경제학자들은 로봇에 의한 작업 자동화를 추정하는 방법을 개발합니다.

Ecole Polytechnique Fédérale de Lausanne의 로봇 공학자 팀과 University of Lausanne의 경제학자는 가까운 미래에 기계에 의해 자동화될 위험이 더 높은 기존 작업을 계산하는 새로운 방법을 개발했습니다. 

이 연구는 년에 출판되었다 과학 로봇. 

팀은 또한 자동화 가능성이 낮고 최소한의 재교육 노력으로 직업 전환을 제안하는 방법을 개발했습니다.

Dario Floreano 교수는 EPFL의 지능형 시스템 연구소 소장이자 연구의 주 저자입니다.

플로레아노 교수는 "로봇이 얼마나 많은 작업을 자동화할지 예측하는 여러 연구가 있지만 모두 음성 및 이미지 인식, 금융 로보 어드바이저, 챗봇 등과 같은 소프트웨어 로봇에 초점을 맞추고 있다"고 말했다. “또한 이러한 예측은 작업 요구 사항과 소프트웨어 능력을 평가하는 방법에 따라 크게 변동합니다. 여기서 우리는 인공 지능 소프트웨어뿐만 아니라 물리적 작업을 수행하는 매우 지능적인 로봇을 고려하고 수백 가지 작업에서 사용되는 인간과 로봇의 능력을 체계적으로 비교하는 방법을 개발했습니다.” 

방법 개발

팀은 작업 요구 사항에 대한 로봇 기능을 매핑할 수 있었으며 이는 연구의 주요 혁신이었습니다. 그들은 로봇 공학 전문가들이 정기적으로 개정하는 유럽 위원회의 전략 문서인 유럽 H2020 로봇 다년간 로드맵(MAR)을 살펴보았습니다. MAR은 현재 로봇에 어떤 능력이 필요하거나 미래 로봇에 필요할 수 있는지 자세히 설명합니다. 이들은 조작, 인식 및 인간과의 상호 작용과 같은 범주로 구성됩니다. 

팀은 로봇 능력의 성숙도를 평가하기 위해 많은 연구 논문, 특허 및 로봇 제품 설명을 분석했습니다. 그들은 기술 개발 수준을 측정하는 척도인 "기술 준비 수준"(TRL)에 의존했습니다. 

인간의 능력에 관해서는 미국 취업 시장에서 널리 사용되는 리소스 데이터베이스인 O*net 데이터베이스를 사용했습니다. 약 1,000개의 직업을 분류하고 각 직업에 필요한 기술과 지식을 자세히 설명합니다. 

팀은 먼저 O*net 목록의 인간 능력을 MAR 문서의 로봇 능력과 선택적으로 일치시켜 미래에 로봇이 기존의 각 작업을 수행할 가능성을 계산할 수 있게 했습니다. 로봇이 일을 잘하면 TRL이 더 높습니다. 

작업 순위 

이 분석을 수행한 결과는 1,000개의 직업 순위였습니다. 목록에서 가장 낮은 순위 중 하나는 "물리학자"였으며 "고기 포장업자"는 가장 높은 순위 중 하나였습니다. 식품 가공, 건축 및 유지 보수, 건설 분야의 직업이 가장 위험했습니다.

Rafael Lalive 교수는 University of Lausanne에서 연구를 공동 주도했습니다.

"오늘날 사회의 핵심 과제는 자동화에 대한 탄력성을 갖추는 것입니다."라고 Lalive 교수는 말합니다. “우리 업무는 자동화의 높은 위험에 직면한 근로자에게 상세한 진로 조언을 제공합니다. 이를 통해 이전 직업에서 습득한 많은 기술을 재사용하면서 보다 안전한 직업을 가질 수 있습니다. 이 조언을 통해 정부는 사회가 자동화에 대해 보다 탄력적이 되도록 지원할 수 있습니다.”

저자는 자동화 위험이 상당히 낮은 대체 작업을 주어진 작업을 찾는 방법을 만들었습니다. 이러한 작업은 필요한 능력과 지식에 있어서도 원래 작업에 가깝기 때문에 재교육 노력을 최소화하는 데 도움이 됩니다. 

이 새로운 방법은 다양한 방식으로 사용될 수 있습니다. 우선, 정부는 이를 사용하여 미래에 얼마나 많은 근로자가 자동화에 직면할 수 있는지 측정할 수 있습니다. 이는 재교육 이니셔티브와 정책을 적절하게 조정하는 데 도움이 될 것입니다. 기업은 또한 자동화와 관련된 비용을 분석하는 데 사용할 수 있습니다. 

이 모든 작업은 직업 전환을 제안하는 동시에 수백 가지 직업에 대한 자동화의 위험을 예측할 수 있는 알고리즘으로 변환되었습니다. 

공개적으로 액세스 가능한 알고리즘을 찾을 수 있습니다. 여기에서 지금 확인해 보세요..