Ibm watson cto om varför förstärkt intelligens slår ai

Det här avsnittet av Fast Forward spelades in i IBM Watson Experience Center här i New York. Min gäst var Rob High, vice verkställande direktör och teknikchef för IBM Watson.

Högt fungerar i flera team inom IBM, inklusive teknik, utveckling och strategi. Han är en av de mest klara tänkarna i utrymmet för konstgjord intelligens, och vårt samtal täckte många av hur tekniken omformar våra jobb, vårt samhälle och våra liv. Läs och se vår konversation nedan.

Dan Costa: Vad är den dominerande missuppfattningen som människor har när det gäller artificiell intelligens?

Rob High: Jag tror att det vanligaste problemet som vi stöter på med människor som pratar om AI är att de fortfarande lever i världen där jag tror att Hollywood har förstärkt denna idé att kognitiv dator, AI, handlar om att replikera det mänskliga sinnet, och det är verkligen inte. Saker som Turing-testet tenderar att stärka att det vi mäter är tanken på att AI kan tävla med att lura människor att tro att det du har att göra med är en annan människa, men det har verkligen inte varit där vi har hittat största nytta.

Detta återgår till och med, om du tittar på nästan alla andra verktyg som någonsin har skapats, tenderar våra verktyg att vara mest värdefulla när de förstärker oss, när de utökar vår räckvidd, när de ökar vår styrka, när de tillåter oss att göra saker som vi inte kan göra av oss själva som människor. Det är verkligen det sättet som vi behöver tänka på AI också, och i den utsträckning som vi faktiskt kallar det förstärkt intelligens, inte artificiell intelligens.

Låt oss prata lite om det skiftet, för det är en helt ny typ av datoranvändning. Det är utvecklingen av datorer från det vi båda växte upp med, en programmatisk dator där du skulle använda beräkning för att nå och svara med en mycket komplex process, till kognitiv dator, som fungerar lite annorlunda. Kan du förklara den övergången?

Den största anmärkningsvärda skillnaden är förmodligen att det är väldigt sannolikt, medan programmerad dator egentligen handlar om att lägga ut alla villkorade uttalanden som definierar de saker du uppmärksammar på och hur du svarar på dem. Det är mycket deterministiskt. Det är mycket matematiskt exakt. Med en klassisk programmerad dator kan du designa en mjukvara. Eftersom du vet vad den matematiska modellen är som den representerar kan du testa den matematiskt. Du kan bevisa dess korrekthet.

Kognitiv beräkning är mycket mer sannolik. Det handlar i stor utsträckning om att testa signalerna i de utrymmen som vi är inriktade på, vare sig det är vision eller tal eller språk, och att försöka hitta meningens mönster i dessa signaler. Även då finns det aldrig absolut säkerhet. Nu är detta delvis för att det är så det beräknas, men också för att det är arten av mänsklig erfarenhet. Om du tänker på allt vi säger eller ser eller hör, smakar eller berör eller luktar eller något som är en del av våra sinnen, försöker vi som människor alltid utvärdera vad det egentligen är, och ibland får vi inte rätt.

Vad är troligt att när jag hörde den ljudsekvensen, det betydde det här ordet? Vad är troligt att när jag såg den här ordföljden betydde det detta uttalande? Vad är troligt att när jag ser denna form och en bild som jag tittar på att det är det objektet? Även för människor är det ett probabilistiskt problem, och i den utsträckningen är det alltid så som dessa kognitiva system fungerar också.

Om någon kommer till dig och de har ett problem som de vill lösa, tror de att det finns en kognitiv datorlösning för det, de kommer till Watson, de säger: "Se, vi kommer att använda Watson för att försöka lösa det här problemet." Ut ur lådan gör Watson inte så mycket. De måste lära det att lösa sina problem. Kan du prata om den onboardingprocessen?

Vi bör faktiskt prata om två dimensioner av detta. Det ena är att vi för en tid sedan insåg att den här saken som kallas kognitiv datoranvändning egentligen var större än oss, den var större än IBM, den var större än någon leverantör i branschen, den var större än någon av de två eller två olika lösningsområdena. som vi skulle fokusera på, och vi var tvungna att öppna det, vilket är när vi skiftade från att fokusera på lösningar till att verkligen hantera mer av en plattform av tjänster, där varje tjänst verkligen är individuellt fokuserad på en annan del av problem utrymme. Det är en komponent som i fallet med tal strikt fokuserar på problemet med att försöka ta ditt tal och känna igen vilka ord du har uttryckt i det talet, eller ta en bild och försöka identifiera vad som finns i bilden, eller ta språk och försök att förstå vad det innebär, eller ta en konversation och delta i det.

Först och främst, det vi pratar om nu är en uppsättning tjänster, som alla gör något mycket specifikt, var och en försöker hantera en annan del av vår mänskliga erfarenhet och med tanken att någon bygger en applikation, vem som helst som vill lösa ett socialt eller konsument- eller affärsproblem kan göra det genom att ta våra tjänster och sedan komponera det till en applikation. Det är punkt en.

Punkt två är det du började med, vilket är okej nu när jag har tjänsten, hur får vi det att göra de saker vi vill att det ska göra bra? Tekniken är verkligen en undervisning. Dessa systems sannolikhet är baserad på det faktum att de är baserade på maskininlärning eller djupinlärning, och dessa algoritmer måste lära sig hur man känner igen mönstren som representerar mening inom en uppsättning signaler, vilket du gör genom att tillhandahålla data, data som representerar exempel på den situationen du har haft tidigare där du har kunnat märka det som att säga "När jag hör den kombinationen av ljud betyder det detta ord. När jag ser den här kombinationen av pixlar betyder det att objekt." När jag hade de här exemplen kan jag nu ta dig till det kognitiva systemet, till dessa kognitiva tjänster och lära dem att göra ett bättre jobb med att erkänna vad det är som vi vill att det ska göra.

Jag tror att ett av exemplen som illustrerar detta riktigt bra är i det medicinska utrymmet, där Watson hjälper läkare att fatta beslut och analysera stora mängder data, men sedan slutligen arbeta med dem för en diagnos i partnerskap. Kan du prata lite om hur den träningen äger rum och sedan hur lösningen avslutar för att ge bättre resultat?

Arbetet som vi har gjort inom onkologi är ett bra exempel på där det verkligen är en sammansättning av flera olika typer av algoritmer som över olika spektrum av arbete som behöver utföras används på olika sätt. Vi börjar med att till exempel titta på sjukvården, titta på din medicinska post och använda det kognitiva systemet för att titta över alla anteckningar som klinikerna har tagit under åren som de har arbetat med dig och hitta det vi kallar relevant klinisk information. Vad är informationen i de medicinska anmärkningarna som nu är relevanta för det samråd du ska gå in på? Ta det, göra populationslikhetsanalys, försöka hitta de andra patienterna, de andra kohorterna som har mycket likhet med dig, för det kommer att informera läkaren om hur man tänker på olika behandlingar och hur dessa behandlingar kan vara lämpliga för dig och hur du ska reagera på dessa behandlingar.

Sedan går vi in ​​på vad vi kallar standarden för vårdpraxis, som är relativt väl definierade tekniker som läkare delar om hur de ska behandla olika patienter för olika slags sjukdomar, och erkänner att de verkligen är designade för den genomsnittliga personen. Sedan ligger vi ovanpå det vi kallar klinisk expertis. Efter att ha blivit lärd av de bästa läkarna i olika sjukdomar vad de ska leta efter och var utskotten är och hur man resonerar om olika standarder för vårdpraxis, vilken av dessa är bäst lämpad eller hur man tar olika vägar genom dessa olika vårdpraxis och applicera dem nu på bästa sätt, men äntligen gå in och titta på den kliniska litteraturen, alla hundratusentals, 600 000 artiklar i PubMed om framstegen inom vetenskap som har inträffat inom det området som är relevanta för att nu göra denna behandlingsrekommendation.

Alla dessa är olika aspekter av algoritmer som vi tillämpar i olika faser av processen, som alla har lärt sig genom att sätta några av de bästa läkarna i världen framför dessa system och låta dem använda systemet och korrigera systemet när de ser att något går fel, och att systemet lär sig väsentligen genom den användningen av hur man kan förbättra sin egen prestanda. Vi använder det specifikt i fallet med onkologi för att hjälpa läkare på området om behandlingsalternativ som de kanske inte är bekanta med, eller till och med om de har någon kännedom om det kanske inte har haft någon riktig erfarenhet av och inte förstår verkligen hur deras patienter kommer att svara på det och hur de får det mest effektiva svaret från sina patienter.

Vad det egentligen har gjort är att demokratisera expertis. Vi kan ta de bästa läkarna på Memorial Sloan Kettering som hade fördelen av att bokstavligen titta tusentals patienter per år runt samma sjukdom som de har utvecklat denna enorma expertis, fånga det i det kognitiva systemet, föra ut det till ett samhälle eller regional klinik där de läkarna kanske inte har haft så mycket tid att arbeta med samma sjukdom hos ett stort antal olika patienter, vilket ger dem möjlighet att dra nytta av den expertis som nu har fångats i det kognitiva systemet.

Jag tror att den tanken att distribuera den expertisen, först och främst fånga den är en icke-trivial uppgift, men sedan när du har gjort det, att kunna distribuera den verkligen över hela världen, kommer du att ha expertis om de bästa läkarna på Memorial Sloan Kettering kan levereras i Kina, Indien, i små kliniker, och jag tycker att det är ganska ovanligt.

Det har en enorm social inverkan på vår välfärd, på vår hälsa, på de saker som kommer att gynna oss som samhälle.

På baksidan är det som rör människor om konstgjord intelligens att det kommer att ersätta människor, det kommer att ersätta jobb. Det är knutet till automatiseringsrörelsen. Det som slår mig är att stanna i det medicinska utrymmet, radiologer. Radiologer tittar på hundratals och objektglas per dag. Watson eller ett AI-baserat system kan replikera samma typ av diagnos och bildanalys. Tio år från och med nu, tror du att det kommer att bli fler eller färre mänskliga radiologer anställda i USA? Vilken inverkan har det på branscher?

Effekten handlar faktiskt om att hjälpa människor att göra ett bättre jobb. Det handlar verkligen om… ta det för läkaren. Om läkaren nu kan fatta beslut som är mer informerade, baserade på verkliga bevis, som stöds av de senaste fakta inom vetenskapen, som är mer skräddarsydda och specifika för den enskilda patienten, gör det möjligt för dem att faktiskt göra sitt jobb bättre. För radiologer kan det tillåta dem att se saker i bilden som de annars skulle missa eller bli överväldigade av. Det handlar inte om att ersätta dem. Det handlar om att hjälpa dem att göra sitt jobb bättre.

Det har vissa av samma dynamik som alla verktyg som vi någonsin har skapat i samhället. Jag vill säga att om du går tillbaka och tittar på de senaste 10 000 åren i det moderna samhället sedan jordbruksrevolutionens tillkomst, har vi varit som ett mänskligt samhälle med att bygga verktyg, hammare, spade, hydraulik, remskivor, spakar och mycket av dessa verktyg har varit mest hållbara när det de verkligen gör är att förstärka människor, förstärka vår styrka, förstärka vårt tänkande, förstärka vårt räckvidd.

Det är verkligen sättet att tänka på det här, är att det kommer att ha sin största användbarhet när det gör att vi kan göra det vi gör bättre än vi själva kunde, när kombinationen av människan och verktyget tillsammans är större än endera av dem skulle ha varit av sig själva. Det är verkligen så vi tänker på det. Det är så vi utvecklar tekniken. Det är där den ekonomiska nyttan kommer att vara.

Jag håller helt med, men jag tror att det kommer att finnas branscher som undviks på grund av effektiviteten som introduceras av dessa intelligenta system.

De kommer att övergå. Ja, de kommer att övergå. Jag vill inte minska den punkten genom att säga det på detta sätt, men jag vill också vara säker på att vi inte tänker på detta som avskaffande av jobb. Det handlar om att omvandla de jobb som människor utför. Jag ska ge dig ett exempel. Mycket diskussion om hur detta kan ta bort jobb i callcenter. Gissa vad? Det finns mycket arbete som callcenteragenter gör som de inte behöver göra, de inte gillar att göra, som tar bort deras förmåga att göra saker som är mer intressanta.

Den svårighet som vi ser i callcenter drivs till stor del av det faktum att om du tänker på jobbet med att vara en callcenter-agent så sitter du i slutet av telefonsamtalet och lyssnar på upprörda kunder hela dagen och ställer samma fråga över och om igen, och det är svårt att gå hem på natten och känna sig riktigt bra med vad du gjorde den dagen. Det är svårt att skryta med dina vänner och familj om det jobb du har och hur bra du har att göra det när det är den situationen du befinner dig i.

Om vi ​​kan få det kognitiva systemet genom en konversationsagent att ladda ner en procentandel, låt oss säga 30 procent av de samtal som kommer in, och svara på kundens vanligaste och pressande frågor snabbt, effektivt och ta hand om det vardagliga arbetet, vad är då kvar efter allt som har tagits hand om är de typer av frågor som människor har som i sig kräver mer av en mänsklig beröring som sedan du kommer att överlåta till den callcenter agenten. Problemet som de hanterar för kunden är mer intressant, mer utmanande, kräver att de har mer intellektuell ansträngning, men också att de har att göra med en kund som är nöjd. De kommer lite gladare in. De kommer inte riktigt irriterande över sitt problem.

För callcenter-agenten har det faktiskt förbättrat deras jobb. Det gör det faktiskt möjligt för dem att göra sitt jobb bättre och bli mer uppfyllda av det. Under tiden, för kunden, för konsumenten, fick de sina mest pressande problem snabbt. De sitter inte kvar på tio minuter. De väntar inte på att få dirigeras till rätt person med precis rätt kunskap. De får den information de behöver lättast och kan gå vidare med sitt liv med förmodligen ett bättre beslut, säkert bättre information eller åtminstone mer konsekvent information. Det gynnar faktiskt båda sidor av denna ekvation.

Det är intressant. Några av demos som jag såg idag är att callcenter-applikationerna kan förutse och upptäcka det känslomässiga tillståndet för de människor som ringer in ganska effektivt, så det är inte bara transaktionella. Det kan faktiskt läsa personens tillstånd i andra änden av linjen ganska bra.

Vilket är verkligen viktigt om du tänker på; en konversation har två delar till det. Den ena är att vad folk säger till att börja med i allmänhet inte är vad de verkligen är där för. Om jag säger "Vad är min balans?" det är inte mitt problem. Ja, jag måste känna till mitt kontosaldo, jag måste veta hur mycket pengar jag har, men mitt problem är att jag försöker köpa något, eller jag försöker ta reda på hur man får pengar i rätt position att betala mina räkningar den här månaden, eller så försöker jag spara för mina barns utbildning. Mitt problem är större än den första frågan jag ställde, och en konversation borde handla om att komma till det verkliga problemet.

Det andra vanliga kännetecknet för en konversation är att det vanligtvis bär en slags känslomässig båge till den. Människor kommer i ett visst känslomässigt tillstånd, och en del av konversationen är att flytta dem genom en känslomässig förändring som ofta innebär att flytta dem från att vara arga till att bli nöjda. I vissa samtal kan vi komma in på det. Det kan faktiskt bli lite uppvärmt. Du ser en känslomässig båge som börjar kanske lugn och sedan flyttar till en mer kontroversiell diskussion som så småningom sedan löses.

Att vara känslig och medveten om känslomässigt tillstånd hos de inblandade parterna är en viktig del av att vara effektiv i den konversationen.

Vilka är några av de andra applikationer som du tycker är verkligen transformativa som finns tillgängliga idag?

Jag tror att något av dem, vad vi gör, är att engagera användaren, kunden, på ett sätt som resulterar i att inspirera dem. För mig, slutligen, och återigen att gå tillbaka till konversationer som ett exempel, vanligtvis när människor kommer in i en konversation, kommer vi till bordet med en idé. Du har en idé. Jag har en idé. Den första idén är början på konversationen, och under konversationen utvecklar vi dessa idéer. Vi blandar dem. Vi slår samman dem. Vi kanske rabatterar dem eller förstärker dem. Vi utvecklas till en punkt där vi förhoppningsvis kommer ut ur konversationen. Helst.

För att göra det måste det inte bara finnas att ge och ta, utan en del av hur inspirerar man någon? Hur får du människor att aktivera sin fantasi? Hur får du dem att tänka på något de inte tänkt på tidigare eller se något i ett ljus de inte tänkt på tidigare eller se en annan synvinkel som tar dem ner en väg som de inte ens visste att tänka på, ställa frågor de inte tänker ställa? Det är exemplen, det är de situationer som jag tycker är mest lovande och kommer att ha den största fördelen för människor.

Händer det idag, eller är det något som måste hända i takt med att tekniken utvecklas?

Nej, det händer. Vi har exempel på att det händer nu. Att gå tillbaka till onkologi som ett exempel för de bästa läkarna i världen kan de behandlingsalternativ som presenteras vara uppenbara för dem för det mesta. Det kan finnas ett av tio fall där de kan säga "Tja, vänta en stund, det var en intressant idé." Det kommer inte att vara så ofta, men, som du sa tidigare, om vi tar det nu ut till gemenskapsinställningar, regionala inställningar och i områden där det inte finns så hög kompetensnivåer, det faktum att systemet kan introducera nya idéer, nya behandlingsalternativ, det handlar verkligen om att införa nya idéer. Vi ser det redan.

Sedan går det naturligtvis bortom vad jag tror har blivit det klassiska chatbot-scenariot som jag tror att några av oss börjar se i olika exempel till nu en situation där om någon ger ett kreditkortsbedrägeri på sitt kreditkort och de går till en chatbot idag, kan det vara helt enkelt, "Var den transaktionen något som du gjorde eller inte? Om det är så bra. Om inte, då kommer vi att göra något åt ​​att avbryta transaktionen, " till nu, "Okej, du behöver ett nytt kreditkort. Var är det bästa stället att få det till dig? Bör vi skicka det till dig? Borde vi inte skicka det till dig? Åh, du gör dig redo att åka på den här resan. inte kommer att kunna skicka det till dig. Vi måste få det till dig snabbare än så.

"Åh, du åker utomlands. Kanske finns det ett kreditkortsalternativ här som du inte utsattes för tidigare, inte visste om var vi hanterar valutaväxlingar till din fördel bättre. Åh, du använder det här för affärer. Det här är en utlandsresa. Du använder detta för affärsutgifter. Tja, här är ett kreditkort som har en ränta som är mer lämplig för det. " Dessa är alla mycket enkla exempel, men var och en av dem öppnar upp en ny uppsättning idéer som vanligtvis inte händer i din enkla chatbot idag och som ändå verkligen kan vara väldigt kraftfull för människor.

Den intressanta punkten där är att när du går igenom alla dessa alternativ, i det förflutna skulle det vara ett manus. Det skulle finnas ett manus med ett par grenar. Det skulle fördefinieras i förväg. Det är en väldigt annorlunda sak när en chatbot gör det som faktiskt reagerar på den information du ger och den information du redan har gett och leder dig nedför sökvägar som inte har skriptats. Den vet att du reser, men du har inte nödvändigtvis sagt det. Den hittade den informationen från din e-posthistorik.

Den kan hitta saker om dig som den upptäckte på vägen.

Vi pratade om onkologi eftersom det är ett bra exempel. Vi pratade om chatbots eftersom de flesta har haft en viss interaktion med dem. Men detta är en teknik som verkligen skalar över alla branscher. Det är svårt att tänka på en bransch som inte har någon form av kognitiv komponent. Finns det några exempel som bara är där ute som människor inte har tänkt på ännu?

Det som är fantastiskt för mig är hur varje dag kommer någon med en ny ny idé. Det är därför jag tycker att vi befinner oss i en så intressant fas, för genom att ha fokuserat på att sönderdela vad vi har när det gäller kognitiva förmågor till byggstenstjänster, är det verkligen att frigöra människor att använda sin fantasi och fortsätta idéer som vi har aldrig riktigt övervägt tidigare, om det använder visuellt igenkänning för att kartlägga landskapet.

I Kalifornien, till exempel, använder ett företag där visuellt igenkänning för att titta på topografin och topologin och i bilden känna igen skillnaden mellan en betongyta, en asfalt takyta, en gräsyta, träd och buskar och dessa saker, till uppskatta hur mycket vatten som konsumeras och var det kan finnas vattenläckor och saker som kan göras för att förbättra effektiv användning av vatten, som ett exempel.

Eller, på den legala arenan, med hjälp av dessa saker för att gå av och hjälpa advokater att läsa igenom med bokstavligen miljoner och miljoner sidor med bakgrundsmaterial som är som att hitta nålen i en höstack. Var är det papperet som verkligen är relevant för just det här fallet? Försöker sortera igenom allt detta. Möjligheterna är bara enorma.

Jag tror att en av dessa kvalifikationer är att ha stora mängder data som måste analyseras. Du pratade om medicinska journaler och att kunna skanna medicinska journaler för relevant information. Dessa poster under din livstid kan vara många av hundratals sidor långa. Det är det som kanske din husläkare har en inblick i det, men de kommer inte att komma ihåg det hela, medan systemet aldrig glömmer.

Ja. En läkare kan ha fem, kanske tio minuter att titta igenom den medicinska historien innan han kommer och konsulterar dig, och ändå finns det alla typer av mycket relevant information som kan finnas i din historia, ditt förflutna, som de under andra omständigheter skulle missa bara eftersom de inte har tid, att om de hade det skulle göra en skillnad.

Tänk på en situation där om en kvinna hade sagt till sin läkare att hennes mor just dött av bröstcancer för två år sedan. Tja, chansen är stor att läkaren kommer att ha noterat det i den posten, men just nu, om den här kvinnan kommer att presentera en klump i hennes bröst, och om den läkaren inte ser det, ja, det är en mycket viktig sak information. Nu kanske de kommer att upptäcka det igen genom att prata med patienten, men kanske inte. Vill du verkligen ta risken att inte veta det när något sådant är så grovt?

Det övergripande kännetecknet för var det här har en tendens att vara användbart, nämns du där det finns massor av data. Ja, men verkligen är det när någon av de aspekterna av vem vi är som människor, där vad vår kognitiva förmåga börjar nå sin gräns. Vi är bra på att läsa. Vi kan läsa något. Vi kan assimilera det. Vi kan anpassa oss till informationen och använda den på mycket kraftfulla sätt som människor. Men vi är inte särskilt bra på att läsa mycket data. Vi kan inte än… Idén att läsa tiotusentals, hundra tusen, miljoner sidor litteratur på en dag är så långt utanför vår kapacitet.

Frågan blir, när vi växer in i en värld där mängden information som produceras dagligen växer exponentiellt, hur mycket mer av den informationen som vi inte använder oss av som har information i den, har den lilla litet information som är helt avgörande för det beslut vi behöver ta är vi inte till? Om det inte är mängden information vi läser är det: Hur mycket assimilerar vi? Hur mycket kan vi komma ihåg? Kan vi se de små mönster som är relevanta i den informationen för våra beslut?

Det är många saker som vi som människor är bra på. Det finns också en hel del saker som vi inte är så bra med, och det tror jag att där kognitiv dator verkligen börjar göra en stor skillnad, är när det är möjligt att överbrygga det avståndet för att bilda detta gap.

Det verkar ganska tydligt att det här är världen som vi flyttar in i. Hur förberedda är vi? Vad ser du på vårt utbildningssystem, vår ekonomi, våra politiska strukturer? Hur väl förberedda är vi att leva i en värld med denna typ av kognitiv beräkning som en komponent?

Det är intressant. Detta bygger på en av de viktigaste värdepunkter som vi har som människor, vilket är vår förmåga att anpassa oss. Om du tittar på det på rent diskreta termer, var ska detta gå, och om vi skulle hoppa framåt 10 år och titta på det och säga, "Var ska vi vara tio år? Är vi beredda på det?" svaret kommer förmodligen att bli, nej. Det finns mycket mer som vi måste göra. Men människor har denna anmärkningsvärda förmåga att anpassa sig i farten och växa med de förändringar som sker runt dem.

Tänk tillbaka för tio år sedan när smarttelefonen egentligen bara började bli tillgänglig för oss, än mindre populär, och hur mycket förändring vi har genomgått som samhälle under de senaste tio åren. Tänk på hur ditt liv är dagligen med och utan din smartphone. Vi kan klaga på hur mycket det kan ta bort från andra erfarenheter, och det kan vara sant, men poängen är att vi inte tillbringade mycket tid för tio år sedan på att rasa, var vi beredda som ett samhälle, även om faktiskt har vi genomgått en hel del förändringar under de senaste tio åren som vi förmodligen inte var helt medvetna om när vi assimilerade denna teknikförändring och började använda den på mycket effektiva sätt.

Det finns mycket som vi måste göra. Det är mycket som vi kommer att göra över tid, mycket tillväxt som vi kommer att genomgå, mycket utbildning och politik och andra saker som vi måste genomgå förändringar på, men vi kommer att göra det.

Vi kommer till mina sista frågor. Vilken teknologisk trend berör dig mest? Finns det något som håller dig uppe på natten?

Jag tror att det största problemet jag har just nu är att människor behöver ta ansvar. Vi som tekniker och leverantörer av teknik, konsumenter av teknik, människor som har ansvar för att reglera teknik, behöver verkligen vara medvetna och tänka igenom vad vi vill göra för att skydda oss själva och förbereda oss för de förändringar som sker. Det kommer inte att bero på att vi inte kommer att anpassa oss till det. Vi ska. Problemet är naturligtvis att vi inte är medvetna om vad det gör och hur det påverkar oss och där människor kan utnyttja den tekniken på sätt som vi inte föredrar, att vi är är inte bekväma med eller i efterhand vi inte nödvändigtvis vill ha.

Jag tror att vi måste vara medvetna och tänka på vad vi gör och att vi inte vill ha hänt i våra liv med denna teknik. I synnerhet leverantörer i synnerhet, vi som leverantörer av denna teknik, och de människor som konsumerar dessa teknikkomponenter och bygger applikationer ur den, borde för närvarande ansvara för vårt etiska beteende eller beteende som är födda från etiska värden.

Som ett exempel rekommenderar vi starkt till någon av våra applikationsutvecklare, någon av de institutioner som skapar applikationer som använder dessa tekniker, att de är mycket transparenta med sina slutanvändare om det faktum att detta är en kognitiv applikation, det är en dator och försök inte till exempel att maskera sig som en riktig människa. Låtsas inte. Låt inte den här saken låtsas.

Imitera inte.

Imitera inte det och låt inte dina kunder någonsin bli vilseledda att tro att den här saken är en riktig person. Etiskt är det fel. Jag tror att det skapar risken för sårbarhet. En människa som interagerar med en människa kan göra vissa antaganden om våra brister, om vår oförmåga att faktiskt behålla mycket information, där vi måste vara medvetna om att de människor som tillhandahåller det kognitiva systemet när vi hanterar ett kognitivt system lösningen har ett ansvar för integriteten och skyddet av den information som vi tillhandahåller den. Vi bör aldrig glömma bort det faktum.

När det gäller teknik på uppåtsidan, vilken teknik använder du varje dag som bara inspirerar till undring? Vad har förändrat ditt liv?

Jag tror det faktum att jag nu kan få tillgång till information som, även om jag kunde få den på internet, vi har haft information tillgänglig på internet länge, men ofta slutar vi försöka få den informationen eftersom det är överväldigande. Jag var ute och tittade på lite kamerautrustning och försökte bara fatta beslut om avvägningar mellan olika kameror-

Jag skickar en länk till vår köpguide.

Varsågod. Det blir överväldigande, och ändå måste du lita på att andra människor ger det råd till dig och antar att de har gjort forskningen för dig, men även då gör de det baserat på vissa antaganden de har gjort om vad du behöver och vad du bryr dig om. Vid någon tidpunkt ger du bara upp och du säger: "Okej, bra, berätta bara vad jag ska göra, jag ska göra det." Eller så går du till en hel massa webbplatser och du ser alla dessa åsikter och det blir bara förvirrande och motsägelsefulla och så säger du: "Nåväl, med alla dem. Jag ska bara gå med det som känns bra för mig."

Eftersom dessa system kan samlas och assimilera och organisera stora mängder information, även för de människor som lämnar rekommendationer, även för rådgivarna, gynnar det dem eftersom det hjälper dem att göra ett bättre jobb. Ett sätt jag gillar att säga är att det inte gör vårt tänkande för oss, det gör vår forskning för oss så att vi kan göra vårt tänkande bättre, och det är sant för oss som slutanvändare och det är sant för rådgivare. Det är sant för alla som är i den rollen som analytiker.

Jag tänker på applikationen, för vi försöker alltid hjälpa människor att fatta köpbeslut. Vi är inte långt ifrån ett system som kan titta på alla foton som du tagit under de senaste fem åren, se att du gillar att göra fotografering av vilda djur eller närbild av blommor och sedan göra en kamerarekommendation baserad på bilderna som du tar.

Det är rätt. Flamingos. Jag vet inte varför.

Detta är den bästa kameran för att ta bilder av flamingos.

Flamingos, rätt.

Vi är nästan där. Tekniken finns, den har bara inte programmerats än.

Ja.

Eller lärde, som vi gör idag. Rob High, tack så mycket för att du gjorde det här.

Tack så mycket.

Prenumerera på podcasten för mer snabb framåt med Dan Costa. Ladda ner Apples Podcasts-app på iOS, sök efter "Fast Forward" och prenumerera. Ladda ner Stitcher Radio for Podcasts-appen på Android via Google Play.