Return to Video

چگونه کار کردن با ماشین‌های هوشمند را یاد‌ می‌گیریم؟

  • 0:01 - 0:03
    ساعت۶:۳۰ صبح است،
  • 0:04 - 0:08
    و کریستین بیمار پروستاتش را
    روی صندلی چرخدار به سوی اتاق عمل میبرد.
  • 0:10 - 0:12
    او رزیدنت است، جراحی در حال آموزش دیدن.
  • 0:12 - 0:14
    کارش یاد گرفتن است.
  • 0:15 - 0:19
    امروز، خیلی امیدوار است تا بتواند
    کار بازسازی عصب انجام دهد،
  • 0:19 - 0:23
    برشی بینهایت دقیق که میتواند
    توانایی نعوظ را حفظ کند.
  • 0:24 - 0:27
    این کار جراح اصلی است،
    اگرچه، هنوز به آنجا نرسیده.
  • 0:28 - 0:30
    او به همراه گروه مریض را بیهوش کردند،
  • 0:30 - 0:34
    و او برش ۲۰ سانتیمتری را
    در ناحیه زیر شکم انجام داد.
  • 0:35 - 0:39
    وقتی که آن را محکم کرد،
    به پرستار گفت تا جراح اصلی را صدا کند.
  • 0:40 - 0:42
    او، با لباس مخصوص آمد،
  • 0:42 - 0:48
    و از آنجا به بعد، چهار دست
    آنها بیشتر داخل بیمار بود --
  • 0:49 - 0:52
    او راهنمایی میکرد
    اما کریستین هدایت میکرد.
  • 0:53 - 0:58
    وقتی پروستات بیرون آمد (بله، او اجازه
    داد تا کریستین کمی بازسازی عصب انجام دهد،)
  • 0:58 - 0:59
    روکش لباسش را پاره کرد.
  • 0:59 - 1:00
    کارهای نوشتاری را شروع کرد.
  • 1:01 - 1:06
    و کریستین بستن بخیههای
    بیمار را در ساعت ۸:۱۵،
  • 1:07 - 1:09
    وقتی که یک رزیدنت تازهکار
    از او یاد میگرفت، تمام کرد.
  • 1:09 - 1:12
    و اجازه داد تا آخرین خط
    بخیهها را او انجام دهد.
  • 1:13 - 1:16
    کریستین خیلی خوشحال بود.
  • 1:16 - 1:18
    حال مریض خوب بود،
  • 1:18 - 1:21
    و شکی نبود که از ساعت ۶:۳۰
    حالا جراح بهتری شده بود.
  • 1:22 - 1:25
    این کاری سخت است.
  • 1:25 - 1:29
    اما کریستین کارش را به شکلی یاد میگیرد
    که بیشتر ما همین مسیر را رفتهایم:
  • 1:30 - 1:32
    کمی به متخصص نگاه کن،
  • 1:32 - 1:35
    درگیر قسمتهای ساده و کم خطر کار بشو
  • 1:35 - 1:37
    و بتدریج کارهای سختتر و پرخطرتر را
  • 1:37 - 1:40
    وقتی که دیدند و تصمیم گرفتند
    که آمادهای انجام بده.
  • 1:40 - 1:43
    تمام زندگیام مجذوب
    این شیوه از آموزش بودم.
  • 1:43 - 1:47
    حسی از مقدم بودن دارد،
    جزیی از آنچه ما را انسان میکند.
  • 1:48 - 1:53
    نامهای متفاوتی دارد: کارآموزی،
    مربیگری، راهبری، آموزش در کار.
  • 1:54 - 1:57
    در جراحی، میگویند
    «یکی ببین، یکی انجام بده، به یکی یاد بده».
  • 1:58 - 1:59
    اما فرآیندش همان است،
  • 1:59 - 2:03
    و شیوه اصلی یادگیری مهارت
    برای هزاران سال در جهان بوده است.
  • 2:04 - 2:09
    هماکنون، هوش مصنوعی را بگونهای استفاده
    میکنیم که جلوی این راه را میگیرد.
  • 2:10 - 2:12
    ما آموزش را قربانی بهرهوری میکنیم.
  • 2:13 - 2:16
    من اولین بار این را در جراحی
    وقتی که در ام آی تی بودم فهمیدم،
  • 2:16 - 2:19
    اما الان شواهدی دارم
    که همه جا اتفاق میافتد،
  • 2:19 - 2:22
    در صنایعی بسیار متفاوت
    و با نوع متفاوتی از هوش مصنوعی.
  • 2:23 - 2:29
    اگر کاری نکنیم، میلیونها نفر از ما
    با دیواری آجری برخورد خواهند کرد
  • 2:29 - 2:31
    تا بخواهیم استفاده از آن را یاد بگیریم.
  • 2:33 - 2:35
    برای دیدن دلیل آن
    بیایید به جراحی برگردیم.
  • 2:36 - 2:38
    اگر شش ماه به جلو برویم.
  • 2:38 - 2:43
    دوباره ساعت ۶:۳۰ صبح است، و کریستن
    بیمار پروستات دیگری را برای جراحی میبرد،
  • 2:43 - 2:46
    اما این بار به اتاق جراحی رباتیک.
  • 2:48 - 2:49
    دستیارهای اتاق عمل
  • 2:49 - 2:52
    یک ربات چهار دست ۵۰۰ کیلویی را
    به بیمار متصل میکنند.
  • 2:53 - 2:55
    هر دوشان روپوش پلاستیکی را پاره میکنند،
  • 2:55 - 2:58
    و به سمت کنسول هدایت میروند
    که ۳ یا ۴/۵ متر دورتر است،
  • 2:59 - 3:03
    و کریستن فقط نگاه میکند.
  • 3:04 - 3:07
    ربات اجازه میدهد تا جراح
    خودش تمامی عمل را انجام دهد،
  • 3:07 - 3:09
    که اساسا این کار را میکند.
  • 3:10 - 3:12
    او میداند که کریستن نیاز به تمرین دارد.
  • 3:12 - 3:14
    میخواهد که هدایت را به بسپارد.
  • 3:14 - 3:18
    اما میداند که کندتر است
    و اشتباهات بیشتری خواهد کرد،
  • 3:18 - 3:19
    و مریض مهمتر است.
  • 3:20 - 3:25
    پس کریستین امیدی برای نزدیک شدن به
    آن عصبها در این مرحله ندارد.
  • 3:25 - 3:30
    اگر بتواند ۱۵ دقیقه در یک عمل چهار ساعته
    جراحی کند شانس آورده است.
  • 3:30 - 3:33
    و وقتی که اشتباه میکند این را میداند،
  • 3:33 - 3:36
    جراح روی صفحه لمسی را فشار میدهد،
    و او دوباره تماشا میکند،
  • 3:37 - 3:40
    احساسی شبیه به تنبلهایی
    که کنار در کلاس میایستند.
  • 3:42 - 3:45
    مانند تمام تحقیقهایی که در باره رباتها
    و کار در هشت سال اخیر انجام دادم،
  • 3:45 - 3:47
    این یکی را هم با یک سوال بزرگ شروع کردم:
  • 3:47 - 3:50
    چطور کار کردن با ماشینهای
    هوشمند را یاد میگیریم؟
  • 3:51 - 3:57
    برای فهمیدنش، دوسال و نیم را به بررسی
    دهها رزیدنت و جراح گذراندم
  • 3:57 - 4:00
    که جراحیهای معمولی و رباتیک
    انجام میدادند، با آنها مصاحبه کردم
  • 4:00 - 4:03
    و با رزیدنتهایی که میخواستند
    یاد بگیرند رفت و آمد کردم.
  • 4:04 - 4:08
    ۱۸ بیمارستان سطح بالای آموزشی
    در آمریکا در بررسی من بودند،
  • 4:08 - 4:09
    و داستان همه جا یکی بود.
  • 4:10 - 4:12
    شرایط بیشتر رزیدنتها شبیه به کریستن بود.
  • 4:13 - 4:15
    امکان «دیدنش» خیلی زیاد بود،
  • 4:16 - 4:18
    ولی «انجام دادنش» به سختی ممکن.
  • 4:18 - 4:21
    در نتیجه تلاش زیادی نمیکردند،
    و چیزی هم یاد نمیگرفتند.
  • 4:21 - 4:25
    برای جراحان این خبر مهمی بود، اما باید
    میفهمیدم که این موضوع چقدر گسترده است؟
  • 4:25 - 4:29
    چه جاهای دیگری استفاده از هوش مصنوعی
    مانع از آموزش در کار شده؟
  • 4:30 - 4:35
    برای فهمیدنش، با گروه کوچک
    اما در حال رشدی از محققین مرتبط شدم
  • 4:35 - 4:38
    که کارهای میدانی در استفاده از هوش مصنوعی
  • 4:38 - 4:41
    در موضوعات خیلی مختلفی مانند
    استارت آپها، نیروی انتظامی،
  • 4:41 - 4:44
    بانکداری سرمایهای
    و آموزش از راه دور انجام میدادند.
  • 4:44 - 4:49
    مثل من، حداقل یکسال و صدها ساعت
    مشاهده انجام داده بودند،
  • 4:50 - 4:53
    مصاحبه و اغلب کار در کنار
    آدمهایی که رویشان تحقیق میکردند.
  • 4:54 - 4:58
    ما اطلاعاتمان را با هم به اشتراک گذاشتیم
    و من به الگوها توجه کردم.
  • 4:58 - 5:03
    مهم نبود که کار هوش مصنوعی
    در چه موضوعی است، داستان مشابه بود.
  • 5:04 - 5:08
    سازمانها بیشتر و بیشتر سعی میکردند تا
    از هوش مصنوعی نتیجه بگیرند،
  • 5:08 - 5:11
    و هرچه بیشتر کارآموزان را
    از کار تخصصی دور میکردند.
  • 5:12 - 5:15
    مدیران استارت آپها قرارداد
    مشتریانشان را برون سپاری میکردند.
  • 5:16 - 5:20
    پلیس باید استفاده از سیستمهای پیش بینی
    جرایم را بدون پشتیبانی متخصصین بیاموزد.
  • 5:21 - 5:24
    خرده بانکدارها از توانایی
    تحلیلهای پیشرفته محروم میشوند،
  • 5:24 - 5:28
    و استادان باید دروس آموزش
    از راه دور را بدون کمک بسازند.
  • 5:29 - 5:32
    و تاثیر همه اینها مانند جراحی است.
  • 5:32 - 5:35
    کارآموزی هر روز سختتر میشود.
  • 5:37 - 5:38
    این نمیتواند ادامه پیدا کند.
  • 5:40 - 5:44
    مَکنزی پیشبینی میکند که
    بین نیم تا یک میلیارد نفر از ما
  • 5:44 - 5:48
    باید هوش مصنوعی را
    در کارهای خود تا ۲۰۳۰ وارد کنیم.
  • 5:49 - 5:51
    و ما فرض میکنیم که آموزش در کار
  • 5:51 - 5:53
    در آن موقع قابل استفاده خواهد بود.
  • 5:54 - 5:58
    بررسی از کارمندان «اَکسنچر» نشان میدهد
    که بیشتر کارکنان مهارتهای اصلی خود را
  • 5:58 - 6:00
    در کار آموختهاند، نه در آموزشهای رسمی.
  • 6:01 - 6:05
    حالا که درباره تاثیرات
    آینده آن صحبت میکنیم،
  • 6:05 - 6:09
    بیشتر ویژگیهای هوش صنوعی که
    همین حالا خیلی مهم است
  • 6:09 - 6:12
    این است که ما بگونهای عمل میکنیم
    که مانع از آموزش در حین کار میشود
  • 6:12 - 6:14
    درست وقتی که به آن خیلی نیاز داریم.
  • 6:15 - 6:22
    حالا میان همه این محلها، اقلیت کوچکی
    راهی برای آموزش پیدا کرده است.
  • 6:24 - 6:27
    و آن را با تغییر و شکستن
    قواعد انجام دادهاند.
  • 6:27 - 6:32
    راههای مورد قبول کار نمیکنند،
    پس آنها قواعد را شکستند و تغییر دادند
  • 6:32 - 6:34
    تا بتوانند تجربههای عملی
    با متخصصین ایجاد کند.
  • 6:34 - 6:39
    در مورد من، رزیدنتها در آموزشگاههای
    پزشکی مشغول به عملهای رباتیک شدند
  • 6:39 - 6:43
    به هزینه آموزشهای عمومیشان.
  • 6:44 - 6:50
    و آنها صدها ساعت اضافه را در شبیهسازها
    و بررسی نوارهای ضبط شده گذراندند،
  • 6:50 - 6:53
    چیزی که باید در اتاق عمل یاد بگیری.
  • 6:53 - 6:57
    و شاید از همه مهمتر،
    آنها راهی برای تلاش
  • 6:57 - 7:01
    در عملهای واقعی با کمترین
    نظارت متخصص پیدا کردند.
  • 7:02 - 7:06
    من نام این را «آموزش در سایه»
    گذاشتهام، چون قوانین را تغییر میدهد
  • 7:06 - 7:08
    و کارآموزان این کار را
    مخفیانه انجام میدهند.
  • 7:10 - 7:14
    و همه بخاطر اینکه نتیجه بخش است
    خود را به ندیدن میزنند.
  • 7:14 - 7:17
    یادتان باشد، اینها
    همه گلهای سرسبد هستند.
  • 7:18 - 7:21
    مشخصا، این کار درست نیست،
    و مناسب هم نیست.
  • 7:22 - 7:24
    هیچکس نباید در خطر اخراج باشد
  • 7:24 - 7:26
    تا مهارتهای لازم
    برای انجام کار را پیدا کند.
  • 7:27 - 7:29
    اما ما باید از اینها یاد بگیریم.
  • 7:30 - 7:32
    که برای آموختن،
    خطرات واقعی را پذیرفتهاند.
  • 7:33 - 7:37
    فهمیدهاند که تلاش و چالش را
    در محیط کارشان نگهدارند
  • 7:37 - 7:40
    تا بتوانند به خود برای حل
    مشکلات سخت فشار بیاورند
  • 7:40 - 7:42
    درست تا اندازه ظرفیتشان.
  • 7:42 - 7:45
    همچنین مطمئن میشدند
    که متخصصی در دسترس هست
  • 7:45 - 7:48
    تا راهنمایی کند و در صورت نیاز
    از فاجعه جلوگیری کند.
  • 7:49 - 7:52
    بگذاید تا این شیوه تلاش
    و پشتیبانی متخصص را
  • 7:53 - 7:55
    برای هر نوع پیادهسازی دیگر
    هوش مصنوعی هم استفاده کنیم.
  • 7:56 - 7:59
    این مثالی واضح است
    که میتوانم برایتان بیاورم.
  • 8:00 - 8:01
    قبل از روباتها،
  • 8:01 - 8:06
    اگر یک متخصص خنثی کردن بمب بودید، در
    مورد بمب غیر معمول باید به سویش میرفتید.
  • 8:07 - 8:10
    و یک افسر رده پایین
    هم صدها متر دورتر ایستاده بود،
  • 8:10 - 8:13
    و فقط نگاه میکرد و اگر شما میگفتید
    امن است کمک میکرد
  • 8:13 - 8:15
    و به آنها میگفتید که نزدیک بیایند.
  • 8:15 - 8:19
    حالا شما در کنار هم در یک
    ماشین ضد بمب نشستهاید.
  • 8:19 - 8:21
    هر دو شما به تصویر ویدئو نگاه میکنید.
  • 8:21 - 8:25
    یک ربات را از راه دور هدایت میکنند،
    و شما کار را با صدای بلند هدایت میکنید.
  • 8:25 - 8:28
    کارآموزان به شکلی بهتر
    از قبل از ربات یاد میگیرند.
  • 8:29 - 8:33
    میتوانیم همین کار را در جراحی،
    استارت آپها، نیروی انتظامی،
  • 8:33 - 8:36
    بانکداری سرمایه، آموزش از راه دور
    و دیگر موارد انجام دهیم.
  • 8:36 - 8:39
    خبر خوب اینکه ما ابزارهای
    جدیدی برای این کار داریم.
  • 8:40 - 8:44
    اینترنت و پردازش ابری یعنی ما همیشه
    نیاز به یک متخصص برای هر کارآموز نداریم،
  • 8:44 - 8:49
    تا بصورت واقعی نزدیک همدیگر باشند
    یا حتی در یک سازمان کار کنند.
  • 8:49 - 8:52
    و میتوانیم برای کمک هوش مصنوعی بسازیم:
  • 8:53 - 8:58
    تا آموزش دهندهها را در مشکلاتشان راهنمایی
    کند، راهنمای متخصصین در آموزش باشد
  • 8:58 - 9:01
    و این دو گروه را به شکلی هوشمند مرتبط کند.
  • 9:03 - 9:06
    در کار افرادی هستند با ساختارهایی مشابه،
  • 9:06 - 9:09
    اما آنها بیشتر بر آموزشهای رسمی متمرکزند.
  • 9:09 - 9:12
    و بحران عمیقتر در آموزش در کار است.
  • 9:12 - 9:14
    باید بهتر عمل کنیم.
  • 9:14 - 9:17
    مشکلات امروز نیازمند کارایی بهتر ماست
  • 9:17 - 9:22
    تا کارهای بسازیم که از مزیتهای کامل
    هوش مصنوعی استفاده کند
  • 9:23 - 9:26
    و همچنان مهارتهای ما را افزایش دهد.
  • 9:26 - 9:29
    این آیندهای است که وقتی
    کودک بودم آرزویش را داشتم.
  • 9:29 - 9:32
    و زمان ایجادش حالاست.
  • 9:32 - 9:34
    متشکرم.
  • 9:34 - 9:37
    (تشویق)
Title:
چگونه کار کردن با ماشین‌های هوشمند را یاد‌ می‌گیریم؟
Speaker:
مت بین
Description:

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.
more » « less
Video Language:
English
Team:
closed TED
Project:
TEDTalks
Duration:
09:50

Persian subtitles

Revisions

Our website uses cookies for analysis purposes.