,

και κατευθύνονται προς τα χειριστήρια στα τρία ή τέσσερα μέτρα από εκεί,

and Kristen just watches.

και η Κρίστεν απλώς παρακολουθεί.

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

Το ρομπότ αφήνει τον επιβλέποντα να κάνει όλη τη διαδικασία,

so he basically does.

οπότε και το κάνει.

He knows she needs practice.

Γνωρίζει ότι εκείνη πρέπει να εξασκηθεί.

He wants to give her control.

Θέλει να της δώσει τον έλεγχο.

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

Μα ξέρει επίσης ότι θα είναι πιο αργή και θα κάνει περισσότερα λάθη,

and his patient comes first.

και πάνω απ' όλα είναι ο ασθενής.

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

Έτσι, η Κρίστεν δεν έχει καμία ελπίδα να πλησιάσει αυτά τα νεύρα.

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

Θα είναι τυχερή αν χειρουργήσει πάνω από 15 λεπτά σε μια 4ωρη επέμβαση.

And she knows that when she slips up,

Και ξέρει ότι με το πρώτο λάθος,

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

εκείνος θα πατήσει μια οθόνη αφής και θα βρεθεί πάλι να κοιτάζει,

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

νιώθοντας σαν τον μαθητή στη γωνία με το καπέλο τιμωρίας.

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

Όπως σε κάθε μελέτη για ρομπότ και κάθε δουλειά μου εδώ και οκτώ χρόνια,

I started this one with a big, open question:

άρχισα αυτήν εδώ, κάνοντας μια ανοικτή ερώτηση:

How do we learn to work with intelligent machines?

Πώς μαθαίνουμε να εργαζόμαστε μαζί με τις ευφυείς μηχανές;

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

Για να το βρω, επί 2,5 χρόνια μελετούσα δεκάδες ειδικευόμενους και χειρουργούς

doing traditional and robotic surgery, interviewing them

που χειρουργούσαν παραδοσιακά και ρομποτικά, κάνοντας συνεντεύξεις,

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

και συζητούσα με τους ειδικευόμενους, καθώς προσπαθούσαν να μάθουν.

I covered 18 of the top US teaching hospitals,

Κάλυψα 18 από τα κορυφαία Πανεπιστημιακά Νοσοκομεία στις ΗΠΑ,

and the story was the same.

και η ιστορία επαναλαμβανόταν.

Most residents were in Kristen's shoes.

Οι πιο πολλοί ειδικευόμενοι ήταν στην ίδια θέση με την Κρίστεν.

They got to “see one” plenty,

Αναλωνόντουσαν υπερβολικά στο «δες»,

but the “do one” was barely available.

αλλά σχεδόν ποτέ δεν έφταναν στο «κάνε».

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

Δεν πάσχιζαν, και συνεπώς δεν μάθαιναν.

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

Ήταν σημαντικά νέα για τους χειρουργούς, μα έπρεπε να μάθω πόσο διαδεδομένα ήταν:

Where else was using AI blocking learning on the job?

Πού αλλού η ΤΝ που χρησιμοποιούταν μπλόκαρε τη μάθηση στην εργασία;

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

Για να το μάθω, συνδέθηκα με μια μικρή μα ανερχόμενη ομάδα νέων ερευνητών

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

που έκαναν μελέτες για το ζήτημα της δουλειάς που περιλαμβάνει χρήση ΤΝ

in very diverse settings like start-ups, policing,

σε ένα ευρύ φάσμα, όπως οι νέες επιχειρήσεις, η αστυνόμευση,

investment banking and online education.

οι τράπεζες επενδύσεις και η διδασκαλία εξ' αποστάσεως.

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

Όπως κι εγώ, πέρασαν τουλάχιστον έναν χρόνο και εκατοντάδες ώρες παρατηρώντας,

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

παίρνοντας συνεντεύξεις και δουλεύοντας στο πλευρό των ατόμων που μελετούσαν.

We shared data, and I looked for patterns.

Ανταλλάξαμε στοιχεία, κι έψαξα για μοτίβα.

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

Ανεξάρτητα από τη βιομηχανία, την εργασία, την ΤΝ, η ιστορία επαναλαμβανόταν.

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

Οι οργανισμοί προσπαθούσαν να δουν αποτελέσματα απ' την ΤΝ

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

και κάνοντάς το, απομάκρυναν τους μαθητευόμενους απ' τους ειδικούς.

Οι διευθυντές νεοφυών εταιριών ανέθεταν σ' εξωτερικούς συνεργάτες

Start-up managers were outsourcing their customer contact.

την επαφή με πελάτες.

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

Οι αστυνομικοί χειριζόντουσαν τις προβλέψεις εγκλήματος δίχως στήριξη.

Junior bankers were getting cut out of complex analysis,

Νέα τραπεζικά στελέχη δεν είχαν πρόσβαση στη σύνθετη ανάλυση

and professors had to build online courses without help.

και οι ακαδημαϊκοί σχεδίαζαν διαδικτυακά μαθήματα χωρίς στήριξη.

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

Και οι συνέπειες από όλα αυτά ήταν ανάλογες με εκείνες στο χειρουργείο.

Learning on the job was getting much harder.

Το να μάθεις τη δουλειά γινόταν ολοένα και δυσκολότερο.

This can’t last.

Αυτό δεν μπορεί να συνεχιστεί.

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

Η McKinsey υπολογίζει ότι μισό με ένα δισεκατομμύριο από εμάς

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

θα έχουμε εφαρμόσει την ΤΝ στην καθημερινή μας δουλειά έως το 2030.

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

Και υποθέτουμε ότι η μαθητεία στη δουλειά

will be there for us as we try.

θα είναι εφικτή, καθώς προσπαθούμε.

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

Η Accenture ανακάλυψε ότι οι εργαζόμενοι απέκτησαν βασικές δεξιότητες

on the job, not in formal training.

επί τω έργω, και όχι κατά την εκπαίδευση.

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

Άρα, καθώς μιλάμε πολύ για το μελλοντικό αντίκτυπο της ΤΝ,

the aspect of AI that may matter most right now

αυτό που έχει περισσότερη σημασία αυτή τη στιγμή

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

είναι ότι το χειριζόμαστε με τρόπο που μπλοκάρει τη μάθηση επί τω έργω

just when we need it most.

ακριβώς όταν τη χρειαζόμαστε περισσότερο.

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

Σε όλες τις τοποθεσίες που ερευνήσαμε, ένα μικρό ποσοστό κατόρθωσε να μάθει.

They did it by breaking and bending rules.

Και τα κατάφεραν παραβιάζοντας τους κανονισμούς.

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

Οι εγκεκριμένες μέθοδοι δεν απέδωσαν, οπότε παραβίασαν τους κανόνες

to get hands-on practice with experts.

για ν' αναμειχθούν στη δουλειά των ειδικών.

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

Στον χώρο μου, οι ειδικευόμενοι ασχολήθηκαν με τις ρομποτικές επεμβάσεις

στην Ιατρική Σχολή, σε βάρος των γενικών τους γνώσεων.

at the expense of their generalist education.

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

Και αφιέρωσαν πολλές επιπλέον ώρες με προσομοιώσεις και καταγραφές επεμβάσεων

when you were supposed to learn in the OR.

όταν θα έπρεπε να μαθαίνουν μέσα στο χειρουργείο.

And maybe most importantly, they found ways to struggle

Και το κυριότερο, ίσως, είναι ότι μπόρεσαν να αντεπεξέλθουν

in live procedures with limited expert supervision.

σε ζωντανές διαδικασίες με ελάχιστη επιτήρηση απ' τους ειδικούς.

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

Μου αρέσει να τ' ονομάζω «πλάγια μάθηση» επειδή παρακάμπτει τους κανόνες

and learner’s do it out of the limelight.

και ο μαθητής δεν βρίσκεται στο επίκεντρο.

And everyone turns a blind eye because it gets results.

Και όλοι κάνουν τα στραβά μάτια, επειδή αποδίδει καρπούς.

Remember, these are the star pupils of the bunch.

Να θυμάστε, αυτοί είναι τα «αστέρια» της φουρνιάς των φοιτητών.

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

Προφανώς, αυτό δεν είναι ούτε αποδεκτό, μα ούτε και βιώσιμο.

No one should have to risk getting fired

Κανείς δεν θα 'πρεπε να ρισκάρει ν' απολυθεί,

to learn the skills they need to do their job.

για να μάθει πώς να κάνει σωστά τη δουλειά του.

But we do need to learn from these people.

Πρέπει να παραδειγματιστούμε απ' αυτούς.

They took serious risks to learn.

Διακινδύνευσαν πολλά για να μάθουν.

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

Κατανόησαν ότι έπρεπε ν' αντιμετωπίσουν δυσκολίες και προκλήσεις στη δουλειά τους

so that they could push themselves to tackle hard problems

για να πιέσουν τον εαυτό τους και ν' αντιμετωπίσουν προβλήματα

right near the edge of their capacity.

που τους έφερναν σχεδόν στα όριά τους.

They also made sure there was an expert nearby

Ακόμα, βεβαιώνονταν ότι ήταν κοντά ένας έμπειρος

to offer pointers and to backstop against catastrophe.

για να τους καθοδηγεί και ν' αποτρέπει την καταστροφή.

Let’s build this combination of struggle and expert support

Ας εμφυτεύσουμε τον συνδυασμό του αγώνα και της υποστήριξης των ειδικών

into each AI implementation.

σε κάθε εφαρμογή ΤΝ.

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

Εδώ έχουμε ένα σαφές παράδειγμα για ν' αναλύσουμε.

Before robots,

Πριν τα ρομπότ,

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

αν εξουδετερώνατε βόμβες, είχατε επαφή με Ευφυείς Ηλεκτρονικές Διατάξεις.

A junior officer was hundreds of feet away,

Ένας κατώτερος αξιωματικός ήταν σε μεγάλη απόσταση

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

ώστε μπορούσε μόνο να βλέπει και να βοηθάει μόνο αν το κρίνατε ασφαλές

and invited them downrange.

και τον καλούσατε κοντά σας.

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

Τώρα, κάθεστε δίπλα-δίπλα σε ένα ένα ασφαλές καταφύγιο.

You both watched the video feed.

Και οι δύο είδατε τη ροή των βίντεο.

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

Χειρίζονται από μακριά ένα ρομπότ, κι εσείς τους καθοδηγείτε φωνάζοντας.

Trainees learn better than they did before robots.

Οι μαθητές μαθαίνουν καλύτερα σε σχέση με την εποχή πριν την ΤΝ.

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

Μπορούμε να το επεκτείνουμε στο χειρουργείο, τις νεοφυείς εταιρίες,

την αστυνόμευση, τις τραπεζικές επενδύσεις, τη διδασκαλία εξ' αποστάσεως.

investment banking, online education and beyond.

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

Ευτυχώς, έχουμε νέα εργαλεία για να το καταφέρουμε.

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

Με το διαδίκτυο, δεν χρειάζεται πάντα να υπάρχει ένας ειδικός ανά εκπαιδευόμενο,

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

να βρίσκεται στον ίδιο χώρο μ' εκείνον ή και να δουλεύουν για την ίδια οργάνωση.

And we can build AI to help:

Και μπορούμε να βελτιώσουμε την ΤΝ για να συμβάλει:

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

στην καθοδήγηση μαθητευόμενων, στην υποστήριξη των ειδικών που διδάσκουν,

and to connect those two groups in smart ways.

και να συνδέσει αυτές τις δύο ομάδες με έξυπνο τρόπο.

There are people at work on systems like this,

Υπάρχουν άτομα που δουλεύουν αυτά τα συστήματα,

but they’ve been mostly focused on formal training.

αλλά επικεντρώνονται κυρίως στους τίτλους εκπαίδευσης.

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

Το κυριότερο πρόβλημα είναι η μάθηση στην εργασία.

We must do better.

Πρέπει να βελτιωθούμε.

Today’s problems demand we do better

Τα τωρινά προβλήματα καθιστούν επιτακτική τη βελτίωση,

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

για να εκμεταλλευτούμε στο έπακρο τις εκπληκτικές ικανότητες της ΤΝ

while enhancing our skills as we do it.

ενώ παράλληλα εμπλουτίζουμε τη γνώση μας.

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

Αυτό είναι το μέλλον που ονειρευόμουν, όταν ήμουν παιδί.

And the time to create it is now.

Και η στιγμή για να το φτιάξουμε, έφτασε.

Thank you.

Σας ευχαριστώ.

(Applause)

(Χειροκρότημα)