Titta

Experternas framtid

Experternas framtidDela
  1. Det är så roligt att vara här
    och få tala inför Nobelpristagare.

  2. Jag ska prata om framtidens intelligens
    ur experternas synvinkel-

  3. -alltså hur folk använder
    sin kunnighet och kunskap-

  4. -för att lösa problem inom olika fält.

  5. Jag minns mitt första datorprogram,
    som jag skapade i mitten av 80-talet.

  6. Det var ett så kallat expertsystem
    som hjälpte min far, som är domare-

  7. -att fatta beslut
    i bilkompensationsfall.

  8. Jag minns tydligt
    hur vi visade det för min fars kollega-

  9. -som sen blev ordförande
    i Indiens högsta domstol.

  10. På den tiden drömde vi om-

  11. -att kunna införliva expertis
    i datorsystem-

  12. -men vi stötte snabbt på
    många begränsningar.

  13. Systemen
    var instabila och inte så användbara-

  14. -så vi lyckades inte uppnå våra mål då.

  15. Men i dag har vi så mycket data,
    så mycket ny teknik-

  16. -och så mycket IT-infrastruktur
    att vi kan förverkliga vår dröm.

  17. Vi har nått en punkt då själva
    expertisens karaktär kan förändras.

  18. Det här är en ny era. Enkelt uttryckt
    kommer framtidens experter att arbeta-

  19. -med slutledningsmaskiner
    för att utföra sina dagliga uppgifter.

  20. Det blir ett nära samarbete
    mellan människa och maskin.

  21. Det är inget att vara rädd för.

  22. Det handlar om utveckling,
    som nån sa tidigare i dag.

  23. Jag tror
    att vi får en mycket bättre värld-

  24. -om experter kan använda
    inlärnings- och slutledningssystem.

  25. Jag inleder mina demonstrationer
    med att ställa en enkel fråga:

  26. Vad kostar det att inte veta?

  27. I dag betalar vi ett högt pris för att
    vi inte vet hur man sköter om miljön-

  28. -för att vi inte vet
    hur utbildning ska se ut-

  29. -och för att vi inte vet
    vad som är fel med våra patienter.

  30. Anledningen till att vi inte
    kan besvara de här viktiga frågorna-

  31. -är att vi har så mycket data
    och att informationen är så invecklad.

  32. Ungefär 2,5 exabyte data
    skapas varje dag.

  33. 90 % av världens data har skapats
    på två år. Mängden ökar exponentiellt.

  34. Och mängden data som granskas-

  35. -som artiklar och rapporter
    i vetenskapliga tidskrifter-

  36. -ökar också exponentiellt.

  37. Tänk om vi kunde extrahera kunskap
    ur den här komplexiteten.

  38. I stället för att bli överväldigade hade
    vi kunnat samarbeta med maskiner-

  39. -som kan tillämpa insikterna-

  40. -på problem som kunskapsarbetare
    försöker lösa varje dag.

  41. Det kallas kognitiv databehandling.

  42. På IBM heter varumärket
    för kognitiv databehandling Watson.

  43. Vi fick en första glimt
    av maskinen som vi kallar Watson-

  44. -när vi demonstrerade den
    i en uppvisningsmatch i "Jeopardy".

  45. Maskinen kunde hämta information
    från flera olika datakällor-

  46. -däribland människors röriga data-

  47. -och besvara allmänna frågor
    i "Jeopardy" på ett övertygande sätt.

  48. Språkets komplexitet är väldigt hög.

  49. Att börja förstå språkets komplexitet
    är bara det ett framsteg för maskiner.

  50. Vi ska se hur maskinen klarade sig.

  51. När ni tittar på videon,
    observera gärna hur Watson arbetar-

  52. -i det lilla fältet
    längst ner på skärmen.

  53. -"En dollar eller mindre" för 1 000.
    -En flaska VO5 balsam...

  54. ...från den här tillverkaren
    kostar en dollar. - Ken?

  55. Vad är Alberto?
    "Också på ditt tangentbord" för 800.

  56. -Förkortning för Grand Prix-racing.
    -Vad är F1? "Tangentbord" för 1 000.

  57. -"Liten stjärna" på latin. - Brad.
    -Vad är asterix?

  58. -Nej. - Ken?
    -Vad är asterisk?

  59. Vi tar "Dialog om dialekter" för 600.

  60. Vediska är den första dialekten
    av detta indiska språk. - Watson.

  61. -Vad är sanskrit?
    -Sanskrit är rätt. Du har nu 4 200...

  62. Som ni ser
    hittar maskinen inte bara rätt svar-

  63. -den förstår även språkets nyanser.
    Watson vann den här matchen.

  64. Ray berättade tidigare om den
    svåra ordvitsen som Watson förstod.

  65. Jag vill nämna två saker
    om demonstrationen.

  66. Den första är att som ni såg i fältet
    så visste Watson vad den inte visste.

  67. Den bedömde sannolikheten
    när den hittade data, granskade dem-

  68. -och försökte bestämma sig för
    om den skulle trycka på knappen.

  69. I vissa fall visste den inte
    och tryckte därför inte.

  70. Den andra, viktigare saken är
    att den här maskinen inte ska vara-

  71. -självstyrande
    eller nån sorts superintelligent maskin-

  72. -utan snarare en maskin
    som förstår oss människor-

  73. -och hur man arbetar med oss
    och hur vår värld fungerar.

  74. Det där var
    ett exempel från en frågesport-

  75. -men i framtiden ska vi kunna ställa
    de svåra frågorna till Watson.

  76. Vad är orsaken till cancer? Varför
    finns det så få kvinnliga forskare?

  77. Kan vi motverka växthuseffekten?
    De här frågorna är mer invecklade.

  78. För att besvara dem krävs
    forskning och förståelse för fältet.

  79. Vi behöver också
    många dimensioner av intelligens.

  80. Maskiner har inte alla dimensioner.

  81. Det krävs en kombination
    av människor och maskiner-

  82. -för att besvara de här stora frågorna.

  83. Människor är bra på självstyrda mål
    och på att verkligen lägga manken till.

  84. Människor har sunt förnuft
    och kunskap som inte är digitaliserad.

  85. Människor är duktiga
    på att göra värderingar om vår värld.

  86. Maskiner, å andra sidan,
    är otroligt duktiga på matematik-

  87. -på att hitta mönster i data-

  88. -på att extrahera kunskap
    ur stora mängder data-

  89. -och på att dra statistiska slutsatser.

  90. Men det viktigaste är att maskiner
    måste ha en djup förståelse för fältet.

  91. Om man tittar på
    de funktioner AI-system har i dag...

  92. Vissa är skapade
    för att besvara individers frågor-

  93. -andra är skapade för shopping
    eller ansiktsigenkänning och så vidare-

  94. -men vi har en annan approach.

  95. Utöver de här applikationerna
    har vi en plattform-

  96. -som fångar upp och bryter ner
    de olika dimensionerna av intelligens-

  97. -så att de kan återskapas
    i olika applikationer.

  98. Från ursprungssystemet-

  99. -har vi nu skapat dussintals
    olika komponenter som finns i molnet-

  100. -i form av API:er
    som alla kan bygga applikationer med.

  101. Nu har vi
    tiotusentals applikationsutvecklare-

  102. -som skapar applikationer
    för shopping, resor, studier-

  103. -forskning och assistans till blinda-

  104. -och i alla viktiga branscher,
    som vård, finans, utbildning-

  105. -och resurskrävande branscher,
    som olja och gas, med mera.

  106. Vår vision är
    att alla arbetare på planeten-

  107. -vilket är ett par miljarder av oss...

  108. Alla kunskapsarbetare
    ska använda en kognitiv assistent-

  109. -som Watson, i sitt dagliga arbete.

  110. Det vi har gjort är
    att fastställa en systemkategori-

  111. -med kognitiva system
    som lär sig kontinuerligt.

  112. De kommer att dra slutsatser
    utifrån vissa mål-

  113. -och interagera med oss människor.

  114. Det här är bara början,
    och vi behöver många genombrott än.

  115. Jag och mina kolleger
    studerar många tekniker-

  116. -med vilka vi kan kombinera
    maskininlärning och maskinslutledning.

  117. Vi vill hitta nya infrastrukturer
    utöver von Neumann-arkitekturen.

  118. I framtiden behövs nog
    andra sorters arkitekturer.

  119. Vi vill också ha ett bättre samarbete
    med både individer och grupper-

  120. -och lösa problem tillsammans,
    vilket vi kallar gemensam kognition.

  121. Jag ska återvända
    till planen för kunskapsarbetare.

  122. En läkare med en kognitiv assistent,
    som maskinerna jag har pratat om-

  123. -kan ompröva medicinsk bildvetenskap,
    onkologi eller nåt annat fält.

  124. De här fälten
    har redan fått ett enormt lyft-

  125. -tack vare kognitiva assistenter.

  126. Till exempel
    är efterfrågan på onkologer-

  127. -nästan dubbelt så stor
    som tillgången på onkologer.

  128. Den enda lösningen är
    att använda kognitiva assistenter-

  129. -både i arbetet och i utbildningssyfte.

  130. Läkemedelsutveckling tar lång tid,
    men inte med kognitiva system.

  131. Systemen kan hjälpa till
    vid kliniska prövningar.

  132. Det är svårt att rekrytera patienter-

  133. -och även om man lyckas med det
    är det ofta svårt att tolka resultaten.

  134. -Här är ett exempel.
    -Ultraljudsbild färdig.

  135. Detekterar tumör.

  136. Tumör har hittats.
    Fortsätt till tumörkarakterisering.

  137. Detekterar form. Oval.

  138. Hämtar klinisk information
    från patientjournalen.

  139. Hög feber. Mastodyni.
    Öm knöl i vänster bröst.

  140. Kombinerad rekommendation.
    Differentialdiagnos:

  141. Antingen enkel cysta eller galaktocele.

  142. Behandling:
    Antibiotikakur är att föredra-

  143. -framför finnålsaspiration
    eller snitt och dränering.

  144. Slut på fallrådgivning.

  145. Det här är en kognitiv assistent-

  146. -som ger röntgenläkare
    information om alternativ.

  147. Systemet ersätter inte läkare-

  148. -utan hjälper dem
    att vara mer effektiva än de är i dag.

  149. En miljöforskare kan se över
    många delar av miljövården-

  150. -som luftkvalitet, energioptimering-

  151. -eller ännu större projekt,
    som exempelvis stadsplanering.

  152. I morse introducerade vi
    programmet Green Horizons i Kina-

  153. -där man som ni vet
    har problem med partiklar i luften.

  154. Med kognitiva system
    kan vi på förhand beräkna-

  155. -hur man bör alstra förnybar energi.

  156. Vi ska kunna minska andelen partiklar-

  157. -med 30 % till 2027
    och även använda tekniken globalt.

  158. Om man är forskare,
    vilket många i publiken är-

  159. -skulle man gärna
    vilja kunna ställa frågor-

  160. -som datorer som Watson
    kan hämta tidigare påståenden om.

  161. Den går igenom
    en enorm mängd data från korpusar-

  162. -och hämtar bevis
    som stöder eller bestrider ens tes.

  163. Forskningsrapporten
    är gjord på några minuter-

  164. -i stället för några dagar eller veckor.

  165. Vad innebär det
    för framtidens experter?

  166. I framtiden kommer experter att arbeta-

  167. -med kognitiva assistenter regelbundet.

  168. Morgondagens genomsnittsexperter
    är duktigare än dagens toppexperter.

  169. De flesta av oss blir lika duktiga
    som morgondagens bästa experter-

  170. -så det finns inget att vara rädd för.

  171. Jag tror att vi behöver mer kunskap
    för att kunna förändra världen. Tack!

  172. Översättning: Malin Kärnebro
    www.btistudios.com

Hjälp

Stäng

Skapa klipp

Klippets starttid

Ange tiden som sekunder, mm:ss eller hh:mm:ss.

Klippets sluttid

Ange tiden som sekunder, mm:ss eller hh:mm:ss.Sluttiden behöver vara efter starttiden.

Experternas framtid

Produktionsår:
Längd:
Tillgängligt till:

Guru Banavar leder en forskargrupp på IBM. Här berättar han om hur framtidens experter ska samarbeta i partnerskap med maskiner för att lösa dagens olösta problem och för att generera ny kunskap. Inspelat på Svenska mässan, Göteborg, den 9 december 2015. Arrangör: Nobel Media.

Ämnen:
Teknik > Kommunikations- och informationsteknik
Ämnesord:
Artificiell intelligens, Databehandling, Datorer, Intelligens, Teknik
Utbildningsnivå:
Allmänbildande

Mer allmänbildande & teknik

Spelbarhet:
UR Skola
Längd
TittaUR Samtiden - Bok och bibliotek 2010

Framtidens intelligenta fordon

Den stora ökningen av antalet bilar i världen ställer nya krav på säkerhet och miljövänlighet. Torbjörn Biding arbetar med projektet Fordonsstrategisk forskning och innovation på Trafikverket. Arrangör: Vinnova.

Spelbarhet:
UR Skola
Längd
TittaUR Samtiden - Forskar-Grand Prix 2015

Barnhälsovården på webben

Johanna Tell är doktorand inom forskningsområdet tillämpad hälsoteknik och föreläser om den webbaserade rikshandboken för barnhälsovård. Hur används den inom vården? Hur ska den senaste kunskapen inom barnhälsovård nå ut så att alla kan ta del av den senaste forskningen? Inspelat den 26 november 2015 på Nalen i Stockholm. Arrangör: Vetenskap & allmänhet, Formas, Forte, Vetenskapsrådet och Vinnova.

Fråga oss