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

Kääntäjä: Manuel Sikermä Oikolukija: Ulla Vainio

It’s 6:30 in the morning,

Kello on puoli seitsemän aamulla,

and Kristen is wheeling her prostate patient into the OR.

kun Kristen kuljettaa eturauhaspotilasta leikkaussaliin.

Hän on erikoistuva lääkäri, työharjoittelussa oleva kirurgi.

She's a resident, a surgeon in training.

It’s her job to learn.

Hänen tehtävänsä on oppia.

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

Hän todella toivoo tekevänsä tänään hermot säästävän,

extremely delicate dissection that can preserve erectile function.

erittäin riskialttiin leikkauksen, joka voi säilyttää erektiokyvyn.

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

Se on valvovan kirurgin päätettävissä, mutta tämä ei ole vielä paikalla.

She and the team put the patient under,

Kristen asettaa potilaan ryhmänsä kanssa paikoilleen

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

ja vetää 20 senttimetriä pitkän esiviillon alavatsaan.

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

Kun hän saa puristettua viillon yhteen, hän pyytää hoitajaa kutsumaan valvojan.

He arrives, gowns up,

Valvoja tulee paikalle ja pukee suojakaavun ylleen

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

ja pian heidän kätensä ovat potilaassa.

with him guiding but Kristin leading the way.

Valvoja antaa ohjeita, mutta Kristen tekee työn.

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

Kun eturauhanen on poistettu, ja kyllä, valvoja antoi Kristenin "säästää hermot."

he rips off his scrubs.

Valvoja riisuu suoja-asunsa

He starts to do paperwork.

ja alkaa tehdä paperihommia.

Kristen closes the patient by 8:15,

Kristen sulkee leikkaushaavan kello 8:15

with a junior resident looking over her shoulder.

nuoremman harjoittelijan seuratessa työtä olan yli.

And she lets him do the final line of sutures.

Kristen antaa nuoremman harjoittelijan ommella viimeiset tikit.

Kristen feels great.

Kristenistä tuntuu upealta.

Patient’s going to be fine,

Potilas tulee olemaan kunnossa,

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

eikä epäilystäkään, etteikö Kristen olisi parempi kirurgi nyt kuin aamulla klo 6:30.

Now this is extreme work.

Tämä on vaativaa työtä.

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

Mutta Kristen opiskelee työhönsä samoin kuin useimmat meistä:

watching an expert for a bit,

katsoo mallia kokeneemmalta,

getting involved in easy, safe parts of the work

pääsee mukaan työhön helpoissa ja turvallisissa kohdissa

and progressing to riskier and harder tasks

ja kehittyy vaarallisempiin ja vaikeampiin tehtäviin

as they guide and decide she’s ready.

ohjaajien neuvoessa ja todetessa hänet riittävän päteväksi.

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

Minua on kiehtonut koko elämäni tämän kaltainen oppiminen.

It feels elemental, part of what makes us human.

Se tuntuu olennaiselta osalta sitä, mikä tekee meistä ihmisiä.

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

Sillä on eri nimiä: oppisopimuskoulutus, valmennus, mentorointi ja työssäoppiminen.

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

Kirurgiassa sitä kutsutaan nimellä "näe kerran, tee kerran, opeta kerran."

But the process is the same,

Meneltemä on silti sama.

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

Se on ollut ympäri maailmaa tärkein tapa saavuttaa ammattitaito jo tuhansia vuosia.

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

Tällä hetkellä käytämme tekoälyä siten, että se sulkee kyseisen tavan pois.

We’re sacrificing learning in our quest for productivity.

Me uhraamme itse oppimisen pyrkiessämme tehokkaampaan toimintaan.

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

Törmäsin tähän ensin kirurgiassa ollessani MIT:ssä Yhdysvalloissa,

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

mutta nyt voin osoittaa, että sitä tapahtuu kaikkialla.

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

Hyvin erilaisilla toimialoilla ja erityyppisten tekoälyjen kanssa.

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

Jos emme tee mitään, niin miljoonat meistä kohtaavat ongelmia,

as we try to learn to deal with AI.

kun yritämme oppia käsittelemään tekoälyä.

Let’s go back to surgery to see how.

Palataan kirurgiaan nähdäksemme miten tämä toimii.

Fast forward six months.

Pikakelaus kuusi kuukautta eteenpäin.

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

Kello on jälleen 6:30 ja Kristen kuljettaa toista eturauhaspotilasta,

but this time to the robotic OR.

mutta tällä kertaa robotisoituun leikkaussaliin.

The attending leads attaching

Valvoja ohjeistaa,

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

miten nelikätinen, 450-kiloinen robotti kiinnitetään potilaaseen.

They both rip off their scrubs,

He molemmat riisuvat kirurgin asunsa

head to control consoles 10 or 15 feet away,

ja menevät ohjauspöydälle muutaman metrin päähän.

and Kristen just watches.

Kristen ainoastaan katsoo.

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

Robotti antaa valvojan suorittaa toimenpiteen kokonaan itse,

so he basically does.

jonka hän periaatteessa tekee.

He knows she needs practice.

Robotti tietää Kristenin tarvitsevan harjoitusta.

He wants to give her control.

Se haluaisi antaa ohjat hänelle.

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

Robotti tietää myös, että Kristen olisi hitaampi ja tekisi enemmän virheitä

and his patient comes first.

ja potilas on tärkeämpi.

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

Kristenillä ei ole toivoakaan päästä lähellekään hermoja tällä kertaa.

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

Hän on onnekas, jos pääsee operoimaan yli vartiksi

neljätuntisessa toimenpiteessä.

And she knows that when she slips up,

Ja Kristen tietää, että kun hän mokaa,

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

niin se on vain kosketusnäytön napautus, ja hän on taas katsojan roolissa

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

tuntien olonsa lapseksi nurkassa aasinhattu päässään.

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

Tutkimuksissani roboteista viimeisen kahdeksan vuoden ajan,

olen aloittanut tällä isolla avauskysymyksellä:

I started this one with a big, open question:

How do we learn to work with intelligent machines?

miten opimme toimimaan älylaitteiden kanssa?

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

Tutkin yli kaksi vuotta erikoistuvia ja valmiita kirurgeja,

doing traditional and robotic surgery, interviewing them

jotka tekivät perinteistä ja robotisoitua kirurgiaa, haastattelin heitä

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

ja ylipäätään oleskelin erikoistuvien kirurgien kanssa, kun he opiskelivat.

I covered 18 of the top US teaching hospitals,

Tein tätä 18:ssa Yhdysvaltojen parhaassa opetussairaalassa,

and the story was the same.

ja kuvio oli kaikkialla sama.

Most residents were in Kristen's shoes.

Suurin osa kandidaateista oli Kristenin tilanteessa.

They got to “see one” plenty,

He saivat katsoa tekemistä runsaasti

but the “do one” was barely available.

mutta itse he eivät päässeet tekemään juuri lainkaan.

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

He eivät saaneet yrittää, eivätkä he liioin oppineet.

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

Tämä oli tärkeä uutinen kirurgeille, mutta minun täytyi tietää ongelma laajuus.

Where else was using AI blocking learning on the job?

Missä muualla käytettiin tekoälyä siten, että se esti työharjoittelun?

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

Liityin pieneen, mutta kasvavaan nuorten tutkijoiden ryhmään,

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

joka oli tehnyt pohjatutkimuksia tekoälyä hyödyntävästä työstä

hyvin erilaisissa työympäristöissä; aloittavissa yrityksissä, poliisissa,

in very diverse settings like start-ups, policing,

investment banking and online education.

sijoituspankkitoiminnassa ja verkkokoulutuksessa.

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

Kuten minä, he käyttivät ainakin vuoden ajan satoja tunteja tarkkaillen,

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

haastatellen ja työskennellen yhdessä tutkimuksen ihmisten kanssa.

We shared data, and I looked for patterns.

Jaoimme tiedot ja aloin etsiä toistuvia kuvioita.

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

Alasta, työstä ja tekoälystä riippumatta tarina oli aina sama.

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

Organisaatiot yrittivät yhä kovemmin saada tuloksia tekoälyllä

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

ja opiskelijat pidettiin poissa eksperttien luota heidän työskennellessä.

Start-up managers were outsourcing their customer contact.

Aloittavien yritysten johtajat ulkoistivat asiakaskontaktit.

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

Poliisien oli opittava käsittelemään rikosennusteita ilman asiantuntijoita.

Junior bankers were getting cut out of complex analysis,

Nuoremmat pankkiirit jätettiin mutkikkaiden analyysien ulkopuolelle.

and professors had to build online courses without help.

Professoreiden täytyi luoda verkkokurssit ilman apua.

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

Tällä kaikella oli sama vaikutus kuin kirurgiassa.

Learning on the job was getting much harder.

Työssäoppimisesta tuli paljon haastavampaa.

This can’t last.

Tämä ei voi jatkua.

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

McKinsey arvioi, että meistä 500 miljoonaa - miljardi ihmistä

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

joutuu sopeutumaan tekoälyyn osaksi päivittäistä työtä vuoteen 2030 mennessä.

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

Ennustamme, että työssäoppiminen

will be there for us as we try.

tulee matkalla vastaan.

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

Accenturen viimeisin työntekijäkysely osoitti useimpien oppineen avaintaidot

on the job, not in formal training.

töissä, eikä varsinaisessa koulutuksessa.

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

Kun puhumme paljon sen mahdollisista tulevista vaikutuksista,

the aspect of AI that may matter most right now

niin tekoälyn näkökulmasta voi olla tärkeintä juuri nyt,

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

että käsittelemme sitä tavalla, joka estää töissä oppimisen,

just when we need it most.

juuri kun tarvitsemme sitä eniten.

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

Tällä hetkellä kaikilla työpaikoilla pieni vähemmistö on löytänyt tavan oppia.

They did it by breaking and bending rules.

He onnistuivat siinä rikkomalla ja taivuttamalla sääntöjä.

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

Hyväksytyt menetelmät eivät toimineet, joten he taivuttivat ja rikkoivat sääntöjä

to get hands-on practice with experts.

päästäkseen käytännön harjoituksiin eksperttien kanssa.

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

Valmistuvat lääkärit otettiin mukaan robottikirurgiaan lääketieteen laitoksessa

at the expense of their generalist education.

heidän yleisen koulutuksen kustannuksella.

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

He viettivät satoja ylimääräisiä tunteja simulaattoreiden ja tallenteiden parissa,

when you were supposed to learn in the OR.

kun heidän olisi pitänyt opiskella leikkaussalissa.

And maybe most importantly, they found ways to struggle

Kenties tärkeimpänä he löysivät tapoja selviytyä

in live procedures with limited expert supervision.

aidoissa toimenpiteissä rajallisella asiantuntijaohjauksella.

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

Kutsun tätä kaikkea "varjo-oppimiseksi", koska se taivuttaa sääntöjä

and learner’s do it out of the limelight.

ja opiskelijat tekevät sitä valokeilojen ulkopuolella.

And everyone turns a blind eye because it gets results.

Kaikki sulkevat silmänsä tältä, koska se saa aikaan tuloksia.

Remember, these are the star pupils of the bunch.

Muistakaa, että kyseessä on joukon kärkioppilaat.

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

On päivänselvää, ettei sitä voida hyväksyä eikä se ole kestävä ratkaisu.

No one should have to risk getting fired

Kenenkään ei pitäisi olla vaarassa joutua erotetuksi

to learn the skills they need to do their job.

opiskellessaan taitoja, joita he tarvitsevat työssään.

But we do need to learn from these people.

Mutta meidän täytyy ottaa opiksi näiltä ihmisiltä.

They took serious risks to learn.

He ottivat merkittäviä riskejä oppiakseen.

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

He ymmärsivät, että oli tarpeen suojautua haasteilta työssä

so that they could push themselves to tackle hard problems

jotta he pystyivät pakottamaan itsensä vaikeiden tehtävien kanssa

right near the edge of their capacity.

lähelle suorituskyvyn äärirajoja.

They also made sure there was an expert nearby

Lisäksi he varmistivat, että ekspertti oli lähellä

to offer pointers and to backstop against catastrophe.

tarjoamassa pieniä neuvoja ja tukea hädän hetkellä.

Let’s build this combination of struggle and expert support

Rakennetaan yrittämisen ja asiantuntija-avun yhdistelmä

into each AI implementation.

jokaiseen tekoälysovellukseen.

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

Tässä yksi selkeä esimerkki, jolla voisin saada tämän alulle.

Before robots,

Aikana ennen robotteja,

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

pomminpurkaja hoiti tienvarsipommin kävelemällä sen luo.

A junior officer was hundreds of feet away,

Nuorempi virkailija oli kymmenien metrien päässä.

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

Hän sai vain katsoa ja auttoi, jos päättelit sen olevan turvallista

and invited them downrange.

ja kutsuit hänet kohteelle.

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

Nykyään istutte vierekkäin panssaroidussa rekassa.

You both watched the video feed.

Katsotte videosyötettä.

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

Nuoremmat ohjaavat etänä robottia, ja sinä johdat työtä ääneen.

Trainees learn better than they did before robots.

Harjoittelijat oppivat paremmin, kuin ennen robotteja.

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

Tätä voidaan soveltaa kirurgiaan, aloittaviin yrityksiin, poliisitoimintaan,

investment banking, online education and beyond.

sijoituspankkitoimintaan, verkkokoulutukseen, ynnä muuhun.

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

Hyvä uutinen on se, että meillä on toteutukseen uusia työkaluja.

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

Netin ja pilven ansiosta emme tarvitse eksperttiä jokaista harjoittelijaa kohti.

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

Heidän ei tarvitse olla fyysisesti lähellä eikä edes samassa organisaatiossa.

And we can build AI to help:

Voimme luoda tekoälyn avuksi:

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

valmentamaan sekä opiskelijoita ongelmissa että eksperttejä heidän valmentaessaan

and to connect those two groups in smart ways.

ja yhdistämään nämä kaksi ryhmää älykkäillä tavoilla.

There are people at work on systems like this,

Ihmisiä työskentelee tällaisissa järjestelmissä,

but they’ve been mostly focused on formal training.

mutta he keskittyvät enimmäkseen viralliseen koulutukseen.

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

Merkittävämpi ongelma on työssäoppimisessa.

We must do better.

Meidän täytyy pystyä parempaan.

Today’s problems demand we do better

Nykyhetken ongelmat vaativat meiltä parempia suorituksia.

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

Työssä täytyy käyttää kaikki edut, jotka tekoälyn uskomattomat kyvyt tarjoaa

while enhancing our skills as we do it.

samalla kun kehitämme omia taitojamme.

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

Tuon kaltaisesta tulevaisuudesta unelmoin lapsena.

And the time to create it is now.

Ja nyt on aika luoda se.

Thank you.

Kiitos.

(Applause)

(Suosionosoituksia)