Ibm watson cto om, hvorfor augmented intelligence slår ai

Denne episode af Fast Forward blev optaget i IBM Watson Experience Center her i New York City. Min gæst var Rob High, vicepræsident og Chief Technology Officer for IBM Watson.

Høj arbejder på tværs af flere teams inden for IBM, herunder engineering, udvikling og strategi. Han er en af ​​de mest klarsynte tænkere inden for kunstig intelligens, og vores samtale dækkede mange af den måde, teknologien omformer vores job, vores samfund og vores liv på. Læs og se vores samtale nedenfor.

Dan Costa: Hvad er den dominerende misforståelse, folk har om kunstig intelligens?

Rob High: Jeg tror, ​​at det mest almindelige problem, som vi løber ind med mennesker, der taler om AI, er, at de stadig lever i verden, hvor jeg tror, ​​Hollywood har forstærket denne idé om, at kognitiv computing, AI, handler om at replikere det menneskelige sind, og det virkelig ikke. Ting som Turing-testen har en tendens til at forstærke, at det, vi måler, er tanken om, at AI er i stand til at konkurrere med at narre folk til at tro, at det, du har at gøre med, er et andet menneske, men det er virkelig ikke, hvor vi har fundet største brugervenlighed.

Dette går endda tilbage til, hvis du ser på næsten hvert andet værktøj, der nogensinde er blevet oprettet, har vores værktøjer en tendens til at være mest værdifulde, når de forstærker os, når de udvider vores rækkevidde, når de øger vores styrke, når de tillader os at gøre ting, som vi ikke selv kan gøre som mennesker. Det er virkelig den måde, vi også har brug for at tænke på AI, og i det omfang, vi faktisk kalder det forstærket intelligens, ikke kunstig intelligens.

Lad os tale lidt om det skift, fordi det er en helt ny type computing. Det er udviklingen i computing fra det, vi begge voksede op med, en programmatisk computing, hvor du ville bruge beregning til at nå og svare ved hjælp af en meget kompleks proces, til kognitiv computing, der fungerer lidt anderledes. Kan du forklare den overgang?

Den største bemærkelsesværdige forskel er sandsynligvis, at det er meget sandsynligt, mens programmeret computing virkelig handler om at lægge alle de betingede udsagn, der definerer de ting, du er opmærksom på, og hvordan du skal reagere på dem. Det er yderst deterministisk. Det er meget matematisk præcist. Med en klassisk programmeret computer kan du designe et stykke software. Fordi du ved, hvad den matematiske model er, at den repræsenterer, kan du teste den matematisk. Du kan bevise dets rigtighed.

Kognitiv computing er meget mere sandsynlig. Det handler stort set om at teste signalerne på de rum, som vi er fokuseret på, hvad enten det er syn eller tale eller sprog, og forsøge at finde betydningsmønstrene i disse signaler. Selv da er der aldrig absolut sikkerhed. Nu er dette delvis fordi det er sådan det beregnes, men også fordi det er arten af ​​menneskelig oplevelse. Hvis du tænker på alt det, vi siger eller ser eller hører, smager eller berører eller lugter eller noget, der er en del af vores sanser, forsøger vi som mennesker altid at evaluere, hvad det virkelig er, og sommetider får vi det ikke rigtigt.

Hvad er sandsynligheden for, at da jeg hørte den sekvens af lyde, det virkelig betød dette ord? Hvad er sandsynligheden for, at når jeg så denne rækkefølge af ord, betød det denne udsagn? Hvad er sandsynligheden for, at når jeg ser denne form og et billede, at jeg ser på, at det er det objekt? Selv for mennesker er det et sandsynligt problem, og i det omfang er det altid den måde, disse kognitive systemer fungerer også på.

Hvis nogen kommer til dig, og de har et problem, som de ønsker at løse, tror de, at der er en kognitiv databehandlingsløsning til det, de kommer til Watson, de siger: "Se, vi vil bruge Watson til at prøve og løse dette problem." Ud af kassen gør Watson ikke så meget. De er nødt til at lære det hvordan man løser deres problem. Kan du tale om den onboarding-proces?

Faktisk skulle vi tale om to dimensioner af dette. Den ene er, at vi for nogen tid siden indså, at denne ting, der kaldes kognitiv computing, var virkelig større end os, den var større end IBM, den var større end nogen leverandør i branchen, den var større end nogen af ​​de ene eller to forskellige løsningsområder at vi ville være fokuseret på, og vi var nødt til at åbne det op, hvilket var, da vi skiftede fra at fokusere på løsninger til virkelig at håndtere mere af en platform af tjenester, hvor hver tjeneste virkelig er individuelt fokuseret på en anden del af problem plads. Det er en komponent, der i tilfælde af tale er fokuseret strengt på problemet med at prøve at tage din tale og genkende hvilke ord, du har udtrykt i den tale, eller tage et billede og prøv at identificere, hvad der er i billedet, eller tage sprog og forsøg på at forstå, hvad det betyder, eller tage en samtale og deltage i det.

Først og fremmest, hvad vi taler om nu, er et sæt tjenester, der hver især gør noget meget specifikt, som hver især prøver på at tackle en anden del af vores menneskelige oplevelse og med tanken om, at nogen bygger en applikation, enhver, der ønsker at løse et socialt eller forbruger- eller forretningsproblem, kan gøre det ved at tage vores tjenester og derefter komponere det til en applikation. Det er punkt én.

Punkt to er det, du startede med, hvilket er i orden, nu hvor jeg har fået tjenesten, hvordan får vi det til at gøre de ting, vi ønsker, at det skal gøre godt? Teknikken er virkelig en af ​​undervisningen. Disse systemers sandsynlighed er baseret på det faktum, at de er baseret på maskinlæring eller dyb indlæring, og disse algoritmer skal læres, hvordan man genkender de mønstre, der repræsenterer mening inden for et sæt signaler, som du gør ved at levere data, data, der repræsenterer eksempler på den situation, som du har haft før, hvor du har været i stand til at markere det som at sige, "Når jeg hører denne kombination af lyde, betyder det dette ord. Når jeg ser denne kombination af pixels, betyder det, at objekt." Da jeg havde disse eksempler, kan jeg nu bringe dig til det kognitive system, til disse kognitive tjenester og lære dem, hvordan man gør et bedre stykke arbejde med at anerkende, hvad det er, vi ønsker, at det skal gøre.

Jeg tror, ​​at et af eksemplerne, der illustrerer dette virkelig godt, er i det medicinske rum, hvor Watson hjælper læger med at tage beslutninger og analysere store mængder data, men derefter i sidste ende arbejde med dem på en diagnose i partnerskab. Kan du tale lidt om, hvordan denne træning finder sted, og derefter hvordan løsningen ender med at levere bedre resultater?

Det arbejde, vi har udført inden for onkologi, er et godt eksempel på, hvor det virkelig er en sammensætning af flere forskellige slags algoritmer, der på tværs af spektret af arbejde, der skal udføres, bruges på forskellige måder. Vi starter med for eksempel at kigge på lægehjælpen, se på din medicinske journal og bruge det kognitive system til at se over alle de noter, som klinikerne har taget i de år, de har arbejdet med dig og finde det, vi kalder relevant klinisk information. Hvad er oplysningerne i disse medicinske noter, der nu er relevante for den konsultation, du er ved at gå til? At tage det, lave analyse af populationslighed, prøve at finde de andre patienter, de andre kohorter, der har meget lighed med dig, fordi det vil informere lægen om, hvordan man tænker på forskellige behandlinger, og hvordan disse behandlinger kan være passende for dig og hvordan du reagerer på disse behandlinger.

Derefter går vi nærmere ind på, hvad vi kalder standarden for plejepraksis, som er relativt veldefinerede teknikker, som læger deler om, hvordan de skal behandle forskellige patienter for forskellige slags sygdomme, idet vi anerkender, at disse virkelig er designet til den gennemsnitlige person. Derefter lægger vi oven på det, vi kalder klinisk ekspertise. Efter at have været undervist af de bedste læger i forskellige sygdomme, hvad de skal kigge efter, og hvor udliggerne er, og hvordan man kan resonnere om de forskellige standarder for plejepraksis, hvilken af ​​dem der er bedst egnet, eller hvordan man kan tage de forskellige veje gennem disse forskellige plejepraksis og nu anvende dem på den bedst mulige måde, men endelig gå ind og se på den kliniske litteratur, alle de hundreder af tusinder, 600.000 artikler i PubMed om de fremskridt inden for videnskab, der er sket inden for dette felt, der er relevante for nu at gøre denne behandlingsanbefaling.

Alle disse er forskellige aspekter af algoritmer, som vi anvender i forskellige faser af denne proces, som alle er blevet undervist ved at sætte nogle af de bedste læger i verden foran disse systemer og få dem til at bruge systemet og rette systemet når de ser noget gå galt, og får systemet til at lære i det væsentlige gennem denne brug af, hvordan man forbedrer sin egen præstation. Vi bruger det specifikt i tilfælde af onkologi til at hjælpe med at informere læger på området om behandlingsmuligheder, som de måske ikke er bekendt med, eller endda hvis de har nogen fortrolighed med det måske ikke har haft nogen reel erfaring med og ikke virkelig forstå, hvordan deres patienter vil reagere på det, og hvordan de får det mest effektive svar fra deres patienter.

Hvad det dybest set har gjort, er demokratiseret ekspertisen. Vi kan tage de bedste læger ved Memorial Sloan Kettering, der havde fordelen ved at se tusindvis af patienter om året omkring den samme sygdom, som de har udviklet denne enorme ekspertise, fange det i det kognitive system, bringe det ud til et samfund eller regional klinik, hvor disse læger måske ikke har haft så meget tid på at arbejde med den samme sygdom på tværs af et stort antal forskellige patienter, hvilket giver dem muligheden for at drage fordel af den ekspertise, der nu er fanget i det kognitive system.

Jeg tror, ​​at ideen om at distribuere denne ekspertise, først og fremmest at fange den, er en ikke-triviel opgave, men så når du først har gjort det, når du er i stand til at distribuere den virkelig over hele planeten, vil du have ekspertisen i de bedste læger ved Memorial Sloan Kettering kunne leveres i Kina, Indien, i små klinikker, og det synes jeg er ret ekstraordinært.

Det har en enorm social indflydelse på vores velfærd, vores sundhed, på de ting, der kommer os som samfund til gode.

På den anden side er det, der bekymrer folk om kunstig intelligens, at det kommer til at erstatte folk, det kommer til at erstatte job. Det er bundet i automatiseringsbevægelsen. Det, der slår mig, er at blive i det medicinske rum, radiologer. Radiologer ser på hundreder og hundreder af lysbilleder om dagen. Watson eller et AI-baseret system kunne gentage den samme type diagnose og billedanalyse. Om ti år fra nu, tror du, at der vil være flere eller færre menneskelige radiologer ansat i USA? Hvad er virkningen på brancher som den?

Virkningen handler faktisk om at hjælpe folk med at gøre et bedre job. Det handler virkelig om… tag det i tilfælde af lægen. Hvis lægen nu kan træffe beslutninger, der er mere informerede, der er baseret på reelle beviser, der understøttes af de nyeste fakta inden for videnskaben, der er mere skræddersyede og specifikke for den enkelte patient, giver det dem mulighed for faktisk at udføre deres job bedre. For radiologer kan det muligvis give dem mulighed for at se ting på billedet, som de ellers kan gå glip af eller blive overvældet af. Det handler ikke om at udskifte dem. Det handler om at hjælpe dem med at udføre deres job bedre.

Det har nogle af den samme dynamik, som ethvert værktøj, vi nogensinde har skabt i samfundet. Jeg vil gerne sige, at hvis du går tilbage og ser på de sidste 10.000 år i det moderne samfund siden begyndelsen af ​​landbrugsrevolutionen, har vi været som et menneskeligt samfund med at bygge værktøjer, hamre, skovle, hydraulik, remskiver, håndtag og meget af disse værktøjer har været mest holdbare, når det, de virkelig laver, er at forstærke mennesker, forstærke vores styrke, forstærke vores tænkning, forstærke vores rækkevidde.

Det er virkelig måden at tænke på dette, er, at det vil have sit største anvendelighed, når det giver os mulighed for at gøre, hvad vi gør bedre end vi selv kunne, når kombinationen af ​​det menneskelige og værktøjet sammen er større end en af af dem ville have været af sig selv. Det er virkelig den måde, vi tænker på det. Sådan udvikler vi teknologien. Det er her den økonomiske nytte kommer til at være.

Jeg er helt enig, men jeg tror, ​​at der kommer industrier, der undgås på grund af effektiviteten indført af disse intelligente systemer.

De vil blive overført. Ja, de bliver overført. Jeg vil ikke mindske det punkt ved at sige det på denne måde, men jeg vil også være sikker på, at vi ikke tænker på dette som eliminering af job. Dette handler om at transformere de job, som folk udfører. Jeg giver dig et eksempel. En masse diskussion om, hvordan dette kan fjerne job i callcenter. Gæt hvad? Der er en masse arbejde, som callcenter-agenter gør, som de ikke behøver at lave, de ikke kan lide at gøre, som fjerner deres evne til at gøre ting, der er mere interessante.

Den besvær, vi ser i callcentre, er i vid udstrækning drevet af det faktum, at hvis du tænker over jobbet med at være et callcenter-agent, sidder du ved slutningen af ​​telefonopkaldet og lytter til irriterende kunder hele dagen og stiller det samme spørgsmål om og igen, og det er svært at gå hjem om natten og føle sig virkelig god over hvad du gjorde den dag. Det er svært at prale med dine venner og familie om dette job, som du har, og hvor god du er til at gøre det, når det er den situation, du er i.

Hvis vi kan få det kognitive system gennem en samtaleagent til at aflaste en procentdel, lad os sige 30 procent af de opkald, der kommer ind, og besvare kundernes mest almindelige og presserende spørgsmål hurtigt, effektivt og tage sig af det verdslige arbejde, hvad er der så efter alt, hvad der er taget sig af, er de slags spørgsmål, som folk har, der i sagens natur kræver mere et menneskeligt touch, så du vil vende dig til den callcenter-agent. Problemet, som de har at gøre med for denne kunde, er mere interessant, mere udfordrende, kræver, at de får mere intellektuel indsats i det, men også de har at gøre med en kunde, der er tilfreds. De kommer lidt gladere ind. De kommer ikke helt irriterende over deres problem.

For callcenter-agenten har det faktisk forbedret deres job. Det gør det faktisk muligt for dem at gøre deres job bedre og blive mere opfyldt af det. I mellemtiden for kunden, for forbrugeren, fik de deres mest presserende problemer løst hurtigt. De sidder ikke på vent i 10 minutter. De venter ikke på, at man får den rette person med den rigtige viden. De får de oplysninger, de har brug for mest, og er i stand til at gå videre med deres liv med sandsynligvis en bedre beslutning, bestemt bedre information eller i det mindste mere konsistent information. Det er faktisk fordelene for begge sider af denne ligning.

Det er interessant. Nogle af demoerne, jeg så i dag, er, at callcenter-applikationerne kan foregribe og opdage den følelsesmæssige tilstand for de mennesker, der ringer til temmelig effektivt, så det er ikke kun transaktionelle. Det kan faktisk læse personens tilstand i den anden ende af linjen temmelig godt.

Hvilket er virkelig vigtigt, hvis du tænker over; en samtale har to elementer til det. Den ene er, at det, folk siger til at begynde med, generelt ikke er det, de virkelig er der for. Hvis jeg siger, "Hvad er min balance?" det er ikke rigtig mit problem. Ja, jeg har brug for at kende min kontosaldo, jeg skal vide, hvor mange penge jeg har, men mit problem er, at jeg prøver at købe noget, eller jeg prøver at finde ud af, hvordan man får penge i den rigtige position til at betale mine regninger denne måned, eller jeg prøver at spare op til mine børns uddannelse. Mit problem er større end det første spørgsmål, jeg stillede, og en samtale skulle handle om at komme til det rigtige problem.

Det andet almindelige træk ved en samtale er, at den typisk bærer en slags følelsesmæssig bue til den. Folk kommer i en bestemt følelsesmæssig tilstand, og en del af samtalen er at bevæge dem gennem et følelsesmæssigt skift, som ofte betyder at flytte dem fra at være vrede til nu at være tilfredse. I nogle samtaler kan vi komme ind på det. Det kan faktisk blive lidt opvarmet. Du ser en følelsesladet lysbue, der måske starter roligt og derefter flytter til en mere kontroversiel diskussion, der til sidst derefter bliver løst.

At være følsom og opmærksom på følelsesmæssig tilstand hos de involverede parter er en vigtig del af at være effektiv i denne samtale.

Hvad er nogle af de andre applikationer, som du synes er virkelig transformative, der er tilgængelige i dag?

Jeg tror, ​​at nogen af ​​dem, hvad vi laver, er at engagere brugeren, kunden, på en måde, der resulterer i at inspirere dem. For mig, i sidste ende og igen at vende tilbage til samtaler som et eksempel, typisk når mennesker indgår i en samtale, kommer vi til bordet med en idé. Du har en idé. Jeg har en idé. Denne startidee er begyndelsen på samtalen, og i løbet af samtalen udvikler vi disse ideer. Vi blander dem. Vi fusionerer dem. Vi rabatter dem måske eller forstærker dem. Vi udvikler os til et punkt, hvor vi forhåbentlig har en bedre idé, når vi kommer ud af samtalen. Ideelt.

For at gøre det, skal der ikke kun være give og tage, men et element i, hvordan inspirerer du nogen? Hvordan får du folk til at aktivere deres fantasi? Hvordan får du dem til at tænke på noget, de ikke havde tænkt på før eller se noget i et lys, de ikke havde tænkt på før, eller til at se et andet synspunkt, der fører dem ned ad en sti, som de ikke engang vidste at tænke over, for at stille spørgsmål, de ikke tænker at stille? Det er eksemplerne, det er de situationer, som jeg synes er mest lovende og vil have den største fordel for folk.

Sker det i dag, eller er det noget, der skal ske i takt med, at teknologien udvikler sig?

Nej, det sker. Vi har eksempler på, at det sker nu. Når man går tilbage til onkologi som et eksempel, for de bedste læger i verden, kan de behandlingsmuligheder, der bliver præsenteret, være åbenlyse for dem for det meste. Der kan være en ud af ti tilfælde, hvor de måske siger, "Nå, vent et øjeblik, det var en interessant idé." Det vil ikke være så ofte, men som du tidligere har sagt, hvis vi tager det nu ud til fællesskabsindstillinger, regionale indstillinger og i områder, hvor der ikke er så høje ekspertise, det faktum, at systemet kan introducere nye ideer, nye behandlingsmuligheder, det handler virkelig om at introducere nye ideer. Vi ser det allerede.

Derefter bevæger sig selvfølgelig ud over, hvad jeg tror, ​​er blevet det klassiske chatbot-scenarie, som jeg tror, ​​nogle af os begynder at se i forskellige eksempler på nu en situation, hvor hvis nogen giver et kreditkortsvindel alarm på deres kreditkort, og de går til en chatbot i dag, kan det være simpelt hen, "Var den transaktion noget, du har gjort eller ikke? Hvis det er, så fint. Hvis ikke, skal vi gøre noget ved at annullere transaktionen, " ind i nu, "Okay, har du brug for et nyt kreditkort. Hvor er det bedste sted at få det til dig? Skal vi sende det til dig? Skal vi ikke sende det til dig? Åh, du er klar til at gå på denne rejse. ikke vil være i stand til at sende det til dig. Vi er nødt til at få det til dig hurtigere end det.

"Åh, du rejser til udlandet. Måske er der en kreditkortindstilling her, som du ikke var udsat for før, ikke vidste noget om, hvor vi håndterer valutavekslinger til din fordel bedre. Åh, du bruger dette til forretning. Dette er en oversøisk tur. Du bruger dette til forretningsudgifter. Nå, her er et kreditkort, der har en rente, der er mere passende til det. " Dette er alle meget enkle eksempler, men hver af dem åbner et nyt sæt ideer, der typisk ikke sker i din enkle chatbot i dag, og som alligevel virkelig kan være meget styrkende for mennesker.

Det interessante punkt der er, at når du gennemgår alle disse muligheder, ville det i fortiden være et script. Der ville være et script med et par grene. Det ville være foruddefineret på forhånd. Det er en meget anden ting, når en chatbot gør det, der faktisk reagerer på de oplysninger, du giver, og de oplysninger, du allerede har givet, og fører dig ned ad stier, der ikke er scriptet. Det ved, at du rejser, men du har ikke nødvendigvis fortalt det. Det fandt disse oplysninger fra din e-mail-historie.

Det kan finde ting om dig, det opdagede undervejs.

Vi talte om onkologi, fordi det er et godt eksempel. Vi talte om chatbots, fordi de fleste mennesker har haft en vis interaktion med dem. Men dette er en teknologi, der virkelig skalerer på tværs af enhver branche. Det er svært at tænke på en branche, der ikke har en slags kognitiv komponent til det. Er der nogle eksempler, der bare er derude, som folk ikke har tænkt på endnu?

Det, der er fantastisk for mig, er, hvordan hver eneste dag nogen kommer på en anden ny idé. Derfor synes jeg, vi er i en så meget interessant fase, for ved at have fokuseret på at nedbryde, hvad vi har med hensyn til kognitive evner til byggesten, er det virkelig at frigøre folk til at bruge deres fantasi og gå videre med ideer, som vi har aldrig rigtig overvejet før, om det bruger visuel genkendelse til at undersøge landskabet.

I Californien, for eksempel, bruger et firma der visuel genkendelse til at se på topografien og topologien og genkende i billedet forskellen mellem en betonoverflade, en asfalt tagoverflade, en græsoverflade, træer og buske og disse ting, til estimer hvor meget vand, der forbruges, og hvor der kan være vand lækager og ting, der kan gøres for at forbedre effektiv brug af vand, som et eksempel.

Eller på den juridiske arena ved at bruge disse ting til at gå af og hjælpe advokater med at læse gennem bogstaveligt talt millioner og millioner sider med baggrundsmateriale, der er som at finde nålen i en høstak. Hvor er det ene stykke papir, der virkelig er relevant for netop dette tilfælde? Forsøger at sortere gennem alt det. Mulighederne er bare enorme.

Jeg tror, ​​at en af ​​disse kvalifikationer har store mængder data, der skal analyseres. Du talte om medicinske poster og at være i stand til at scanne medicinske poster for de relevante oplysninger. Disse poster i løbet af din levetid kan være mange af hundreder af sider lange. Det er den ting, måske har din familielæge en finger af det, men de vil ikke huske det hele, mens systemet aldrig glemmer det.

Ja. En læge har måske fem, måske ti minutter til at gennemse denne medicinske historie, før han kommer og konsulterer dig, og alligevel er der alle slags meget relevante oplysninger, der kan være i din historie, din fortid, som de under andre omstændigheder ville savne bare fordi de ikke har tid, at hvis de havde det, ville det gøre en forskel.

Tænk på en situation, hvor hvis en kvinde havde fortalt sin læge, at hendes mor netop døde af brystkræft for to år siden. Det er sandsynligt, at lægen har bemærket det i denne post, men på dette tidspunkt, hvis denne kvinde kommer med at præsentere en klump i sit bryst, og hvis denne læge ikke kan se det, ja, det er et meget vigtigt stykke mangler Information. Nu vil de måske genopdage det ved at tale med patienten, men måske ikke. Ønsker du virkelig at tage risikoen for ikke at have kendt det, når sådan noget er så grovt?

Den overordnede karakteristik for, hvor disse ting har tendens til at være nyttigt, nævnes du, hvor der er masser af data. Ja, men virkelig er det når nogen af ​​disse aspekter af, hvem vi er som mennesker, hvor vores kognitive evne begynder at nå sin grænse. Vi er gode til at læse. Vi kan læse noget. Vi kan assimilere det. Vi kan tilpasse os informationen og gøre brug af den på meget magtfulde måder som mennesker. Men vi er ikke særlig gode til at læse masser af data. Vi kan ikke… Idéen om at læse titusinder, hundrede tusind, millioner sider med litteratur på en dag er så langt uden for vores kapacitet.

Spørgsmålet bliver, når vi vokser ind i en verden, hvor den mængde information, der produceres på daglig basis vokser eksponentielt, hvor meget mere af den information, vi ikke bruger, der har information i den, har den lille spids af information, absolut kritisk til den beslutning, vi skal tage, kommer vi ikke til? Hvis det ikke er mængden af ​​information, vi læser, er det: Hvor meget assimilerer vi? Hvor meget kan vi huske? Kan vi se de små mønstre, der er relevante i denne information til vores beslutninger?

Der er masser af ting, som vi som mennesker er gode til. Der er også en masse ting, som vi ikke er særlig gode til, og det er, jeg tror, ​​hvor kognitiv computing virkelig begynder at gøre en enorm forskel, er når det er i stand til at bygge bro over denne afstand for at udgøre dette hul.

Det synes temmelig klart, at dette er den verden, vi bevæger os ind i. Hvor forberedt er vi? Hvad ser du på vores uddannelsessystem, vores økonomi, vores politiske strukturer? Hvor godt forberedt er vi på at leve i en verden med denne type kognitiv computing som en komponent?

Det er interessant. Dette trækker på et af de vigtigste værdipunkter, som vi besidder som mennesker, hvilket er vores evne til at tilpasse os. Hvis du ser på det rent diskrete, hvor går det hen, og hvis vi skulle springe 10 år frem og se på det og sige, "Hvor vil vi være 10 år? Er vi klar til det?" svaret vil sandsynligvis være nej. Der er meget mere, vi skal gøre. Men mennesker har denne bemærkelsesværdige evne til at tilpasse sig på farten og vokse med de ændringer, der sker omkring dem.

Tænk tilbage for 10 år siden, da smartphonen virkelig lige begyndte at blive tilgængelig for os, hvad så meget populær, og hvor meget ændring vi har gennemgået som samfund i de sidste 10 år. Tænk over, hvordan dit liv er dagligt med og uden din smartphone. Vi kan klage over, hvor meget det kan tage væk fra andre oplevelser, og det kan være sandt, men pointen er, at vi ikke brugte meget tid for 10 år siden på at narre over, var vi forberedt som et samfund, selvom faktisk har vi gennemgået en masse ændringer i løbet af de sidste 10 år, som vi sandsynligvis ikke var fuldt ud klar over, da vi assimilerede denne ændring i teknologi og begyndte at bruge den på meget effektive måder.

Der er meget, vi skal gøre. Der er meget, vi skal gøre over tid, meget vækst, som vi vil gennemgå, en masse uddannelse og politik og andre ting, som vi er nødt til at gennemgå ændringer, men det vil vi også.

Vi kommer til mine sidste spørgsmål. Hvilken teknologisk tendens vedrører dig mest? Er der noget der holder dig op om natten?

Jeg tror, ​​at den største bekymring, jeg har lige nu, er, at folk har brug for at tage ansvar. Vi som teknikere og udbydere af teknologi, forbrugere af teknologi, mennesker, der har ansvar for regulering af teknologi, har virkelig brug for at være bevidste og tænke igennem nu, hvad vi vil gøre for at beskytte os selv og forberede os på de ændringer, der sker. Det vil ikke være, fordi vi ikke tilpasser os det. Vi vil. Problemet er selvfølgelig, i processen med at tilpasse den, vil vi heller ikke være opmærksomme på, hvad det gør, og hvordan det påvirker os, og hvor mennesker muligvis udnytter denne teknologi på måder, vi ikke foretrækker, at vi er Vi er ikke komfortable med eller i eftertid vi ikke nødvendigvis ønsker.

Jeg tror, ​​at vi er nødt til at være bevidste og tænke over, hvad vi gør, og vi ønsker ikke, at der skal ske i vores liv med denne teknologi. Specifikt, især leverandører, vi som leverandører af denne teknologi og de mennesker, der bruger disse teknologikomponenter og bygger applikationer ud af den, skal på dette tidspunkt påtage os ansvaret for vores etiske adfærd eller adfærd, der er født af etiske værdier.

Som et eksempel anbefaler vi kraftigt til nogen af ​​vores applikationsudviklere, enhver af de institutioner, der opretter applikationer, der bruger disse teknologier, at de er meget gennemsigtige over for deres slutbrugere om, at dette er en kognitiv applikation, det er en computer og ikke forsøge at maskerade som et ægte menneske, for eksempel. Lad ikke som. Lad ikke denne ting foregive.

Efterlign ikke.

Efterlig ikke det, og lad ikke dine kunder nogensinde vildlede til at tro, at denne ting er en rigtig person. Etisk er det forkert. Jeg tror, ​​det skaber risikoen for sårbarhed. Et menneske, der interagerer med et menneske, kan gøre visse antagelser om vores mangler, om vores manglende evne til faktisk at bevare en masse information, hvor vi, når vi handler med et kognitivt system, skal være opmærksomme på, at de mennesker, der leverer det kognitive løsning har et ansvar for privatlivets fred og beskyttelse af de oplysninger, vi leverer dem. Vi skal aldrig glemme det faktum.

Med hensyn til teknologi på hovedet, hvilken teknologi bruger du hver dag, der bare inspirerer til undring? Hvad har ændret dit liv?

Jeg tror, ​​at det faktum, at jeg nu kan få adgang til oplysninger, at selvom jeg kunne få dem på internettet, har vi haft oplysninger tilgængelige for os på internettet i lang tid, men ofte stopper vi med at forsøge at få disse oplysninger, fordi det er overvældende. Jeg var ude på at se noget kameraudstyr og bare forsøge at tage beslutninger om kompromitteringerne mellem forskellige kameraer-

Jeg sender dig et link til vores købers guide.

Værsgo. Det bliver overvældende, og alligevel er du nødt til at stole på at andre mennesker giver det råd til dig og antager, at de har gjort forskningen for dig, men selv da gør de det ud fra nogle antagelser, de har gjort om, hvad du har brug for, og hvad du interesserer dig for. På et tidspunkt giver du bare op og du siger, "Okay, fint, bare fortæl mig hvad jeg skal gøre, jeg skal gøre det." Eller du går til en hel masse websteder, og du ser alle disse meninger, og det bliver bare forvirrende og selvmodsigende, og så siger du: "Nå, pokker med alle dem. Jeg vil bare gå med det, der føles godt for mig."

Fordi disse systemer kan samle sig og assimilere og organisere enorme mængder information, selv for de mennesker, der fremsætter henstillinger, selv for rådgiverne, er det en fordel med dem, fordi det hjælper dem med at gøre et bedre job. En måde, jeg gerne kan sige, er, at det ikke gør vores tanker for os, det gør vores research for os, så vi kan gøre vores tankegang bedre, og det er sandt for os som slutbrugere, og det er sandt for rådgivere. Det er sandt for alle, der er i den rolle at være analytiker.

Jeg tænker på applikationen, fordi vi altid prøver at hjælpe folk med at tage købsbeslutninger. Vi er ikke langt fra et system, der kan se på alle de fotos, du har taget i de sidste fem år, se, at du kan lide at fotografere dyreliv eller nærbilleder af blomster, og derefter lave en kameraanbefaling baseret på de billeder, du tager.

Det er rigtigt. Flamingos. Jeg ved ikke hvorfor.

Dette er det bedste kamera til at tage billeder af flamingoer.

Flamingoer, ikke.

Vi er næsten der. Teknologien findes, den er bare ikke blevet programmeret endnu.

Ja.

Eller undervist, som vi gør i disse dage. Rob High, tak så meget for at have gjort dette.

Mange tak.

For mere hurtig fremad med Dan Costa, tilmeld dig podcasten. På iOS skal du downloade Apples Podcasts-app, søge efter "Fast Forward" og abonnere. På Android skal du downloade appen Stitcher Radio for Podcasts via Google Play.