TED Salon Zebra Technologies
Matt Beane: How do we learn to work with intelligent machines?
מאט בין: כיצד נלמד לעבוד עם מכונות חכמות?
Filmed:
Readability: 4.2
1,770,815 views
הדרך לרכישת כלים מסביב לעולם הייתה זהה במשך אלפי שנים: למידה ממומחה ולקיחת משימות קטנות ופשוטות לפני שמתקדמים למשימות קשות ומסוכנות יותר. אך כעת, אנו מתנהלים עם בינה מלאכותית בצורה שבה היא חוסמת לנו את הדרך הזו -- ומקריבים את הלמידה במסע אחר התייעלות, אומר האתנוגרף הארגוני מאט בין. מה ניתן לעשות בנידון? בין חולק חזון שהופך את הסיפור הנוכחי להפצת הדרכה נתמכת מכונות שמנצלת את היכולות המדהימות של בינה מלאכותית במקביל לשיפור הכישורים האנושיים.
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
השעה 6:30 בבוקר,
00:15
and Kristen is wheeling
her prostate patient into the OR.
her prostate patient into the OR.
1
3583
4875
וכריסטין מסיעה את המטופל שלה
אשר חולה בסרטן הערמונית, אל חדר הניתוח
אשר חולה בסרטן הערמונית, אל חדר הניתוח
00:21
She's a resident, a surgeon in training.
2
9500
2250
כריסטין היא מתמחה, מנתחת בהכשרה.
00:24
It’s her job to learn.
3
12333
2167
העבודה שלה היא ללמוד.
00:27
Today, she’s really hoping to do
some of the nerve-sparing,
some of the nerve-sparing,
4
15292
3351
היום, היא מקווה מאוד
לא לפגוע בעצבים שסביב הרקמות,
לא לפגוע בעצבים שסביב הרקמות,
00:30
extremely delicate dissection
that can preserve erectile function.
that can preserve erectile function.
5
18667
3875
תהליך עדין ביותר,
שבאמצעותו ניתן לשמר את תפקוד הזקפה.
שבאמצעותו ניתן לשמר את תפקוד הזקפה.
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
הפעולה הזו תתבצע על ידי המנתח הבכיר,
אמנם, אך הוא לא הגיע עדיין.
אמנם, אך הוא לא הגיע עדיין.
00:39
She and the team put the patient under,
7
27625
2393
המתמחה והצוות השכיבו את המטופל,
00:42
and she leads the initial eight-inch
incision in the lower abdomen.
incision in the lower abdomen.
8
30042
3708
והיא הובילה את החתך הראשוני,
באורך 20 סנטימטרים, בבטן התחתונה.
באורך 20 סנטימטרים, בבטן התחתונה.
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
ברגע שהיא מסיימת להדק אותו,
היא מבקשת מהאחות לקרוא למנתח הבכיר.
היא מבקשת מהאחות לקרוא למנתח הבכיר.
00:51
He arrives, gowns up,
10
39583
2292
הבכיר מגיע, מתלבש,
00:54
And from there on in, their four hands
are mostly in that patient --
are mostly in that patient --
11
42458
5792
ומרגע זה ואילך, ארבעת הידיים שלהם
בעיקר בתוך גוף החולה --
בעיקר בתוך גוף החולה --
01:00
with him guiding
but Kristin leading the way.
but Kristin leading the way.
12
48708
2917
כאשר הבכיר מדריך
אך כריסטין מובילה את הדרך.
אך כריסטין מובילה את הדרך.
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
כאשר הערמונית בחוץ (אכן כן,
הוא נתן לכריסטין לעבוד על העצבים),
הוא נתן לכריסטין לעבוד על העצבים),
הוא תולש את הבגדים הסטריליים שלו.
01:09
he rips off his scrubs.
14
57542
1226
01:10
He starts to do paperwork.
15
58792
1375
מתחיל לעסוק בניירת.
01:12
Kristen closes the patient by 8:15,
16
60833
5375
כריסטין סוגרת את המטופל בשעה 8:15,
01:18
with a junior resident
looking over her shoulder.
looking over her shoulder.
17
66583
2435
כאשר מתמחה צעיר מציץ מעבר לכתף שלה.
01:21
And she lets him do
the final line of sutures.
the final line of sutures.
18
69042
3083
והיא נותנת לו לבצע את שורת התפרים האחרונה.
01:24
Kristen feels great.
19
72833
3042
כריסטין מרגישה נהדר.
01:28
Patient’s going to be fine,
20
76250
1559
המטופל הולך להיות בסדר,
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
ואין ספק שהיא מנתחת טובה יותר
ממה שהייתה ב6:30.
ממה שהייתה ב6:30.
01:34
Now this is extreme work.
22
82208
2834
זוהי עבודה קיצונית.
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
אך כריסטין למדה לעשות את העבודה שלה
באותה דרך בה רובנו לומדים:
באותה דרך בה רובנו לומדים:
01:41
watching an expert for a bit,
24
89625
1893
לצפות במומחה לזמן מה,
01:43
getting involved in easy,
safe parts of the work
safe parts of the work
25
91542
3142
להשתלב במשימות קלות עם הצלחה בטוחה
01:46
and progressing to riskier
and harder tasks
and harder tasks
26
94708
2185
ולהתקדם למשימות קשות בעלות סיכון גבוה יותר
01:48
as they guide and decide she’s ready.
27
96917
2333
כאשר מדריכים אותה ומחליטים מתי היא מוכנה.
01:52
My whole life I’ve been fascinated
by this kind of learning.
by this kind of learning.
28
100042
2892
כל חיי הוקסמתי מהסוג הזה של למידה.
01:54
It feels elemental,
part of what makes us human.
part of what makes us human.
29
102958
3667
זה מרגיש מובן מאליו, חלק מהיותינו בני אדם.
01:59
It has different names: apprenticeship,
coaching, mentorship, on the job training.
coaching, mentorship, on the job training.
30
107750
5417
ויש לכך שמות שונים: חניכה,
אימון, הנחיה, למידה מהתנסות.
אימון, הנחיה, למידה מהתנסות.
02:05
In surgery, it’s called
“see one, do one, teach one.”
“see one, do one, teach one.”
31
113542
3291
בעולם הניתוח, זה נקרא
"ראה אחד, עשה אחד, למד אחד."
"ראה אחד, עשה אחד, למד אחד."
02:09
But the process is the same,
32
117625
1344
אך התהליך זהה,
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
וזו הייתה הדרך העיקרית ללמידה
מסביב לעולם במשך אלפי שנים.
מסביב לעולם במשך אלפי שנים.
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
כעת, אנו מתנהגים כלפי בינה מלאכותית
בצורה שחוסמת את הדרך הזו.
בצורה שחוסמת את הדרך הזו.
02:21
We’re sacrificing learning
in our quest for productivity.
in our quest for productivity.
35
129625
2690
אנו מקריבים למידה עבור ההתייעלות.
02:25
I found this first in surgery
while I was at MIT,
while I was at MIT,
36
133292
2809
הדבר התבהר לי לראשונה בעולם הניתוח
כאשר הייתי באמ.איי.טי,
כאשר הייתי באמ.איי.טי,
02:28
but now I’ve got evidence
it’s happening all over,
it’s happening all over,
37
136125
2476
אך כעת יש לי ראיות לכך שזה קורה בכל עבר,
02:30
in very different industries
and with very different kinds of AI.
and with very different kinds of AI.
38
138625
3875
בתעשיות שונות לחלוטין
ועם סוגים שונים של בינה מלאכותית.
ועם סוגים שונים של בינה מלאכותית.
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
אם לא נעשה דבר, מיליונים מאיתנו
הולכים להתקל במבוי סתום
הולכים להתקל במבוי סתום
02:40
as we try to learn to deal with AI.
40
148958
2417
בנסיון ההתמודדות עם בינה מלאכותית.
02:45
Let’s go back to surgery to see how.
41
153125
1772
בואו נחזור לעולם הניתוח לשם ההדגמה.
02:47
Fast forward six months.
42
155708
1935
הרצה 6 חודשים קדימה.
02:49
It’s 6:30am again, and Kristen
is wheeling another prostate patient in,
is wheeling another prostate patient in,
43
157667
5476
השעה שוב 6:30, וכריסטין מכניסה מטופל נוסף,
02:55
but this time to the robotic OR.
44
163167
3166
אך הפעם אל חדר ניתוח רובוטי.
02:59
The attending leads attaching
45
167667
1684
המנתח הבכיר מחבר
03:01
a four-armed, thousand-pound
robot to the patient.
robot to the patient.
46
169375
2833
רובוט במשקל 1000 פאונד,
בעל ארבע ידיים, אל המטופל.
בעל ארבע ידיים, אל המטופל.
03:04
They both rip off their scrubs,
47
172750
2434
שניכם מסירים את הביגוד הסטרילי,
03:07
head to control consoles
10 or 15 feet away,
10 or 15 feet away,
48
175208
3125
ניגשים את מכשירי השליטה
במרחק 3 או 5 מטר מהמטופל,
במרחק 3 או 5 מטר מהמטופל,
03:11
and Kristen just watches.
49
179167
3750
וכריסטין רק צופה.
03:16
The robot allows the attending
to do the whole procedure himself,
to do the whole procedure himself,
50
184375
3053
הרובוט מאפשר למנתח הבכיר
לבצע את ההליך כולו בעצמו,
לבצע את ההליך כולו בעצמו,
03:19
so he basically does.
51
187452
1583
ולמעשה כך הוא פועל.
03:21
He knows she needs practice.
52
189917
2101
הוא יודע שהיא זקוקה לאימון.
03:24
He wants to give her control.
53
192042
1583
הוא רוצה להעביר אליה את השליטה.
03:26
But he also knows she’d be slower
and make more mistakes,
and make more mistakes,
54
194250
3393
אך הוא גם יודע שהיא תהיה איטית יותר
ותעשה יותר טעויות,
ותעשה יותר טעויות,
03:29
and his patient comes first.
55
197667
1500
והמטופל בעדיפות עליונה.
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
לכן לכריסטין אין תקווה אפילו להתקרב
לעצבים של המטופל במהלך הניתוח.
לעצבים של המטופל במהלך הניתוח.
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
היא תהיה ברת מזל אם תוכל לתפעל
מעל 15 דקות בתהליך של 4 שעות.
מעל 15 דקות בתהליך של 4 שעות.
03:42
And she knows that when she slips up,
58
210250
2625
והיא יודעת שאם תעשה טעות,
03:45
he’ll tap a touch screen,
and she’ll be watching again,
and she’ll be watching again,
59
213458
3042
הוא ילחץ על המסך,
והיא תחזור להיות צופה,
והיא תחזור להיות צופה,
03:48
feeling like a kid in the corner
with a dunce cap.
with a dunce cap.
60
216917
2625
מרגישה כמו ילד שנשלח לעמוד בפינה
עם כובע בושה.
עם כובע בושה.
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
כמו בכל המחקרים על רובוטים והעבודות
שביצעתי ב8 השנים האחרונות,
שביצעתי ב8 השנים האחרונות,
03:57
I started this one
with a big, open question:
with a big, open question:
62
225108
2118
התחלתי את המחקר הזה
עם שאלה גדולה, פתוחה:
עם שאלה גדולה, פתוחה:
03:59
How do we learn to work
with intelligent machines?
with intelligent machines?
63
227250
2792
כיצד נלמד לעבוד עם מכונות חכמות?
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
כדי למצוא את התשובה, ביליתי שנתיים וחצי
בתצפית על מתמחים ומנתחים
בתצפית על מתמחים ומנתחים
04:08
doing traditional and robotic surgery,
interviewing them
interviewing them
65
236625
3476
מבצעים ניתוח מסורתי וניתוח באמצעות רובוטים
ראיינתי אותם
ראיינתי אותם
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
ופשוט ביליתי בחברת
מתמחים בתהליך הלמידה שלהם.
מתמחים בתהליך הלמידה שלהם.
04:16
I covered 18 of the top
US teaching hospitals,
US teaching hospitals,
67
244250
3351
שהיתי ב 18 מבתי החולים
הלימודיים הטובים ביותר בארה"ב,
הלימודיים הטובים ביותר בארה"ב,
04:19
and the story was the same.
68
247625
1458
והסיפור בכולם היה זהה.
04:21
Most residents were in Kristen's shoes.
69
249875
2542
רוב המתמחים היו בנעליים של כריסטין.
04:24
They got to “see one” plenty,
70
252958
1792
יצא להם "לראות אחד" המון פעמים,
04:27
but the “do one” was barely available.
71
255583
2292
אך ה"לעשות אחד" לא התאפשר לרוב.
04:30
So they couldn’t struggle,
and they weren’t learning.
and they weren’t learning.
72
258333
2528
כך שלא הייתה להם הזדמנות להתמודד,
והם לא למדו.
והם לא למדו.
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
זו הייתה ידיעה חשובה עבור המנתחים,
אך הייתי חייב להבין מה סדר הגודל של הנושא:
אך הייתי חייב להבין מה סדר הגודל של הנושא:
04:37
Where else was using AI
blocking learning on the job?
blocking learning on the job?
74
265125
3833
באילו תחומים נוספים, השימוש בבינה מלאכותית
מונע למידה מהתנסות?
מונע למידה מהתנסות?
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
על מנת לגלות, חברתי לקבוצה קטנה
ומתפתחת של חוקרים צעירים
ומתפתחת של חוקרים צעירים
04:46
who’ve done boots-on-the-ground studies
of work involving AI
of work involving AI
76
274542
3434
שביצעו למידה בשטח
על מקצועות משולבי בינה מלאכותית
על מקצועות משולבי בינה מלאכותית
04:50
in very diverse settings
like start-ups, policing,
like start-ups, policing,
77
278000
2976
בשדות מגוונים מאוד
כמו סטארטאפים, שיטור,
כמו סטארטאפים, שיטור,
04:53
investment banking and online education.
78
281000
2601
השקעות בנקאיות ולימוד איטרנטי.
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
כמוני, הם בילו לפחות שנה
בשעות תצפות מרובות,
בשעות תצפות מרובות,
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
ראיינו ועבדו לצד האנשים אותם חקרו.
05:06
We shared data, and I looked for patterns.
81
294458
2417
חלקנו מידע, וחיפשתי אחר דפוסים.
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
בלי קשר לתעשייה, לעבודה,
סוג הבינה המלאכותית, הסיפור היה אותו הדבר.
סוג הבינה המלאכותית, הסיפור היה אותו הדבר.
05:16
Organizations were trying harder
and harder to get results from AI,
and harder to get results from AI,
83
304042
3642
ארגונים ניסו יותר ויותר
לקבל תוצאות מבינה מלאכותית,
לקבל תוצאות מבינה מלאכותית,
05:19
and they were peeling learners away from
expert work as they did it.
expert work as they did it.
84
307708
3542
ובכך הרחיקו את המתלמדים
מעבודת ההתמחות שלהם.
מעבודת ההתמחות שלהם.
05:24
Start-up managers were outsourcing
their customer contact.
their customer contact.
85
312333
2875
מנהלי סטארטאפים ייצאו
את הקשר עם הלקוחות שלהם.
את הקשר עם הלקוחות שלהם.
05:27
Cops had to learn to deal with crime
forecasts without experts support.
forecasts without experts support.
86
315833
4042
שוטרים נאלצו להתמודד עם תחזיות
פשיעה ללא תמיכה של מומחים.
פשיעה ללא תמיכה של מומחים.
05:32
Junior bankers were getting
cut out of complex analysis,
cut out of complex analysis,
87
320875
3250
בנקאים צעירים הורחקו
מביצוע ניתוח נתונים מעמיק,
מביצוע ניתוח נתונים מעמיק,
05:36
and professors had to build
online courses without help.
online courses without help.
88
324500
3083
ופרופסורים נאלצו לבנות
קורסים אינטרנטיים ללא כל עזרה.
קורסים אינטרנטיים ללא כל עזרה.
05:41
And the effect of all of this
was the same as in surgery.
was the same as in surgery.
89
329125
3226
וההשפעה של כל אלו היא כמו ברפואה.
05:44
Learning on the job
was getting much harder.
was getting much harder.
90
332375
2917
למידה תוך כדי עבודה נעשתה קשה בהרבה.
05:48
This can’t last.
91
336958
1417
זה לא יוכל להחזיק מעמד.
05:51
McKinsey estimates that between half
a billion and a billion of us
a billion and a billion of us
92
339542
4267
מקינזי מעריכים כי בין חצי מיליארד
למיליארד מאיתנו
למיליארד מאיתנו
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
ייאלצו להתרגל לשילוב של בינה מלאכותית
בעבודה היומיומית שלנו עד שנת 2030.
בעבודה היומיומית שלנו עד שנת 2030.
06:01
And we’re assuming
that on-the-job learning
that on-the-job learning
94
349000
2011
ואנו מניחים כי למידה בהתנסות
06:03
will be there for us as we try.
95
351035
1917
תהיה שם עבורנו כשזה יקרה.
06:05
Accenture’s latest workers survey showed
that most workers learned key skills
that most workers learned key skills
96
353500
4268
סקר העובדים האחרון של אקסנצ'ור
הראה שרוב העובדים למדו כישורים חשובים
הראה שרוב העובדים למדו כישורים חשובים
06:09
on the job, not in formal training.
97
357792
2291
תוך כדי עבודה, ולא מלמידה פורמלית.
06:13
So while we talk a lot about its
potential future impact,
potential future impact,
98
361292
3517
אז למרות שאנו דנים המון
על ההשפעה הפוטנציאלית שלה,
על ההשפעה הפוטנציאלית שלה,
06:16
the aspect of AI
that may matter most right now
that may matter most right now
99
364833
3685
ההיבט של בינה מלאכותית
בעל המשמעות הגדולה ביותר כרגע
בעל המשמעות הגדולה ביותר כרגע
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
הוא שאנו מנהלים אותה בצורה כזו
שהיא מונעת מאיתנו ללמוד
שהיא מונעת מאיתנו ללמוד
06:24
just when we need it most.
101
372375
1625
בדיוק כשאנו זקוקים לכך.
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
כעת בכל האתרים שלנו
מיעוט קטן מצא דרך ללמוד.
מיעוט קטן מצא דרך ללמוד.
06:35
They did it by breaking and bending rules.
103
383625
3042
הם עשו זאת על ידי שבירה וכיפוף של החוקים.
06:39
Approved methods weren’t working,
so they bent and broke rules
so they bent and broke rules
104
387083
4643
שיטות מוכרות לא עבדו,
ולכן הם כופפו ושברו את החוקים
ולכן הם כופפו ושברו את החוקים
06:43
to get hands-on practice with experts.
105
391750
1976
על מנת להשיג אימון מעשי עם מומחים.
06:45
In my setting, residents got involved
in robotic surgery in medical school
in robotic surgery in medical school
106
393750
5601
במקום בו הייתי, המתמחים התעסקו
בניתוח רובוטי בבית ספר לרפואה
בניתוח רובוטי בבית ספר לרפואה
06:51
at the expense
of their generalist education.
of their generalist education.
107
399375
3583
על חשבון ההשכלה הכללית שלהם.
06:56
And they spent hundreds of extra hours
with simulators and recordings of surgery,
with simulators and recordings of surgery,
108
404417
5851
והם בילו מאות של שעות נוספות
עם סימולטורים והקלטות של ניתוחים,
עם סימולטורים והקלטות של ניתוחים,
07:02
when you were supposed to learn in the OR.
109
410292
2541
כאשר היו אמורים בעצם ללמוד בחדר הניתוח.
07:05
And maybe most importantly,
they found ways to struggle
they found ways to struggle
110
413375
3476
ואולי חשוב מכך, הם מצאו דרכים להתמודד
07:08
in live procedures
with limited expert supervision.
with limited expert supervision.
111
416875
3750
בהליכים אמיתיים עם השגחת מומחה מוגבלת.
07:13
I call all this “shadow learning,”
because it bends the rules
because it bends the rules
112
421792
4309
אני קורא לכל זה ״למידה בצל״,
כיוון שהיא מכופפת את החוקים
כיוון שהיא מכופפת את החוקים
07:18
and learner’s do it out of the limelight.
113
426125
2000
והתלמידים עושים זאת מאחורי הקלעים.
07:21
And everyone turns a blind eye
because it gets results.
because it gets results.
114
429542
4101
וכולם מעלימים עין כיוון שזה מניב תוצאות.
07:25
Remember, these are
the star pupils of the bunch.
the star pupils of the bunch.
115
433667
3166
זכרו, אלו הם ה״כוכבים״ שבחבורה.
07:29
Now, obviously, this is not OK,
and it’s not sustainable.
and it’s not sustainable.
116
437792
3208
עכשיו, כמובן שזה לא בסדר,
וזוהי לא שיטה שתחזיק לאורך זמן.
וזוהי לא שיטה שתחזיק לאורך זמן.
07:33
No one should have to risk getting fired
117
441708
2185
אף אחד לא צריך להסתכן בפיטורים
07:35
to learn the skills
they need to do their job.
they need to do their job.
118
443917
2150
בשביל ללמוד כישורי עבודה.
07:38
But we do need to learn from these people.
119
446792
2056
אך אנו כן צריכים ללמוד מהאנשים האלו.
07:41
They took serious risks to learn.
120
449917
2250
הם לקחו סיכונים אדירים בשביל ללמוד.
07:44
They understood they needed to protect
struggle and challenge in their work
struggle and challenge in their work
121
452792
4351
הם הבינו שהם צריכים להגן על
המאמץ והאתגר בעבודה
המאמץ והאתגר בעבודה
07:49
so that they could push themselves
to tackle hard problems
to tackle hard problems
122
457167
2892
כדי שיוכלו לדחוף את עצמם
להתמודד עם בעיות קשות
להתמודד עם בעיות קשות
07:52
right near the edge of their capacity.
123
460083
1959
עד קצה גבול היכולת שלהם.
07:54
They also made sure
there was an expert nearby
there was an expert nearby
124
462458
2216
בנוסף הם וידאו שיש מומחה בקרבת מקום
07:56
to offer pointers and to backstop
against catastrophe.
against catastrophe.
125
464698
3094
שציע נקודות לשיפור
ובמידת הצורך למנוע אסון.
ובמידת הצורך למנוע אסון.
08:00
Let’s build this combination
of struggle and expert support
of struggle and expert support
126
468875
3458
בואו נבנה את השילוב בין מאמץ לתמיכת מומחים
08:04
into each AI implementation.
127
472708
2750
לתוך כל הטמעה של בינה מלאכותית.
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
להלן דוגמה ברורה שיכלתי למצוא לכך במציאות.
08:12
Before robots,
129
480125
1226
לפני הרובוטים,
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
אם היית מהנדס ניטרול פצצות,
התמודדת עם פצצה על ידי כך שניגשת אליה.
התמודדת עם פצצה על ידי כך שניגשת אליה.
08:19
A junior officer was
hundreds of feet away,
hundreds of feet away,
131
487333
2143
שוטר צעיר היה במרחק מאות רגל משם,
08:21
so could only watch and help
if you decided it was safe
if you decided it was safe
132
489500
3309
כדי לתצפת ולעזור אם היית מחליט שהאזור בטוח
08:24
and invited them downrange.
133
492833
1417
ומזמין אותו להתקרב.
08:27
Now you sit side-by-side
in a bomb-proof truck.
in a bomb-proof truck.
134
495208
3893
כעת הם יושבים זה לצד זה במשאית משוריינת.
08:31
You both watched the video feed.
135
499125
1809
שניכם ראיתם את הסרטון.
08:32
They control a distant robot,
and you guide the work out loud.
and you guide the work out loud.
136
500958
4310
הם שלטו ברובוט מרחוק,
ואתה מנהל את העבודה בקול רם.
ואתה מנהל את העבודה בקול רם.
08:37
Trainees learn better than they
did before robots.
did before robots.
137
505292
3208
מתלמדים לומדים טוב יותר
מאשר שלמדו טרם הרובוטים.
מאשר שלמדו טרם הרובוטים.
08:41
We can scale this to surgery,
start-ups, policing,
start-ups, policing,
138
509125
3933
נוכל להדגים זאת גם על ניתוח,
סטארטאפים, שיטור,
סטארטאפים, שיטור,
08:45
investment banking,
online education and beyond.
online education and beyond.
139
513082
2625
השקעות בנקאיות, השכלה אינטרנטית ומעבר.
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
החדשות הטובות הן שיש לנו כלים לעשות את זה.
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
האינטרנט והענן משמעם שאיננו
צריכים תמיד מומחה לכל מתלמד,
צריכים תמיד מומחה לכל מתלמד,
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
שיהיו פיזית קרובים אחד לשני
או אפילו שיהיו חלק מאותו ארגון.
או אפילו שיהיו חלק מאותו ארגון.
09:01
And we can build AI to help:
143
529292
3041
ואנו יכולים ליצור בינה מלאכותית שתעזור:
09:05
to coach learners as they struggle,
to coach experts as they coach
to coach experts as they coach
144
533167
5059
להדריך תלמידים כאשר הם מתקשים,
להדריך מומחים כאשר הם מדריכים
להדריך מומחים כאשר הם מדריכים
09:10
and to connect those two groups
in smart ways.
in smart ways.
145
538250
2542
ולחבר בין שתי הקבוצות הללו בדרכים חכמות.
09:15
There are people at work
on systems like this,
on systems like this,
146
543375
2542
יש אנשים שעובדים על מערכות מסוג זה,
09:18
but they’ve been mostly focused
on formal training.
on formal training.
147
546333
2792
אך הם התרכזו בעיקר בלימוד פורמלי.
09:21
And the deeper crisis
is in on-the-job learning.
is in on-the-job learning.
148
549458
2584
והמשבר העמוק יותר הוא למידה מהתנסות.
09:24
We must do better.
149
552417
1851
אנו מוכרחים להשתפר.
09:26
Today’s problems demand we do better
150
554292
2583
הבעיות של היום דורשות שנשתפר
09:29
to create work that takes full advantage
of AI’s amazing capabilities
of AI’s amazing capabilities
151
557375
4875
שנייצר עבודה שמנצלת את
היכולות המדהימות של הבינה המלאכותית במלואן
היכולות המדהימות של הבינה המלאכותית במלואן
09:35
while enhancing our skills as we do it.
152
563042
2750
תוך כדי שיפור הכישורים שלנו.
09:38
That’s the kind of future
I dreamed of as a kid.
I dreamed of as a kid.
153
566333
2750
זהו העתיד עליו חלמתי כילד.
09:41
And the time to create it is now.
154
569458
2167
והזמן ליצור אותו הוא עכשיו.
09:44
Thank you.
155
572333
1226
תודה.
09:45
(Applause)
156
573583
3625
(מחיאות כפיים)
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