TED Salon Zebra Technologies
Matt Beane: How do we learn to work with intelligent machines?
مت بین: چگونه کار کردن با ماشین‌های هوشمند را یاد می‌گیریم؟
Filmed:
Readability: 4.2
1,770,815 views
راه مهارت پیدا کردن برای هزاران سال در سرتاسر جهان یکسان بوده است: زیر نظر یک متخصص آموزش ببین و کار‌های ساده‌تر و کوچکتر را قبل از کار‌های سخت‌تر و پر خطر انتخاب کن. اما هم‌اکنون، ما از هوش مصنوعی به گونه‌ای استفاده می‌کنیم که این مسیر را تغییر می‌دهد -- و نهایتاً یادگیری در مسیر ما بسوی بهره‌وری قربانی خواهد شد، این موضوع را تبارشناس سازمانی، «مت بین» عنوان می‌کند. چه می‌شود کرد؟ بین، نگاهی را با ما درمیان می‌گذارد که داستان امروز ما را به یکی از آموزش‌های توسعه یافته با کمک رایانه تغییر دهد، و با استفاده از توانایی‌های خارق‌العاده هوش مصنوعی مهارت‌های ما هم توسعه یابد.
Matt Beane - Organizational ethnographer
Matt Beane is an Assistant Professor in the Technology Management Program at the University of California, Santa Barbara and a Research Affiliate with MIT's Institute for the Digital Economy. Full bio
Matt Beane is an Assistant Professor in the Technology Management Program at the University of California, Santa Barbara and a Research Affiliate with MIT's Institute for the Digital Economy. Full bio
Double-click the English transcript below to play the video.
00:13
It’s 6:30 in the morning,
0
1292
1875
ساعت۶:۳۰ صبح است،
00:15
and Kristen is wheeling
her prostate patient into the OR.
her prostate patient into the OR.
1
3583
4875
و کریستین بیمار پروستاتش را
روی صندلی چرخدار به سوی اتاق عمل می‌برد.
روی صندلی چرخدار به سوی اتاق عمل می‌برد.
00:21
She's a resident, a surgeon in training.
2
9500
2250
او رزیدنت است، جراحی در حال آموزش دیدن.
00:24
It’s her job to learn.
3
12333
2167
کارش یاد گرفتن است.
00:27
Today, she’s really hoping to do
some of the nerve-sparing,
some of the nerve-sparing,
4
15292
3351
امروز، خیلی امیدوار است تا بتواند
کار بازسازی عصب انجام دهد،
کار بازسازی عصب انجام دهد،
00:30
extremely delicate dissection
that can preserve erectile function.
that can preserve erectile function.
5
18667
3875
برشی بی‌نهایت دقیق که می‌تواند
توانایی نعوظ را حفظ کند.
توانایی نعوظ را حفظ کند.
00:35
That'll be up to the attending surgeon,
though, but he's not there yet.
though, but he's not there yet.
6
23500
3338
این کار جراح اصلی است،
اگرچه، هنوز به آنجا نرسیده.
اگرچه، هنوز به آنجا نرسیده.
00:39
She and the team put the patient under,
7
27625
2393
او به همراه گروه مریض را بیهوش کردند،
00:42
and she leads the initial eight-inch
incision in the lower abdomen.
incision in the lower abdomen.
8
30042
3708
و او برش ۲۰ سانتی‌متری را
در ناحیه زیر شکم انجام داد.
در ناحیه زیر شکم انجام داد.
00:47
Once she’s got that clamped back,
she tells the nurse to call the attending.
she tells the nurse to call the attending.
9
35042
3586
وقتی که آن را محکم کرد،
به پرستار گفت تا جراح اصلی را صدا کند.
به پرستار گفت تا جراح اصلی را صدا کند.
00:51
He arrives, gowns up,
10
39583
2292
او، با لباس مخصوص آمد،
00:54
And from there on in, their four hands
are mostly in that patient --
are mostly in that patient --
11
42458
5792
و از آنجا به بعد، چهار دست
آن‌ها بیشتر داخل بیمار بود --
آن‌ها بیشتر داخل بیمار بود --
01:00
with him guiding
but Kristin leading the way.
but Kristin leading the way.
12
48708
2917
او راهنمایی می‌کرد
اما کریستین هدایت می‌کرد.
اما کریستین هدایت می‌کرد.
01:04
When the prostates out (and, yes,
he let Kristen do a little nerve sparing),
he let Kristen do a little nerve sparing),
13
52875
4643
وقتی پروستات بیرون آمد (بله، او اجازه
داد تا کریستین کمی بازسازی عصب انجام دهد،)
داد تا کریستین کمی بازسازی عصب انجام دهد،)
01:09
he rips off his scrubs.
14
57542
1226
روکش لباسش را پاره کرد.
01:10
He starts to do paperwork.
15
58792
1375
کار‌های نوشتاری را شروع کرد.
01:12
Kristen closes the patient by 8:15,
16
60833
5375
و کریستین بستن بخیه‌های
بیمار را در ساعت ۸:۱۵،
بیمار را در ساعت ۸:۱۵،
01:18
with a junior resident
looking over her shoulder.
looking over her shoulder.
17
66583
2435
وقتی که یک رزیدنت تازه‌کار
از او یاد می‌گرفت، تمام کرد.
از او یاد می‌گرفت، تمام کرد.
01:21
And she lets him do
the final line of sutures.
the final line of sutures.
18
69042
3083
و اجازه داد تا آخرین خط
بخیه‌ها را او انجام دهد.
بخیه‌ها را او انجام دهد.
01:24
Kristen feels great.
19
72833
3042
کریستین خیلی خوشحال بود.
01:28
Patient’s going to be fine,
20
76250
1559
حال مریض خوب بود،
01:29
and no doubt she’s a better surgeon
than she was at 6:30.
than she was at 6:30.
21
77833
3167
و شکی نبود که از ساعت ۶:۳۰
حالا جراح بهتری شده بود.
حالا جراح بهتری شده بود.
01:34
Now this is extreme work.
22
82208
2834
این کاری سخت است.
01:37
But Kristin’s learning to do her job
the way that most of us do:
the way that most of us do:
23
85417
3833
اما کریستین کارش را به شکلی یاد می‌گیرد
که بیشتر ما همین مسیر را رفته‌ایم:
که بیشتر ما همین مسیر را رفته‌ایم:
01:41
watching an expert for a bit,
24
89625
1893
کمی به متخصص نگاه کن،
01:43
getting involved in easy,
safe parts of the work
safe parts of the work
25
91542
3142
درگیر قسمت‌های ساده و کم خطر کار بشو
01:46
and progressing to riskier
and harder tasks
and harder tasks
26
94708
2185
و بتدریج کار‌های سخت‌تر و پر‌خطر‌تر را
01:48
as they guide and decide she’s ready.
27
96917
2333
وقتی که دیدند و تصمیم گرفتند
که آماده‌ای انجام بده.
که آماده‌ای انجام بده.
01:52
My whole life I’ve been fascinated
by this kind of learning.
by this kind of learning.
28
100042
2892
تمام زندگی‌ام مجذوب
این شیوه از آموزش بودم.
این شیوه از آموزش بودم.
01:54
It feels elemental,
part of what makes us human.
part of what makes us human.
29
102958
3667
حسی از مقدم بودن دارد،
جزیی از آنچه ما را انسان می‌کند.
جزیی از آنچه ما را انسان می‌کند.
01:59
It has different names: apprenticeship,
coaching, mentorship, on the job training.
coaching, mentorship, on the job training.
30
107750
5417
نام‌های متفاوتی دارد: کارآموزی،
مربیگری، راهبری، آموزش در کار.
مربیگری، راهبری، آموزش در کار.
02:05
In surgery, it’s called
“see one, do one, teach one.”
“see one, do one, teach one.”
31
113542
3291
در جراحی، می‌گویند
«یکی ببین، یکی انجام بده، به یکی یاد بده».
«یکی ببین، یکی انجام بده، به یکی یاد بده».
02:09
But the process is the same,
32
117625
1344
اما فرآیندش همان است،
02:10
and it’s been the main path to skill
around the globe for thousands of years.
around the globe for thousands of years.
33
118993
4174
و شیوه اصلی یادگیری مهارت
برای هزاران سال در جهان بوده است.
برای هزاران سال در جهان بوده است.
02:16
Right now, we’re handling AI
in a way that blocks that path.
in a way that blocks that path.
34
124333
4500
هم‌اکنون، هوش مصنوعی را بگونه‌ای استفاده
می‌کنیم که جلوی این راه را می‌گیرد.
می‌کنیم که جلوی این راه را می‌گیرد.
02:21
We’re sacrificing learning
in our quest for productivity.
in our quest for productivity.
35
129625
2690
ما آموزش را قربانی بهره‌وری می‌کنیم.
02:25
I found this first in surgery
while I was at MIT,
while I was at MIT,
36
133292
2809
من اولین بار این را در جراحی
وقتی که در ام آی تی بودم فهمیدم،
وقتی که در ام آی تی بودم فهمیدم،
02:28
but now I’ve got evidence
it’s happening all over,
it’s happening all over,
37
136125
2476
اما الان شواهدی دارم
که همه جا اتفاق می‌افتد،
که همه جا اتفاق می‌افتد،
02:30
in very different industries
and with very different kinds of AI.
and with very different kinds of AI.
38
138625
3875
در صنایعی بسیار متفاوت
و با نوع متفاوتی از هوش مصنوعی.
و با نوع متفاوتی از هوش مصنوعی.
02:35
If we do nothing, millions of us
are going to hit a brick wall
are going to hit a brick wall
39
143083
5851
اگر کاری نکنیم، میلیون‌ها نفر از ما
با دیواری آجری برخورد خواهند کرد
با دیواری آجری برخورد خواهند کرد
02:40
as we try to learn to deal with AI.
40
148958
2417
تا بخواهیم استفاده از آن را یاد بگیریم.
02:45
Let’s go back to surgery to see how.
41
153125
1772
برای دیدن دلیل آن
بیایید به جراحی بر‌گردیم.
بیایید به جراحی بر‌گردیم.
02:47
Fast forward six months.
42
155708
1935
اگر شش ماه به جلو برویم.
02:49
It’s 6:30am again, and Kristen
is wheeling another prostate patient in,
is wheeling another prostate patient in,
43
157667
5476
دوباره ساعت ۶:۳۰ صبح است، و کریستن
بیمار پروستات دیگری را برای جراحی می‌برد،
بیمار پروستات دیگری را برای جراحی می‌برد،
02:55
but this time to the robotic OR.
44
163167
3166
اما این بار به اتاق جراحی رباتیک.
02:59
The attending leads attaching
45
167667
1684
دستیار‌های اتاق عمل
03:01
a four-armed, thousand-pound
robot to the patient.
robot to the patient.
46
169375
2833
یک ربات چهار دست ۵۰۰ کیلویی را
به بیمار متصل می‌کنند.
به بیمار متصل می‌کنند.
03:04
They both rip off their scrubs,
47
172750
2434
هر دوشان روپوش پلاستیکی را پاره می‌کنند،
03:07
head to control consoles
10 or 15 feet away,
10 or 15 feet away,
48
175208
3125
و به سمت کنسول هدایت می‌روند
که ۳ یا ۴/۵ متر دورتر است،
که ۳ یا ۴/۵ متر دورتر است،
03:11
and Kristen just watches.
49
179167
3750
و کریستن فقط نگاه می‌کند.
03:16
The robot allows the attending
to do the whole procedure himself,
to do the whole procedure himself,
50
184375
3053
ربات اجازه می‌دهد تا جراح
خودش تمامی عمل را انجام دهد،
خودش تمامی عمل را انجام دهد،
03:19
so he basically does.
51
187452
1583
که اساسا این کار را می‌کند.
03:21
He knows she needs practice.
52
189917
2101
او می‌داند که کریستن نیاز به تمرین دارد.
03:24
He wants to give her control.
53
192042
1583
می‌خواهد که هدایت را به بسپارد.
03:26
But he also knows she’d be slower
and make more mistakes,
and make more mistakes,
54
194250
3393
اما می‌داند که کندتر است
و اشتباهات بیشتری خواهد کرد،
و اشتباهات بیشتری خواهد کرد،
03:29
and his patient comes first.
55
197667
1500
و مریض مهمتر است.
03:32
So Kristin has no hope of getting anywhere
near those nerves during this rotation.
near those nerves during this rotation.
56
200250
4625
پس کریستین امیدی برای نزدیک شدن به
آن عصب‌ها در این مرحله ندارد.
آن عصب‌ها در این مرحله ندارد.
03:37
She’ll be lucky if she operates more than
15 minutes during a four-hour procedure.
15 minutes during a four-hour procedure.
57
205417
4375
اگر بتواند ۱۵ دقیقه در یک عمل چهار ساعته
جراحی کند شانس آورده است.
جراحی کند شانس آورده است.
03:42
And she knows that when she slips up,
58
210250
2625
و وقتی که اشتباه می‌کند این را می‌داند،
03:45
he’ll tap a touch screen,
and she’ll be watching again,
and she’ll be watching again,
59
213458
3042
جراح روی صفحه لمسی را فشار می‌دهد،
و او دوباره تماشا می‌کند،
و او دوباره تماشا می‌کند،
03:48
feeling like a kid in the corner
with a dunce cap.
with a dunce cap.
60
216917
2625
احساسی شبیه به تنبل‌هایی
که کنار در کلاس می‌ایستند.
که کنار در کلاس می‌ایستند.
03:53
Like all the studies of robots and work
I’ve done in the last eight years,
I’ve done in the last eight years,
61
221583
3501
مانند تمام تحقیق‌هایی که در باره ربات‌ها
و کار در هشت سال اخیر انجام دادم،
و کار در هشت سال اخیر انجام دادم،
03:57
I started this one
with a big, open question:
with a big, open question:
62
225108
2118
این یکی را هم با یک سوال بزرگ شروع کردم:
03:59
How do we learn to work
with intelligent machines?
with intelligent machines?
63
227250
2792
چطور کار کردن با ماشین‌های
هوشمند را یاد می‌گیریم؟
هوشمند را یاد می‌گیریم؟
04:02
To find out, I spent two and a half years
observing dozens of residents and surgeons
observing dozens of residents and surgeons
64
230792
5809
برای فهمیدنش، دوسال و نیم را به بررسی
ده‌ها رزیدنت و جراح گذراندم
ده‌ها رزیدنت و جراح گذراندم
04:08
doing traditional and robotic surgery,
interviewing them
interviewing them
65
236625
3476
که جراحی‌های معمولی و رباتیک
انجام می‌دادند، با آن‌ها مصاحبه کردم
انجام می‌دادند، با آن‌ها مصاحبه کردم
04:12
and in general hanging out
with the residents as they tried to learn.
with the residents as they tried to learn.
66
240125
3338
و با رزیدنت‌هایی که می‌خواستند
یاد بگیرند رفت و آمد کردم.
یاد بگیرند رفت و آمد کردم.
04:16
I covered 18 of the top
US teaching hospitals,
US teaching hospitals,
67
244250
3351
۱۸ بیمارستان سطح بالای آموزشی
در آمریکا در بررسی من بودند،
در آمریکا در بررسی من بودند،
04:19
and the story was the same.
68
247625
1458
و داستان همه جا یکی بود.
04:21
Most residents were in Kristen's shoes.
69
249875
2542
شرایط بیشتر رزیدنت‌ها شبیه به کریستن بود.
04:24
They got to “see one” plenty,
70
252958
1792
امکان «دیدنش» خیلی زیاد بود،
04:27
but the “do one” was barely available.
71
255583
2292
ولی «انجام دادنش» به سختی ممکن.
04:30
So they couldn’t struggle,
and they weren’t learning.
and they weren’t learning.
72
258333
2528
در نتیجه تلاش زیادی نمی‌کردند،
و چیزی هم یاد نمی‌گرفتند.
و چیزی هم یاد نمی‌گرفتند.
04:33
This was important news for surgeons, but
I needed to know how widespread it was:
I needed to know how widespread it was:
73
261291
3810
برای جراحان این خبر مهمی بود، اما باید
می‌فهمیدم که این موضوع چقدر گسترده است؟
می‌فهمیدم که این موضوع چقدر گسترده است؟
04:37
Where else was using AI
blocking learning on the job?
blocking learning on the job?
74
265125
3833
چه جا‌های دیگری استفاده از هوش مصنوعی
مانع از آموزش در کار شده؟
مانع از آموزش در کار شده؟
04:42
To find out, I’ve connected with a small
but growing group of young researchers
but growing group of young researchers
75
270208
4310
برای فهمیدنش، با گروه کوچک
اما در حال رشدی از محققین مرتبط شدم
اما در حال رشدی از محققین مرتبط شدم
04:46
who’ve done boots-on-the-ground studies
of work involving AI
of work involving AI
76
274542
3434
که کار‌های میدانی در استفاده از هوش مصنوعی
04:50
in very diverse settings
like start-ups, policing,
like start-ups, policing,
77
278000
2976
در موضوعات خیلی مختلفی مانند
استارت آپ‌ها، نیروی انتظامی،
استارت آپ‌ها، نیروی انتظامی،
04:53
investment banking and online education.
78
281000
2601
بانکداری سرمایه‌ای
و آموزش از راه دور انجام می‌دادند.
و آموزش از راه دور انجام می‌دادند.
04:55
Like me, they spent at least a year
and many hundreds of hours observing,
and many hundreds of hours observing,
79
283625
5851
مثل من، حداقل یکسال و صدها ساعت
مشاهده انجام داده بودند،
مشاهده انجام داده بودند،
05:01
interviewing and often working
side-by-side with the people they studied.
side-by-side with the people they studied.
80
289500
3917
مصاحبه و اغلب کار در کنار
آدم‌هایی که رویشان تحقیق می‌کردند.
آدم‌هایی که رویشان تحقیق می‌کردند.
05:06
We shared data, and I looked for patterns.
81
294458
2417
ما اطلاعاتمان را با هم به اشتراک گذاشتیم
و من به الگوها توجه کردم.
و من به الگوها توجه کردم.
05:09
No matter the industry, the work,
the AI, the story was the same.
the AI, the story was the same.
82
297917
5208
مهم نبود که کار هوش مصنوعی
در چه موضوعی است، داستان مشابه بود.
در چه موضوعی است، داستان مشابه بود.
05:16
Organizations were trying harder
and harder to get results from AI,
and harder to get results from AI,
83
304042
3642
سازمان‌ها بیشتر و بیشتر سعی می‌کردند تا
از هوش مصنوعی نتیجه بگیرند،
از هوش مصنوعی نتیجه بگیرند،
05:19
and they were peeling learners away from
expert work as they did it.
expert work as they did it.
84
307708
3542
و هرچه بیشتر کارآموزان را
از کار تخصصی دور می‌کردند.
از کار تخصصی دور می‌کردند.
05:24
Start-up managers were outsourcing
their customer contact.
their customer contact.
85
312333
2875
مدیران استارت آپ‌ها قرارداد
مشتریان‌شان را برون سپاری می‌کردند.
مشتریان‌شان را برون سپاری می‌کردند.
05:27
Cops had to learn to deal with crime
forecasts without experts support.
forecasts without experts support.
86
315833
4042
پلیس باید استفاده از سیستم‌های پیش بینی
جرایم را بدون پشتیبانی متخصصین بیاموزد.
جرایم را بدون پشتیبانی متخصصین بیاموزد.
05:32
Junior bankers were getting
cut out of complex analysis,
cut out of complex analysis,
87
320875
3250
خرده بانکدار‌ها از توانایی
تحلیل‌های پیشرفته محروم می‌شوند،
تحلیل‌های پیشرفته محروم می‌شوند،
05:36
and professors had to build
online courses without help.
online courses without help.
88
324500
3083
و استادان باید دروس آموزش
از راه دور را بدون کمک بسازند.
از راه دور را بدون کمک بسازند.
05:41
And the effect of all of this
was the same as in surgery.
was the same as in surgery.
89
329125
3226
و تاثیر همه این‌ها مانند جراحی است.
05:44
Learning on the job
was getting much harder.
was getting much harder.
90
332375
2917
کارآموزی هر روز سخت‌تر می‌شود.
05:48
This can’t last.
91
336958
1417
این نمی‌تواند ادامه پیدا کند.
05:51
McKinsey estimates that between half
a billion and a billion of us
a billion and a billion of us
92
339542
4267
مَکنزی پیش‌بینی می‌کند که
بین نیم تا یک میلیارد نفر از ما
بین نیم تا یک میلیارد نفر از ما
05:55
are going to have to adapt to AI
in our daily work by 2030.
in our daily work by 2030.
93
343833
4125
باید هوش مصنوعی را
در کار‌های خود تا ۲۰۳۰ وارد کنیم.
در کار‌های خود تا ۲۰۳۰ وارد کنیم.
06:01
And we’re assuming
that on-the-job learning
that on-the-job learning
94
349000
2011
و ما فرض می‌کنیم که آموزش در کار
06:03
will be there for us as we try.
95
351035
1917
در آن موقع قابل استفاده خواهد بود.
06:05
Accenture’s latest workers survey showed
that most workers learned key skills
that most workers learned key skills
96
353500
4268
بررسی از کارمندان «اَکسنچر» نشان می‌دهد
که بیشتر کارکنان مهارت‌های اصلی خود را
که بیشتر کارکنان مهارت‌های اصلی خود را
06:09
on the job, not in formal training.
97
357792
2291
در کار آموخته‌اند، نه در آموزش‌های رسمی.
06:13
So while we talk a lot about its
potential future impact,
potential future impact,
98
361292
3517
حالا که درباره تاثیرات
آینده آن صحبت می‌کنیم،
آینده آن صحبت می‌کنیم،
06:16
the aspect of AI
that may matter most right now
that may matter most right now
99
364833
3685
بیشتر ویژگی‌های هوش صنوعی که
همین حالا خیلی مهم است
همین حالا خیلی مهم است
06:20
is that we’re handling it in a way
that blocks learning on the job
that blocks learning on the job
100
368542
3375
این است که ما بگونه‌ای عمل می‌کنیم
که مانع از آموزش در حین کار می‌شود
که مانع از آموزش در حین کار می‌شود
06:24
just when we need it most.
101
372375
1625
درست وقتی که به آن خیلی نیاز داریم.
06:27
Now across all our sites,
a small minority found a way to learn.
a small minority found a way to learn.
102
375458
6042
حالا میان همه این محل‌ها، اقلیت کوچکی
راهی برای آموزش پیدا کرده است.
راهی برای آموزش پیدا کرده است.
06:35
They did it by breaking and bending rules.
103
383625
3042
و آن را با تغییر و شکستن
قواعد انجام داده‌اند.
قواعد انجام داده‌اند.
06:39
Approved methods weren’t working,
so they bent and broke rules
so they bent and broke rules
104
387083
4643
راه‌های مورد قبول کار نمی‌کنند،
پس آن‌ها قواعد را شکستند و تغییر دادند
پس آن‌ها قواعد را شکستند و تغییر دادند
06:43
to get hands-on practice with experts.
105
391750
1976
تا بتوانند تجربه‌های عملی
با متخصصین ایجاد کند.
با متخصصین ایجاد کند.
06:45
In my setting, residents got involved
in robotic surgery in medical school
in robotic surgery in medical school
106
393750
5601
در مورد من، رزیدنت‌ها در آموزشگاه‌های
پزشکی مشغول به عمل‌های رباتیک شدند
پزشکی مشغول به عمل‌های رباتیک شدند
06:51
at the expense
of their generalist education.
of their generalist education.
107
399375
3583
به هزینه آموزش‌های عمومی‌شان.
06:56
And they spent hundreds of extra hours
with simulators and recordings of surgery,
with simulators and recordings of surgery,
108
404417
5851
و آن‌ها صدها ساعت اضافه را در شبیه‌ساز‌ها
و بررسی نوار‌های ضبط شده گذراندند،
و بررسی نوار‌های ضبط شده گذراندند،
07:02
when you were supposed to learn in the OR.
109
410292
2541
چیزی که باید در اتاق عمل یاد بگیری.
07:05
And maybe most importantly,
they found ways to struggle
they found ways to struggle
110
413375
3476
و شاید از همه مهمتر،
آن‌ها راهی برای تلاش
آن‌ها راهی برای تلاش
07:08
in live procedures
with limited expert supervision.
with limited expert supervision.
111
416875
3750
در عمل‌های واقعی با کمترین
نظارت متخصص پیدا کردند.
نظارت متخصص پیدا کردند.
07:13
I call all this “shadow learning,”
because it bends the rules
because it bends the rules
112
421792
4309
من نام این را «آموزش در سایه»
گذاشته‌ام، چون قوانین را تغییر می‌دهد
گذاشته‌ام، چون قوانین را تغییر می‌دهد
07:18
and learner’s do it out of the limelight.
113
426125
2000
و کارآموزان این کار را
مخفیانه انجام می‌دهند.
مخفیانه انجام می‌دهند.
07:21
And everyone turns a blind eye
because it gets results.
because it gets results.
114
429542
4101
و همه بخاطر اینکه نتیجه بخش است
خود را به ندیدن می‌زنند.
خود را به ندیدن می‌زنند.
07:25
Remember, these are
the star pupils of the bunch.
the star pupils of the bunch.
115
433667
3166
یادتان باشد، این‌ها
همه گل‌های سرسبد هستند.
همه گل‌های سرسبد هستند.
07:29
Now, obviously, this is not OK,
and it’s not sustainable.
and it’s not sustainable.
116
437792
3208
مشخصا، این کار درست نیست،
و مناسب هم نیست.
و مناسب هم نیست.
07:33
No one should have to risk getting fired
117
441708
2185
هیچکس نباید در خطر اخراج باشد
07:35
to learn the skills
they need to do their job.
they need to do their job.
118
443917
2150
تا مهارت‌های لازم
برای انجام کار را پیدا کند.
برای انجام کار را پیدا کند.
07:38
But we do need to learn from these people.
119
446792
2056
اما ما باید از این‌ها یاد بگیریم.
07:41
They took serious risks to learn.
120
449917
2250
که برای آموختن،
خطرات واقعی را پذیرفته‌اند.
خطرات واقعی را پذیرفته‌اند.
07:44
They understood they needed to protect
struggle and challenge in their work
struggle and challenge in their work
121
452792
4351
فهمیده‌اند که تلاش و چالش را
در محیط کارشان نگه‌دارند
در محیط کارشان نگه‌دارند
07:49
so that they could push themselves
to tackle hard problems
to tackle hard problems
122
457167
2892
تا بتوانند به خود برای حل
مشکلات سخت فشار بیاورند
مشکلات سخت فشار بیاورند
07:52
right near the edge of their capacity.
123
460083
1959
درست تا اندازه ظرفیت‌شان.
07:54
They also made sure
there was an expert nearby
there was an expert nearby
124
462458
2216
همچنین مطمئن می‌شدند
که متخصصی در دسترس هست
که متخصصی در دسترس هست
07:56
to offer pointers and to backstop
against catastrophe.
against catastrophe.
125
464698
3094
تا راهنمایی کند و در صورت نیاز
از فاجعه جلوگیری کند.
از فاجعه جلوگیری کند.
08:00
Let’s build this combination
of struggle and expert support
of struggle and expert support
126
468875
3458
بگذاید تا این شیوه تلاش
و پشتیبانی متخصص را
و پشتیبانی متخصص را
08:04
into each AI implementation.
127
472708
2750
برای هر نوع پیاده‌سازی دیگر
هوش مصنوعی هم استفاده کنیم.
هوش مصنوعی هم استفاده کنیم.
08:08
Here’s one clear example
I could get of this on the ground.
I could get of this on the ground.
128
476375
2828
این مثالی واضح است
که می‌توانم برایتان بیاورم.
که می‌توانم برایتان بیاورم.
08:12
Before robots,
129
480125
1226
قبل از روبات‌ها،
08:13
if you were a bomb disposal technician,
you dealt with an IED by walking up to it.
you dealt with an IED by walking up to it.
130
481375
4792
اگر یک متخصص خنثی کردن بمب بودید، در
مورد بمب غیر معمول باید به سویش می‌رفتید.
مورد بمب غیر معمول باید به سویش می‌رفتید.
08:19
A junior officer was
hundreds of feet away,
hundreds of feet away,
131
487333
2143
و یک افسر رده پایین
هم صدها متر دورتر ایستاده بود،
هم صدها متر دورتر ایستاده بود،
08:21
so could only watch and help
if you decided it was safe
if you decided it was safe
132
489500
3309
و فقط نگاه می‌کرد و اگر شما می‌گفتید
امن است کمک می‌کرد
امن است کمک می‌کرد
08:24
and invited them downrange.
133
492833
1417
و به آن‌ها می‌گفتید که نزدیک بیایند.
08:27
Now you sit side-by-side
in a bomb-proof truck.
in a bomb-proof truck.
134
495208
3893
حالا شما در کنار هم در یک
ماشین ضد بمب نشسته‌اید.
ماشین ضد بمب نشسته‌اید.
08:31
You both watched the video feed.
135
499125
1809
هر دو شما به تصویر ویدئو نگاه می‌کنید.
08:32
They control a distant robot,
and you guide the work out loud.
and you guide the work out loud.
136
500958
4310
یک ربات را از راه دور هدایت می‌کنند،
و شما کار را با صدای بلند هدایت می‌کنید.
و شما کار را با صدای بلند هدایت می‌کنید.
08:37
Trainees learn better than they
did before robots.
did before robots.
137
505292
3208
کارآموزان به شکلی بهتر
از قبل از ربات یاد می‌گیرند.
از قبل از ربات یاد می‌گیرند.
08:41
We can scale this to surgery,
start-ups, policing,
start-ups, policing,
138
509125
3933
می‌توانیم همین کار را در جراحی،
استارت آپ‌ها، نیروی انتظامی،
استارت آپ‌ها، نیروی انتظامی،
08:45
investment banking,
online education and beyond.
online education and beyond.
139
513082
2625
بانکداری سرمایه، آموزش از راه دور
و دیگر موارد انجام دهیم.
و دیگر موارد انجام دهیم.
08:48
The good news is
we’ve got new tools to do it.
we’ve got new tools to do it.
140
516375
2500
خبر خوب اینکه ما ابزار‌های
جدیدی برای این کار داریم.
جدیدی برای این کار داریم.
08:51
The internet and the cloud mean we don’t
always need one expert for every trainee,
always need one expert for every trainee,
141
519750
4082
اینترنت و پردازش ابری یعنی ما همیشه
نیاز به یک متخصص برای هر کارآموز نداریم،
نیاز به یک متخصص برای هر کارآموز نداریم،
08:56
for them to be physically near each other
or even to be in the same organization.
or even to be in the same organization.
142
524167
4458
تا بصورت واقعی نزدیک همدیگر باشند
یا حتی در یک سازمان کار کنند.
یا حتی در یک سازمان کار کنند.
09:01
And we can build AI to help:
143
529292
3041
و می‌توانیم برای کمک هوش مصنوعی بسازیم:
09:05
to coach learners as they struggle,
to coach experts as they coach
to coach experts as they coach
144
533167
5059
تا آموزش دهنده‌ها را در مشکلاتشان راهنمایی
کند، راهنمای متخصصین در آموزش باشد
کند، راهنمای متخصصین در آموزش باشد
09:10
and to connect those two groups
in smart ways.
in smart ways.
145
538250
2542
و این دو گروه را به شکلی هوشمند مرتبط کند.
09:15
There are people at work
on systems like this,
on systems like this,
146
543375
2542
در کار افرادی هستند با ساختار‌هایی مشابه،
09:18
but they’ve been mostly focused
on formal training.
on formal training.
147
546333
2792
اما آن‌ها بیشتر بر آموزش‌های رسمی متمرکزند.
09:21
And the deeper crisis
is in on-the-job learning.
is in on-the-job learning.
148
549458
2584
و بحران عمیق‌تر در آموزش در کار است.
09:24
We must do better.
149
552417
1851
باید بهتر عمل کنیم.
09:26
Today’s problems demand we do better
150
554292
2583
مشکلات امروز نیازمند کارایی بهتر ماست
09:29
to create work that takes full advantage
of AI’s amazing capabilities
of AI’s amazing capabilities
151
557375
4875
تا کار‌های بسازیم که از مزیت‌های کامل
هوش مصنوعی استفاده کند
هوش مصنوعی استفاده کند
09:35
while enhancing our skills as we do it.
152
563042
2750
و همچنان مهارت‌های ما را افزایش دهد.
09:38
That’s the kind of future
I dreamed of as a kid.
I dreamed of as a kid.
153
566333
2750
این آینده‌ای است که وقتی
کودک بودم آرزویش را داشتم.
کودک بودم آرزویش را داشتم.
09:41
And the time to create it is now.
154
569458
2167
و زمان ایجادش حالاست.
09:44
Thank you.
155
572333
1226
متشکرم.
09:45
(Applause)
156
573583
3625
(تشویق)
ABOUT THE SPEAKER
Matt Beane - Organizational ethnographerMatt Beane is an Assistant Professor in the Technology Management Program at the University of California, Santa Barbara and a Research Affiliate with MIT's Institute for the Digital Economy.
Why you should listen
Matt Beane does field research on work involving robots to help us understand the implications of intelligent machines for the broader world of work. Any of his projects mean many hundreds of hours -- sometimes years -- watching, interviewing and often working side by side with people trying to work with robots to get their jobs done.
Beane has studied robotic surgery, robotic materials transport and robotic telepresence in healthcare, elder care and knowledge work. He has published in top management journals such as Administrative Science Quarterly, he was selected in 2012 as a Human Robot Interaction Pioneer and is a regular contributor to popular outlets such as Wired, MIT Technology Review, TechCrunch, Forbes and Robohub. He also took a two-year hiatus from his doctoral studies to help found and fund Humatics, an MIT-connected, full-stack IoT startup.
Beane is an Assistant Professor in the Technology Management Program at the University of California, Santa Barbara and a Research Affiliate with MIT's Institute for the Digital Economy. He received his PhD from the MIT Sloan School of Management.
Matt Beane | Speaker | TED.com