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

Translator: Behdad Khazaeli Reviewer: sadegh zabihi

It’s 6:30 in the morning,

ساعت۶:۳۰ صبح است،

and Kristen is wheeling her prostate patient into the OR.

و کریستین بیمار پروستاتش را روی صندلی چرخدار به سوی اتاق عمل می‌برد.

She's a resident, a surgeon in training.

او رزیدنت است، جراحی در حال آموزش دیدن.

It’s her job to learn.

کارش یاد گرفتن است.

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

امروز، خیلی امیدوار است تا بتواند کار بازسازی عصب انجام دهد،

extremely delicate dissection that can preserve erectile function.

برشی بی‌نهایت دقیق که می‌تواند توانایی نعوظ را حفظ کند.

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

این کار جراح اصلی است، اگرچه، هنوز به آنجا نرسیده.

She and the team put the patient under,

او به همراه گروه مریض را بیهوش کردند،

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

و او برش ۲۰ سانتی‌متری را در ناحیه زیر شکم انجام داد.

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

وقتی که آن را محکم کرد، به پرستار گفت تا جراح اصلی را صدا کند.

He arrives, gowns up,

او، با لباس مخصوص آمد،

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

و از آنجا به بعد، چهار دست آن‌ها بیشتر داخل بیمار بود --

with him guiding but Kristin leading the way.

او راهنمایی می‌کرد اما کریستین هدایت می‌کرد.

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

وقتی پروستات بیرون آمد (بله، او اجازه داد تا کریستین کمی بازسازی عصب انجام دهد،)

he rips off his scrubs.

روکش لباسش را پاره کرد.

He starts to do paperwork.

کار‌های نوشتاری را شروع کرد.

Kristen closes the patient by 8:15,

و کریستین بستن بخیه‌های بیمار را در ساعت ۸:۱۵،

with a junior resident looking over her shoulder.

وقتی که یک رزیدنت تازه‌کار از او یاد می‌گرفت، تمام کرد.

And she lets him do the final line of sutures.

و اجازه داد تا آخرین خط بخیه‌ها را او انجام دهد.

Kristen feels great.

کریستین خیلی خوشحال بود.

Patient’s going to be fine,

حال مریض خوب بود،

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

و شکی نبود که از ساعت ۶:۳۰ حالا جراح بهتری شده بود.

Now this is extreme work.

این کاری سخت است.

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

اما کریستین کارش را به شکلی یاد می‌گیرد که بیشتر ما همین مسیر را رفته‌ایم:

watching an expert for a bit,

کمی به متخصص نگاه کن،

getting involved in easy, safe parts of the work

درگیر قسمت‌های ساده و کم خطر کار بشو

and progressing to riskier and harder tasks

و بتدریج کار‌های سخت‌تر و پر‌خطر‌تر را

as they guide and decide she’s ready.

وقتی که دیدند و تصمیم گرفتند که آماده‌ای انجام بده.

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

تمام زندگی‌ام مجذوب این شیوه از آموزش بودم.

It feels elemental, part of what makes us human.

حسی از مقدم بودن دارد، جزیی از آنچه ما را انسان می‌کند.

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

نام‌های متفاوتی دارد: کارآموزی، مربی‌گری، راهبری، آموزش در کار.

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

در جراحی، می‌گویند «یکی ببین، یکی انجام بده، به یکی یاد بده».

But the process is the same,

اما فرآیندش همان است،

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

و شیوه اصلی یادگیری مهارت برای هزاران سال در جهان بوده است.

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

هم‌اکنون، هوش مصنوعی را بگونه‌ای استفاده می‌کنیم که جلوی این راه را می‌گیرد.

We’re sacrificing learning in our quest for productivity.

ما آموزش را قربانی بهره‌وری می‌کنیم.

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

من اولین بار این را در جراحی وقتی که در ام آی تی بودم فهمیدم،

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

اما الان شواهدی دارم که همه جا اتفاق می‌افتد،

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

در صنایعی بسیار متفاوت و با نوع متفاوتی از هوش مصنوعی.

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

اگر کاری نکنیم، میلیون‌ها نفر از ما با دیواری آجری برخورد خواهند کرد

as we try to learn to deal with AI.

تا بخواهیم استفاده از آن را یاد بگیریم.

Let’s go back to surgery to see how.

برای دیدن دلیل آن بیایید به جراحی بر‌گردیم.

Fast forward six months.

اگر شش ماه به جلو برویم.

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

دوباره ساعت ۶:۳۰ صبح است، و کریستن بیمار پروستات دیگری را برای جراحی می‌برد،

but this time to the robotic OR.

اما این بار به اتاق جراحی رباتیک.

The attending leads attaching

دستیار‌های اتاق عمل

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

یک ربات چهار دست ۵۰۰ کیلویی را به بیمار متصل می‌کنند.

They both rip off their scrubs,

هر دوشان روپوش پلاستیکی را پاره می‌کنند،

head to control consoles 10 or 15 feet away,

و به سمت کنسول هدایت می‌روند که ۳ یا ۴/۵ متر دورتر است،

and Kristen just watches.

و کریستن فقط نگاه می‌کند.

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

ربات اجازه می‌دهد تا جراح خودش تمامی عمل را انجام دهد،

so he basically does.

که اساسا این کار را می‌کند.

He knows she needs practice.

او می‌داند که کریستن نیاز به تمرین دارد.

He wants to give her control.

می‌خواهد که هدایت را به بسپارد.

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

اما می‌داند که کندتر است و اشتباهات بیشتری خواهد کرد،

and his patient comes first.

و مریض مهمتر است.

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

پس کریستین امیدی برای نزدیک شدن به آن عصب‌ها در این مرحله ندارد.

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

اگر بتواند ۱۵ دقیقه در یک عمل چهار ساعته جراحی کند شانس آورده است.

And she knows that when she slips up,

و وقتی که اشتباه می‌کند این را می‌داند،

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

جراح روی صفحه لمسی را فشار می‌دهد، و او دوباره تماشا می‌کند،

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

احساسی شبیه به تنبل‌هایی که کنار در کلاس می‌ایستند.

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

مانند تمام تحقیق‌هایی که در باره ربات‌ها و کار در هشت سال اخیر انجام دادم،

I started this one with a big, open question:

این یکی را هم با یک سوال بزرگ شروع کردم:

How do we learn to work with intelligent machines?

چطور کار کردن با ماشین‌های هوشمند را یاد می‌گیریم؟

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

برای فهمیدنش، دوسال و نیم را به بررسی ده‌ها رزیدنت و جراح گذراندم

doing traditional and robotic surgery, interviewing them

که جراحی‌های معمولی و رباتیک انجام می‌دادند، با آن‌ها مصاحبه کردم

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

و با رزیدنت‌هایی که می‌خواستند یاد بگیرند رفت و آمد کردم.

I covered 18 of the top US teaching hospitals,

۱۸ بیمارستان سطح بالای آموزشی در آمریکا در بررسی من بودند،

and the story was the same.

و داستان همه جا یکی بود.

Most residents were in Kristen's shoes.

شرایط بیشتر رزیدنت‌ها شبیه به کریستن بود.

They got to “see one” plenty,

امکان «دیدنش» خیلی زیاد بود،

but the “do one” was barely available.

ولی «انجام دادنش» به سختی ممکن.

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

در نتیجه تلاش زیادی نمی‌کردند، و چیزی هم یاد نمی‌گرفتند.

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

برای جراحان این خبر مهمی بود، اما باید می‌فهمیدم که این موضوع چقدر گسترده است؟

Where else was using AI blocking learning on the job?

چه جا‌های دیگری استفاده از هوش مصنوعی مانع از آموزش در کار شده؟

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

برای فهمیدنش، با گروه کوچک اما در حال رشدی از محققین مرتبط شدم

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

که کار‌های میدانی در استفاده از هوش مصنوعی

in very diverse settings like start-ups, policing,

در موضوعات خیلی مختلفی مانند استارت آپ‌ها، نیروی انتظامی،

investment banking and online education.

بانکداری سرمایه‌ای و آموزش از راه دور انجام می‌دادند.

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

مثل من، حداقل یکسال و صدها ساعت مشاهده انجام داده بودند،

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

مصاحبه و اغلب کار در کنار آدم‌هایی که رویشان تحقیق می‌کردند.

We shared data, and I looked for patterns.

ما اطلاعاتمان را با هم به اشتراک گذاشتیم و من به الگو‌ها توجه کردم.

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

مهم نبود که کار هوش مصنوعی در چه موضوعی است، داستان مشابه بود.

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

سازمان‌ها بیشتر و بیشتر سعی می‌کردند تا از هوش مصنوعی نتیجه بگیرند،

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

و هرچه بیشتر کارآموزان را از کار تخصصی دور می‌کردند.

Start-up managers were outsourcing their customer contact.

مدیران استارت آپ‌ها قرارداد مشتریان‌شان را برون سپاری می‌کردند.

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

پلیس باید استفاده از سیستم‌های پیش بینی جرایم را بدون پشتیبانی متخصصین بیاموزد.

Junior bankers were getting cut out of complex analysis,

خرده بانکدار‌ها از توانایی تحلیل‌های پیشرفته محروم می‌شوند،

and professors had to build online courses without help.

و استادان باید دروس آموزش از راه دور را بدون کمک بسازند.

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

و تاثیر همه این‌ها مانند جراحی است.

Learning on the job was getting much harder.

کارآموزی هر روز سخت‌تر می‌شود.

This can’t last.

این نمی‌تواند ادامه پیدا کند.

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

مَکنزی پیش‌بینی می‌کند که بین نیم تا یک میلیارد نفر از ما

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

باید هوش مصنوعی را در کار‌های خود تا ۲۰۳۰ وارد کنیم.

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

و ما فرض می‌کنیم که آموزش در کار

will be there for us as we try.

در آن موقع قابل استفاده خواهد بود.

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

بررسی از کارمندان «اَکسنچر» نشان می‌دهد که بیشتر کارکنان مهارت‌های اصلی خود را

on the job, not in formal training.

در کار آموخته‌اند، نه در آموزش‌های رسمی.

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

حالا که درباره تاثیرات آینده آن صحبت می‌کنیم،

the aspect of AI that may matter most right now

بیشتر ویژگی‌های هوش صنوعی که همین حالا خیلی مهم است

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

این است که ما بگونه‌ای عمل می‌کنیم که مانع از آموزش در حین کار می‌شود

just when we need it most.

درست وقتی که به آن خیلی نیاز داریم.

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

حالا میان همه این محل‌ها، اقلیت کوچکی راهی برای آموزش پیدا کرده است.

They did it by breaking and bending rules.

و آن را با تغییر و شکستن قواعد انجام داده‌اند.

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

راه‌های مورد قبول کار نمی‌کنند، پس آن‌ها قواعد را شکستند و تغییر دادند

to get hands-on practice with experts.

تا بتوانند تجربه‌های عملی با متخصصین ایجاد کند.

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

در مورد من، رزیدنت‌ها در آموزشگاه‌های پزشکی مشغول به عمل‌های رباتیک شدند

at the expense of their generalist education.

به هزینه آموزش‌های عمومی‌شان.

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

و آن‌ها صدها ساعت اضافه را در شبیه‌ساز‌ها و بررسی نوار‌های ضبط شده گذراندند،

when you were supposed to learn in the OR.

چیزی که باید در اتاق عمل یاد بگیری.

And maybe most importantly, they found ways to struggle

و شاید از همه مهمتر، آن‌ها راهی برای تلاش

in live procedures with limited expert supervision.

در عمل‌های واقعی با کمترین نظارت متخصص پیدا کردند.

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

من نام این را «آموزش در سایه» گذاشته‌ام، چون قوانین را تغییر می‌دهد

and learner’s do it out of the limelight.

و کارآموزان این کار را مخفیانه انجام می‌دهند.

And everyone turns a blind eye because it gets results.

و همه بخاطر اینکه نتیجه بخش است خود را به ندیدن می‌زنند.

Remember, these are the star pupils of the bunch.

یادتان باشد، این‌ها همه گل‌های سرسبد هستند.

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

مشخصا، این کار درست نیست، و مناسب هم نیست.

No one should have to risk getting fired

هیچکس نباید در خطر اخراج باشد

to learn the skills they need to do their job.

تا مهارت‌های لازم برای انجام کار را پیدا کند.

But we do need to learn from these people.

اما ما باید از این‌ها یاد بگیریم.

They took serious risks to learn.

که برای آموختن، خطرات واقعی را پذیرفته‌اند.

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

فهمیده‌اند که تلاش و چالش را در محیط کارشان نگه‌دارند

so that they could push themselves to tackle hard problems

تا بتوانند به خود برای حل مشکلات سخت فشار بیاورند

right near the edge of their capacity.

درست تا اندازه ظرفیت‌شان.

They also made sure there was an expert nearby

همچنین مطمئن می‌شدند که متخصصی در دسترس هست

to offer pointers and to backstop against catastrophe.

تا راهنمایی کند و در صورت نیاز از فاجعه جلوگیری کند.

Let’s build this combination of struggle and expert support

بگذاید تا این شیوه تلاش و پشتیبانی متخصص را

into each AI implementation.

برای هر نوع پیاده‌سازی دیگر هوش مصنوعی هم استفاده کنیم.

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

این مثالی واضح است که می‌توانم برایتان بیاورم.

Before robots,

قبل از روبات‌ها،

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

اگر یک متخصص خنثی کردن بمب بودید، در مورد بمب غیر معمول باید به سویش می‌رفتید.

A junior officer was hundreds of feet away,

و یک افسر رده پایین هم صدها متر دورتر ایستاده بود،

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

و فقط نگاه می‌کرد و اگر شما می‌گفتید امن است کمک می‌کرد

and invited them downrange.

و به آن‌ها می‌گفتید که نزدیک بیایند.

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

حالا شما در کنار هم در یک ماشین ضد بمب نشسته‌اید.

You both watched the video feed.

هر دو شما به تصویر ویدئو نگاه می‌کنید.

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

یک ربات را از راه دور هدایت می‌کنند، و شما کار را با صدای بلند هدایت می‌کنید.

Trainees learn better than they did before robots.

کارآموزان به شکلی بهتر از قبل از ربات یاد می‌گیرند.

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

می‌توانیم همین کار را در جراحی، استارت آپ‌ها، نیروی انتظامی،

investment banking, online education and beyond.

بانکداری سرمایه، آموزش از راه دور و دیگر موارد انجام دهیم.

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

خبر خوب اینکه ما ابزار‌های جدیدی برای این کار داریم.

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

اینترنت و پردازش ابری یعنی ما همیشه نیاز به یک متخصص برای هر کارآموز نداریم،

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

تا بصورت واقعی نزدیک همدیگر باشند یا حتی در یک سازمان کار کنند.

And we can build AI to help:

و می‌توانیم برای کمک هوش مصنوعی بسازیم:

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

تا آموزش دهنده‌ها را در مشکلاتشان راهنمایی کند، راهنمای متخصصین در آموزش باشد

and to connect those two groups in smart ways.

و این دو گروه را به شکلی هوشمند مرتبط کند.

There are people at work on systems like this,

در کار افرادی هستند با ساختار‌هایی مشابه،

but they’ve been mostly focused on formal training.

اما آن‌ها بیشتر بر آموزش‌های رسمی متمرکزند.

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

و بحران عمیق‌تر در آموزش در کار است.

We must do better.

باید بهتر عمل کنیم.

Today’s problems demand we do better

مشکلات امروز نیازمند کارایی بهتر ماست

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

تا کار‌های بسازیم که از مزیت‌های کامل هوش مصنوعی استفاده کند

while enhancing our skills as we do it.

و همچنان مهارت‌های ما را افزایش دهد.

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

این آینده‌ای است که وقتی کودک بودم آرزویش را داشتم.

And the time to create it is now.

و زمان ایجادش حالاست.

Thank you.

متشکرم.

(Applause)

(تشویق)