Πώς θα μάθουμε να δουλεύουμε με έξυπνες μηχανές;
-
0:01 - 0:03Είναι 6:30 το πρωί,
-
0:04 - 0:08και η Κρίστεν μεταφέρει
έναν ασθενή με προστάτη στο χειρουργείο. -
0:09 - 0:12Είναι ειδικευόμενη ιατρός,
εκπαιδευόμενη χειρουργός. -
0:12 - 0:14Η δουλειά της είναι να μαθαίνει.
-
0:15 - 0:19Σήμερα, πραγματικά ελπίζει να κάνει
ένα μέρος της νευροπροστατευτικής, -
0:19 - 0:23εξαιρετικά λεπτής τομής που μπορεί
να προστατεύσει τη λειτουργία της στύσης. -
0:24 - 0:27Αυτό θα το αποφασίσει ο επιβλέπων
χειρουργός όμως δεν έχει φτάσει ακόμα. -
0:28 - 0:30Εκείνη και η ομάδα του έκαναν αναισθησία,
-
0:30 - 0:34κι εκείνη καθοδηγεί στην αρχική τομή
των 20 εκατοστών στην κοιλιακή χώρα. -
0:35 - 0:39Μόλις την πιάσει με τις λαβίδες, ζητάει
από τη νοσηλεύτρια να φωνάξει τον επιβλέποντα. -
0:40 - 0:42Εκείνος έρχεται, φοράει την ποδιά του,
-
0:42 - 0:48κι έπειτα, τα τέσσερα χέρια τους
βρίσκονται κυρίως μέσα στον ασθενή -
0:49 - 0:52μ' εκείνον να δίνει οδηγίες,
αλλά με την Κρίστεν να προχωράει. -
0:53 - 0:58Όταν ο προστάτης χειρουργείται (και ναι,
την άφησε να κάνει λίγη νευροπροστατευτική), -
0:58 - 0:59πετάει την ποδιά του.
-
0:59 - 1:00Συμπληρώνει τα έγγραφα.
-
1:01 - 1:06Η Κρίστεν κλείνει τον ασθενή στις 8:15,
-
1:07 - 1:09μ' ένα νέο ασκούμενο
να κοιτάζει τη δουλειά της. -
1:09 - 1:12Και τον αφήνει να κάνει
τα τελευταία ράμματα. -
1:13 - 1:16Η Κρίστεν νιώθει θαυμάσια.
-
1:16 - 1:18Ο ασθενής θα τα πάει μια χαρά,
-
1:18 - 1:21και αναμφίβολα, είναι καλύτερη χειρουργός
απ' ό,τι ήταν στις 6:30. -
1:22 - 1:25Αυτή, βέβαια, είναι μια ακραία δουλειά.
-
1:25 - 1:29Όμως η Κρίστεν μαθαίνει να δουλεύει
όπως και οι περισσότεροι από εμάς: -
1:30 - 1:32παρατηρεί έναν ειδικό για λίγο,
-
1:32 - 1:35συμμετέχει στις εύκολες
και ασφαλείς φάσεις της δουλειάς -
1:35 - 1:37και σταδιακά προχωρά
στα πιο δύσκολα καθήκοντα -
1:37 - 1:39καθώς την καθοδηγούν
κι αποφασίζουν ότι είναι έτοιμη. -
1:40 - 1:43Σε όλη μου τη ζωή, αυτό
το είδος μάθησης με έχει συνεπάρει. -
1:43 - 1:47Φαίνεται κάτι το στοιχειώδες,
ένα κομμάτι του μας κάνει ανθρώπους. -
1:48 - 1:53Έχει διάφορα ονόματα: μαθητεία, προπόνηση,
συμβουλευτική, μάθηση στην πράξη. -
1:54 - 1:57Στο χειρουργείο ονομάζεται:
«δες ένα, κάνε ένα, δίδαξε ένα». -
1:58 - 1:59Μα είναι η ίδια διαδικασία,
-
1:59 - 2:03και εδώ και χιλιάδες χρόνια,
αποτελεί την πορεία προς την ικανότητα. -
2:04 - 2:09Την παρούσα στιγμή, χειριζόμαστε την ΤΝ
με τρόπο που μπλοκάρει αυτόν τον δρόμο. -
2:10 - 2:12Θυσιάζουμε τη γνώση,
στον βωμό της παραγωγικότητας. -
2:13 - 2:16Το κατάλαβα πρώτη φορά
σ' ένα χειρουργείο όσο ήμουν στο ΜΙΤ, -
2:16 - 2:19μα τώρα έχω αποδείξεις
ότι συμβαίνει παντού, -
2:19 - 2:22σε πολύ διαφορετικές βιομηχανίες
και με πολλά διαφορετικά είδη ΤΝ. -
2:23 - 2:25Αν δεν κάνουμε κάτι γι' αυτό,
-
2:25 - 2:29εκατομμύρια άνθρωποι
θα φτάσουμε σε αδιέξοδο, -
2:29 - 2:31προσπαθώντας να χειριστούμε
την Τεχνητή Νοημοσύνη. -
2:33 - 2:35Πάμε να δούμε πώς, πίσω στο χειρουργείο.
-
2:36 - 2:38Πάμε έξι μήνες μπροστά.
-
2:38 - 2:43Και πάλι είναι 6:30, και η Κρίστεν
φέρνει άλλον έναν ασθενή με προστάτη, -
2:43 - 2:46αυτή τη φορά στο ρομποτικό χειρουργείο.
-
2:48 - 2:49Ο επιβλέπων ξεκινά προσαρτώντας
-
2:49 - 2:52ένα ρομπότ τεσσάρων χεριών,
πεντακοσίων κιλών στον ασθενή. -
2:53 - 2:55Και οι δύο βγάζουν τις ποδιές,
-
2:55 - 2:59και κατευθύνονται προς τα χειριστήρια
στα τρία ή τέσσερα μέτρα από εκεί, -
2:59 - 3:03και η Κρίστεν απλώς παρακολουθεί.
-
3:04 - 3:07Το ρομπότ αφήνει τον επιβλέποντα
να κάνει όλη τη διαδικασία, -
3:07 - 3:09οπότε και το κάνει.
-
3:10 - 3:12Γνωρίζει ότι εκείνη πρέπει να εξασκηθεί.
-
3:12 - 3:14Θέλει να της δώσει τον έλεγχο.
-
3:14 - 3:18Μα ξέρει επίσης ότι θα είναι πιο αργή
και θα κάνει περισσότερα λάθη, -
3:18 - 3:19και πάνω απ' όλα είναι ο ασθενής.
-
3:20 - 3:25Έτσι, η Κρίστεν δεν έχει καμία ελπίδα
να πλησιάσει αυτά τα νεύρα. -
3:25 - 3:30Θα είναι τυχερή αν χειρουργήσει
πάνω από 15 λεπτά σε μια 4ωρη επέμβαση. -
3:30 - 3:33Και ξέρει ότι με το πρώτο λάθος,
-
3:33 - 3:36εκείνος θα πατήσει μια οθόνη αφής
και θα βρεθεί πάλι να κοιτάζει, -
3:37 - 3:40νιώθοντας σαν τον μαθητή στη γωνία
με το καπέλο τιμωρίας. -
3:42 - 3:45Όπως σε κάθε μελέτη για ρομπότ
και κάθε δουλειά μου εδώ και οκτώ χρόνια, -
3:45 - 3:47άρχισα αυτήν εδώ,
κάνοντας μια ανοικτή ερώτηση: -
3:47 - 3:50Πώς μαθαίνουμε να εργαζόμαστε
μαζί με τις ευφυείς μηχανές; -
3:51 - 3:57Για να το βρω, επί 2,5 χρόνια μελετούσα
δεκάδες ειδικευόμενους και χειρουργούς -
3:57 - 4:00που χειρουργούσαν παραδοσιακά
και ρομποτικά, κάνοντας συνεντεύξεις, -
4:00 - 4:03και συζητούσα με τους ειδικευόμενους,
καθώς προσπαθούσαν να μάθουν. -
4:04 - 4:08Κάλυψα 18 από τα κορυφαία
Πανεπιστημιακά Νοσοκομεία στις ΗΠΑ, -
4:08 - 4:09και η ιστορία επαναλαμβανόταν.
-
4:10 - 4:13Οι πιο πολλοί ειδικευόμενοι
ήταν στην ίδια θέση με την Κρίστεν. -
4:13 - 4:15Αναλωνόντουσαν υπερβολικά στο «δες»,
-
4:16 - 4:18αλλά σχεδόν ποτέ δεν έφταναν στο «κάνε».
-
4:18 - 4:21Δεν πάσχιζαν, και συνεπώς δεν μάθαιναν.
-
4:21 - 4:25Ήταν σημαντικά νέα για τους χειρουργούς,
μα έπρεπε να μάθω πόσο διαδεδομένα ήταν: -
4:25 - 4:29Πού αλλού η ΤΝ που χρησιμοποιούταν
μπλόκαρε τη μάθηση στην εργασία; -
4:30 - 4:35Για να το μάθω, συνδέθηκα με μια μικρή
μα ανερχόμενη ομάδα νέων ερευνητών -
4:35 - 4:38που έκαναν μελέτες για το ζήτημα
της δουλειάς που περιλαμβάνει χρήση ΤΝ -
4:38 - 4:41σε ένα ευρύ φάσμα,
όπως οι νέες επιχειρήσεις, η αστυνόμευση, -
4:41 - 4:44οι τράπεζες επενδύσεις
και η διδασκαλία εξ' αποστάσεως. -
4:44 - 4:49Όπως κι εγώ, πέρασαν τουλάχιστον έναν
χρόνο και εκατοντάδες ώρες παρατηρώντας, -
4:50 - 4:53παίρνοντας συνεντεύξεις και δουλεύοντας
στο πλευρό των ατόμων που μελετούσαν. -
4:54 - 4:57Ανταλλάξαμε στοιχεία, κι έψαξα για μοτίβα.
-
4:58 - 5:03Ανεξάρτητα από τη βιομηχανία, την εργασία,
την ΤΝ, η ιστορία επαναλαμβανόταν. -
5:04 - 5:08Οι οργανισμοί προσπαθούσαν
να δουν αποτελέσματα απ' την ΤΝ -
5:08 - 5:11και κάνοντάς το, απομάκρυναν
τους μαθητευόμενους απ' τους ειδικούς. -
5:12 - 5:14Οι διευθυντές νεοφυών εταιριών
ανέθεταν σ' εξωτερικούς συνεργάτες -
5:14 - 5:16την επαφή με πελάτες.
-
5:16 - 5:21Οι αστυνομικοί χειριζόντουσαν
τις προβλέψεις εγκλήματος δίχως στήριξη. -
5:21 - 5:24Νέα τραπεζικά στελέχη
δεν είχαν πρόσβαση στη σύνθετη ανάλυση -
5:24 - 5:28και οι ακαδημαϊκοί σχεδίαζαν
διαδικτυακά μαθήματα χωρίς στήριξη. -
5:29 - 5:32Και οι συνέπειες από όλα αυτά
ήταν ανάλογες με εκείνες στο χειρουργείο. -
5:32 - 5:35Το να μάθεις τη δουλειά
γινόταν ολοένα και δυσκολότερο. -
5:37 - 5:38Αυτό δεν μπορεί να συνεχιστεί.
-
5:40 - 5:44Η McKinsey υπολογίζει
ότι μισό με ένα δισεκατομμύριο από εμάς -
5:44 - 5:48θα έχουμε εφαρμόσει την ΤΝ
στην καθημερινή μας δουλειά έως το 2030. -
5:49 - 5:51Και υποθέτουμε ότι η μαθητεία στη δουλειά
-
5:51 - 5:53θα είναι εφικτή, καθώς προσπαθούμε.
-
5:54 - 5:58Η Accenture ανακάλυψε ότι οι εργαζόμενοι
απέκτησαν βασικές δεξιότητες -
5:58 - 6:00επί τω έργω, και όχι κατά την εκπαίδευση.
-
6:01 - 6:05Άρα, καθώς μιλάμε πολύ
για το μελλοντικό αντίκτυπο της ΤΝ, -
6:05 - 6:09αυτό που έχει περισσότερη σημασία
αυτή τη στιγμή -
6:09 - 6:12είναι ότι το χειριζόμαστε με τρόπο
που μπλοκάρει τη μάθηση επί τω έργω -
6:12 - 6:14ακριβώς όταν τη χρειαζόμαστε περισσότερο.
-
6:15 - 6:22Σε όλες τις τοποθεσίες που ερευνήσαμε,
ένα μικρό ποσοστό κατόρθωσε να μάθει. -
6:24 - 6:27Και τα κατάφεραν
παραβιάζοντας τους κανονισμούς. -
6:27 - 6:32Οι εγκεκριμένες μέθοδοι δεν απέδωσαν,
οπότε παραβίασαν τους κανόνες -
6:32 - 6:34για ν' αναμειχθούν
στη δουλειά των ειδικών. -
6:34 - 6:38Στον χώρο μου, οι ειδικευόμενοι
ασχολήθηκαν με τις ρομποτικές επεμβάσεις -
6:38 - 6:43στην Ιατρική Σχολή, σε βάρος
των γενικών τους γνώσεων. -
6:44 - 6:50Και αφιέρωσαν πολλές επιπλέον ώρες
με προσομοιώσεις και καταγραφές επεμβάσεων -
6:50 - 6:53όταν θα έπρεπε να μαθαίνουν
μέσα στο χειρουργείο. -
6:53 - 6:57Και το κυριότερο, ίσως,
είναι ότι μπόρεσαν να αντεπεξέλθουν -
6:57 - 7:01σε ζωντανές διαδικασίες
με ελάχιστη επιτήρηση απ' τους ειδικούς. -
7:02 - 7:06Μου αρέσει να τ' ονομάζω «πλάγια μάθηση»
επειδή παρακάμπτει τους κανόνες -
7:06 - 7:08και ο μαθητής δεν βρίσκεται στο επίκεντρο.
-
7:10 - 7:14Και όλοι κάνουν τα στραβά μάτια,
επειδή αποδίδει καρπούς. -
7:14 - 7:17Να θυμάστε, αυτοί είναι τα «αστέρια»
της φουρνιάς των φοιτητών. -
7:18 - 7:21Προφανώς, αυτό δεν είναι ούτε αποδεκτό,
μα ούτε και βιώσιμο. -
7:22 - 7:24Κανείς δεν θα 'πρεπε
να ρισκάρει ν' απολυθεί, -
7:24 - 7:26για να μάθει πώς να κάνει
σωστά τη δουλειά του. -
7:27 - 7:29Πρέπει να παραδειγματιστούμε απ' αυτούς.
-
7:30 - 7:32Διακινδύνευσαν πολλά για να μάθουν.
-
7:33 - 7:37Κατανόησαν ότι έπρεπε ν' αντιμετωπίσουν
δυσκολίες και προκλήσεις στη δουλειά τους -
7:37 - 7:40για να πιέσουν τον εαυτό τους
και ν' αντιμετωπίσουν προβλήματα -
7:40 - 7:42που τους έφερναν σχεδόν στα όριά τους.
-
7:42 - 7:45Ακόμα, βεβαιώνονταν
ότι ήταν κοντά ένας έμπειρος -
7:45 - 7:48για να τους καθοδηγεί
και ν' αποτρέπει την καταστροφή. -
7:49 - 7:52Ας εμφυτεύσουμε τον συνδυασμό
του αγώνα και της υποστήριξης των ειδικών -
7:53 - 7:55σε κάθε εφαρμογή ΤΝ.
-
7:56 - 7:59Εδώ έχουμε ένα σαφές παράδειγμα
για ν' αναλύσουμε. -
8:00 - 8:01Πριν τα ρομπότ,
-
8:01 - 8:06αν εξουδετερώνατε βόμβες, είχατε επαφή
με Ευφυείς Ηλεκτρονικές Διατάξεις. -
8:07 - 8:10Ένας κατώτερος αξιωματικός
ήταν σε μεγάλη απόσταση -
8:10 - 8:13ώστε μπορούσε μόνο να βλέπει
και να βοηθάει μόνο αν το κρίνατε ασφαλές -
8:13 - 8:14και τον καλούσατε κοντά σας.
-
8:15 - 8:19Τώρα, κάθεστε δίπλα-δίπλα
σε ένα ένα ασφαλές καταφύγιο. -
8:19 - 8:21Και οι δύο είδατε τη ροή των βίντεο.
-
8:21 - 8:25Χειρίζονται από μακριά ένα ρομπότ,
κι εσείς τους καθοδηγείτε φωνάζοντας. -
8:25 - 8:28Οι μαθητές μαθαίνουν καλύτερα
σε σχέση με την εποχή πριν την ΤΝ. -
8:29 - 8:32Μπορούμε να το επεκτείνουμε
στο χειρουργείο, τις νεοφυείς εταιρίες, -
8:32 - 8:36την αστυνόμευση, τις τραπεζικές
επενδύσεις, τη διδασκαλία εξ' αποστάσεως. -
8:36 - 8:39Ευτυχώς, έχουμε νέα εργαλεία
για να το καταφέρουμε. -
8:40 - 8:44Με το διαδίκτυο, δεν χρειάζεται πάντα
να υπάρχει ένας ειδικός ανά εκπαιδευόμενο, -
8:44 - 8:49να βρίσκεται στον ίδιο χώρο μ' εκείνον
ή και να δουλεύουν για την ίδια οργάνωση. -
8:49 - 8:52Και μπορούμε να βελτιώσουμε
την ΤΝ για να συμβάλει: -
8:53 - 8:58στην καθοδήγηση μαθητευόμενων,
στην υποστήριξη των ειδικών που διδάσκουν, -
8:58 - 9:01και να συνδέσει αυτές
τις δύο ομάδες με έξυπνο τρόπο. -
9:03 - 9:06Υπάρχουν άτομα που
δουλεύουν αυτά τα συστήματα, -
9:06 - 9:09αλλά επικεντρώνονται κυρίως
στους τίτλους εκπαίδευσης. -
9:09 - 9:12Το κυριότερο πρόβλημα
είναι η μάθηση στην εργασία. -
9:12 - 9:14Πρέπει να βελτιωθούμε.
-
9:14 - 9:17Τα τωρινά προβλήματα καθιστούν
επιτακτική τη βελτίωση, -
9:17 - 9:22για να εκμεταλλευτούμε στο έπακρο
τις εκπληκτικές ικανότητες της ΤΝ -
9:23 - 9:26ενώ παράλληλα εμπλουτίζουμε τη γνώση μας.
-
9:26 - 9:29Αυτό είναι το μέλλον
που ονειρευόμουν, όταν ήμουν παιδί. -
9:29 - 9:32Και η στιγμή για να το φτιάξουμε, έφτασε.
-
9:32 - 9:34Σας ευχαριστώ.
-
9:34 - 9:37(Χειροκρότημα)
- Title:
- Πώς θα μάθουμε να δουλεύουμε με έξυπνες μηχανές;
- Speaker:
- Ματ Μπιν
- Description:
-
Σε ολόκληρο τον πλανήτη, ο δρόμος προς τη γνώση έχει παραμείνει απαράλλαχτος για χιλιάδες χρόνια: εκπαιδευόμαστε δίπλα σ' έναν ειδικό και αναλαμβάνουμε μικρά και εύκολα καθήκοντα, πριν προχωρήσουμε στα πιο επικίνδυνα και δύσκολα. Όμως αυτή τη στιγμή, χειριζόμαστε την Τεχνητή Νοημοσύνη μ' έναν τρόπο που παρεμποδίζει αυτό τον δρόμο και θυσιάζει τη γνώση στον βωμό της παραγωγικότητας, ισχυρίζεται ο Εθνογράφος Ματ Μπιν. Τι μπορούμε να κάνουμε; Ο Μπιν μοιράζεται ένα όραμα που ανατρέπει την παρούσα κατάσταση, σε μία κατανεμημένη, εμπλουτισμένη καθοδήγηση που εκμεταλλεύεται στο έπακρο τις απίστευτες δυνατότητες της ΤΝ, ενώ παράλληλα εμπλουτίζει και τις δικές μας δεξιότητες.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 09:50
Chryssa R. Takahashi approved Greek subtitles for How do we learn to work with intelligent machines? | ||
Chryssa R. Takahashi edited Greek subtitles for How do we learn to work with intelligent machines? | ||
Chryssa R. Takahashi edited Greek subtitles for How do we learn to work with intelligent machines? | ||
Antonis Isaakidis accepted Greek subtitles for How do we learn to work with intelligent machines? | ||
Antonis Isaakidis edited Greek subtitles for How do we learn to work with intelligent machines? | ||
Antonis Isaakidis edited Greek subtitles for How do we learn to work with intelligent machines? | ||
Antonis Isaakidis edited Greek subtitles for How do we learn to work with intelligent machines? | ||
Antonis Isaakidis edited Greek subtitles for How do we learn to work with intelligent machines? |