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

Fordító: Eva Danko Lektor: Zsuzsa Viola

It’s 6:30 in the morning,

Reggel fél hét,

and Kristen is wheeling her prostate patient into the OR.

és Kristen épp begurítja a műtőbe a prosztatás betegét.

She's a resident, a surgeon in training.

Rezidens orvos, sebésznek készül.

It’s her job to learn.

Az a dolga, hogy tanuljon.

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

Reméli, ma elvégezheti azt az igen finom, idegkímélő műveletet,

extremely delicate dissection that can preserve erectile function.

amely segít megőrizni az erekciós funkciót.

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

Ez a vezető sebészen múlik, ő viszont még nem érkezett meg.

She and the team put the patient under,

A beteg altatásba kerül,

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

Kristen pedig megejti a kezdő, nagyjából 20 cm-es bemetszést a beteg alhasán.

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

Amint rögzíti a sebszájat, kéri a nővért, értesítsék a vezető sebészt.

He arrives, gowns up,

A sebész megérkezik, beöltözik.

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

Onnantól kezdve szinte végig a betegben matatnak –

with him guiding but Kristin leading the way.

a sebész irányítja Kristen mozdulatait.

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

A prosztata-eltávolítás után (Kristen is alkalmazhatta az idegkímélő műveleteket)

he rips off his scrubs.

a sebész átöltözik.

He starts to do paperwork.

Elkezdni a papírmunkát.

Kristen closes the patient by 8:15,

Kristen 8:15-re bezárja a beteget

with a junior resident looking over her shoulder.

egy fiatal rezidens segítségével, aki őt figyeli.

And she lets him do the final line of sutures.

Hagyja, hogy a fiatal rezidens végezze el az utolsó öltéseket.

Kristen feels great.

Kristen jól érzi magát a bőrében.

Patient’s going to be fine,

A beteg rendbe jön,

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

és Kristen kétségtelenül tapasztaltabb, mint fél hétkor volt.

Now this is extreme work.

Rendkívüli munka ez.

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

Kristen viszont a legtöbbünkhöz hasonlóan tanulja a dolgát:

watching an expert for a bit,

egy tapasztalt személy megfigyelése után

getting involved in easy, safe parts of the work

könnyebb, biztonságos részfeladatot kap,

and progressing to riskier and harder tasks

és halad a rizikósabb, nagyobb kihívások felé,

as they guide and decide she’s ready.

amint úgy döntenek, készen áll rá.

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

Egész életemben csodáltam ezt a fajta tanulási módszert.

It feels elemental, part of what makes us human.

Alapvetőnek tűnik, része annak, amitől emberek vagyunk.

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

Különböző neveken illetik: gyakornokság, betanítás, mentorálás, szakmai gyakorlat.

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

A sebészetben ez: "Figyelj meg egyet, csinálj egyet, taníts egyet".

But the process is the same,

Ám a folyamat ugyanaz,

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

és az emberek évezredek óta így szereznek a világon mindenütt szaktudást.

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

Jelenleg egy dolog áll ennek az útjában: a mesterséges intelligencia.

We’re sacrificing learning in our quest for productivity.

A hatékonyság hajszolása a tanulás rovására megy.

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

Én a sebészetben, az MIT-n tapasztaltam meg először,

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

ám bizonyítékom van rá, hogy mindenütt ez a helyzet,

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

teljesen különböző ágazatokban, teljesen különböző mesterséges intelligenciákkal.

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

Ha semmit nem teszünk, több millióan ütközünk majd falakba,

as we try to learn to deal with AI.

miközben igyekszünk megtanulni az MI kezelését.

Let’s go back to surgery to see how.

Vegyük példaként ismét a sebészetet.

Fast forward six months.

Ugorjunk hat hónapot előre.

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

Reggel fél hét van, Kristen egy másik prosztatás beteget gurít a műtőbe,

but this time to the robotic OR.

ám ezúttal a robotműtőbe.

The attending leads attaching

A rangidős orvos irányításával

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

egy négykarú, féltonnás robotot kapcsolnak a páciensre.

They both rip off their scrubs,

Mindketten levetik a műtősruhát,

head to control consoles 10 or 15 feet away,

majd 3-4 méterrel odébb vonulnak, az irányítópulthoz.

and Kristen just watches.

Innentől Kristen csak figyel.

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

A robot hagyja, hogy a vezető orvos maga végezze az eljárást,

so he basically does.

aki így is jár el.

He knows she needs practice.

Kristennek gyakorolnia kellene.

He wants to give her control.

Bár megkaphatná az irányítást,

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

a vezető orvos tudja, Kristen lassabb, több hibát ejt,

and his patient comes first.

és a beteg a legfontosabb.

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

Kristennek tehát esélye sincs az idegek közelébe jutni e gyakorlat során.

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

Ha a négyórás művelet során 15 percnél többet operálhat, szerencsés.

And she knows that when she slips up,

Kirsten tudja, ha bakizik,

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

a vezető orvos megérinti a képernyőt, és ő újra megfigyelő lesz,

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

úgy érezve magát, mint a sarokba állított kisgyerek.

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

Mint nyolc éve a robotok és a munka kapcsolatáról szóló összes tanulmányomat,

I started this one with a big, open question:

ezt is egy nagy, nyitott kérdéssel kezdtem:

How do we learn to work with intelligent machines?

Hogyan tanuljunk meg intelligens gépekkel dolgozni?

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

Hogy kiderítsem, két és fél éven át tanulmányoztam sebészeket és rezidenseket,

doing traditional and robotic surgery, interviewing them

akik hagyományos és robotsebészettel foglalkoznak,

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

és többnyire a rezidensekkel lógtam, miközben tanulni próbáltak.

I covered 18 of the top US teaching hospitals,

Jártam Amerika 18 legnagyobb oktatókórházában,

and the story was the same.

nem volt különbség köztük.

Most residents were in Kristen's shoes.

A legtöbb rezidens Kristen cipőjében járt.

They got to “see one” plenty,

Sokat láttak,

but the “do one” was barely available.

ám hogy csinálják is, arra alig került sor.

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

Nem tudtak küzdeni, nem tanultak.

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

Ez fontos felfedezés volt a sebészetben, ám tudni akartam, mennyire általános,

Where else was using AI blocking learning on the job?

hol blokkolta még az MI használata a tanulás folyamatát.

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

Fiatal kutatók kis létszámú, ám növekvő csapatával vettem fel a kapcsolatot,

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

akik különböző körülmények között – például start-up cégek, rendészet,

in very diverse settings like start-ups, policing,

befektetési bankok és online oktatás – aktívan tanulmányozták

investment banking and online education.

a mesterséges intelligenciával történő munkavégzést.

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

Hozzám hasonlóan legalább egy évet és sok száz órát töltöttek megfigyeléssel,

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

interjúk készítésével, a megfigyeltekkel gyakran vállvetve munkálkodva.

We shared data, and I looked for patterns.

Séma után kutatva elkezdtük átnézni az adatainkat.

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

Függetlenül az ipartól, munkától, MI-től, mindenhol ugyanaz volt a helyzet.

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

A szervezetek folyamatosan eredményekért hajszolták az MI-t,

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

közben a tanulók elestek a munkavégzéssel szerzett fejlődés lehetőségétől.

Start-up managers were outsourcing their customer contact.

A start-up menedzserek kiszervezték a vevői kapcsolattartást.

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

A rendőröknek szakmai támogatás nélkül kellett

bűnügyi előrejelzésekkel foglalkozniuk.

Junior bankers were getting cut out of complex analysis,

Kezdő bankárok nem végezhettek összetett elemzéseket,

and professors had to build online courses without help.

professzoroknak segítség nélkül kellett összeállítaniuk online tanfolyamokat.

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

Az eredmény ugyanaz, mint a sebészetben.

Learning on the job was getting much harder.

Nehezebbé vált a szakma elsajátítása.

This can’t last.

Ez így nem tartható soká.

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

McKinsey becslése szerint 2030-ra fél-egy milliárdan kell megszokjuk,

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

hogy a munkánkat mesterséges intelligencia segíti.

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

A munka közbeni betanulás lehetőségét

will be there for us as we try.

pedig készpénznek vesszük.

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

Az Accenture friss felmérése szerint az alapkészségeket a dolgozók

on the job, not in formal training.

nem formális oktatással, hanem a munkavégzés során sajátították el.

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

Szóval miközben rengeteget beszélünk róla, milyen hatással van a jövőnkre,

the aspect of AI that may matter most right now

az MI egyik jelenlegi legfontosabb aspektusa,

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

hogy felhasználása során önmagunkat gátoljuk a munka elsajátításában akkor,

just when we need it most.

amikor a leginkább szükségünk volna rá.

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

A vizsgált területeken lévők közül kevesen jöttek rá, hogyan tanulhatnak.

They did it by breaking and bending rules.

Úgy, hogy áthágták és átalakították a szabályokat.

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

Az engedélyezett módszerek nem váltak be, így átalakították, áthágták a szabályokat,

to get hands-on practice with experts.

hogy valós tapasztalatra tegyenek szert.

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

Esetemben a rezidensek az orvosi képzésen ismerkedtek meg a robotsebészettel,

at the expense of their generalist education.

mégpedig általános oktatásuk rovására.

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

Túlórák százait töltötték szimulátorokkal és műtéti feljegyzésekkel,

when you were supposed to learn in the OR.

miközben a műtőben kellett volna tanulniuk.

And maybe most importantly, they found ways to struggle

Ami pedig talán a legfontosabb: megtalálták a módját,

in live procedures with limited expert supervision.

hogy korlátozott szakfelügyelet mellett is tanuljanak a műtéti eljárás során.

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

Úgy hívom a jelenséget: "árnyéktanulás", mert átalakítja a szabályokat,

and learner’s do it out of the limelight.

és a diákok mintegy mellékesen teszik.

And everyone turns a blind eye because it gets results.

Senki nem foglalkozik vele, mivel eredményes.

Remember, these are the star pupils of the bunch.

Ne feledjék, ők az éltanulók a csapatban.

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

Ez nyilvánvalóan nincs így rendben, és nem lehet tartós megoldás.

No one should have to risk getting fired

Nem lenne szabad állásuk kockáztatásával elsajátítaniuk

to learn the skills they need to do their job.

a munkájukhoz szükséges készségeket.

But we do need to learn from these people.

De tanulnunk kell ezektől az emberektől.

They took serious risks to learn.

Komoly kockázatot vállaltak a tanulásért.

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

Tudták, hogy szükségük van a munkában küzdelemre és kihívásra,

so that they could push themselves to tackle hard problems

hogy így kényszerítsék magukat teljesítőképességük határán

right near the edge of their capacity.

nehéz problémák megoldására.

They also made sure there was an expert nearby

Biztosították szakember jelenlétét is,

to offer pointers and to backstop against catastrophe.

aki irányt mutathatott, és megfékezhette a katasztrófát.

Let’s build this combination of struggle and expert support

Tegyük a mesterséges intelligencia alkalmazásának részévé

into each AI implementation.

a küzdelemnek és a szakmai támogatásnak e kombinációját.

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

Íme, egy terepen szerzett, egyértelmű példa:

Before robots,

A robotok előtt a tűzszerész odament a házilag készült robbanószerhez,

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

hogy hatástalanítsa.

A junior officer was hundreds of feet away,

Az újonc több tíz méter távolságban volt;

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

figyelni és segíteni csak akkor tudott, ha a tűzszerész előrehívta őt,

and invited them downrange.

mert biztonságosnak ítélte a körülményeket.

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

Most egymás mellett ülnek egy páncélozott járműben,

You both watched the video feed.

nézik a bejövő képeket.

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

Egy robotot irányítanak a távolban, a tűzszerész hangosan irányít.

Trainees learn better than they did before robots.

Az újoncok jobban teljesítenek, mint a robotok előtt.

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

Ezt alkalmazni lehet a sebészetben, a start-up cégeknél, a rendészetben,

investment banking, online education and beyond.

a befektetési bankoknál, az online oktatásban és más területeken.

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

A jó hír: ehhez új eszközök állnak rendelkezésünkre.

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

Az internet és a felhőszolgáltatás miatt nem kell minden újonc mellé egy szakember,

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

nem kell fizikálisan egymás közelében, de még csak egy szervezetben sem lenniük.

And we can build AI to help:

Építhetünk olyan MI-t, amely segíthet a küszködő tanoncokat oktatni,

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

és képzi a szakembereket oktatás közben,

and to connect those two groups in smart ways.

továbbá intelligens megoldásokkal összeköti e két csoportot.

There are people at work on systems like this,

Már most is vannak, akik ilyen rendszerekben dolgoznak,

but they’ve been mostly focused on formal training.

ám esetükben elsősorban a szabályos képzésen van a hangsúly.

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

A nagyobb baj a munka közbeni betanulásnál van.

We must do better.

Jobb megoldásra van szükségünk.

Today’s problems demand we do better

A ma problémái több erőfeszítést igényelnek

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

olyan munkák megteremtésében, amelyek úgy aknázzák ki az MI csodás lehetőségeit,

while enhancing our skills as we do it.

hogy közben képességeinket is fejlesztik.

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

Gyerekként effajta jövőről álmodoztam.

And the time to create it is now.

Most itt az idő, hogy valóra váltsuk.

Thank you.

Köszönöm.

(Applause)

(Taps)