Economists Develop Method for Estimating Job Automation by Robots

فريق من روبوتيين من المدرسة الفدرالية السويسرية للتكنولوجيا في لوزان واقتصاديين من جامعة لوزان طوروا طريقة جديدة لحساب المهن الحالية التي تتعرض لخطر أكبر من التأثير التلقائي بواسطة الآلات في المستقبل القريب.

نشرت الدراسة في Science Robotics.

كما طور الفريق طريقة لاقتراح انتقالات مهنية إلى وظائف أقل عرضة للتأثير التلقائي وبجهد إعادة تدريب أقل.

الأستاذ داريو فلورينو هو مدير مختبر الأنظمة الذكية في EPFL والكاتب الرئيسي للدراسة.

“هناك العديد من الدراسات التي تتنبأ بكيفية تأثير الآلات على العديد من الوظائف، لكنها تركز جميعًا على روبوتات البرمجيات، مثل التعرف على الكلام والصورة والمستشارين الماليين الآليين وروبوتات الدردشة، وما إلى ذلك،” يقول الأستاذ فلورينو. “علاوة على ذلك، تتنبأ تلك التنبؤات بشكل كبير اعتمادًا على كيفية تقييم متطلبات الوظيفة وقدرات البرمجيات. هنا، نحن نعتبر ليس فقط برمجيات الذكاء الاصطناعي، ولكن أيضًا روبوتات ذكية للغاية تقوم بأعمال فيزيائية وطورنا طريقة لمقارنة منهجية للقدرات البشرية والروبوتية المستخدمة في مئات الوظائف.”

تطوير الطريقة

كان الفريق قادرًا على رسم خريطة لقدرات الروبوت على متطلبات الوظيفة، والتي كانت الإنجاز الرئيسي للدراسة. لقد نظروا إلى خارطة الطريق المتعددة السنوات الأوروبية H2020 للروبوتات (MAR)، وهي وثيقة استراتيجية من قبل المفوضية الأوروبية يتم مراجعتها بشكل دوري من قبل خبراء الروبوتات. توضح MAR القدرات المطلوبة من الروبوتات الحالية أو التي قد تكون مطلوبة من الروبوتات المستقبلية. يتم تنظيم هذه القدرات في فئات مثل التلاعب والانطباع والتفاعل مع البشر.

قام الفريق بتحليل العديد من الأوراق البحثية والبراءات ووصف المنتجات الروبوتية لتقييم مستوى النضج للقدرات الروبوتية. لجأوا إلى “مستوى جاهزية التكنولوجيا” (TRL)، وهو مقياس لقياس مستوى تطور التكنولوجيا.

عندما جاء الأمر إلى القدرات البشرية، استخدم الباحثون قاعدة بيانات O*net، والتي هي قاعدة بيانات مورد شائعة في سوق العمل الأمريكي. تصنف حول 1000 مهنة مع تفصيل المهارات والمعرفة المطلوبة لكل منها.

أولًا، قام الفريق بمطابقة القدرات البشرية من قائمة O*net مع القدرات الروبوتية من وثيقة MAR، مما مكنهم من حساب كيفية تأثير كل وظيفة موجودة على الروبوت في المستقبل. إذا كان الروبوت جيدًا في الوظيفة، يكون TRL أعلى.

ترتيب الوظائف

بعد إجراء هذه التحليل، كان النتيجة ترتيبًا ل 1000 وظيفة. واحدة من الوظائف الأقل في القائمة كانت “علماء الفيزياء”، بينما كانت “معالجوا اللحوم” واحدة من الأعلى. كانت الوظائف في معالجة الأغذية والبناء والصيانة والبناء تحتوي على أعلى خطر.

الأستاذ رافائيل لاليف قاد الدراسة في جامعة لوزان.

“التحدي الرئيسي للمجتمع اليوم هو كيفية أن يصبح قويًا ضد التأثير التلقائي،” يقول الأستاذ لاليف. “يعمل عملنا على تقديم نصائح مهنية مفصلة للعاملين الذين يواجهون مخاطر عالية من التأثير التلقائي، مما يسمح لهم بتحمل وظائف أكثر أمانًا مع إعادة استخدام العديد من المهارات المكتسبة في الوظيفة القديمة. من خلال هذه النصائح، يمكن للحكومات دعم المجتمع في أن يصبح أكثر متانة ضد التأثير التلقائي.”

طور المؤلفون طريقة لfinding وظيفة بديلة لأي وظيفة معينة مع خطر تأثير تلقائي أقل بكثير. كانت هذه الوظائف قريبة أيضًا من الوظيفة الأصلية عندما يتعلق الأمر بالقدرات والمعرفة المطلوبة، مما يساعد على الحفاظ على جهود إعادة التدريب إلى الحد الأدنى.

يمكن استخدام هذه الطريقة الجديدة بطرق مختلفة. على سبيل المثال، يمكن للحكومات استخدامها لقياس عدد العمال الذين قد يواجهون التأثير التلقائي في المستقبل. سيساعد ذلك في تخصيص مبادرات إعادة التدريب والسياسات وفقًا لذلك. يمكن للشركات استخدامها أيضًا لتحليل التكاليف المرتبطة بالتأثير التلقائي.

تم ترجمة كل هذا العمل إلى خوارزمية يمكنها التنبؤ بخطر التأثير التلقائي لمئات الوظائف مع اقتراح انتقالات مهنية.

يمكنك العثور على الخوارزمية المتاحة للجمهور هنا.