Video: How does IBM Watson work? (Oktober 2024)
Episode Fast Forward ini direkam di IBM Watson Experience Center di New York City. Tamu saya adalah Rob High, Wakil Presiden dan Chief Technology Officer IBM Watson.
Dan Costa: Apa kesalahpahaman dominan yang dimiliki orang tentang kecerdasan buatan?
Rob High: Saya pikir masalah paling umum yang kita hadapi dengan orang-orang berbicara tentang AI adalah mereka masih hidup di dunia di mana saya pikir Hollywood telah memperkuat gagasan ini bahwa komputasi kognitif, AI, adalah tentang mereplikasi pikiran manusia, dan itu sungguh tidak. Hal-hal seperti tes Turing cenderung menguatkan bahwa apa yang kami ukur adalah gagasan AI untuk dapat bersaing dengan orang-orang yang membohongi untuk mempercayai bahwa apa yang Anda hadapi adalah manusia lain, tetapi itu sebenarnya bukan di mana kami telah menemukan utilitas terbesar.
Ini bahkan kembali ke, jika Anda melihat hampir setiap alat lain yang pernah dibuat, alat kami cenderung paling berharga ketika mereka memperkuat kami, ketika mereka memperluas jangkauan kami, ketika mereka meningkatkan kekuatan kami, ketika mereka membiarkan kita melakukan hal-hal yang tidak bisa kita lakukan sendiri sebagai manusia. Itu benar-benar cara kita perlu berpikir tentang AI juga, dan sejauh kita benar-benar menyebutnya kecerdasan tambahan, bukan kecerdasan buatan.
Mari kita bicara sedikit tentang perubahan itu, karena ini adalah jenis komputasi yang sama sekali baru. Ini adalah evolusi komputasi dari apa yang kita berdua tumbuh bersama, komputasi terprogram di mana Anda akan menggunakan komputasi untuk mencapai dan menjawab menggunakan proses yang sangat kompleks, untuk komputasi kognitif, yang beroperasi sedikit berbeda. Bisakah Anda menjelaskan transisi itu?
Mungkin perbedaan terbesar adalah sangat probabilistik, sedangkan komputasi terprogram benar-benar tentang meletakkan semua pernyataan bersyarat yang menentukan hal-hal yang Anda perhatikan dan bagaimana meresponsnya. Ini sangat deterministik. Ini sangat matematis. Dengan komputer terprogram klasik, Anda dapat merancang perangkat lunak. Karena Anda tahu apa model matematika yang diwakilinya, Anda dapat mengujinya secara matematis. Anda bisa membuktikan kebenarannya.
Komputasi kognitif jauh lebih probabilistik. Sebagian besar tentang menguji sinyal ruang yang kita fokuskan, apakah itu penglihatan atau ucapan atau bahasa, dan mencoba menemukan pola makna dalam sinyal tersebut. Meski begitu, tidak pernah ada kepastian absolut. Sekarang, ini sebagian karena itulah cara perhitungannya, tetapi juga karena itulah sifat pengalaman manusia. Jika Anda memikirkan segala sesuatu yang kita katakan atau lihat atau dengar, rasakan atau sentuh atau cium atau apa pun yang merupakan bagian dari indera kita, kita sebagai manusia selalu berusaha untuk mengevaluasi apa itu sebenarnya, dan kadang-kadang kita tidak memperbaikinya..
Berapa probabilitas bahwa ketika saya mendengar urutan suara itu, itu benar-benar berarti kata ini? Berapa probabilitas bahwa ketika saya melihat urutan kata-kata ini, itu berarti pernyataan ini? Berapa probabilitas bahwa ketika saya melihat bentuk ini dan gambar yang saya lihat adalah objek itu? Bahkan bagi manusia, itu adalah masalah probabilistik, dan sejauh itu selalu cara sistem kognitif ini bekerja juga.
Jika seseorang datang kepada Anda dan mereka memiliki masalah yang ingin mereka selesaikan, mereka berpikir bahwa ada solusi komputasi kognitif untuk itu, mereka datang ke Watson, mereka berkata, "Lihat, kita akan menggunakan Watson untuk mencoba dan menyelesaikan masalah ini." Di luar kotak, Watson tidak melakukan banyak hal. Mereka perlu mengajarkannya bagaimana menyelesaikan masalah mereka. Bisakah Anda berbicara tentang proses orientasi itu?
Sebenarnya, kita harus membicarakan dua dimensi ini. Salah satunya adalah beberapa waktu yang lalu kami menyadari bahwa hal yang disebut komputasi kognitif ini benar-benar lebih besar dari kami, lebih besar dari IBM, lebih besar dari satu vendor dalam industri, lebih besar dari satu atau dua area solusi yang berbeda. bahwa kita akan menjadi fokus, dan kita harus membukanya, yaitu ketika kita bergeser dari berfokus pada solusi untuk benar-benar berurusan dengan lebih banyak platform layanan, di mana setiap layanan benar-benar secara individual berfokus pada bagian berbeda dari ruang masalah. Ini adalah komponen yang, dalam kasus pidato, difokuskan secara ketat pada masalah mencoba mengambil pidato Anda dan mengenali kata-kata apa yang Anda ungkapkan dalam pidato itu, atau mengambil gambar dan mencoba dan mengidentifikasi apa yang ada dalam gambar, atau mengambil bahasa dan berusaha memahami apa artinya, atau berbicara dan berpartisipasi dalam hal itu.
Pertama-tama, apa yang kita bicarakan sekarang adalah serangkaian layanan, yang masing-masing melakukan sesuatu yang sangat spesifik, yang masing-masing berusaha menangani bagian berbeda dari pengalaman manusia kita, dan dengan gagasan bahwa siapa pun yang membangun aplikasi, siapa pun yang ingin menyelesaikan masalah sosial atau konsumen atau bisnis dapat melakukannya dengan mengambil layanan kami, kemudian menyusunnya menjadi aplikasi. Itu poin satu.
Poin dua adalah yang Anda mulai, yaitu, baiklah, sekarang saya sudah mendapatkan layanan, bagaimana kita membuatnya melakukan hal-hal yang kita ingin lakukan dengan baik? Tekniknya benar-benar salah mengajar. Sifat probabilistik dari sistem ini didasarkan pada fakta bahwa mereka didasarkan pada pembelajaran mesin atau pembelajaran yang mendalam, dan algoritma tersebut harus diajarkan bagaimana mengenali pola yang mewakili makna dalam satu set sinyal, yang Anda lakukan dengan memberikan data, data yang mewakili contoh-contoh situasi yang pernah Anda alami sebelumnya di mana Anda dapat menandainya dengan mengatakan, "Ketika saya mendengar kombinasi suara itu, artinya adalah kata ini. Ketika saya melihat kombinasi piksel ini, itu berarti bahwa obyek." Ketika saya memiliki contoh-contoh itu, sekarang saya dapat membawa Anda ke sistem kognitif, ke layanan kognitif ini, dan mengajari mereka cara melakukan pekerjaan yang lebih baik dalam mengenali apa pun yang kami inginkan.
Saya pikir salah satu contoh yang menggambarkan hal ini dengan sangat baik adalah di ruang medis, di mana Watson membantu dokter membuat keputusan dan memilah sejumlah besar data, tetapi kemudian bekerja dengan mereka dalam diagnosis kemitraan. Bisakah Anda berbicara sedikit tentang bagaimana pelatihan itu terjadi dan kemudian bagaimana solusi akhirnya memberikan hasil yang lebih baik?
Pekerjaan yang telah kami lakukan dalam onkologi adalah contoh yang baik di mana sebenarnya itu adalah komposisi dari berbagai jenis algoritma yang, di seluruh spektrum pekerjaan yang perlu dilakukan, digunakan dengan cara yang berbeda. Kita mulai dengan, misalnya, melihat catatan medis, melihat catatan medis Anda dan menggunakan sistem kognitif untuk memeriksa semua catatan yang telah diambil dokter selama bertahun-tahun yang telah mereka kerjakan dengan Anda dan menemukan apa yang kita sebut informasi klinis yang bersangkutan. Apa informasi dalam catatan medis yang sekarang relevan dengan konsultasi yang akan Anda masuki? Mengambil itu, melakukan analisis kesamaan populasi, mencoba menemukan pasien lain, kelompok lain yang memiliki banyak kesamaan dengan Anda, karena itu akan memberi tahu dokter tentang cara berpikir tentang berbagai perawatan dan bagaimana perawatan itu mungkin cocok untuk Anda dan bagaimana Anda akan bereaksi terhadap perawatan tersebut.
Kemudian kita masuk ke apa yang kita sebut standar praktik perawatan, yang merupakan teknik yang relatif terdefinisi dengan baik yang dibagikan dokter tentang bagaimana mereka akan merawat pasien yang berbeda untuk berbagai jenis penyakit, mengakui bahwa itu benar-benar dirancang untuk orang kebanyakan. Lalu kami berbaring di atas apa yang kami sebut keahlian klinis. Setelah diajarkan oleh dokter terbaik tentang penyakit yang berbeda apa yang harus dicari dan di mana outlier berada dan bagaimana alasan tentang berbagai standar praktik perawatan, mana yang paling tepat atau bagaimana mengambil jalur yang berbeda melalui berbagai praktik perawatan dan sekarang menerapkannya dengan cara terbaik, tetapi akhirnya masuk dan melihat literatur klinis, semua ratusan ribu, 600.000 artikel di PubMed tentang kemajuan dalam sains yang telah terjadi di bidang itu yang relevan dengan sekarang membuat rekomendasi perawatan ini.
Semua itu adalah aspek berbeda dari algoritma yang kami terapkan pada fase berbeda dari proses itu, yang semuanya telah diajarkan dengan menempatkan beberapa dokter terbaik di dunia di depan sistem ini dan meminta mereka menggunakan sistem dan memperbaiki sistem ketika mereka melihat sesuatu yang salah, dan membuat sistem belajar dasarnya melalui penggunaan itu tentang cara meningkatkan kinerjanya sendiri. Kami menggunakannya secara khusus dalam kasus onkologi untuk membantu memberi tahu dokter di lapangan tentang pilihan perawatan yang mungkin tidak mereka kenal, atau bahkan jika mereka memiliki pengetahuan tentang hal itu, mungkin tidak memiliki pengalaman nyata dengan dan tidak benar-benar memahami bagaimana pasien mereka akan menanggapinya dan bagaimana mendapatkan respons paling efektif dari pasien mereka.
Apa yang pada dasarnya telah dilakukan adalah mendemokratisasikan keahlian. Kita dapat mengambil dokter terbaik di Memorial Sloan Kettering yang mendapat manfaat melihat ribuan pasien per tahun di sekitar penyakit yang sama dari mana mereka telah mengembangkan keahlian luar biasa ini, menangkapnya dalam sistem kognitif, membawanya ke komunitas atau pengaturan klinik regional di mana para dokter itu mungkin tidak memiliki banyak waktu bekerja dengan penyakit yang sama di sejumlah besar pasien yang berbeda, memberi mereka kesempatan untuk mengambil manfaat dari keahlian yang sekarang telah ditangkap dalam sistem kognitif.
Saya pikir gagasan untuk mendistribusikan keahlian itu, pertama-tama, menangkapnya adalah tugas yang tidak sepele, tetapi setelah Anda selesai melakukannya, dengan dapat mendistribusikannya di seluruh planet ini, Anda akan memiliki keahlian dokter-dokter terbaik di Memorial Sloan Kettering dapat dilahirkan di Cina, di India, di klinik-klinik kecil, dan saya pikir itu sangat luar biasa.
Ini memiliki dampak sosial yang luar biasa pada kesejahteraan kita, pada kesehatan kita, pada hal-hal yang akan bermanfaat bagi kita sebagai masyarakat.
Di sisi lain, hal yang menjadi perhatian orang tentang kecerdasan buatan adalah bahwa itu akan menggantikan orang, itu akan menggantikan pekerjaan. Ini terkait dengan gerakan otomatisasi. Hal yang mengejutkan saya adalah, tinggal di ruang medis, ahli radiologi. Ahli radiologi melihat ratusan slide sehari. Watson atau sistem berbasis AI dapat meniru jenis diagnosis dan analisis gambar yang sama. Sepuluh tahun dari sekarang, apakah Anda pikir akan ada lebih atau lebih sedikit ahli radiologi manusia yang dipekerjakan di AS? Apa dampaknya bagi industri seperti itu?
Dampaknya sebenarnya tentang membantu orang melakukan pekerjaan yang lebih baik. Ini benar-benar tentang… bawa dalam kasus dokter. Jika dokter sekarang dapat membuat keputusan yang lebih terinformasi, yang didasarkan pada bukti nyata, yang didukung oleh fakta-fakta terbaru dalam sains, yang lebih disesuaikan dan spesifik untuk masing-masing pasien, itu memungkinkan mereka untuk benar-benar melakukan pekerjaan mereka dengan lebih baik. Untuk ahli radiologi, ini memungkinkan mereka untuk melihat hal-hal dalam gambar yang mungkin mereka lewatkan atau kewalahan. Ini bukan tentang menggantinya. Ini tentang membantu mereka melakukan pekerjaan mereka dengan lebih baik.
Itu memang memiliki beberapa dinamika yang sama bahwa setiap alat yang pernah kita buat di masyarakat. Saya ingin mengatakan jika Anda kembali dan melihat 10.000 tahun terakhir dari masyarakat modern sejak munculnya revolusi pertanian, kami telah menjadi alat pembangunan masyarakat manusia, palu, sekop, hidrolika, katrol, tuas, dan banyak lagi alat-alat ini paling tahan lama ketika apa yang sebenarnya mereka lakukan adalah memperkuat manusia, memperkuat kekuatan kita, memperkuat pemikiran kita, memperkuat jangkauan kita.
Itu benar-benar cara untuk memikirkan hal-hal ini, adalah bahwa ia akan memiliki utilitas terbesar ketika memungkinkan kita untuk melakukan apa yang kita lakukan lebih baik daripada yang kita bisa sendiri, ketika kombinasi manusia dan alat bersama-sama lebih besar daripada salah satu dari mereka akan sendirian. Itu benar-benar cara kita berpikir tentang itu. Itulah cara kami mengembangkan teknologi. Di situlah utilitas ekonomi akan berada.
Saya sepenuhnya setuju, tetapi saya pikir akan ada industri yang dihilangkan karena efisiensi yang diperkenalkan oleh sistem cerdas ini.
Mereka akan ditransisikan. Ya, mereka akan ditransisikan. Saya tidak ingin mengurangi hal itu dengan mengatakannya seperti ini, tetapi saya juga ingin memastikan bahwa kita tidak memikirkan hal ini sebagai penghapusan pekerjaan. Ini tentang mengubah pekerjaan yang dilakukan orang. Saya akan memberi Anda sebuah contoh. Banyak diskusi tentang bagaimana ini dapat menghilangkan pekerjaan di call center. Nah, coba tebak? Ada banyak pekerjaan yang dilakukan agen call center yang tidak perlu mereka lakukan, mereka tidak suka melakukannya, yang menghilangkan kemampuan mereka untuk melakukan hal-hal yang lebih menarik.
Churn yang kita lihat di call center sebagian besar didorong oleh fakta bahwa jika Anda berpikir tentang pekerjaan menjadi agen call center, Anda sedang duduk di akhir panggilan telepon mendengarkan pelanggan yang marah sepanjang hari mengajukan pertanyaan yang sama dan lagi, dan sulit untuk pulang pada malam hari merasa sangat baik tentang apa yang Anda lakukan hari itu. Sulit untuk membual ke teman dan keluarga Anda tentang pekerjaan ini yang Anda miliki dan seberapa baik Anda melakukannya ketika itu adalah situasi Anda.
Jika kita bisa mendapatkan sistem kognitif melalui agen percakapan untuk menurunkan persentase, katakanlah 30 persen dari panggilan itu masuk, dan menjawab pertanyaan pelanggan yang paling umum dan mendesak dengan cepat, efisien, dan mengurus pekerjaan biasa itu, lalu apa yang tersisa setelah semua yang diurus adalah jenis pertanyaan yang orang miliki yang secara inheren membutuhkan lebih banyak sentuhan manusia sehingga Anda akan beralih ke agen pusat panggilan itu. Masalah yang mereka hadapi untuk pelanggan itu lebih menarik, lebih menantang, mengharuskan mereka memiliki lebih banyak upaya intelektual, tetapi juga mereka berurusan dengan pelanggan yang sudah puas. Mereka datang sedikit lebih bahagia. Mereka tidak datang dengan kesal tentang masalah mereka.
Untuk agen call center, itu sebenarnya telah meningkatkan pekerjaan mereka. Ini sebenarnya memungkinkan mereka untuk melakukan pekerjaan mereka dengan lebih baik dan lebih terpenuhi oleh hal itu. Sementara itu, untuk pelanggan, untuk konsumen, mereka menyelesaikan masalah yang paling mendesak dengan cepat. Mereka tidak duduk menunggu selama 10 menit. Mereka tidak menunggu sampai dialihkan ke orang yang tepat hanya dengan pengetahuan yang benar. Mereka mendapatkan informasi yang paling mereka butuhkan dan dapat melanjutkan hidup mereka dengan keputusan yang mungkin lebih baik, tentu saja informasi yang lebih baik atau setidaknya informasi yang lebih konsisten. Ini sebenarnya menguntungkan kedua sisi persamaan itu.
Ini menarik. Beberapa demo yang saya lihat hari ini adalah bahwa aplikasi call center dapat mengantisipasi dan mendeteksi keadaan emosional orang-orang yang menelepon dengan cukup efektif, jadi itu bukan hanya transaksional. Ini benar-benar dapat membaca keadaan orang di ujung telepon dengan cukup baik.
Yang sangat penting jika Anda pikirkan; sebuah percakapan memiliki dua elemen untuk itu. Pertama adalah bahwa apa yang dikatakan orang pada mulanya umumnya bukan untuk apa mereka sebenarnya ada. Jika saya berkata, "Berapa saldo saya?" yah, itu bukan masalah saya. Ya, saya perlu tahu saldo akun saya, saya perlu tahu berapa banyak uang yang saya miliki, tetapi masalah saya adalah saya mencoba untuk membeli sesuatu, atau saya mencoba mencari cara untuk mendapatkan uang di posisi yang tepat untuk membayar tagihan saya bulan ini, atau saya mencoba menabung untuk pendidikan anak-anak saya. Masalah saya lebih besar dari pertanyaan pertama yang saya ajukan, dan seharusnya percakapan tentang masalah yang sebenarnya.
Karakteristik umum kedua dari suatu percakapan adalah bahwa biasanya percakapan itu membawa semacam busur emosional padanya. Orang-orang datang dalam keadaan emosi tertentu, dan bagian dari percakapan adalah memindahkan mereka melalui perubahan emosional yang seringkali berarti memindahkan mereka dari kemarahan menjadi puas. Dalam beberapa percakapan, kita mungkin membahasnya. Sebenarnya mungkin sedikit panas. Anda melihat busur emosional yang dimulai mungkin tenang dan kemudian pindah ke diskusi yang lebih kontroversial yang akhirnya diselesaikan.
Menjadi sensitif dan sadar akan keadaan emosi di pihak-pihak yang terlibat adalah bagian penting dari menjadi efektif dalam percakapan itu.
Apa saja aplikasi lain yang menurut Anda benar-benar transformatif yang tersedia saat ini?
Saya pikir salah satu dari mereka, yang kami lakukan adalah melibatkan pengguna, pelanggan, dengan cara yang menghasilkan inspirasi bagi mereka. Bagi saya, pada akhirnya, dan kembali ke percakapan sebagai contoh, biasanya ketika manusia melakukan percakapan, kami datang ke meja dengan ide. Anda punya ide. Saya punya ide. Gagasan awal itu adalah awal dari percakapan, dan selama percakapan kami mengembangkan ide-ide itu. Kami mencampurnya. Kami menggabungkan mereka. Kami mungkin mendiskon atau memperbesarnya. Kami berevolusi ke titik di mana keluar dari percakapan kami memiliki ide yang lebih baik, semoga. Idealnya.
Untuk melakukan itu, tidak hanya harus ada memberi dan menerima, tetapi unsur bagaimana Anda menginspirasi seseorang? Bagaimana Anda membuat orang mengaktifkan imajinasi mereka? Bagaimana Anda membuat mereka berpikir tentang sesuatu yang tidak mereka pikirkan sebelumnya atau melihat sesuatu dalam cahaya yang tidak mereka pikirkan sebelumnya atau untuk melihat sudut pandang lain yang membawa mereka ke jalan yang bahkan mereka tidak tahu. pikirkan, untuk mengajukan pertanyaan yang tidak mereka pikirkan? Itulah contohnya, itulah situasi yang menurut saya paling menjanjikan dan akan memiliki manfaat terbesar bagi orang-orang.
Apakah itu terjadi hari ini, atau apakah itu sesuatu yang perlu terjadi di masa depan seiring perkembangan teknologi?
Tidak, ini sedang terjadi. Kami punya contoh hal itu terjadi sekarang. Bahkan, kembali ke onkologi sebagai contoh, untuk dokter terbaik di dunia, pilihan perawatan yang disajikan mungkin jelas bagi mereka untuk sebagian besar. Mungkin ada satu dari sepuluh kasus di mana mereka mungkin berkata, "Tunggu sebentar, itu ide yang menarik." Tidak akan sesering itu, tetapi, seperti yang Anda katakan sebelumnya, jika kami membawanya ke pengaturan komunitas, pengaturan regional, dan di area di mana tidak ada tingkat keahlian, fakta bahwa sistem dapat memperkenalkan ide-ide baru, opsi perawatan baru, ini benar-benar tentang memperkenalkan ide-ide baru. Kami sudah melihatnya.
Kemudian, tentu saja, bergerak melampaui apa yang saya pikir telah menjadi skenario chatbot klasik yang saya pikir sebagian dari kita mulai melihat dalam contoh yang berbeda untuk sekarang situasi di mana jika seseorang memberikan peringatan penipuan kartu kredit pada kartu kredit mereka dan mereka pergi ke sebuah chatbot hari ini, mungkin hanya sekadar, "Apakah transaksi itu adalah sesuatu yang Anda lakukan atau tidak? Jika ya, maka baiklah. Jika tidak, maka kita akan melakukan sesuatu untuk membatalkan transaksi, " menjadi sekarang, "Oke, ", Anda memerlukan kartu kredit baru. Di mana tempat terbaik untuk memberikannya kepada Anda? Haruskah kami mengirimkannya kepada Anda? Haruskah kami tidak mengirimkannya kepada Anda? Oh, Anda sedang bersiap-siap untuk melakukan perjalanan ini. tidak akan bisa mengirimkannya kepada Anda. Kami harus menyampaikannya kepada Anda lebih cepat dari itu.
"Oh, kamu akan ke luar negeri. Mungkin ada opsi kartu kredit di sini yang belum pernah kamu ketahui sebelumnya, tidak tahu, di mana kami menangani pertukaran mata uang dengan lebih baik. Oh, kamu menggunakan ini untuk bisnis "Ini perjalanan ke luar negeri. Anda menggunakan ini untuk pengeluaran bisnis. Nah, ini kartu kredit yang memiliki tingkat bunga yang lebih sesuai untuk itu." Ini semua adalah contoh yang sangat sederhana, tetapi masing-masing dari mereka membuka serangkaian ide baru yang biasanya tidak terjadi di chatbot sederhana Anda hari ini, namun benar-benar dapat sangat memberdayakan manusia.
Hal yang menarik di sini adalah saat Anda menelusuri semua opsi itu, di masa lalu itu akan menjadi skrip. Akan ada naskah dengan beberapa cabang. Itu akan ditentukan sebelumnya. Ini adalah hal yang sangat berbeda ketika chatbot melakukannya yang sebenarnya bereaksi terhadap informasi yang Anda berikan dan informasi yang telah Anda berikan dan mengarahkan Anda ke jalan yang belum ditulis. Ia tahu bahwa Anda bepergian, tetapi Anda belum tentu mengatakannya. Ditemukan informasi itu dari riwayat email Anda.
Itu dapat menemukan hal-hal tentang Anda yang ditemukan sepanjang jalan.
Kami berbicara tentang onkologi karena ini adalah contoh yang bagus. Kami berbicara tentang chatbots karena kebanyakan orang telah berinteraksi dengan mereka. Tapi ini adalah teknologi yang benar-benar berskala di setiap industri. Sulit untuk memikirkan industri yang tidak memiliki komponen kognitif. Adakah contoh yang ada di luar sana yang belum dipikirkan orang?
Hal yang luar biasa bagi saya adalah bagaimana setiap hari seseorang datang dengan ide baru. Itu sebabnya saya pikir kita berada dalam fase yang sangat menarik, karena dengan berfokus pada penguraian apa yang kita miliki dalam hal kemampuan kognitif dalam membangun layanan blok, itu benar-benar membebaskan orang untuk menggunakan imajinasi mereka dan mengejar ide-ide yang telah kita miliki. tidak pernah benar-benar dipertimbangkan sebelumnya, apakah itu menggunakan pengenalan visual untuk mensurvei lanskap.
Di California, misalnya, sebuah perusahaan di sana menggunakan pengenalan visual untuk melihat topografi dan topologi dan mengenali dalam gambar perbedaan antara permukaan beton, permukaan atap aspal, permukaan rumput, pohon dan semak dan hal-hal ini, untuk memperkirakan berapa banyak air yang dikonsumsi dan di mana mungkin ada kebocoran air dan hal-hal yang dapat dilakukan untuk meningkatkan efisiensi penggunaan air, sebagai contoh.
Atau, di arena hukum, menggunakan hal-hal ini untuk mematikan dan membantu pengacara membaca jutaan dan jutaan halaman materi latar belakang yang seperti menemukan jarum di tumpukan jerami. Di mana secarik kertas yang benar-benar relevan dengan kasus khusus ini? Mencoba memilah-milah semua itu. Peluangnya sangat besar.
Saya pikir salah satu kualifikasi itu adalah memiliki sejumlah besar data yang perlu diurai. Anda berbicara tentang catatan medis dan dapat memindai catatan medis untuk informasi yang relevan. Catatan-catatan itu sepanjang hidup Anda bisa mencapai ratusan halaman. Itulah masalahnya, mungkin dokter keluarga Anda memiliki firasat tentang hal itu, tetapi mereka tidak akan mengingat semuanya, sedangkan sistem tidak pernah lupa.
Ya. Seorang dokter mungkin memiliki lima, mungkin sepuluh menit untuk memeriksa riwayat medis itu sebelum datang dan berkonsultasi dengan Anda, namun ada semua jenis informasi yang sangat relevan yang mungkin ada dalam sejarah Anda, masa lalu Anda, bahwa dalam keadaan lain apa pun mereka akan kehilangan begitu saja karena mereka tidak punya waktu, jika mereka punya itu akan membuat perbedaan.
Pikirkan situasi di mana jika seorang wanita memberi tahu dokternya bahwa ibunya baru saja meninggal karena kanker payudara dua tahun lalu. Nah, kemungkinan dokter itu akan mencatat hal itu dalam catatan itu, tetapi pada saat ini, jika wanita ini datang dengan menghadirkan benjolan di payudaranya, dan jika dokter itu tidak melihat itu, yah, itu adalah bagian yang sangat penting dari kehilangan informasi. Sekarang, mungkin mereka akan menemukan kembali itu dengan berbicara kepada pasien, tetapi mungkin tidak. Apakah Anda benar-benar ingin mengambil risiko tidak mengetahui bahwa ketika sesuatu seperti itu begitu erat?
Karakteristik menyeluruh tempat hal ini cenderung bermanfaat adalah Anda menyebutkan di mana ada banyak dan banyak data. Ya, tapi sungguh ketika aspek-aspek siapa kita sebagai manusia, di mana kemampuan kognitif kita mulai mencapai batasnya. Kami pandai membaca. Kita bisa membaca sesuatu. Kita bisa mengasimilasi itu. Kita dapat beradaptasi dengan informasi dan memanfaatkannya dengan cara yang sangat kuat sebagai manusia. Tapi kami tidak pandai membaca banyak data. Kita tidak bisa dari… Gagasan membaca puluhan ribu, ratusan ribu, jutaan halaman literatur dalam sehari jauh di luar kemampuan kita.
Pertanyaannya menjadi, ketika kita tumbuh menjadi dunia di mana jumlah informasi yang dihasilkan setiap hari tumbuh secara eksponensial, seberapa banyak informasi yang tidak kita manfaatkan yang memiliki informasi di dalamnya, memiliki sedikit informasi menarik yang sangat penting untuk keputusan yang perlu kita buat, bukankah kita harus melakukannya? Jika bukan jumlah informasi yang kita baca, itu: Berapa banyak yang kita berasimilasi? Berapa banyak yang bisa kita ingat? Apakah kita dapat melihat pola-pola kecil yang relevan dalam informasi itu dengan keputusan kita?
Ada banyak hal yang kita sebagai manusia pandai. Ada juga banyak hal yang kita tidak terlalu baik, dan itu saya pikir di mana komputasi kognitif benar-benar mulai membuat perbedaan besar, adalah ketika mampu menjembatani jarak itu untuk membuat celah itu.
Tampaknya cukup jelas bahwa inilah dunia yang akan kita tuju. Seberapa siap kita? Apa yang Anda lihat pada sistem pendidikan kita, ekonomi kita, struktur politik kita? Seberapa siapkah kita untuk hidup di dunia dengan jenis komputasi kognitif ini sebagai komponen?
Ini menarik. Ini mengacu pada salah satu poin nilai kunci yang kita miliki sebagai manusia, yang merupakan kemampuan kita untuk beradaptasi. Jika Anda melihatnya dalam istilah yang sangat berbeda, ke mana arahnya, dan jika kita harus melangkah maju 10 tahun dan melihatnya dan berkata, "Di mana kita akan 10 tahun? Apakah kita siap untuk itu?" jawabannya mungkin, tidak. Ada banyak lagi yang harus kita lakukan. Tetapi manusia memiliki kemampuan luar biasa untuk beradaptasi dengan cepat dan tumbuh dengan perubahan yang terjadi di sekitar mereka.
Pikirkan kembali 10 tahun yang lalu ketika smartphone benar-benar baru mulai tersedia bagi kita, apalagi populer, dan berapa banyak perubahan yang telah kita lalui sebagai masyarakat selama 10 tahun terakhir. Pikirkan seperti apa hidup Anda setiap hari dengan dan tanpa ponsel cerdas Anda. Kita dapat mengeluh tentang seberapa banyak itu mengambil dari pengalaman lain, dan itu mungkin benar, tetapi intinya adalah, kita tidak menghabiskan banyak waktu 10 tahun yang lalu resah, apakah kita siap sebagai masyarakat, meskipun sebenarnya kami telah mengalami banyak perubahan selama 10 tahun terakhir yang mungkin tidak sepenuhnya kami sadari saat kami mengasimilasi perubahan teknologi ini dan mulai memanfaatkannya dengan cara yang sangat efektif.
Ada banyak hal yang harus kita lakukan. Ada banyak hal yang akan kita lakukan seiring waktu, banyak pertumbuhan yang akan kita lalui, banyak pendidikan dan politik dan hal-hal lain yang harus kita lalui dengan perubahan, tetapi kita akan melakukannya.
Kami akan menjawab pertanyaan terakhir saya. Tren teknologi apa yang paling Anda perhatikan? Apakah ada sesuatu yang membuat Anda terjaga di malam hari?
Saya pikir kekhawatiran terbesar yang saya miliki saat ini adalah orang-orang perlu bertanggung jawab. Kita sebagai insinyur dan penyedia teknologi, konsumen teknologi, orang-orang yang memiliki tanggung jawab untuk mengatur teknologi, benar-benar perlu sadar dan memikirkan sekarang apa yang ingin kita lakukan untuk melindungi diri kita sendiri dan mempersiapkan diri kita untuk perubahan yang terjadi. Itu tidak akan terjadi karena kita tidak akan beradaptasi dengannya. Kami akan. Masalahnya tentu saja, dalam proses mengadaptasinya, kita juga tidak akan sadar akan apa yang dilakukan dan bagaimana hal itu memengaruhi kita dan di mana orang mungkin mengeksploitasi teknologi itu dengan cara yang tidak kita sukai, bahwa kita tidak tidak nyaman dengan, atau kalau dipikir-pikir kita tidak akan selalu menginginkannya.
Saya pikir kita perlu sadar dan memikirkan apa yang kita lakukan dan kita tidak ingin terjadi dalam hidup kita dengan teknologi ini. Khususnya, vendor khususnya, kita sebagai pemasok teknologi ini, dan orang-orang yang mengkonsumsi komponen teknologi ini dan membangun aplikasi darinya harus pada saat ini memikul tanggung jawab atas perilaku etis kita atau perilaku yang lahir dari nilai-nilai etika.
Sebagai contoh, kami sangat merekomendasikan kepada semua pengembang aplikasi kami, lembaga mana pun yang membuat aplikasi menggunakan teknologi ini, bahwa mereka sangat transparan dengan pengguna akhir mereka tentang fakta bahwa ini adalah aplikasi kognitif, ini adalah komputer, dan tidak berusaha untuk menyamar sebagai manusia nyata, misalnya. Jangan berpura-pura. Jangan biarkan benda ini berpura-pura.
Jangan meniru.
Jangan meniru dan jangan biarkan pelanggan Anda menyesatkan untuk percaya bahwa hal ini adalah orang yang nyata. Secara etis, itu salah. Saya pikir itu menciptakan risiko kerentanan. Manusia yang berinteraksi dengan manusia dapat membuat asumsi tertentu tentang kelemahan kita, tentang ketidakmampuan kita untuk benar-benar menyimpan banyak informasi, di mana ketika berhadapan dengan sistem kognitif, kita perlu sadar bahwa orang-orang yang menyediakan kognitif itu solusi memiliki tanggung jawab terhadap privasi dan perlindungan informasi yang kami berikan. Kita seharusnya tidak pernah melupakan fakta itu.
Dalam hal teknologi di sisi atas, teknologi apa yang Anda gunakan setiap hari yang hanya menginspirasi keajaiban? Apa yang mengubah hidupmu?
Saya pikir kenyataan bahwa saya sekarang bisa mendapatkan akses ke informasi itu, bahkan jika saya bisa mendapatkannya di internet, kami sudah memiliki informasi yang tersedia untuk kami di internet untuk waktu yang lama, tetapi seringkali kami berhenti berusaha untuk mendapatkan informasi itu karena ini luar biasa. Saya sedang melihat-lihat beberapa peralatan kamera, dan hanya mencoba membuat keputusan tentang pertukaran antara berbagai kamera-
Saya akan mengirimkan Anda tautan ke panduan pembeli kami.
Ini dia. Itu menjadi luar biasa, namun Anda harus bergantung pada orang lain untuk memberikan saran itu untuk Anda dan berasumsi bahwa mereka telah melakukan penelitian untuk Anda, tetapi bahkan kemudian, mereka melakukannya berdasarkan beberapa asumsi yang telah mereka buat tentang apa Anda membutuhkan dan apa yang Anda pedulikan. Pada titik tertentu Anda menyerah begitu saja dan berkata, "Oke, baiklah, katakan saja apa yang harus saya lakukan, saya akan melakukannya." Atau Anda pergi ke sejumlah besar situs web dan Anda melihat semua pendapat ini dan itu hanya membingungkan dan kontradiktif dan jadi Anda berkata, "Yah, semua itu. Aku hanya akan pergi dengan apa yang terasa enak bagiku."
Sekarang, karena sistem ini dapat mengakumulasi dan mengasimilasi dan mengatur sejumlah besar informasi, bahkan untuk orang yang membuat rekomendasi, bahkan untuk para penasihat, itu menguntungkan mereka karena membantu mereka melakukan pekerjaan yang lebih baik. Cara saya suka mengatakan itu adalah tidak melakukan pemikiran kami untuk kami, itu melakukan penelitian kami untuk kami sehingga kami dapat melakukan pemikiran kami dengan lebih baik, dan itu berlaku bagi kami sebagai pengguna akhir dan itu juga penasihat. Itu berlaku bagi siapa saja yang berperan sebagai analis.
Saya memikirkan aplikasinya, karena kami selalu berusaha membantu orang membuat keputusan pembelian. Kami tidak jauh dari sistem yang dapat melihat semua foto yang telah Anda ambil selama lima tahun terakhir, melihat bahwa Anda suka melakukan fotografi satwa liar atau closeup bunga, dan kemudian membuat rekomendasi kamera berdasarkan gambar yang Anda mengambil.
Tepat sekali. Flamingo. Saya tidak tahu kenapa.
Ini adalah kamera terbaik untuk mengambil gambar flamingo.
Flamingo, benar.
Kita hampir sampai. Teknologi itu ada, hanya saja belum diprogram.
Ya.
Atau mengajar, seperti yang kita lakukan hari ini. Rob High, terima kasih banyak untuk melakukan ini.
Terima kasih banyak.
Untuk Maju Lebih Cepat dengan Dan Costa, berlangganan podcast. Di iOS, unduh aplikasi Podcast Apple, cari "Maju Cepat" dan berlangganan. Di Android, unduh aplikasi Stitcher Radio for Podcasts melalui Google Play.
