Ibm watson cto på hvorfor utvidet intelligens slår ai

Denne episoden av Fast Forward ble spilt inn i IBM Watson Experience Center her i New York City. Gjesten min var Rob High, visedirektør og teknologisjef for IBM Watson.

High arbeider på tvers av flere team innen IBM, inkludert engineering, utvikling og strategi. Han er en av de mest klarsynte tenkerne på området kunstig intelligens, og samtalen vår dekket mange av måten teknologien omformer jobbene våre, samfunnet og livene våre på. Les og se samtalen vår nedenfor.

Dan Costa: Hva er den dominerende misoppfatningen folk har om kunstig intelligens?

Rob High: Jeg tror at det vanligste problemet vi støter på med mennesker som snakker om AI, er at de fremdeles lever i verden der jeg tror Hollywood har forsterket denne ideen om at kognitiv databehandling, AI, handler om å kopiere menneskesinnet, og det virkelig ikke. Ting som Turing-testen har en tendens til å forsterke at det vi måler er ideen om at AI kan konkurrere med å lure folk til å tro at det du har å gjøre med er et annet menneske, men det var virkelig ikke der vi har funnet største nytteverdi.

Dette går til og med tilbake, hvis du ser på nesten alle andre verktøy som noen gang har blitt opprettet, har verktøyene våre en tendens til å være mest verdifulle når de forsterker oss, når de utvider rekkevidden, når de øker styrken, når de lar oss gjøre ting vi ikke kan gjøre av oss selv som mennesker. Det er virkelig slik vi også trenger å tenke på AI, og i den grad vi faktisk kaller det forsterket intelligens, ikke kunstig intelligens.

La oss snakke litt om det skiftet, fordi det er en helt ny type databehandling. Det er utviklingen av databehandling fra det vi begge vokste opp med, en programmatisk databehandling hvor du vil bruke beregning for å nå og svare ved hjelp av en veldig kompleks prosess, til kognitiv databehandling, som fungerer litt annerledes. Kan du forklare den overgangen?

Sannsynligvis er den største bemerkelsesverdige forskjellen at det er veldig sannsynlig, mens programmert databehandling egentlig handler om å legge ut alle betingede utsagn som definerer tingene du er oppmerksom på og hvordan du kan svare på dem. Det er veldig deterministisk. Det er veldig matematisk presist. Med en klassisk programmert datamaskin kan du designe et programvare. Fordi du vet hva den matematiske modellen er at den representerer, kan du teste den matematisk. Du kan bevise at det er riktig.

Kognitiv databehandling er mye mer sannsynlig. Det handler i stor grad om å teste signalene til rommene vi er fokusert på, enten det er syn eller tale eller språk, og prøve å finne betydningsmønstrene i disse signalene. Selv da er det aldri absolutt sikkerhet. Nå er dette delvis fordi det er slik det er beregnet, men også fordi det er naturen til menneskelig erfaring. Hvis du tenker på alt vi sier eller ser eller hører, smaker eller berører eller lukter eller noe som er en del av sansene våre, prøver vi som mennesker alltid å evaluere hva det virkelig er, og noen ganger får vi det ikke riktig.

Hva er sannsynligheten for at når jeg hørte den lydsekvensen, betydde det virkelig dette ordet? Hva er sannsynligheten for at når jeg så denne ordssekvensen, betydde det denne uttalelsen? Hva er sannsynligheten for at når jeg ser denne formen og et bilde som jeg ser på at det er det objektet? Selv for mennesker er det et sannsynlig problem, og i den grad er det alltid slik disse kognitive systemene fungerer også.

Hvis noen kommer til deg og de har et problem som de vil løse, tror de at det er en kognitiv databehandlingsløsning for det. De kommer til Watson, de sier: "Se, vi kommer til å bruke Watson for å prøve å løse dette problemet." Ut av boksen gjør Watson ikke så veldig mye. De trenger å lære det hvordan de skal løse problemet. Kan du snakke om den onboarding prosessen?

Egentlig skulle vi snakke om to dimensjoner av dette. Det ene er at vi for en tid tilbake forsto at denne tingen som kalles kognitiv databehandling var virkelig større enn oss, den var større enn IBM, den var større enn noen leverandør i bransjen, den var større enn noen av de ene eller to forskjellige løsningsområdene at vi skulle bli fokusert på, og vi måtte åpne den, og det var da vi gikk over fra å fokusere på løsninger til å virkelig håndtere mer av en plattform av tjenester, der hver tjeneste virkelig er individuelt fokusert på en annen del av problemplass. Det er en komponent som i tilfelle av tale er fokusert strengt på problemet med å prøve å ta talen din og gjenkjenne hvilke ord du har uttrykt i den talen, eller ta et bilde og prøve å identifisere hva som er i bildet, eller ta språk og forsøk å forstå hva det betyr, eller ta en samtale og delta i det.

Først av alt, det vi snakker om nå er et sett med tjenester, som hver gjør noe veldig spesifikt, som hver prøver å takle en annen del av vår menneskelige erfaring, og med ideen om at noen bygger en applikasjon, alle som ønsker å løse et sosialt eller forbruker- eller forretningsproblem, kan gjøre det ved å ta tjenestene våre og deretter komponere det til en applikasjon. Det er punkt én.

Punkt to er det du startet med, som er i orden, nå som jeg har fått tjenesten, hvordan får vi det til å gjøre de tingene vi vil at det skal gjøre godt? Teknikken er virkelig en av undervisningen. Den sannsynligheten til disse systemene er basert på det faktum at de er basert på maskinlæring eller dyp læring, og disse algoritmene må læres hvordan du kan gjenkjenne mønstrene som representerer mening i et sett med signaler, som du gjør ved å gi data, data som representerer eksempler på den situasjonen du har hatt før der du har kunnet merke det som å si: "Når jeg hører den kombinasjonen av lyder, betyr det dette ordet. Når jeg ser denne kombinasjonen av piksler, betyr det at gjenstand." Da jeg hadde eksemplene, kan jeg nå ta deg med til det kognitive systemet, til disse kognitive tjenestene, og lære dem hvordan de kan gjøre en bedre jobb med å anerkjenne hva det er som vi vil at det skal gjøre.

Jeg tror at et av eksemplene som illustrerer dette virkelig er i det medisinske rommet, hvor Watson hjelper leger med å ta beslutninger og analysere store mengder data, men så til slutt samarbeide med dem om en diagnose i partnerskap. Kan du snakke litt om hvordan den opplæringen foregår og deretter hvordan løsningen avvikler for å levere bedre utfall?

Arbeidet som vi har gjort innen onkologi er et godt eksempel på hvor det virkelig er en sammensetning av flere forskjellige typer algoritmer som på tvers av spekteret av arbeid som må utføres, brukes på forskjellige måter. Vi starter med for eksempel å se på legejournalen, se på legejournalen din og bruke det kognitive systemet til å se over alle merknadene som klinikerne har tatt gjennom årene de har jobbet med deg og finne det vi kaller relevant klinisk informasjon. Hva er informasjonen i de medisinske merknadene som nå er relevante for konsultasjonen du skal gå inn på? Ta det, gjør befolkningslikhetsanalyse, prøver å finne de andre pasientene, de andre årskullene som har mye likhet med deg, fordi det kommer til å informere legen om hvordan de kan tenke på forskjellige behandlinger og hvordan disse behandlingene kan være passende for deg. og hvordan du skal reagere på disse behandlingene.

Så går vi inn på det vi kaller standarden for omsorgspraksis, som er relativt veldefinerte teknikker som legene deler om hvordan de skal behandle forskjellige pasienter for forskjellige typer sykdommer, og erkjenner at de virkelig er designet for den gjennomsnittlige personen. Så legger vi på toppen av det vi kaller klinisk kompetanse. Etter å ha blitt lært av de beste legene i forskjellige sykdommer hva de skal se etter og hvor utligerne er og hvordan de kan resonnere om de forskjellige standardene for omsorgspraksis, hvilke av disse som er mest passende eller hvordan de kan ta de forskjellige veiene gjennom de forskjellige omsorgspraksisene og nå bruke dem på best mulig måte, men til slutt gå inn og se på den kliniske litteraturen, alle hundretusener, 600 000 artikler i PubMed om fremskritt i vitenskap som har skjedd på det feltet som er relevante for å nå gjøre denne behandlingsanbefalingen.

Alt dette er forskjellige aspekter av algoritmer som vi bruker i forskjellige faser av prosessen, som alle har blitt lært ved å sette noen av de beste legene i verden foran disse systemene og la dem bruke systemet og rette opp systemet når de ser at noe går galt, og får systemet til å lære i det vesentlige gjennom den bruken av hvordan de kan forbedre sin egen ytelse. Vi bruker det spesielt i tilfelle av onkologi for å informere leger på området om behandlingsalternativer som de kanskje ikke er kjent med, eller selv om de har noen fortrolighet med det, kanskje ikke har hatt noen reell erfaring med og ikke virkelig forstå hvordan pasientene deres kommer til å svare på det, og hvordan de skal få den mest effektive responsen fra sine pasienter.

Det som i utgangspunktet har gjort, er demokratisert ekspertisen. Vi kan ta de beste legene på Memorial Sloan Kettering som hadde fordelen av å se bokstavelig talt tusenvis av pasienter i året rundt den samme sykdommen som de har utviklet denne enorme ekspertisen fra, fange den i det kognitive systemet, bringe det ut til et samfunn eller regional klinikk, der legene kanskje ikke har hatt så mye tid på å jobbe med den samme sykdommen i et stort antall forskjellige pasienter, og gi dem muligheten til å dra nytte av den kompetansen som nå er fanget i det kognitive systemet.

Jeg tror den ideen om å distribuere den kompetansen, først og fremst å fange den, er en ikke-triviell oppgave, men så når du først har gjort det, når du er i stand til å distribuere den virkelig over hele planeten, kommer du til å ha ekspertisen til de beste legene ved Memorial Sloan Kettering kunne leveres i Kina, India, i små klinikker, og jeg synes det er ganske ekstraordinært.

Det har en enorm sosial innvirkning på velferden vår, på helsen vår, på de tingene som vil komme oss som samfunn til gode.

På baksiden er det som angår folk om kunstig intelligens at det kommer til å erstatte folk, det kommer til å erstatte jobber. Det er bundet i automatiseringsbevegelsen. Det som slår meg er å bo i det medisinske rommet, radiologer. Radiologer ser på hundrevis og hundrevis av lysbilder om dagen. Watson eller et AI-basert system kunne gjenskape samme type diagnose og bildeanalyse. Ti år fra nå, tror du det kommer til å være flere eller færre menneskelige radiologer ansatt i USA? Hva er virkningen på bransjer som det?

Effekten handler faktisk om å hjelpe folk til å gjøre en bedre jobb. Det handler egentlig om… ta det for legen. Hvis legen nå kan ta avgjørelser som er mer informerte, som er basert på reelle bevis, som støttes av de nyeste fakta innen vitenskap, som er mer skreddersydd og spesifikk for den enkelte pasient, gjør det dem i stand til å gjøre jobben sin bedre. For radiologer kan det tillate dem å se ting i bildet som de ellers kan savne eller bli overveldet av. Det handler ikke om å erstatte dem. Det handler om å hjelpe dem med å gjøre jobben sin bedre.

Det har noe av den samme dynamikken som alle verktøy vi noensinne har laget i samfunnet. Jeg liker å si at hvis du går tilbake og ser på de siste 10.000 årene av det moderne samfunnet siden jordbruksrevolusjonens fremkomst, har vi vært som et menneskelig samfunn som bygger verktøy, hammere, spader, hydraulikk, remskiver, spaker og mye av disse verktøyene har vært mest holdbare når det de virkelig gjør er å forsterke mennesker, forsterke vår styrke, forsterke vår tenkning, forsterke rekkevidden.

Det er virkelig måten å tenke på disse tingene, er at det vil ha sin største nytte når den lar oss gjøre det vi gjør bedre enn vi selv kunne gjøre, når kombinasjonen av det menneskelige og verktøyet sammen er større enn en av av dem ville vært av seg selv. Det er virkelig slik vi tenker på det. Det er slik vi utvikler teknologien. Det er der den økonomiske nytten kommer til å være.

Jeg er helt enig, men jeg tror det kommer til å være bransjer som blir unngått på grunn av effektiviteten som er introdusert av disse intelligente systemene.

De kommer til å bli overført. Ja, de kommer til å bli overført. Jeg vil ikke redusere det poenget ved å si det på denne måten, men jeg vil også være sikker på at vi ikke tenker på dette som eliminering av jobber. Dette handler om å transformere jobbene som folk utfører. Jeg gir deg et eksempel. Mye diskusjon om hvordan dette kan ta bort jobber i kundesenteret. Vel, gjett hva? Det er mye arbeid som call center-agenter gjør at de ikke trenger å gjøre, de ikke liker å gjøre, som tar bort evnen til å gjøre ting som er mer interessant.

Den kjerringa vi ser i kundesentre er i stor grad drevet av det faktum at hvis du tenker på jobben med å være en call center-agent, sitter du på slutten av telefonsamtalen og hører på irriterende kunder hele dagen og spør det samme spørsmålet om og igjen, og det er vanskelig å reise hjem om natten og føles veldig bra med det du gjorde den dagen. Det er vanskelig å skryte til dine venner og familie om denne jobben du har, og hvor flink du har til å gjøre det når det er situasjonen du er i.

Hvis vi kan få det kognitive systemet via en samtaleagent til å laste av noen prosent, la oss si 30 prosent av de samtalene som kommer inn, og svare på kundenes vanligste og mest presserende spørsmål raskt, effektivt og ta vare på det verdslige arbeidet, hva er da igjen etter at alt som er blitt ivaretatt er de spørsmålene som folk har som iboende krever mer av et menneskelig preg, som du deretter vil overføre til den kundesentralen. Problemet de har å gjøre med for den kunden er mer interessant, mer utfordrende, krever at de får mer intellektuell innsats, men også de har å gjøre med en kunde som har vært fornøyd. De kommer litt lykkeligere inn. De kommer ikke helt irriterende på problemet sitt.

For call center-agenten har det faktisk forbedret jobben deres. Det gjør det faktisk mulig for dem å gjøre jobben sin bedre og bli mer oppfylt av det. I mellomtiden, for kunden, for forbrukeren, fikk de sine mest presserende problemer løst raskt. De sitter ikke på vent på 10 minutter. De venter ikke på at den blir dirigert til rett person med akkurat den rette kunnskapen. De får den informasjonen de trenger mest lett og i stand til å gå videre med livet sitt med sannsynligvis en bedre beslutning, absolutt bedre informasjon eller i det minste mer konsekvent informasjon. Det kommer faktisk begge sider av den ligningen til gode.

Det er interessant. Noen av demoene jeg så i dag, er at call center-applikasjonene kan forutse og oppdage den emosjonelle tilstanden til menneskene som ringer inn ganske effektivt, så det er ikke bare transaksjonelle. Den kan faktisk lese tilstanden til personen i den andre enden av linjen ganske bra.

Noe som er veldig viktig hvis du tenker på; en samtale har to elementer i seg. Det ene er at det folk sier til å begynne med generelt ikke er det de virkelig er der for. Hvis jeg sier: "Hva er balansen min?" Vel, det er egentlig ikke problemet mitt. Ja, jeg trenger å kjenne kontosaldoen min, jeg trenger å vite hvor mye penger jeg har, men problemet mitt er at jeg prøver å kjøpe noe, eller jeg prøver å finne ut hvordan jeg kan få penger i riktig posisjon til å betale regningene mine denne måneden, eller jeg prøver å spare opp for barna mine. Problemet mitt er større enn det første spørsmålet jeg spurte, og en samtale burde handle om å komme til det virkelige problemet.

Det andre vanlige kjennetegn ved en samtale er at den typisk bærer en slags emosjonell bue til seg. Mennesker kommer i en viss emosjonell tilstand, og en del av samtalen er å flytte dem gjennom et emosjonelt skifte som ofte betyr å flytte dem fra å være sinte til å bli fornøyd. I noen samtaler kan vi komme inn på det. Det kan faktisk bli litt oppvarmet. Du ser en emosjonell lysbue som kanskje begynner å være rolig og deretter flytter til en mer omstridt diskusjon som til slutt deretter blir løst.

Å være følsom og klar over emosjonell tilstand hos de involverte parter er en viktig del av å være effektiv i den samtalen.

Hva er noen av de andre applikasjonene som du tror er virkelig transformative som er tilgjengelige i dag?

Jeg tror at noe av dem, det vi gjør, er å engasjere brukeren, kunden, på en måte som resulterer i inspirasjon. For meg, til slutt, og igjen å gå tilbake til samtaler som et eksempel, typisk når mennesker kommer i en samtale, kommer vi til bordet med en idé. Du har en ide. Jeg har en idé. Den startideen er begynnelsen på samtalen, og i løpet av samtalen utvikler vi disse ideene. Vi blander dem. Vi fusjonerer dem. Vi kan rabattere dem eller forsterke dem. Vi utvikler oss til et punkt der vi forhåpentligvis kommer ut av samtalen. Ideelt sett.

For å gjøre det, må det ikke bare være gi og ta, men et element i hvordan inspirerer du noen? Hvordan får du folk til å aktivere fantasien? Hvordan får du dem til å tenke på noe de ikke hadde tenkt på før eller se noe i et lys de ikke hadde tenkt på før eller se et annet synspunkt som tar dem nedover en sti som de ikke en gang visste å tenke på, for å stille spørsmål de ikke tenker å stille? Det er eksemplene, det er situasjonene som jeg synes er mest lovende og vil ha størst fordel for folk.

Skjer det i dag, eller er det noe som må skje i takt med at teknologien utvikler seg?

Nei, det skjer. Vi har eksempler på at det skjer nå. Å gå tilbake til onkologi som et eksempel, for de beste legene i verden, kan behandlingsalternativene som blir presentert være åpenbare for dem for det meste. Det kan være en av ti tilfeller der de kan si: "Vel, vent litt, det var en interessant idé." Det vil ikke være så ofte, men som du sa tidligere, hvis vi tar det nå ut til fellesskapsinnstillinger, regionale innstillinger og i områder der det ikke er så høye kompetanser, det faktum at systemet kan introdusere nye ideer, nye behandlingsalternativer, handler det egentlig om å introdusere nye ideer. Vi ser det allerede.

Da beveger vi seg selvfølgelig utover det jeg tror har blitt det klassiske chatbot-scenariet som jeg tror noen av oss begynner å se i forskjellige eksempler til nå en situasjon der hvis noen gir et varsel om kredittkortsvindel på kredittkortet sitt og de går til en chatbot i dag, kan det være ganske enkelt, "Var den transaksjonen noe du har gjort eller ikke? Hvis det er, så greit. Hvis ikke, vil vi gjøre noe med å avbryte transaksjonen, " til nå, "OK, trenger du et nytt kredittkort. Hvor er det beste stedet å få det til deg? Bør vi sende det til deg? Skal vi ikke sende det til deg? Åh, du gjør deg klar til å dra på denne turen. ikke kommer til å kunne sende det til deg. Vi må få det til deg raskere enn det.

"Åh, du drar utenlands. Kanskje det er et kredittkortalternativ her som du ikke var utsatt for før, ikke visste noe om, hvor vi håndterer valutavekslinger til din fordel. Åh, du bruker dette til virksomhet. Dette er en utenlandsreise. Du bruker dette til forretningsutgifter. Vel, her er et kredittkort som har en rente som er mer passende for det. " Dette er veldig enkle eksempler, men hver av dem åpner for et nytt sett med ideer som vanligvis ikke skjer i din enkle chatbot i dag, og som likevel kan være veldig styrke for mennesker.

Det interessante poenget der er at når du går gjennom alle disse alternativene, vil det i det siste være et manus. Det ville være et manus med et par grener. Det ville være forhåndsdefinert på forhånd. Det er en veldig annen ting når en chatbot gjør det som faktisk reagerer på informasjonen du gir og informasjonen du allerede har gitt og fører deg nedover stier som ikke er skriptet. Den vet at du reiser, men du har ikke nødvendigvis fortalt det. Den fant informasjon fra e-postloggen din.

Den kan finne ting om deg den oppdaget underveis.

Vi snakket om onkologi fordi det er et godt eksempel. Vi snakket om chatbots fordi folk flest har hatt et visst samspill med dem. Men dette er en teknologi som virkelig skalerer i alle bransjer. Det er vanskelig å tenke på en bransje som ikke vil ha en slags kognitiv komponent i seg. Er det noen eksempler som folk ikke har tenkt på ennå?

Det som er utrolig for meg er hvordan hver eneste dag noen kommer opp med en ny idé. Derfor synes jeg vi er i en så veldig interessant fase, fordi ved å ha fokusert på å nedbryte det vi har når det gjelder kognitive evner til byggesteinertjenester, er det virkelig å frigjøre folk til å bruke fantasien og gå videre med ideer som vi har aldri virkelig vurdert før, om det bruker visuell gjenkjennelse for å kartlegge landskapet.

I California, for eksempel, bruker et selskap der visuell gjenkjennelse for å se på topografien og topologien og gjenkjenne i bildet forskjellen mellom en betongoverflate, en asfalttakoverflate, en gressoverflate, trær og busker og disse tingene, til estimer hvor mye vann som forbrukes og hvor det kan være vannlekkasjer og ting som kan gjøres for å forbedre effektiv bruk av vann, som et eksempel.

Eller, på den juridiske arenaen, ved å bruke disse tingene til å gå av og hjelpe advokater til å lese gjennom bokstavelig talt millioner og millioner sider med bakgrunnsmateriale som er som å finne nålen i en høystakk. Hvor er det ett stykke papir som egentlig er relevant for akkurat denne saken? Prøver å sortere gjennom alt det. Mulighetene er bare enorme.

Jeg tror at en av disse kvalifikasjonene har store mengder data som må analyseres. Du snakket om legejournaler og å kunne skanne legeopplysningene for relevant informasjon. Disse postene i løpet av din levetid kan være mange hundre sider lange. Det er den tingen, kanskje din familielege har en viss ting om det, men de kommer ikke til å huske det hele, mens systemet aldri glemmer.

Yeah. En lege kan ha fem, kanskje ti minutter å se gjennom den sykehistorien før han kommer og konsulterer deg, og likevel er det alle slags veldig relevant informasjon som kan være i historien din, fortiden din, som de under andre omstendigheter bare ville savne fordi de ikke har tid, at hvis de hadde det, ville det utgjøre en forskjell.

Tenk på en situasjon der hvis en kvinne hadde fortalt legen sin at moren nettopp døde av brystkreft for to år siden. Vel, sjansen er stor for at legen vil ha bemerket det i den posten, men i dette øyeblikket, hvis denne kvinnen kommer med å presentere en klump i brystet, og hvis den legen ikke ser det, vel, det er et veldig viktig stykke savnet informasjon. Nå, kanskje de vil oppdage det ved å snakke med pasienten, men kanskje ikke. Vil du virkelig ta risikoen for ikke å ha visst det når noe sånt er så tåpelig?

Den overordnede egenskapen for hvor disse tingene pleier å være nyttige, nevnes du der det er mye data. Ja, men egentlig er det når noen av de aspektene ved hvem vi er som mennesker, der hva vår kognitive evne begynner å nå sin grense. Vi er flinke til å lese. Vi kan lese noe. Vi kan assimilere det. Vi kan tilpasse oss informasjonen og gjøre bruk av den på veldig kraftige måter som mennesker. Men vi er ikke veldig flinke til å lese mye data. Vi kan ikke enn… Ideen om å lese titusenvis, hundre tusen, millioner sider med litteratur på en dag er så langt utenfor vår kapasitet.

Spørsmålet blir, når vi vokser inn i en verden der mengden informasjon som blir produsert på daglig basis vokser eksponentielt, hvor mye mer av den informasjonen vi ikke bruker, som har informasjon i den, har den lille informasjonsbiten som er helt avgjørende for beslutningen vi trenger å ta, kommer vi ikke til? Hvis det ikke er mengden informasjon vi leser, er det: Hvor mye assimilerer vi? Hvor mye kan vi huske? Klarer vi å se de små mønstrene som er relevante i den informasjonen for beslutningene våre?

Det er mange ting som vi som mennesker er gode på. Det er også mange ting vi ikke er veldig gode, og det er jeg tror der kognitiv databehandling virkelig begynner å utgjøre en stor forskjell, er når det er i stand til å bygge bro over denne avstanden for å utgjøre dette gapet.

Det virker ganske klart at dette er den verdenen vi beveger oss inn i. Hvor forberedt er vi? Hva ser du på utdanningssystemet vårt, økonomien vår, våre politiske strukturer? Hvor godt forberedt er vi på å leve i en verden med denne typen kognitiv databehandling som en komponent?

Det er interessant. Dette trekker frem et av de viktigste verdipunktene vi har som mennesker, som er vår evne til å tilpasse oss. Hvis du ser på det rent diskrete, hvor går dette, og hvis vi skulle hoppe 10 år fremover og se på det og si: "Hvor vil vi være 10 år? Er vi forberedt på det?" svaret kommer sannsynligvis til å bli nei. Det er mye mer vi må gjøre. Men mennesker har denne bemerkelsesverdige evnen til å tilpasse seg på flua og vokse med endringene som skjer rundt dem.

Tenk tilbake for 10 år siden da smarttelefonen egentlig bare begynte å bli tilgjengelig for oss, enn si populær, og hvor mye endring vi har gjennomgått som samfunn de siste 10 årene. Tenk på hvordan livet ditt er på daglig basis med og uten smarttelefonen. Vi kan klage på hvor mye det kan ta bort fra andre erfaringer, og det kan være sant, men poenget er at vi ikke brukte mye tid for 10 år siden på å kvele over, var vi forberedt som samfunn, selv om faktisk har vi gjennomgått mange endringer de siste 10 årene som vi sannsynligvis ikke var helt klar over da vi assimilerte denne endringen i teknologi og begynte å bruke den på veldig effektive måter.

Det er mye vi må gjøre. Det er mye vi kommer til å gjøre over tid, mye vekst som vi skal gjennom, mye utdanning og politikk og andre ting som vi må gjennom forandringer, men det vil vi også.

Vi får komme til de siste spørsmålene mine. Hvilken teknologisk trend angår deg mest? Er det noe som holder deg oppe om natten?

Jeg tror at den største bekymringen jeg har akkurat nå er at folk trenger å ta ansvar. Vi som ingeniører og leverandører av teknologi, forbrukere av teknologi, mennesker som har ansvar for å regulere teknologi, trenger virkelig å være bevisste og tenke gjennom hva vi ønsker å gjøre for å beskytte oss selv og forberede oss på endringene som skjer. Det vil ikke være fordi vi ikke vil tilpasse oss det. Vi vil. Problemet er selvfølgelig, i ferd med å tilpasse den, vil vi heller ikke være bevisste på hva det gjør og hvordan det påvirker oss og hvor mennesker kan utnytte den teknologien på måter vi ikke foretrekker, og at vi ikke er ikke komfortable med eller i ettertid vi ikke nødvendigvis vil ha.

Jeg tror at vi trenger å være bevisste og tenke på hva vi gjør, og vi vil ikke at det skal skje i livene våre med denne teknologien. Spesielt leverandører, spesielt vi som leverandører av denne teknologien, og menneskene som bruker disse teknologikomponentene og bygger applikasjoner ut av den, i dette øyeblikket bør påta seg ansvaret for vår etiske atferd eller atferd som er født fra etiske verdier.

Som et eksempel anbefaler vi på det sterkeste til noen av våre applikasjonsutviklere, noen av institusjonene som lager applikasjoner som bruker disse teknologiene, at de er veldig transparente med sluttbrukerne sine om det faktum at dette er en kognitiv applikasjon, det er en datamaskin og ikke forsøk å maskere deg som et ekte menneske, for eksempel. Ikke late som. Ikke la denne saken late som.

Ikke etterlig.

Ikke etterlig det og ikke la kundene noen gang bli villede til å tro at denne tingen er en ekte person. Etisk er det feil. Jeg tror det skaper risikoen for sårbarhet. Et menneske som er i samspill med et menneske, kan gjøre visse antagelser om våre feil, om vår manglende evne til å faktisk beholde mye informasjon, hvor når vi arbeider med et kognitivt system, må vi være oppmerksom på at menneskene som leverer det kognitive løsning har et ansvar for personvernet og beskyttelsen av informasjonen vi leverer den. Vi skal ikke glemme det faktum.

Når det gjelder teknologi på oppsiden, hvilken teknologi bruker du hver dag som bare inspirerer til undring? Hva har forandret livet ditt?

Jeg tror det faktum at jeg nå kan få tilgang til informasjon som, selv om jeg kunne få den på internett, har hatt informasjon tilgjengelig på Internett på lenge, men ofte slutter vi å prøve å få den informasjonen fordi det er overveldende. Jeg var ute og så på noe kamerautstyr, og prøvde bare å ta beslutninger om avveiningene mellom forskjellige kameraer-

Jeg sender deg en lenke til vår kjøpeguide.

Der går du. Det blir overveldende, og likevel må du stole på at andre mennesker gir rådene for deg og antar at de har gjort forskningen for deg, men selv da gjør de det basert på noen antagelser de har gjort om hva du trenger og hva du bryr deg om. På et tidspunkt gir du bare opp og sier "Ok, fint, bare fortell meg hva jeg skal gjøre, så skal jeg gjøre det." Eller så går du til en hel haug nettsteder og du ser alle disse meningene, og det blir bare forvirrende og selvmotsigende, og så sier du: "Vel, pokker med alle dem. Jeg vil bare gå med det som føles bra for meg."

Fordi disse systemene kan samle seg og assimilere og organisere enorme mengder informasjon, selv for folkene som gir anbefalinger, selv for rådgiverne, er det til fordel for dem fordi det hjelper dem å gjøre en bedre jobb. En måte jeg liker å si det er at det ikke gjør tankene våre for oss, det gjør forskningen for oss slik at vi kan gjøre vår tenkning bedre, og det er sant for oss som sluttbrukere og det er sant for rådgivere. Det er sant for alle som er i den rollen som analytiker.

Jeg tenker på applikasjonen, fordi vi alltid prøver å hjelpe folk til å ta kjøpsbeslutninger. Vi er ikke langt fra et system som kan se på alle bildene du har tatt de siste fem årene, se at du liker å gjøre dyrelivsfotografering eller nærbilder av blomster, og deretter lage en kameraanbefaling basert på bildene som du tar.

Det er riktig. Flamingoer. Jeg vet ikke hvorfor.

Dette er det beste kameraet for å ta bilder av flamingoer.

Flamingoer, ikke sant.

Vi er nesten der. Teknologien eksisterer, den har bare ikke blitt programmert ennå.

Yeah.

Eller undervist, slik vi gjør i disse dager. Rob High, tusen takk for at du gjorde dette.

Tusen takk.

For mer Fast Forward med Dan Costa, kan du abonnere på podcasten. Last ned Apples Podcasts-app på iOS, søk etter "Fast Forward" og abonner. Last ned Stitcher Radio for Podcasts-appen på Android via Google Play.