Arbetets framtid: Kommer robotar att ta mitt jobb?

Under 1990-talet, när amerikanska banker började installera automatiska bankomater i stor skala, verkade de mänskliga kassörskor som arbetade i dessa banker stå inför en snabb föråldring. Om maskinerna kunde dela ut kontanter och ta emot insättningar på egen hand, dygnet runt, vem behövde då människor?

Bankerna gjorde det faktiskt. Det är sant att bankomaterna gjorde det möjligt att driva filialbanker med mycket färre anställda: 13 i genomsnitt, från tidigare 20. Men kostnadsbesparingarna uppmuntrade bara moderbankerna att öppna så många nya filialer att den totala sysselsättningen av kassörskor faktiskt ökade.

Det går att hitta liknande historier inom områden som finans, hälsovård, utbildning och juridik, säger James Bessen, ekonomen vid Boston University som uppmärksammade sina kollegor på historien om uttagsautomaterna 2015. ”Argumentet är inte att automatiseringen alltid ökar antalet arbetstillfällen”, säger han, ”men att den kan och ofta gör det.”

Det är en lärdom som är värd att komma ihåg när man lyssnar till de alltmer spända förutsägelserna om arbetets framtid i robotarnas och den artificiella intelligensens tidsålder. Tänk på förarlösa bilar, övertygande mänsklig talsyntes eller läskigt verklighetstrogna robotar som kan springa, hoppa och öppna dörrar på egen hand: Med tanke på den halsbrytande takten i utvecklingen av sådana tillämpningar, hur länge kommer det att finnas något kvar för människor att göra?

Denna fråga har fått sin mest apokalyptiska formulering av personer som Tesla- och SpaceX-grundaren Elon Musk och den framlidne fysikern Stephen Hawking. Båda har offentligt varnat för att maskinerna så småningom kommer att överskrida människans kapacitet, gå bortom vår kontroll och kanske till och med utlösa den mänskliga civilisationens kollaps. Men även mindre dramatiska observatörer är oroliga. När Pew Research Center 2014 undersökte nästan 1 900 teknikexperter om arbetets framtid var nästan hälften övertygade om att artificiellt intelligenta maskiner snart skulle leda till accelererande förlust av arbetstillfällen – nästan 50 procent i början av 2030-talet, enligt en ofta citerad analys. Det oundvikliga resultatet, fruktade de, skulle bli massarbetslöshet och en kraftig ökning av dagens redan oroväckande inkomstskillnader. Och det skulle verkligen kunna leda till ett sammanbrott i den sociala ordningen.

Och kanske inte. ”Det är alltid lättare att föreställa sig de jobb som finns i dag och som kan komma att förstöras än att föreställa sig de jobb som inte finns i dag och som kan komma att skapas”, säger Jed Kolko, chefsekonom på online-arbetsförmedlingssajten Indeed. Många, om inte de flesta, experter på detta område är försiktigt optimistiska när det gäller sysselsättningen – om inte annat för att ATM-exemplet och många andra liknande exempel visar hur kontraintuitiva effekterna av automatiseringen kan vara. Maskinernas intelligens är fortfarande långt ifrån att motsvara alla mänskliga förmågor, säger Bessen. Även om man tar hänsyn till den utveckling som nu kommer att ske, säger han, ”har vi inte mycket anledning att oroa oss för massarbetslöshet under de närmaste 10 eller 20 åren.”

Så – åt vilket håll kommer saker och ting att gå?

Det finns inget sätt att veta med säkerhet förrän framtiden är här, säger Kolko. Men kanske, tillägger han, är det inte rätt fråga: ”Debatten om den samlade effekten av förlorade respektive ökade arbetstillfällen gör oss blinda för andra frågor som kommer att ha betydelse oavsett” – t.ex. hur jobben kan komma att förändras i samband med artificiell intelligens och robotteknik, och hur samhället kommer att hantera den förändringen. Kommer den nya tekniken till exempel att användas som ännu ett sätt att ersätta mänsklig arbetskraft och sänka kostnaderna? Eller kommer de att användas för att hjälpa arbetstagarna och frigöra dem så att de kan utöva unikt mänskliga förmågor som problemlösning och kreativitet?

”Det finns många olika sätt som vi kan konfigurera världens tillstånd på”, säger Derik Pridmore, vd för Osaro, ett San Fransisco-baserat företag som tillverkar AI-programvara för industrirobotar, ”och det finns en hel del val som vi måste göra.”

Automation och arbetstillfällen: lärdomar från det förflutna

I åtminstone USA kan dagens debatt om artificiellt intelligenta maskiner och arbetstillfällen inte undgå att färgas av minnen från de senaste fyra decennierna, då det totala antalet anställda vid amerikanska biltillverkare, stålverk och andra tillverkare inledde en lång och långsam nedgång från en toppnotering på 19.5 miljoner 1979 till cirka 17,3 miljoner år 2000 – följt av en brant nedgång till 11,5 miljoner i efterdyningarna av den stora recessionen 2007-2009. (Totalsiffran har sedan dess återhämtat sig något, till cirka 12,7 miljoner; i stort sett liknande förändringar har setts i andra starkt automatiserade länder som Tyskland och Japan). När det kom ovanpå en stagnation i löneökningarna sedan ungefär 1973 var upplevelsen traumatisk.

Visst, säger Bessen, kan automatiseringen omöjligen vara hela orsaken till nedgången. ”Om man går tillbaka till de föregående hundra åren”, säger han, ”automatiserade industrin i lika snabb eller snabbare takt och sysselsättningen växte kraftigt”. Det är så vi fick miljontals fabriksarbetare från början. Istället skyller ekonomerna sysselsättningsminskningen på ett sammanflöde av faktorer, bland annat globaliseringen,fackföreningarnas nedgång och en företagskultur från 1980-talet i USA som betonade nedskärningar, kostnadsminskningar och kvartalsvinster framför allt.

Men automatiseringen var definitivt en av dessa faktorer. ”I strävan efter att minska kostnaderna valde vi kollektivt vägen för minsta motstånd”, säger Prasad Akella, en robotforskare som är grundare och vd för Drishti, ett nystartat företag i Palo Alto, Kalifornien, som använder artificiell intelligens för att hjälpa arbetarna att förbättra sina prestationer på löpande bandet. ”Och det var: ’Låt oss flytta det till det billigaste centret, så att arbetskostnaderna blir låga. Och om vi inte kan lägga ut det på annat håll, låt oss automatisera det.”

AI och robotar på arbetsplatsen

Automatisering har tagit sig många uttryck, bland annat datorstyrda stålverk som kan skötas av bara en handfull anställda och industrirobotar, mekaniska armar som kan programmeras för att flytta ett verktyg, t.ex. en färgspruta eller en svetsbrännare, genom en sekvens av rörelser. Sådana robotar har använts i stadigt ökande antal sedan 1970-talet. Det finns för närvarande cirka 2 miljoner industrirobotar i bruk globalt, främst i monteringslinjer för bilar och elektronik, och var och en av dem ersätter en eller flera mänskliga arbetare.

Underskillnaderna mellan automatisering, robotik och artificiell intelligens är visserligen ganska luddiga – och de blir alltmer luddiga nu när förarlösa bilar och andra avancerade robotar använder sig av artificiellt intelligent mjukvara i sina digitala hjärnor. Men en grov tumregel är att robotar utför fysiska uppgifter som tidigare krävde mänsklig intelligens, medan AI-mjukvara försöker utföra kognitiva uppgifter på mänsklig nivå, t.ex. att förstå språk och känna igen bilder. Automation är ett paraplybegrepp som inte bara omfattar båda, utan även vanliga datorer och icke-intelligenta maskiner.

AI:s jobb är svårast. Före ungefär 2010 begränsades tillämpningarna av en paradox som filosofen Michael Polanyi berömt påpekade 1966: ”Det betyder att de flesta av de färdigheter som får oss att klara oss genom dagen är praktiserade, omedvetna och nästan omöjliga att uttrycka. Polanyi kallade dessa färdigheter för tyst kunskap, i motsats till den explicita kunskap som finns i läroböcker.

Föreställ dig att du försöker förklara exakt hur du vet att ett visst mönster av pixlar är ett fotografi av en hundvalp, eller hur du på ett säkert sätt kan förhandla en vänstersväng mot mötande trafik. (Det låter enkelt nog att säga ”vänta på en öppning i trafiken” – tills du försöker definiera en ”öppning” tillräckligt väl för att en dator ska kunna känna igen den, eller definiera exakt hur stor luckan måste vara för att vara säker). Denna typ av tyst kunskap innehöll så många subtiliteter, specialfall och saker som mäts genom ”känsla” att det inte verkade finnas något sätt för programmerare att extrahera den, än mindre att koda den i en exakt definierad algoritm.

I dag kan förstås till och med en smartphone-app känna igen valpbilder (vanligtvis), och självkörande fordon gör dessa vänstersvängar rutinmässigt (om än inte alltid perfekt). Det som har förändrats bara under det senaste decenniet är att AI-utvecklare nu kan kasta massiv datorkraft på massiva datamängder – en process som kallas ”’deep learning”. Detta går i princip ut på att visa maskinen en zillion fotografier av valpar och en zillion fotografier av andra valpar, och sedan låta AI-programvaran justera en zillion interna variabler tills den kan identifiera bilderna korrekt.

Men även om denna process för djupinlärning inte är särskilt effektiv – ett mänskligt barn behöver bara se en eller två valpar – har den haft en omvälvande effekt på AI-tillämpningar som autonoma fordon, maskinöversättning och allt som kräver röst- eller bildigenkänning. Och det är det som skrämmer upp folk, säger Jim Guszcza, amerikansk chefsdataforskare vid Deloitte Consulting i Los Angeles: ”Wow – saker som tidigare krävde tyst kunskap kan nu göras av datorer!” Därav den nya oron för massiva jobbförluster inom områden som juridik och journalistik som aldrig behövt oroa sig för automatisering tidigare. Och därmed de många förutsägelserna om snabb föråldring för butiksbiträden, säkerhetsvakter och snabbmatsbiträden, liksom för lastbils-, taxi-, limousin- och leveransbilsförare.

Detta är min kollega, roboten

Men då var det meningen att banktjänstemännen också skulle bli föråldrade. Vad som i stället hände, säger Bessen, var att automatiseringen via uttagsautomater inte bara utökade marknaden för kassörskor, utan också förändrade arbetets karaktär: När kassapersonal tillbringade mindre tid med att hantera kontanter, tillbringade de mer tid med att prata med kunderna om lån och andra banktjänster. ”I takt med att de interpersonella färdigheterna har blivit viktigare”, säger Bessen, ”har det skett en blygsam ökning av lönerna för bankkassörer”, liksom en ökning av antalet heltidsanställningar i stället för deltidsanställningar som kassör. ”Så det är en mycket rikare bild än vad folk ofta föreställer sig”, säger han.

Samma historier kan hittas i många andra branscher. (Till och med i en tid av näthandel och självutcheckning, till exempel, går sysselsättningssiffrorna för detaljhandeln smart uppåt). Faktum är att det även nu är mycket svårt att helt ersätta mänsklig arbetskraft.

Stahlverk är ett undantag som bekräftar regeln, säger Bryan Jones, vd för JR Automation, ett företag i Holland, Michigan, som integrerar olika former av hård- och mjukvara för industrikunder som vill automatisera. ”Ett stålverk är en riktigt otäck och tuff miljö”, säger han. Men själva processen – smältning, gjutning, valsning och så vidare – är i princip densamma oavsett vilken typ av stål man tillverkar. Så stålverken har varit förhållandevis lätta att automatisera, säger han, vilket är anledningen till att stålindustrin har förlorat så många arbetstillfällen.

När människor är bättre

”Det som gör det svårare att automatisera är när det finns en hel del variationer och anpassningar”, säger Jones. ”Det är en av de saker vi ser i bilindustrin just nu: De flesta vill ha något som är skräddarsytt för dem”, med ett personligt val av färg, tillbehör eller till och med front- och bakgaller. Varje fordon som kommer ner på löpande bandet kan vara lite annorlunda.

Det är inte omöjligt att automatisera den typen av flexibilitet, säger Jones. Välj en uppgift och det finns förmodligen en laboratorierobot någonstans som behärskar den. Men det är inte samma sak som att göra det kostnadseffektivt och i stor skala. I den verkliga världen, som Akella påpekar, är de flesta industrirobotar fortfarande stora, blinda maskiner som går igenom sina rörelser oavsett vem eller vad som står i vägen, och som av säkerhetsskäl måste hållas avskärmade från människor i burar. Med sådana maskiner, säger han, ”kräver flexibilitet massor av omställningar och programmering – och det sker inte över en natt.”

Motverka detta med mänskliga arbetare, säger Akella. Omprogrammeringen är enkel: ”Man går bara in på fabriksgolvet och säger: ’Killar, i dag tillverkar vi det här i stället för det där’.” Ännu bättre är att människor är utrustade med förmågor som få robotarmar kan mäta sig med, bland annat finmotorisk kontroll, hand-ögonkoordination och en talang för att hantera det oväntade.

Allt detta är anledningen till att de flesta biltillverkare i dag inte försöker automatisera allt på löpande bandet. (Några av dem försökte dock tidigt, säger Bessen. Men deras anläggningar slutade i allmänhet som General Motors monteringsanläggning i Detroit-Hamtramck,som snabbt blev en mardröm för felsökning efter att den öppnades 1985: dess robotar målade varandra lika ofta som de målade Cadillacs). I stället begränsar företag som Toyota, Mercedes-Benz och General Motors de stora, dumma, inhägnade robotarna till uppgifter som är smutsiga, farliga och repetitiva, t.ex. svetsning och sprutmålning. Och de skickar sina anställda till platser som slutmonteringsområdet, där de kan sätta ihop de sista delarna samtidigt som de kontrollerar inriktning, passform, finish och kvalitet – och om slutprodukten överensstämmer med kundens önskemål om anpassning.

För att hjälpa de anställda investerar många tillverkare (inte bara biltillverkare) kraftigt i samarbetsrobotar, eller ”cobots”, som är en av de snabbast växande kategorierna av industriell automatisering i dag.

Samarbetsrobotar: Robotar: Maskiner arbetar med människor

Robotar finns nu tillgängliga från minst ett halvt dussin företag. Men de är alla baserade på koncept som utvecklats av ett team som arbetade under Akella i mitten av 1990-talet, när han var anställd ingenjör på General Motors. Målet var att bygga robotar som är säkra att vara i närheten av och som kan hjälpa till med stressiga eller repetitiva uppgifter samtidigt som de mänskliga arbetstagarna behåller kontrollen.

För att få en känsla för problemet, säger Akella, kan man tänka sig att plocka upp ett batteri från ett transportband, gå två steg, lägga det i bilen och sedan gå tillbaka för att hämta nästa batteri – en gång per minut, åtta timmar per dag. ”Jag har själv gjort det jobbet”, säger Akella, ”och jag kan försäkra er om att jag kom hem väldigt öm.” Eller tänk dig att plocka upp en 150 pund tung ”cockpit” – bilens instrumentbräda med alla tillhörande instrument, displayer och luftkonditioneringsutrustning – och manövrera den på plats genom bilens dörröppning utan att bryta något.

Att utveckla en robot som kunde hjälpa till med sådana uppgifter var en ganska ny forskningsutmaning på den tiden, säger Michael Peshkin, maskiningenjör vid Northwestern University i Evanston, Illinois, och en av flera utomstående utredare som Akella inkluderade i sitt team. ”Det handlade om att öka robotarnas autonomi, sensorik och förmåga att hantera variationer”, säger han. Men innan det här projektet kom hade ingen fokuserat särskilt mycket på robotarnas förmåga att arbeta med människor.

För sin första cobot började han och hans kollega Edward Colgate från Northwestern med ett mycket enkelt koncept: en liten vagn utrustad med en uppsättning lyftare som skulle hissa upp till exempel cockpiten, medan den mänskliga arbetaren styrde den på plats. Men vagnen var inte bara passiv, säger Peshkin: Den känner av sin position och vrider på hjulen för att hålla sig inom en ”virtuell begränsningsyta” – i själva verket en osynlig tratt i luften som leder cockpiten genom dörren och på plats utan en skråma. Arbetaren skulle sedan kunna kontrollera den slutliga passformen och fästena utan ansträngning.

En annan GM-sponsrad prototyp ersatte vagnen med en robotarm som styrdes av arbetstagaren och som kunde lyfta autokomponenter medan den hängde från en rörlig upphängningspunkt i taket. Men den delade samma princip om maskinassistans plus arbetarkontroll – en princip som visade sig vara mycket viktig när Peshkin och hans kollegor testade sina prototyper på General Motors montörarbetare.

”Vi förväntade oss en hel del motstånd”, säger Peshkin. ”Men i själva verket var de välkomnande och hjälpsamma. De förstod helt och hållet tanken på att rädda deras ryggar från skador.” Och lika viktigt är att arbetarna älskade att använda cobotarna. De gillade att kunna röra sig lite snabbare eller lite långsammare om de kände för det. ”Med en bil som kommer var 52:e sekund”, säger Peshkin, ”var den där lilla biten av självständighet verkligen viktig.” Och de gillade att vara en del av processen. ”Människor vill att deras färdigheter ska visas upp”, säger han. ”De tycker om att använda sina kroppar och njuta av sin egen rörelse.” Och cobotarna gav dem detta, säger han: ”Man kunde sväva längs den virtuella ytan, styra in cockpiten och njuta av rörelsen på ett sätt som fasta maskiner inte tillåter.”

AI och dess gränser

Akellas nuvarande företag, Drishti, rapporterar om en liknande välkomnande respons på sin AI-baserade programvara. Detaljerna är konfidentiella, säger Akella. Men den grundläggande idén är att använda avancerad teknik för datorseende för att fungera ungefär som en GPS för löpande bandet, och ge arbetarna instruktioner och varningar tur för tur under arbetets gång. Låt oss säga att en arbetare håller på att sätta ihop en iPhone, förklarar han, och kameran som tittar ovanifrån tror att endast tre av fyra skruvar är säkrade: ”Vi varnar arbetaren och säger: ’Se till att dra åt den skruven också innan den går vidare på linjen’.”

Detta har sina Big Brother-aspekter, medger David Prager, marknadsdirektör för Drishti. ”Men vi har många exempel på operatörer på golvet som blir mycket engagerade och i slutändan mycket tacksamma”, säger han. ”De vet mycket väl att de är rädda för automatisering och robotteknik, och de ser mycket snabbt att det här är ett verktyg som hjälper dem att bli effektivare, mer exakta och i slutändan mer värdefulla för företaget. Företaget är därför mer villigt att investera i sin personal i stället för att ta dem ur ekvationen.”

Detta tema – att använda tekniken för att hjälpa människor att utföra sina arbeten i stället för att ersätta människor – kommer troligen att vara kännetecknande för AI-tillämpningar under lång tid framöver. Precis som med robotteknik finns det fortfarande en del viktiga saker som AI inte kan göra.

Titta till exempel medicin. Djupinlärning har redan producerat programvara som kan tolka röntgenbilder lika bra eller bättre än mänskliga radiologer, säger Darrell West, en statsvetare som studerar innovation vid Brookings Institution i Washington DC. ”Men vi kommer inte att vilja att programvaran ska säga till någon: ’Du har just fått en möjlig cancerdiagnos'”, säger han. ”Du kommer fortfarande att behöva en radiolog som kontrollerar den intelligenta intelligensen för att se till att det som den observerat verkligen stämmer” – och sedan, om resultaten är dåliga, en cancerspecialist som meddelar nyheten till patienten och börjar planera en behandling.

Samma sak inom juridiken, där den intelligenta intelligensen kan vara till stor hjälp när det gäller att hitta prejudikat som kan vara relevanta för ett fall – men inte när det gäller att tolka dem, eller att använda dem för att bygga upp ett fall i rätten. Mer allmänt, säger Guszcza, är djupinlärningsbaserad artificiell intelligens mycket bra på att identifiera egenskaper och fokusera uppmärksamheten där den behöver vara. Men den är otillräcklig när det gäller saker som att hantera överraskningar, integrera många olika kunskapskällor och tillämpa sunt förnuft – ”alla de saker som människor är mycket bra på.”

Och be inte programvaran att faktiskt förstå vad den har att göra med, säger Guszcza. Under valkampanjen 2016 försökte han sig på ett klassiskt experiment för att testa Googles Translate-verktyg: Ta en rubrik – ”Hillary smäller igen dörren mot Bernie” – och be Google översätta den från engelska till bengali och tillbaka igen. Resultatet: ”Barney smäller igen dörren på Clinton”. Ett år senare, efter att Google hade gjort en massiv uppgradering av Translate med hjälp av djupinlärning, upprepade Guszcza experimentet med följande resultat: ”Hillary Barry öppnade dörren.”

”Jag ser inga belägg för att vi kommer att uppnå fullt resonemang med sunt förnuft med nuvarande AI”, säger han och upprepar en synpunkt som många AI-forskare själva framfört. I september 2017 sade till exempel Deep Learning-pionjären Geoffrey Hinton, datavetare vid University of Toronto, till nyhetssajten Axios att området behöver några fundamentalt nya idéer om forskarna någonsin hoppas kunna uppnå AI på mänsklig nivå.

Jobbutveckling

AI:s begränsningar är ett annat skäl till varför ekonomer som Bessen inte ser att AI kommer att leda till massarbetslöshet inom en snar framtid. ”Automatisering handlar nästan alltid om att automatisera en uppgift, inte hela jobbet”, säger han och upprepar en synpunkt som många andra har framfört. Och även om varje jobb har åtminstone några rutinuppgifter som skulle kunna dra nytta av artificiell intelligens, finns det väldigt få jobb som är helt rutinmässiga. Bessen säger att när han systematiskt tittade på alla jobb i 1950 års folkräkning ”fanns det bara ett yrke som man kunde säga var klart automatiserat – hissoperatörer”. Det fanns 50 000 1950 och i praktiken inga idag.

Å andra sidan behöver man inte massarbetslöshet för att få massiva omvälvningar på arbetsplatsen, säger Lee Rainie, chef för internet- och teknikforskning vid Pew Research Center i Washington, DC. ”Experterna är knappast i närheten av enighet om huruvida robotik och artificiell intelligens kommer att leda till fler eller färre jobb”, säger han, ”men de kommer definitivt att förändra jobben. Alla förväntar sig att denna stora sortering av färdigheter och funktioner kommer att fortsätta så långt ögat kan se.”

Och vad värre är, säger Rainie, ”de mest oroliga experterna i vårt urval säger att vi aldrig i historien har stått inför denna nivå av förändring så snabbt”. Det är inte bara informationsteknik, artificiell intelligens eller robotik, säger han. Det handlar också om nanoteknik, bioteknik, 3D-utskrifter, kommunikationsteknik – och så vidare. ”Förändringarna sker på så många fronter att de hotar att överväldiga vår förmåga att anpassa oss”, säger han.

Förberedelser för framtidens arbete

Om så är fallet kan den resulterande eran av konstant jobbväxling tvinga fram radikala förändringar i samhället i stort. Förslag från Pews experter och andra inkluderar en ökad betoning på fortbildning och omskolning för vuxna som söker nya färdigheter, och ett socialt skyddsnät som har förnyats för att hjälpa människor att flytta från jobb till jobb och från plats till plats. Det finns till och med ett framväxande stöd inom tekniksektorn för någon form av garanterad årsinkomst, enligt teorin att framstegen inom artificiell intelligens och robotteknik så småningom kommer att överskrida de nuvarande begränsningarna och göra massiva störningar på arbetsplatsen oundvikliga, vilket innebär att människor kommer att behöva en buffert.

Detta är den här typen av diskussion som blir riktigt politisk riktigt snabbt. Och för tillfället, säger Rainie, visar Pew:s opinionsundersökningar att den inte riktigt finns på allmänhetens radar: Det finns många vanliga människor, vanliga arbetare som säger: ”Ja, alla andra kommer att drabbas av detta – men inte jag. Min verksamhet är i gott skick. Jag kan inte föreställa mig hur en maskin eller en programvara skulle kunna ersätta mig.”

Men det är en diskussion som måste föras, säger West. Om man bara tittar på vad som redan är på gång, säger han, ”kommer den tekniska revolutionens fulla kraft att äga rum mellan 2020 och 2050. Så om vi gör förändringar nu och gradvis inför saker och ting under de kommande 20 åren är det fullt hanterbart. Men om vi väntar till 2040 kommer det förmodligen att vara omöjligt att hantera.”

Redaktörens anmärkning: Denna artikel uppdaterades den 1 augusti för att korrigera detaljerna i ett experiment av Jim Guszcza. I berättelsen stod det ursprungligen att ett experiment under valkampanjen 2016 genomfördes för att se hur mycket djupinlärning hade förbättrat Googles Translate-förmåga; i själva verket genomfördes experimentet 2016 innan Google fullt ut hade uppgraderat Translate med djupinlärning. Det ursprungliga testet genomfördes med rubriken ”Hillary smäller dörren mot Bernie”, inte ”Bernie smäller dörren mot Hillary” som det ursprungligen angavs. Den rubrik som blev resultatet efter översättning från engelska till bengali och tillbaka igen var ”Barney slam the door on Clinton”, inte ”Barry is blaming the door at the door of Hillary’s door”. Förbättringarna genom djupinlärning testades ett år senare med samma ursprungliga rubrik och den rubrik som resulterade efter översättningen till bengali och tillbaka var ”Hillary Barry öppnade dörren”

.