Οι Οικονομολόγοι Αναπτύσσουν Μέθοδο για την Εκτίμηση της Αυτοματοποίησης Εργασιών από Ρομπότ

Μια ομάδα ρομποτικιστών από το Ecole Polytechnique Fédérale de Lausanne και οικονομολόγων από το Πανεπιστήμιο της Λωζάννης έχουν αναπτύξει μια νέα μέθοδο για τον υπολογισμό ποίων υφιστάμενων εργασιών είναι πιο ευάλωτες στην αυτοματοποίηση από μηχανές στο近未来.

Η μελέτη δημοσιεύθηκε στο Science Robotics.

Η ομάδα ανέπτυξε επίσης μια μέθοδο για να προτείνει μεταβάσεις σταδιοδρομίας σε εργασίες που είναι λιγότερο πιθανό να αυτοματοποιηθούν και με τις μικρότερες προσπάθειες επαναπαίδευσης.

Ο καθηγητής Dario Floreano είναι Διευθυντής του Εργαστηρίου Ευφυών Συστημάτων του EPFL και首 author της μελέτης.

«Υπάρχουν πολλές μελέτες που προβλέπουν πόσες εργασίες θα αυτοματοποιηθούν από ρομπότ, αλλά όλες επικεντρώνονται σε λογισμικά ρομπότ, όπως αναγνώριση ομιλίας και εικόνας, χρηματοοικονομικοί ρομπο-συμβούλοι, chatbots και così weiter», λέει ο καθηγητής Floreano. «Επιπλέον, αυτές οι προβλέψεις Oscillate άγρια ανάλογα με τον τρόπο που αξιολογούνται οι απαιτήσεις εργασίας και οι ικανότητες του λογισμικού. Εδώ, λαμβάνουμε υπόψη όχι μόνο το λογισμικό τεχνητής νοημοσύνης, αλλά και πολύ ευφυή ρομπότ που εκτελούν φυσική εργασία και ανέπτυξαμε μια μέθοδο για συστηματική σύγκριση ανθρώπινων και ρομποτικών ικανοτήτων που χρησιμοποιούνται σε εκατοντάδες εργασίες.»

Ανάπτυξη της Μεθόδου

Η ομάδα κατάφερε να χαρτογραφήσει τις ικανότητες των ρομπότ στις απαιτήσεις εργασίας, το οποίο ήταν η μεγάλη επέκταση της μελέτης. Έψαξαν το Ευρωπαϊκό H2020 Robotic Multi-Annual Roadmap (MAR), το οποίο είναι ένα έγγραφο στρατηγικής της Ευρωπαϊκής Επιτροπής που αναθεωρείται περιοδικά από εμπειρογνώμονες ρομποτικής. Το MAR περιγράφει ποιες ικανότητες απαιτούνται από τα τρέχοντα ρομπότ ή μπορεί να απαιτηθούν από μελλοντικά. Αυτές οργανώνονται σε κατηγορίες όπως χειρισμός, αντίληψη και αλληλεπίδραση με ανθρώπους.

Η ομάδα ανέλυσε πολλά ερευνητικά έγγραφα, διπλώματα ευρεσιτεχνίας και περιγραφές προϊόντων ρομπότ για να αξιολογήσει το επίπεδο ωριμότητας των ρομποτικών ικανοτήτων. Βασίστηκαν στο «technology readiness level» (TRL), το οποίο είναι μια κλίμακα για τον μέτρηση του επιπέδου ανάπτυξης της τεχνολογίας.

Όταν ήρθε η σειρά των ανθρώπινων ικανοτήτων, οι ερευνητές χρησιμοποίησαν τη βάση δεδομένων O*net, η οποία είναι μια ευρέως χρησιμοποιούμενη βάση δεδομένων για την αγορά εργασίας των ΗΠΑ. Ταξινομεί περίπου 1.000 επαγγέλματα ενώ περιγράφει τις δεξιότητες και τις γνώσεις που απαιτούνται για κάθε ένα.

Η ομάδα πρώτα συσχετίζοντας τις ανθρώπινες ικανότητες από τη λίστα O*net με τις ρομποτικές ικανότητες από το έγγραφο MAR, το οποίο τους επέτρεψε να υπολογίσουν πόσο πιθανό είναι κάθε υφιστάμενη εργασία να εκτελεστεί από ένα ρομπότ στο μέλλον. Αν ένα ρομπότ είναι καλό σε μια εργασία, το TRL είναι υψηλότερο.

Κατάταξη των Εργασιών

Μετά από αυτήν την ανάλυση, το αποτέλεσμα ήταν μια κατάταξη 1.000 εργασιών. Μια από τις χαμηλότερες στη λίστα ήταν «Φυσικοί», ενώ «Εργάτες Κρεοπωλείου» ήταν μια από τις υψηλότερες. Οι εργασίες στη επεξεργασία τροφίμων, κατασκευής και συντήρησης και κατασκευής είχαν το υψηλότερο κίνδυνο.

Ο καθηγητής Rafael Lalive συνδιηύθυνε τη μελέτη στο Πανεπιστήμιο της Λωζάννης.

«Η κεντρική πρόκληση για την κοινωνία σήμερα είναι πώς να γίνει ανθεκτική στην αυτοματοποίηση», λέει ο καθηγητής Lalive. «Η δουλειά μας παρέχει λεπτομερείς συμβουλές σταδιοδρομίας για τους εργαζόμενους που αντιμετωπίζουν υψηλούς κινδύνους αυτοματοποίησης, οι οποίες τους επιτρέπουν να αναλάβουν πιο ασφαλείς εργασίες ενώ επαναχρησιμοποιούν πολλές από τις δεξιότητες που αποκτήθηκαν στην παλιά εργασία. Μέσω αυτών των συμβουλών, οι κυβερνήσεις μπορούν να υποστηρίξουν την κοινωνία να γίνει πιο ανθεκτική στην αυτοματοποίηση.»

Οι συγγραφείς δημιούργησαν μια μέθοδο για να βρουν για jede δεδομένη εργασία μια εναλλακτική εργασία με σημαντικά χαμηλότερο κίνδυνο αυτοματοποίησης. Αυτές οι εργασίες ήταν επίσης κοντά στην αρχική όταν πρόκειται για ικανότητες και γνώσεις που απαιτούνται, το οποίο βοηθά να διατηρηθούν οι προσπάθειες επαναπαίδευσης στο ελάχιστο.

Αυτή η νέα μέθοδος μπορεί να χρησιμοποιηθεί με πολλούς διαφορετικούς τρόπους. Για παράδειγμα, οι κυβερνήσεις μπορούν να τη χρησιμοποιήσουν για να μετρήσουν πόσοι εργαζόμενοι μπορεί να αντιμετωπίσουν αυτοματοποίηση στο μέλλον. Αυτό θα βοηθήσει να προσαρμοστούν οι πρωτοβουλίες επαναπαίδευσης και οι πολιτικές ανάλογα. Οι εταιρείες μπορούν επίσης να τη χρησιμοποιήσουν για να αναλύσουν το κόστος της αυτοματοποίησης.

Όλη αυτή η δουλειά μεταφράστηκε σε einen αλγόριθμο που μπορεί να προβλέψει τον κίνδυνο αυτοματοποίησης για εκατοντάδες εργασίες ενώ προτείνει επίσης σταδιοδρομικές μεταβάσεις.

Μπορείτε να βρείτε τον δημόσια προσιτό αλγόριθμο εδώ.