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

Çeviri: Cihan Ekmekçi Gözden geçirme: Figen Ergürbüz

It’s 6:30 in the morning,

Sabah saat 6:30

and Kristen is wheeling her prostate patient into the OR.

ve Kristen prostat hastasını ameliyathaneye götürüyor.

She's a resident, a surgeon in training.

Kendisi asistan doktor, cerrahi eğitimi devam ediyor.

It’s her job to learn.

Öğrenmek onun işi.

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

Bugün, sinir koruyucu prostatektominin bir kısmını kendisi yapmayı umuyor;

extremely delicate dissection that can preserve erectile function.

erektil fonksiyonu koruyabilen inanılmaz hassas bir disseksiyon.

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

Tabii bu uzman cerraha bağlı, ama kendi orada değil.

She and the team put the patient under,

Kristen, ekibiyle birlikte hastayı uyutuyor

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

ve alt karında 20 cm.lik ilk insizyonu açıyor.

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

Ameliyat yerini güvenli kılar kılmaz hemşireden uzmanı çağırmasını istiyor.

He arrives, gowns up,

Uzman doktor gelip önlüğünü giyiyor,

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

sonra da birlikte hastayla ilgileniyorlar,

with him guiding but Kristin leading the way.

işi Kristen yapıyor ama uzman doktor onu yönlendiriyor.

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

Prostatlar çıktığında -- ve uzman, bir kısmını onun yapmasına izin verdi --

he rips off his scrubs.

doktor önlüğünü çıkarıyor.

He starts to do paperwork.

Belgelerle ilgilenmeye başlıyor.

Kristen closes the patient by 8:15,

Saatler 8:15'i gösterdiğinde Kristen insizyonu kapatmış oluyor,

with a junior resident looking over her shoulder.

daha yeni bir asistan da bu esnada onu izliyor.

And she lets him do the final line of sutures.

Kristen son dikişleri onun halletmesine izin veriyor.

Kristen feels great.

Kristen harika hissediyor.

Patient’s going to be fine,

Hasta iyiye gidiyor,

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

Saat 6.30'da olduğundan daha iyi bir cerrah olduğuna şüphe yok.

Now this is extreme work.

Bu ekstrem bir iş.

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

Ancak Kristen hepimizin yaptığı gibi işini yapmayı öğreniyor:

watching an expert for a bit,

Bir uzmanı bir süre izliyor,

getting involved in easy, safe parts of the work

işin kolay ve güvenli kısımlarına dâhil oluyor

and progressing to riskier and harder tasks

ve giderek daha zorlu ve riskli görevler alıyor,

as they guide and decide she’s ready.

bu esnada ona rehberlik ediyor, hazır olmasını sağlıyorlar.

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

Tüm hayatım boyunca bu öğrenme şekli çok ilgimi çekti.

It feels elemental, part of what makes us human.

Çok temel bir his, bizi insan yapan şeyin bir parçası.

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

Farklı isimleri var: çıraklık, koçluk, mentorluk, saha eğitimi.

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

Cerrahlıkta bunun adı "birini gör, birini yap, birine öğret"

But the process is the same,

Ama süreç hep aynı

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

ve dünya çapında yeteneğe giden yol binlerce yıldır hiç değişmedi.

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

Bugün yapay zekâyla bu yolu tıkayacak bir şekilde ilgileniyoruz.

We’re sacrificing learning in our quest for productivity.

Üretken olma yolunda öğrenmeyi feda ediyoruz.

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

MIT'deyken buna ilk cerrahide tanık oldum

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

ama her yerde olduğuna dair artık kanıtlarım var,

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

çok farklı sektörlerde ve çok farklı türde yapay zekâlarla.

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

Bir şey yapmazsak milyonlarca kişi bununla başa çıkmayı öğrenirken

as we try to learn to deal with AI.

büyük bir engelle karşılaşacak.

Let’s go back to surgery to see how.

Cerrahiye geri dönüp görelim.

Fast forward six months.

Altı ay ileri alalım.

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

Saat yine 6:30 ve Kristen, başka bir prostat hastasını içeri alıyor

but this time to the robotic OR.

fakat bu sefer robotik ameliyathaneye.

The attending leads attaching

Uzman cerrahın önderliğiyle

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

hasta, 400 küsur kiloluk dört kollu bir robota bağlanıyor.

They both rip off their scrubs,

Önlüklerini çıkartıyorlar,

head to control consoles 10 or 15 feet away,

Üç veya dört metre ilerideki konsollara yöneliyorlar

and Kristen just watches.

ve Kristen sadece izliyor.

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

Robot tüm prosedürü uzman cerrahın yapmasına izin veriyor,

so he basically does.

yani temelde cerrah yapıyor.

He knows she needs practice.

Kristen'in pratiğe ihtiyacı olduğunu biliyor.

He wants to give her control.

Kontrolü ona vermek istiyor.

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

Ancak onun çok yavaş olacağını ve daha fazla hata yapacağını da biliyor,

and his patient comes first.

hastalar önce gelir.

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

Bu şekilde Kristen'in ameliyatın kritik noktalarına müdahale etme umudu yok.

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

Dört saatlik bir prosedürün 15 dk.sını bile kendisi idare etse şanslı olacak.

And she knows that when she slips up,

Şunu da biliyor ki eğer hata yaparsa

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

uzman, dokunmatik ekrana dokunacak ve kendi yine izliyor olacak,

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

köşeye oturtulmuş cezalı çocuk gibi.

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

Son sekiz yılda yaptığım tüm robot ve iş çalışmaları gibi

I started this one with a big, open question:

buna da büyük ve açık bir soruyla başladım:

How do we learn to work with intelligent machines?

Akıllı makinelerle çalışmayı nasıl öğrenebiliriz?

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

Cevabı bulmak için iki buçuk yıl boyunca onlarca asistan ve cerrah gözlemledim,

doing traditional and robotic surgery, interviewing them

hem geleneksel hem robotik cerrahi yapan doktorlar, onlarla bizzat görüştüm,

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

genellikle öğrenme çabasında olan asistan doktorlarla vakit geçiriyorlar.

I covered 18 of the top US teaching hospitals,

ABD'nin en önde gelen 18 eğitim hastanesini inceledim

and the story was the same.

ve hikâye aynıydı.

Most residents were in Kristen's shoes.

Çoğu asistan doktor Kristen'ın durumunda olmuştu.

They got to “see one” plenty,

"Birini gör" kısmı çok kez deneyimlenmiş

but the “do one” was barely available.

fakat "birini yap" kısmı neredeyse hiç olmamıştı.

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

Zorluklarla karşılaşmadıkları sürece öğrenemezlerdi.

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

Cerrahlar için bu önemli bir haberdi ama ne kadar yayıldığını bilmem gerekti.

Where else was using AI blocking learning on the job?

Sahada öğrenmeyi engelleyen yapay zekâ kullanımı başka nerede vardı?

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

Bunun cevabı için küçük ama büyüyen bir grup genç araştırmacıya ulaştım,

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

yapay zekâyla ilgili temel alan araştırmaları yapmışlardı

ve çalışmaları çok çeşitli alanları kapsıyordu; mesela startup'lar

in very diverse settings like start-ups, policing,

investment banking and online education.

poliçeler, yatırım bankacılığı ve çevrimiçi eğitim.

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

Benim gibi en az bir yıl harcayarak yüzlerce saat gözlem yaptılar,

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

araştırdıkları insanlarla birlikte çalıştılar ve bizzat mülakat yaptılar.

We shared data, and I looked for patterns.

Verileri paylaştık ve bir şablon bulmaya çalıştık.

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

Sektör ne olursa olsun, iş, yapay zekâ, hikaye aynıydı.

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

Organizasyonlar yapay zekâdan sonuç almak için giderek daha çok uğraşıyorlardı

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

ve bunu yaparken öğrencileri uzman işinden uzaklaştırıyorlardı.

Start-up managers were outsourcing their customer contact.

Startup'lar, müşteri hizmetlerini dış kaynaklara yaptırıyordu.

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

Polisler suç tahminleriyle uzman desteği olmadan baş etmek zorunda kalıyorlardı.

Junior bankers were getting cut out of complex analysis,

Genç bankacıların karmaşık analiz yapmasına izin verilmiyordu

and professors had to build online courses without help.

ve akademisyenler yardımsız çevrimiçi dersler oluşturuyordu.

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

Tüm bunların etkisi cerrahide olanın aynısı.

Learning on the job was getting much harder.

Sahada öğrenme giderek zorlaşıyor.

This can’t last.

Bu böyle süremez.

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

McKinsey'nin tahminine göre yarım milyar ve bir milyar arası kişi

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

2030'a kadar günlük yaşamda kendimizi yapay zekâya uyarlayacağız.

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

Ve ben öyle sanıyorum ki sahada öğrenme

will be there for us as we try.

biz denedikçe orada olacak.

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

Accenture'ın son personel anketine göre

çoğu çalışan önemli yetileri sahada edindi, resmi eğitimde değil.

on the job, not in formal training.

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

Bu yüzden bunun potansiyel geleceği hakkında konuşurken

the aspect of AI that may matter most right now

yapay zekânın bizi ilgilendiren en önemli kısmı,

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

onu kullanış şeklimizin sahada öğrenmeyi engellemesi,

just when we need it most.

en çok ihtiyacımız olan da bu.

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

Tüm sahalarımızda küçük bir grup öğrenmeye bir yol buldu.

They did it by breaking and bending rules.

Bunu kuralları yıkarak buldular.

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

Kabul edilen yöntemler işe yaramıyordu, bu yüzden kuralları ihlal ettiler,

to get hands-on practice with experts.

sırf uzmanlarla deneyimli pratik yapmak için.

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

Benim alanımda, tıp fakültesinde asistanlar robotik cerrahiye dâhil oldu,

at the expense of their generalist education.

çok yönlü eğitimleri pahasına.

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

Simülator ve ameliyat video kayıtlarına yüzlerce ekstra saat harcıyorlar;

when you were supposed to learn in the OR.

ameliyathanede öğrenmeleri gereken işi.

And maybe most importantly, they found ways to struggle

Ve belki de en önemlisi, kısıtlı uzman rehberliğinde

in live procedures with limited expert supervision.

gerçek prosedürlerle mücadele etmenin yolunu buldular.

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

Ben bunu "gölge öğrenme" olarak adlandırıyorum çünkü kuralları esnetiyor

and learner’s do it out of the limelight.

ve öğrenen bunu ilgi odağı dışında yapıyor.

And everyone turns a blind eye because it gets results.

Herkes bunu görmezden geliyor çünkü sonuç veriyor.

Remember, these are the star pupils of the bunch.

Unutmayın, bunlar grubun yıldızlı öğrencileri.

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

Apaçık belli ki bu böyle olmaz ve sürdürebilir değil.

No one should have to risk getting fired

Hiç kimse işini yapmak için gereken yetileri öğrenmek adına

to learn the skills they need to do their job.

işten kovulma riskini almamalı.

But we do need to learn from these people.

Ama bu insanlardan öğrenmemiz gerek.

They took serious risks to learn.

Öğrenmek için ciddi riskler aldılar.

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

İşlerinde mücadele ve zorluğun önemini anladılar,

so that they could push themselves to tackle hard problems

böylece zor sorunlara doğru kendilerini zorlayabileceklerdi,

right near the edge of their capacity.

tüm kapasitelerini kullanabileceklerdi.

They also made sure there was an expert nearby

Yakınlarda bir uzman olduğundan emin oldular,

to offer pointers and to backstop against catastrophe.

bir felakete karşı kendilerine yol göstersin diye.

Let’s build this combination of struggle and expert support

Bu mücadele ve uzman desteği kombinasyonunu

into each AI implementation.

tüm yapay zekâ uygulamasına dâhil edelim.

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

Buna dair hâlihazırda çok net bir örneğim var.

Before robots,

Robotlardan önce

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

bomba imha teknisyeni olsaydınız el yapımı patlayıcı kullanırdınız.

A junior officer was hundreds of feet away,

Yeni bir görevli yüzlerce metre ileride,

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

sadece izleyebilir ve güvenli olduğuna karar verip ana bölgeye çağırırsanız

and invited them downrange.

yardım edebilir.

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

Bugün ise bomba korumalı bir kamyonette bombayla yan yana duruyorsunuz.

You both watched the video feed.

Videoyu ikiniz de izlediniz.

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

Robotu uzaktan kontrol ediyorlar, siz de sesli yönlendirme yapıyorosunuz.

Trainees learn better than they did before robots.

Eğitim alanlar, robotlardan önce daha iyi öğreniyordu.

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

Bunu pek çok şeye ölçeklendirebiliriz; cerrahi, startup, poliçeler,

investment banking, online education and beyond.

yatırım bankacılığı, çevrimiçi eğitim ve daha fazlası.

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

İyi haber şu ki bunu yapacak yeni araçlarımız var.

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

İnternet ve bulutla her öğrenci için her zaman bir uzmana ihtiyacımız yok,

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

birbirlerine yakın olmak hatta aynı organizasyonda olmak zorunda değiller.

And we can build AI to help:

Yapay zekâya şunları yaptırabiliriz:

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

öğrenciler mücadele ederken koçluk yapmak, uzmanlar koçluk yaparken koçluk yapmak

and to connect those two groups in smart ways.

Bu iki grubu zekice birbirine bağlamak.

There are people at work on systems like this,

Bunun benzeri sistemlerde çalışan insanlar var

but they’ve been mostly focused on formal training.

ama genel olarak resmi eğitime odaklanıyorlar.

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

Asıl köklü sorun ise sahada öğrenme.

We must do better.

Daha iyisini yapmalıyız.

Today’s problems demand we do better

Bugünün sorunları bizden daha iyisini bekliyor;

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

yapay zekânın harika kabiliyetlerinden tamamen yararlanmamızı

while enhancing our skills as we do it.

ve bu esnada yeteneklerimizi geliştirmemizi.

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

Çocukken böyle bir gelecek hayal ederdim.

And the time to create it is now.

Şimdi bunu yaratmanın zamanı.

Thank you.

Teşekkürler.

(Applause)

(Alkışlar)