Saltar al contenido
Deberes escolares » Charlas educativas » ¿Cómo aprendemos a trabajar con máquinas inteligentes? – Charla TED Salon Zebra Technologies

¿Cómo aprendemos a trabajar con máquinas inteligentes? – Charla TED Salon Zebra Technologies

Charla «¿Cómo aprendemos a trabajar con máquinas inteligentes?» de TED Salon Zebra Technologies en español.

El camino hacia la habilidad en todo el mundo ha sido el mismo durante miles de años: entrenar con un experto y asumir tareas pequeñas y fáciles antes de avanzar hacia tareas más riesgosas y difíciles. Pero ahora mismo, estamos manejando la inteligencia artificial (IA) de una manera que bloquea ese camino, y sacrifica el aprendizaje en nuestra búsqueda de productividad, dice el etnógrafo organizador Matt Beane. ¿Qué se puede hacer? Beane comparte una visión que convierte la historia actual en una mentoría distribuida y mejorada por máquinas que aprovecha al máximo las increíbles capacidades de AI mientras que al mismo tiempo mejora nuestras habilidades.

  • Autor/a de la charla: Matt Beane
  • Fecha de grabación: 2018-11-01
  • Fecha de publicación: 2019-02-04
  • Duración de «¿Cómo aprendemos a trabajar con máquinas inteligentes?»: 590 segundos

 

Traducción de «¿Cómo aprendemos a trabajar con máquinas inteligentes?» en español.

Son las 6:30 de la mañana, y Kristen está llevando a su paciente de próstata al quirófano.

Es médico residente, una cirujana en formación.

Su trabajo es aprender.

Hoy, ella realmente espera hacer una cirugía que preserve los nervios, una disección extremadamente delicada que puede preservar la función eréctil.

Sin embargo, eso dependerá del cirujano asistente, pero todavía no está allí.

Ella y el equipo pusieron al paciente debajo, y ella dirige la incisión inicial de 20 cm en la parte inferior del abdomen.

Una vez que lo tiene asegurado, dice a la enfermera que llame al asistente.

Él llega, se viste, Y de ahí en adelante, cuatro manos están mayormente en ese paciente.

Con él guiando, pero Kristin liderando el camino.

Una vez está la próstata fuera —y, sí, él permitió que Kristen preservara los nervios— él se arranca el uniforme.

Comienza a hacer el papeleo.

Kristen cierra al paciente a las 8:15, con un residente junior mirando por encima del hombro.

Y ella le permite llevar a cabo la última línea de suturas.

Kristen se siente muy bien.

El paciente va a estar bien, y no hay duda de que es mejor cirujana que a las 6:30.

Este es un trabajo extremo.

Pero Kristin aprende a hacer su trabajo como lo hacemos la mayoría de nosotros: observando a un experto un rato, Involucrarse en partes fáciles y seguras del trabajo.

y progresando hacia tareas más riesgosas y difíciles.

hasta que los guías deciden que ella está preparada.

Toda mi vida me ha fascinado este tipo de aprendizaje.

Parece elemental, parte de lo que nos hace humanos.

Tiene diferentes nombres: aprendizaje, entrenamiento, tutoría, capacitación.

En cirugía, se llama «ver uno, hacer uno, enseñar uno».

Pero el proceso es el mismo, y ha sido el camino principal hacia las habilidades en todo el mundo durante miles de años.

Ahora utilizamos la IA de manera que bloquea ese camino.

Estamos sacrificando el aprendizaje en nuestra búsqueda de productividad.

Encontré esto por primera vez en cirugía mientras estaba en el MIT, pero ahora tengo pruebas de que está sucediendo en todo, en industrias muy diferentes y con diferentes tipos de IA.

Si no hacemos nada, millones nos daremos de frente contra una pared de ladrillos al intentar aprender a lidiar con la IA.

Volvamos a la cirugía para ver cómo.

Hago un avance rápido de seis meses.

Son las 6:30 am otra vez, y Kristen está llevando a otro paciente de próstata, Pero esta vez a la sala de operaciones robótica.

El asistente trae un robot de cuatro brazos y 500 kg para el paciente.

Ambos se arrancan las batas, se dirigen a las consolas de control a 3 o 4 me de distancia, y Kristen solo mira.

El robot permite al asistente realizar todo el procedimiento solo, así que básicamente lo hace.

Él sabe que ella necesita práctica.

Él quiere darle el control.

Pero también sabe que ella sería más lenta y cometería más errores y su paciente es lo primero.

Así Kristin no tiene esperanza de acercarse a los nervios en esta operación.

Tendrá suerte si opera más de 15 minutos durante un procedimiento de cuatro horas.

Y ella sabe que cuando ella resbala, él tocará una pantalla táctil, y ella estará mirando otra vez, sintiéndome como un niño en la esquina con un gorro de burro.

Como todos los estudios de robots y trabajos que he realizado en los últimos 8 años, lo comencé con una gran pregunta abierta: ¿Cómo aprendemos a trabajar con máquinas inteligentes? Para averiguarlo, pasé 2.5 años observando a docenas de residentes y cirujanos.

Haciendo cirugía tradicional y robótica, entrevistándolos y saliendo con los residentes mientras intentaban aprender.

Cubrí 18 de los mejores hospitales universitarios de EE.

UU.

Y la historia era la misma.

La mayoría de los residentes estaban en la situación de Kristen.

Llegaron a «ver uno» mucho, pero el «hacer uno» apenas estaba disponible.

Así que no pudieron luchar, y no estaban aprendiendo.

Esta era importante para los cirujanos, pero quería saber lo extendido estaba: ¿Dónde más se usaba la AI bloqueando el aprendizaje en el trabajo? Para averiguarlo, conecté con grupo de jóvenes investigadores un pequeño pero creciente que hecho estudios sobre el trabajo con AI en entornos muy diversos como empresas de nueva creación, de vigilancia, de banca de inversión y educación en línea.

Como yo, pasaron al menos un año y muchos cientos de horas observando, entrevistando y, a menudo, trabajando con las personas que estudiaron, compartimos datos, y busqué patrones.

No importa la industria, el trabajo, la IA, la historia era la misma.

Las organizaciones se esforzaban cada vez más para obtener resultados de AI, relegando a los aprendices del trabajo experto que solían hacer.

Los gerentes de empresas subcontraban a sus clientes.

Los policías tenían que aprender a lidiar con pronósticos de delitos sin apoyo de expertos.

Los banqueros jóvenes estaban siendo eliminados de un análisis complejo, y los profesores tenían que montar cursos en línea sin ayuda.

Y el efecto de todo esto fue el mismo que en la cirugía.

Aprender en el trabajo era cada vez más difícil.

Esto no puede seguir así.

McKinsey estima que entre 500 y 1000 millones de nosotros tendremos que adaptarnos a la IA en nuestro trabajo diario para el 2030.

Y estamos asumiendo que el aprendizaje en el trabajo será posible ahí para nosotros si lo intentamos.

La última encuesta de Accenture mostró que la mayoría de los trabajadores aprendieron habilidades clave en el trabajo, no en entrenamiento formal.

Así que mientras hablamos mucho sobre su posible impacto futuro, el aspecto de la IA que puede importar más en este momento es que lo manejamos de una manera que bloquea el aprendizaje en el trabajo justo cuando más lo necesitamos.

En todos nuestros sitios, una pequeña minoría encontró una manera de aprender.

Lo hicieron rompiendo y doblegando las reglas.

Los métodos aprobados no funcionaban, por lo que rompieron las reglas para obtener prácticas de verdad con expertos.

En mi entorno, los residentes se involucraron en cirugía robótica en la escuela de medicina a expensas de su educación generalista.

Y pasaron cientos de horas extra con simuladores y grabaciones de cirugía, cuando se suponía que iban a aprender en el quirófano.

Y tal vez lo más importante, encontraron formas de luchar en procedimientos en vivo con supervisión limitada de expertos.

A todo esto lo llamo «aprendizaje en la sombra», porque dobla las reglas y el alumno lo hace fuera de la luz pública.

Y todos hacen la vista gorda porque obtiene resultados.

Recuerda, estos son los alumnos estrella del grupo.

Obviamente, esto no está bien, y no es sostenible.

Nadie debería correr el riesgo de ser despedido por aprender las habilidades necesarias para hacer su trabajo.

Pero necesitamos aprender de estas personas.

Tomaron serios riesgos para aprender.

Entendieron que debían proteger la lucha y el desafío en su trabajo para poder esforzarse y enfrentar problemas difíciles justo al borde de su capacidad.

También se aseguraron de que hubiera un experto cerca que ofreciera consejos y apoyo contra la catástrofe.

Construyamos esta combinación de lucha y apoyo experto en cada implementación de AI.

Aquí hay un claro ejemplo de que podría obtener de esto en el suelo.

Antes de los robots, si uno era un neutralizador de bombas, lidiaba con un IED caminando hacia él.

Un oficial subalterno estaba a cientos de metros de distancia, Así que solo podía ver y ayudar si decidía que era seguro y los guiaba en la actuación.

Ahora se sienta uno al lado del otro en un camión a prueba de bombas.

Ambos ven el video.

Ellos controlan un robot distante, y uno guía el trabajo en voz alta.

Los alumnos aprenden mejor que antes que existieran robots.

Podemos escalar esto a cirugías, empresas nuevas, vigilancia, banca de inversión, educación en línea, etc.

La buena noticia es que tenemos nuevas herramientas para hacerlo.

Internet y la nube significan que no es siempre necesario un experto por aprendiz, no tienen que estar físicamente uno cerca del otro incluso siendo de la misma organización.

Y podemos construir AI para ayudar a: entrenar a aprendices y entrenar a expertos como expertos.

Y para conectar esos dos grupos de manera inteligente.

Hay gente trabajando en sistemas como este, pero se han centrado principalmente en la formación formal.

Y la crisis más profunda está en el aprendizaje en el trabajo.

Debemos hacerlo mejor.

Los problemas de hoy exigen que lo hagamos mejor.

para crear un trabajo que aproveche al máximo las increíbles capacidades de AI mientras mejoramos nuestras habilidades al hacerlo.

Ese es el tipo de futuro que soñé de niño.

Y el momento de crearlo es ahora.

Gracias.

(Aplausos)

https://www.ted.com/talks/matt_beane_how_do_we_learn_to_work_with_intelligent_machines/

 

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *