Økonomer udvikler metode til at estimerer jobautomatisering med robotter

Et hold robotikere fra Ecole Polytechnique Fédérale de Lausanne og økonomer fra University of Lausanne har udviklet en ny metode til at beregne, hvilke eksisterende job, der er mere udsat for at blive automatiseret af maskiner i nær fremtid.

Studiet blev offentliggjort i Science Robotics.

Holdet udviklede også en metode til at foreslå karriereovergange til job, der er mindre sandsynlige for at blive automatiseret og med de mindste genoptræningsindsats.

Prof. Dario Floreano er direktør for EPFL’s Laboratory of Intelligent Systems og hovedforfatter af studiet.

“Der er flere studier, der forudsiger, hvor mange job, der vil blive automatiseret af robotter, men de fokuserer alle på software-robotter, såsom tale- og billedgenkendelse, finansielle robo-rådgivere, chatbots og så videre,” siger Prof. Floreano. “Desuden svinger disse forudsigelser vildt afhængigt af, hvordan jobkrav og softwarefærdigheder vurderes. Her tager vi ikke kun kunstig intelligens-software i betragtning, men også meget intelligente robotter, der udfører fysisk arbejde, og vi har udviklet en metode til en systematisk sammenligning af menneskelige og robotiske færdigheder, der bruges i hundredvis af job.”

Udvikling af metoden

Holdet kunne kortlægge robotfærdigheder på jobkrav, hvilket var den største gennembrud i studiet. De kiggede på den europæiske H2020 Robotic Multi-Annual Roadmap (MAR), som er en strategidokument fra den europæiske kommission, der jævnligt revideres af robotik-eksperter. MAR-dokumentet detaljerer, hvilke færdigheder, der kræves af nuværende robotter eller måske kræves af fremtidige robotter. Disse er organiseret i kategorier som manipulation, perception og interaktion med mennesker.

Holdet analyserede mange forskningsartikler, patenter og beskrivelser af robotprodukter for at vurderer modenhedsniveauet for robotfærdigheder. De afhængte af “technology readiness level” (TRL), som er en skala for at måle teknologiudviklingsniveauet.

Når det kom til menneskelige færdigheder, brugte forskerne O*net-databasen, som er en bredt anvendt resourcedatabase på det amerikanske jobmarked. Den klassificerer omkring 1.000 beskæftigelser, mens den detaljerer færdighederne og viden, der kræves for hver.

Holdet matchede først selektivt menneskelige færdigheder fra O*net-listen til robotfærdigheder fra MAR-dokumentet, hvilket enablede dem til at beregne, hvor sandsynligt det er, at hver eksisterende job vil blive udført af en robot i fremtiden. Hvis en robot er god til et job, er TRL højere.

Jobrangordning

Efter at have udført denne analyse var resultatet en rangordning af 1.000 job. En af de laveste på listen var “Fysikere”, mens “Kødpakkerere” var en af de højeste. Job i fødevarebearbejdning, bygning og vedligeholdelse samt bygge- og anlægsarbejde havde den højeste risiko.

Prof. Rafael Lalive co-ledede studiet på University of Lausanne.

“Den største udfordring for samfundet i dag er, hvordan man kan blive robust over for automatisering,” siger Prof. Lalive. “Vores arbejde giver detaljeret karriere-råd til arbejdere, der står over for høj risiko for automatisering, hvilket giver dem mulighed for at påtage sig mere sikre job, mens de genbruger mange af de færdigheder, der er erhvervet på det gamle job. Gennem dette råd kan regeringer støtte samfundet i at blive mere robust over for automatisering.”

Forfatterne skabte en metode til at finde en given job en alternativ job med en betydeligt lavere automatiseringsrisiko. Disse job var også tæt på den oprindelige, når det kom til færdigheder og viden, der kræves, hvilket hjælper med at holde genoptræningsindsatsen til et minimum.

Denne nye metode kan bruges på mange forskellige måder. For det første kan regeringer bruge den til at måle, hvor mange arbejdere, der kan stå over for automatisering i fremtiden. Dette vil hjælpe med at tilpasse genoptræningsinitiativer og -politikker herefter. Virksomheder kan også bruge den til at analysere omkostningerne forbundet med automatisering.

Alt dette arbejde blev oversat til en algoritme, der kan forudsige automatiseringsrisikoen for hundredvis af job, samt foreslå karriereovergange.

Du kan finde den offentligt tilgængelige algoritme her.