Hogyan tanuljunk meg intelligens gépekkel dolgozni?
-
0:01 - 0:03Reggel fél hét,
-
0:04 - 0:08és Kristen épp begurítja a műtőbe
a prosztatás betegét. -
0:10 - 0:12Rezidens orvos, sebésznek készül.
-
0:12 - 0:14Az a dolga, hogy tanuljon.
-
0:15 - 0:19Reméli, ma elvégezheti
azt az igen finom, idegkímélő műveletet, -
0:19 - 0:23amely segít megőrizni
az erekciós funkciót. -
0:24 - 0:27Ez a vezető sebészen múlik,
ő viszont még nem érkezett meg. -
0:28 - 0:30A beteg altatásba kerül,
-
0:30 - 0:34Kristen pedig megejti a kezdő, nagyjából
20 cm-es bemetszést a beteg alhasán. -
0:35 - 0:39Amint rögzíti a sebszájat, kéri a nővért,
értesítsék a vezető sebészt. -
0:40 - 0:42A sebész megérkezik, beöltözik.
-
0:42 - 0:48Onnantól kezdve szinte végig
a betegben matatnak – -
0:49 - 0:52a sebész irányítja Kristen mozdulatait.
-
0:53 - 0:58A prosztata-eltávolítás után (Kristen is
alkalmazhatta az idegkímélő műveleteket) -
0:58 - 0:59a sebész átöltözik.
-
0:59 - 1:00Elkezdni a papírmunkát.
-
1:01 - 1:06Kristen 8:15-re bezárja a beteget
-
1:07 - 1:09egy fiatal rezidens segítségével,
aki őt figyeli. -
1:09 - 1:12Hagyja, hogy a fiatal rezidens
végezze el az utolsó öltéseket. -
1:13 - 1:16Kristen jól érzi magát a bőrében.
-
1:16 - 1:18A beteg rendbe jön,
-
1:18 - 1:21és Kristen kétségtelenül tapasztaltabb,
mint fél hétkor volt. -
1:22 - 1:25Rendkívüli munka ez.
-
1:25 - 1:29Kristen viszont a legtöbbünkhöz
hasonlóan tanulja a dolgát: -
1:30 - 1:32egy tapasztalt személy megfigyelése után
-
1:32 - 1:35könnyebb, biztonságos részfeladatot kap,
-
1:35 - 1:37és halad a rizikósabb,
nagyobb kihívások felé, -
1:37 - 1:39amint úgy döntenek, készen áll rá.
-
1:40 - 1:43Egész életemben csodáltam
ezt a fajta tanulási módszert. -
1:43 - 1:47Alapvetőnek tűnik, része annak,
amitől emberek vagyunk. -
1:48 - 1:53Különböző neveken illetik: gyakornokság,
betanítás, mentorálás, szakmai gyakorlat. -
1:54 - 1:57A sebészetben ez: "Figyelj meg egyet,
csinálj egyet, taníts egyet". -
1:58 - 1:59Ám a folyamat ugyanaz,
-
1:59 - 2:03és az emberek évezredek óta így szereznek
a világon mindenütt szaktudást. -
2:04 - 2:09Jelenleg egy dolog áll ennek az útjában:
a mesterséges intelligencia. -
2:10 - 2:12A hatékonyság hajszolása
a tanulás rovására megy. -
2:13 - 2:16Én a sebészetben, az MIT-n
tapasztaltam meg először, -
2:16 - 2:19ám bizonyítékom van rá,
hogy mindenütt ez a helyzet, -
2:19 - 2:22teljesen különböző ágazatokban, teljesen
különböző mesterséges intelligenciákkal. -
2:23 - 2:29Ha semmit nem teszünk,
több millióan ütközünk majd falakba, -
2:29 - 2:31miközben igyekszünk
megtanulni az MI kezelését. -
2:33 - 2:35Vegyük példaként ismét a sebészetet.
-
2:36 - 2:38Ugorjunk hat hónapot előre.
-
2:38 - 2:43Reggel fél hét van, Kristen egy másik
prosztatás beteget gurít a műtőbe, -
2:43 - 2:46ám ezúttal a robotműtőbe.
-
2:48 - 2:49A rangidős orvos irányításával
-
2:49 - 2:52egy négykarú, féltonnás robotot
kapcsolnak a páciensre. -
2:53 - 2:55Mindketten levetik a műtősruhát,
-
2:55 - 2:58majd 3-4 méterrel odébb vonulnak,
az irányítópulthoz. -
2:59 - 3:03Innentől Kristen csak figyel.
-
3:04 - 3:07A robot hagyja, hogy a vezető orvos
maga végezze az eljárást, -
3:07 - 3:09aki így is jár el.
-
3:10 - 3:12Kristennek gyakorolnia kellene.
-
3:12 - 3:14Bár megkaphatná az irányítást,
-
3:14 - 3:18a vezető orvos tudja,
Kristen lassabb, több hibát ejt, -
3:18 - 3:19és a beteg a legfontosabb.
-
3:20 - 3:25Kristennek tehát esélye sincs az idegek
közelébe jutni e gyakorlat során. -
3:25 - 3:30Ha a négyórás művelet során 15 percnél
többet operálhat, szerencsés. -
3:30 - 3:33Kirsten tudja, ha bakizik,
-
3:33 - 3:36a vezető orvos megérinti a képernyőt,
és ő újra megfigyelő lesz, -
3:37 - 3:40úgy érezve magát,
mint a sarokba állított kisgyerek. -
3:41 - 3:45Mint nyolc éve a robotok és a munka
kapcsolatáról szóló összes tanulmányomat, -
3:45 - 3:47ezt is egy nagy,
nyitott kérdéssel kezdtem: -
3:47 - 3:50Hogyan tanuljunk meg
intelligens gépekkel dolgozni? -
3:51 - 3:57Hogy kiderítsem, két és fél éven át
tanulmányoztam sebészeket és rezidenseket, -
3:57 - 4:00akik hagyományos
és robotsebészettel foglalkoznak, -
4:00 - 4:03és többnyire a rezidensekkel lógtam,
miközben tanulni próbáltak. -
4:04 - 4:08Jártam Amerika
18 legnagyobb oktatókórházában, -
4:08 - 4:09nem volt különbség köztük.
-
4:10 - 4:12A legtöbb rezidens Kristen cipőjében járt.
-
4:13 - 4:15Sokat láttak,
-
4:16 - 4:18ám hogy csinálják is,
arra alig került sor. -
4:18 - 4:21Nem tudtak küzdeni, nem tanultak.
-
4:21 - 4:25Ez fontos felfedezés volt a sebészetben,
ám tudni akartam, mennyire általános, -
4:25 - 4:29hol blokkolta még az MI használata
a tanulás folyamatát. -
4:30 - 4:35Fiatal kutatók kis létszámú, ám növekvő
csapatával vettem fel a kapcsolatot, -
4:35 - 4:38akik különböző körülmények között –
például start-up cégek, rendészet, -
4:38 - 4:41befektetési bankok és online oktatás –
aktívan tanulmányozták -
4:41 - 4:44a mesterséges intelligenciával
történő munkavégzést. -
4:44 - 4:49Hozzám hasonlóan legalább egy évet
és sok száz órát töltöttek megfigyeléssel, -
4:50 - 4:53interjúk készítésével, a megfigyeltekkel
gyakran vállvetve munkálkodva. -
4:54 - 4:57Séma után kutatva elkezdtük
átnézni az adatainkat. -
4:58 - 5:03Függetlenül az ipartól, munkától, MI-től,
mindenhol ugyanaz volt a helyzet. -
5:04 - 5:08A szervezetek folyamatosan
eredményekért hajszolták az MI-t, -
5:08 - 5:11közben a tanulók elestek a munkavégzéssel
szerzett fejlődés lehetőségétől. -
5:12 - 5:15A start-up menedzserek kiszervezték
a vevői kapcsolattartást. -
5:16 - 5:18A rendőröknek szakmai
támogatás nélkül kellett -
5:18 - 5:20bűnügyi előrejelzésekkel foglalkozniuk.
-
5:21 - 5:24Kezdő bankárok nem végezhettek
összetett elemzéseket, -
5:24 - 5:28professzoroknak segítség nélkül kellett
összeállítaniuk online tanfolyamokat. -
5:29 - 5:32Az eredmény ugyanaz, mint a sebészetben.
-
5:32 - 5:35Nehezebbé vált a szakma elsajátítása.
-
5:37 - 5:38Ez így nem tartható soká.
-
5:40 - 5:44McKinsey becslése szerint 2030-ra
fél-egy milliárdan kell megszokjuk, -
5:44 - 5:48hogy a munkánkat
mesterséges intelligencia segíti. -
5:49 - 5:51A munka közbeni betanulás lehetőségét
-
5:51 - 5:53pedig készpénznek vesszük.
-
5:54 - 5:58Az Accenture friss felmérése szerint
az alapkészségeket a dolgozók -
5:58 - 6:01nem formális oktatással,
hanem a munkavégzés során sajátították el. -
6:01 - 6:05Szóval miközben rengeteget beszélünk
róla, milyen hatással van a jövőnkre, -
6:05 - 6:09az MI egyik jelenlegi
legfontosabb aspektusa, -
6:09 - 6:12hogy felhasználása során önmagunkat
gátoljuk a munka elsajátításában akkor, -
6:12 - 6:14amikor a leginkább szükségünk volna rá.
-
6:15 - 6:22A vizsgált területeken lévők közül
kevesen jöttek rá, hogyan tanulhatnak. -
6:24 - 6:27Úgy, hogy áthágták
és átalakították a szabályokat. -
6:27 - 6:32Az engedélyezett módszerek nem váltak be,
így átalakították, áthágták a szabályokat, -
6:32 - 6:34hogy valós tapasztalatra tegyenek szert.
-
6:34 - 6:39Esetemben a rezidensek az orvosi képzésen
ismerkedtek meg a robotsebészettel, -
6:39 - 6:43mégpedig általános oktatásuk rovására.
-
6:44 - 6:50Túlórák százait töltötték szimulátorokkal
és műtéti feljegyzésekkel, -
6:50 - 6:53miközben a műtőben
kellett volna tanulniuk. -
6:53 - 6:57Ami pedig talán a legfontosabb:
megtalálták a módját, -
6:57 - 7:01hogy korlátozott szakfelügyelet mellett is
tanuljanak a műtéti eljárás során. -
7:02 - 7:06Úgy hívom a jelenséget: "árnyéktanulás",
mert átalakítja a szabályokat, -
7:06 - 7:08és a diákok mintegy mellékesen teszik.
-
7:10 - 7:14Senki nem foglalkozik vele,
mivel eredményes. -
7:14 - 7:17Ne feledjék, ők az éltanulók a csapatban.
-
7:18 - 7:21Ez nyilvánvalóan nincs így rendben,
és nem lehet tartós megoldás. -
7:22 - 7:24Nem lenne szabad
állásuk kockáztatásával elsajátítaniuk -
7:24 - 7:26a munkájukhoz szükséges készségeket.
-
7:27 - 7:29De tanulnunk kell ezektől az emberektől.
-
7:30 - 7:32Komoly kockázatot vállaltak a tanulásért.
-
7:33 - 7:37Tudták, hogy szükségük van a munkában
küzdelemre és kihívásra, -
7:37 - 7:40hogy így kényszerítsék magukat
teljesítőképességük határán -
7:40 - 7:42nehéz problémák megoldására.
-
7:42 - 7:45Biztosították szakember jelenlétét is,
-
7:45 - 7:48aki irányt mutathatott,
és megfékezhette a katasztrófát. -
7:49 - 7:52Tegyük a mesterséges intelligencia
alkalmazásának részévé -
7:53 - 7:55a küzdelemnek és a szakmai
támogatásnak e kombinációját. -
7:56 - 7:59Íme, egy terepen szerzett,
egyértelmű példa: -
8:00 - 8:03A robotok előtt a tűzszerész odament
a házilag készült robbanószerhez, -
8:03 - 8:06hogy hatástalanítsa.
-
8:07 - 8:09Az újonc több tíz méter távolságban volt;
-
8:10 - 8:13figyelni és segíteni csak akkor tudott,
ha a tűzszerész előrehívta őt, -
8:13 - 8:15mert biztonságosnak
ítélte a körülményeket. -
8:15 - 8:19Most egymás mellett ülnek
egy páncélozott járműben, -
8:19 - 8:21nézik a bejövő képeket.
-
8:21 - 8:25Egy robotot irányítanak a távolban,
a tűzszerész hangosan irányít. -
8:25 - 8:28Az újoncok jobban teljesítenek,
mint a robotok előtt. -
8:29 - 8:33Ezt alkalmazni lehet a sebészetben,
a start-up cégeknél, a rendészetben, -
8:33 - 8:36a befektetési bankoknál,
az online oktatásban és más területeken. -
8:36 - 8:39A jó hír: ehhez új eszközök
állnak rendelkezésünkre. -
8:40 - 8:44Az internet és a felhőszolgáltatás miatt
nem kell minden újonc mellé egy szakember, -
8:44 - 8:49nem kell fizikálisan egymás közelében,
de még csak egy szervezetben sem lenniük. -
8:49 - 8:53Építhetünk olyan MI-t, amely segíthet
a küszködő tanoncokat oktatni, -
8:53 - 8:58és képzi a szakembereket oktatás közben,
-
8:58 - 9:01továbbá intelligens megoldásokkal
összeköti e két csoportot. -
9:03 - 9:06Már most is vannak,
akik ilyen rendszerekben dolgoznak, -
9:06 - 9:09ám esetükben elsősorban
a szabályos képzésen van a hangsúly. -
9:09 - 9:12A nagyobb baj a munka közbeni
betanulásnál van. -
9:12 - 9:14Jobb megoldásra van szükségünk.
-
9:14 - 9:17A ma problémái
több erőfeszítést igényelnek -
9:17 - 9:22olyan munkák megteremtésében, amelyek
úgy aknázzák ki az MI csodás lehetőségeit, -
9:23 - 9:26hogy közben képességeinket is fejlesztik.
-
9:26 - 9:29Gyerekként effajta jövőről álmodoztam.
-
9:29 - 9:32Most itt az idő, hogy valóra váltsuk.
-
9:32 - 9:34Köszönöm.
-
9:34 - 9:36(Taps)
- Title:
- Hogyan tanuljunk meg intelligens gépekkel dolgozni?
- Speaker:
- Matt Beane
- Description:
-
Egy készség elsajátításához vezető út évezredek óta ugyanúgy történik a világon mindenütt: szakember irányítása alatt kis, könnyebb feladatok elvégzését követően haladni a kockázatosabb, nehezebbek feladatok felé. Ám pillanatnyilag úgy használjuk a mesterséges intelligenciát, hogy azzal blokkoljuk ezt az utat – és feláldozzuk a tanulást, miközben a hatékonyságot hajszoljuk. Erről beszél Matt Beane szervezeti etnológus. Mit lehet tenni? Beane bemutatja elképzelését, amely a jelen helyzetet
segít átalakítani egy olyan megosztott, gépiesített mentorálássá, amely teljes mértékben kiaknázza a mesterséges intelligencia csodás lehetőségeit, miközben fejlesztjük képességeinket. - Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 09:50
Csaba Lóki approved Hungarian subtitles for How do we learn to work with intelligent machines? | ||
Zsuzsa Viola accepted Hungarian subtitles for How do we learn to work with intelligent machines? | ||
Zsuzsa Viola edited Hungarian subtitles for How do we learn to work with intelligent machines? | ||
Zsuzsa Viola edited Hungarian subtitles for How do we learn to work with intelligent machines? | ||
Zsuzsa Viola edited Hungarian subtitles for How do we learn to work with intelligent machines? | ||
Zsuzsa Viola edited Hungarian subtitles for How do we learn to work with intelligent machines? | ||
Zsuzsa Viola edited Hungarian subtitles for How do we learn to work with intelligent machines? | ||
Zsuzsa Viola edited Hungarian subtitles for How do we learn to work with intelligent machines? |