Economists များသည် စက်ရုပ်များဖြင့် အလုပ်အကိုင် အလိုအလျောက် ခန့်မှန်းခြင်းအတွက် နည်းလမ်းကို တီထွင်ကြသည်။

Ecole Polytechnique Fédérale de Lausanne မှ စက်ရုပ်ပညာရှင်အဖွဲ့တစ်ဖွဲ့နှင့် University of Lausanne မှ ဘောဂဗေဒပညာရှင်များသည် မဝေးတော့သောအနာဂတ်တွင် စက်များမှ အလိုအလျောက် ထွက်သွားနိုင်သည့် အန္တရာယ်ပိုများကြောင်း တွက်ချက်ရန် နည်းလမ်းသစ်တစ်ခုကို တီထွင်ခဲ့ကြသည်။ 

အဆိုပါလေ့လာမှုမှာထုတ်ဝေခဲ့ပါတယ် သိပ္ပံစက်ရုပ်. 

အဖွဲ့သည် အလိုအလျောက်ဖြစ်နိုင်ခြေနည်းသော အလုပ်များသို့ အသက်မွေးဝမ်းကြောင်းအကူးအပြောင်းများကို အကြံပြုရန်နှင့် အသေးငယ်ဆုံး ပြန်လည်လေ့ကျင့်ရန် အားထုတ်မှုများဖြင့်လည်း အကြံပြုရန် နည်းလမ်းကို တီထွင်ခဲ့သည်။

ပါမောက္ခ Dario Floreano သည် EPFL's Laboratory of Intelligent Systems ၏ ဒါရိုက်တာဖြစ်ပြီး လေ့လာမှု၏ ဦးဆောင်ရေးသားသူဖြစ်သည်။

"စက်ရုပ်များက အလုပ်မည်မျှအလိုအလျောက်လုပ်ဆောင်မည်ကို ခန့်မှန်းသည့်လေ့လာမှုများစွာရှိသော်လည်း ၎င်းတို့အားလုံးသည် စကားပြောနှင့်ရုပ်ပုံအသိအမှတ်ပြုမှု၊ ဘဏ္ဍာရေး robo-အကြံပေးသူများ၊ chatbots စသည်တို့ကဲ့သို့ ဆော့ဖ်ဝဲလ်စက်ရုပ်များကိုသာ အာရုံစိုက်ကြသည်" ဟု ပါမောက္ခ Floreano က ပြောကြားခဲ့သည်။ “ထို့ပြင်၊ အလုပ်လိုအပ်ချက်များနှင့် ဆော့ဖ်ဝဲလ်စွမ်းရည်များကို အကဲဖြတ်ပုံပေါ်မူတည်၍ အဆိုပါ ခန့်မှန်းချက်များသည် တုန်လှုပ်ချောက်ချားသွားပါသည်။ ဤတွင်၊ ကျွန်ုပ်တို့သည် ဉာဏ်ရည်တုဆော့ဖ်ဝဲလ်သာမက ရုပ်ပိုင်းဆိုင်ရာအလုပ်များကို လုပ်ဆောင်သည့် အလွန်ဉာဏ်ရည်ဉာဏ်သွေးရှိသော စက်ရုပ်များကိုပါ ထည့်သွင်းစဉ်းစားကာ အလုပ်ရာပေါင်းများစွာတွင် အသုံးပြုသည့် လူသားနှင့် စက်ရုပ်စွမ်းရည်များကို စနစ်တကျ နှိုင်းယှဉ်ရန်အတွက် နည်းလမ်းတစ်ခုကို တီထွင်ခဲ့သည်။ 

နည်းလမ်းကို ဖော်ဆောင်ခြင်း။

အဖွဲ့သည် လေ့လာမှု၏ အဓိက အောင်မြင်မှုဖြစ်သည့် အလုပ်လိုအပ်ချက်များနှင့် စက်ရုပ်စွမ်းရည်များကို မြေပုံရေးဆွဲနိုင်ခဲ့သည်။ စက်ရုပ်ပညာရှင်များမှ အခါအားလျော်စွာ ပြန်လည်ပြင်ဆင်ထားသည့် ဥရောပကော်မရှင်၏ မဟာဗျူဟာစာရွက်စာတမ်းဖြစ်သည့် European H2020 Robotic Multi-Annual Roadmap (MAR) ကို ကြည့်ရှုခဲ့ကြသည်။ MAR သည် လက်ရှိ စက်ရုပ်များမှ လိုအပ်သည့် စွမ်းရည်များ သို့မဟုတ် နောင်လာမည့်သူများ လိုအပ်နိုင်သည်များကို အသေးစိတ်ဖော်ပြထားသည်။ ၎င်းတို့ကို ခြယ်လှယ်မှု၊ ခံယူချက်နှင့် လူသားများနှင့် ဆက်ဆံမှုကဲ့သို့သော အမျိုးအစားများအဖြစ် စုစည်းထားသည်။ 

အဖွဲ့သည် စက်ရုပ်စွမ်းရည်များ၏ ရင့်ကျက်မှုအဆင့်ကို အကဲဖြတ်ရန်အတွက် သုတေသနစာတမ်းများ၊ မူပိုင်ခွင့်များနှင့် စက်ရုပ်ထုတ်ကုန်များ၏ ဖော်ပြချက်များစွာကို ခွဲခြမ်းစိတ်ဖြာခဲ့သည်။ ၎င်းတို့သည် နည်းပညာဖွံ့ဖြိုးတိုးတက်မှုအဆင့်ကို တိုင်းတာရန်အတွက် စကေးတစ်ခုဖြစ်သည့် "နည်းပညာအဆင်သင့်ဖြစ်နိုင်မှုအဆင့်" (TRL) ကို မှီခိုအားထားကြသည်။ 

လူ့စွမ်းရည်နှင့်ပတ်သက်လာသောအခါ သုတေသီများသည် US အလုပ်အကိုင်ဈေးကွက်တွင် တွင်ကျယ်စွာအသုံးပြုနေသည့် အရင်းအမြစ်ဒေတာဘေ့စ်ဖြစ်သည့် O*net ဒေတာဘေ့စ်ကို အသုံးပြုခဲ့သည်။ ၎င်းသည် တစ်ခုစီအတွက် လိုအပ်သော ကျွမ်းကျင်မှုနှင့် အသိပညာများကို အသေးစိတ်ဖော်ပြနေချိန်တွင် အလုပ်အကိုင်ပေါင်း 1,000 ခန့်ကို အမျိုးအစားခွဲခြားထားသည်။ 

အဖွဲ့သည် O*net စာရင်းမှ လူသားစွမ်းရည်များကို MAR စာရွက်စာတမ်းမှ စက်ရုပ်စွမ်းရည်များအထိ ပထမဆုံးရွေးချယ်ခဲ့ပြီး ၎င်းတို့ကို အနာဂတ်တွင် စက်ရုပ်တစ်ရုပ်မှ လုပ်ဆောင်ရမည့် အလုပ်တစ်ခုစီကို မည်မျှလုပ်ဆောင်နိုင်ဖွယ်ရှိသည်ကို တွက်ချက်နိုင်စေခဲ့သည်။ စက်ရုပ်သည် အလုပ်တစ်ခုတွင် ကောင်းမွန်ပါက TRL သည် ပိုမြင့်သည်။ 

အလုပ်အကိုင်များကို အဆင့်သတ်မှတ်ခြင်း။ 

ဤခွဲခြမ်းစိတ်ဖြာမှုကို လုပ်ဆောင်ပြီးနောက် ရလဒ်သည် အလုပ်အကိုင် 1,000 ၏ အဆင့်ဖြစ်သည်။ စာရင်းတွင် အနိမ့်ဆုံးတစ်ခုမှာ “ရူပဗေဒပညာရှင်များ” ဖြစ်ပြီး “အသားထုပ်ပိုးခြင်း” သည် အမြင့်ဆုံးများထဲမှ တစ်ခုဖြစ်သည်။ အစားအသောက် ပြုပြင်ခြင်း၊ ဆောက်လုပ်ခြင်းနှင့် ပြုပြင်ထိန်းသိမ်းခြင်း နှင့် ဆောက်လုပ်ရေး လုပ်ငန်းများတွင် စွန့်စားရမှု အများဆုံးဖြစ်သည်။

ပါမောက္ခ Rafael Lalive သည် Lausanne တက္ကသိုလ်တွင် လေ့လာမှုအား ပူးတွဲဦးဆောင်ခဲ့သည်။

“ယနေ့လူ့အဖွဲ့အစည်းအတွက် အဓိကစိန်ခေါ်မှုမှာ အလိုအလျောက်စနစ်ဆန့်ကျင်မှုကို မည်သို့ခံနိုင်ရည်ရှိရန်ဖြစ်သည်” ဟု ပါမောက္ခ Lalive ကဆိုသည်။ “ကျွန်ုပ်တို့၏အလုပ်သည် အလုပ်ဟောင်းမှရရှိသော ကျွမ်းကျင်မှုများစွာကို ပြန်လည်အသုံးပြုနေစဉ်တွင် ပိုမိုလုံခြုံသောအလုပ်များကို လက်ခံနိုင်စေသည့် မြင့်မားသောအလိုအလျောက်စနစ်၏အန္တရာယ်များနှင့်ရင်ဆိုင်နေရသောအလုပ်သမားများအတွက် အသေးစိတ်အသက်မွေးဝမ်းကြောင်းအကြံဉာဏ်ကို ပေးပါသည်။ ဒီအကြံပြုချက်ကနေတစ်ဆင့် အစိုးရတွေဟာ လူ့အဖွဲ့အစည်းကို အလိုအလျောက်စနစ်နဲ့ ဆန့်ကျင်ဘက် ပိုမိုခံနိုင်ရည်ရှိလာအောင် ပံ့ပိုးပေးနိုင်ပါတယ်။”

စာရေးသူများသည် အလိုအလျောက်လုပ်ဆောင်နိုင်ခြေ သိသိသာသာနည်းပါးသော အခြားရွေးချယ်စရာအလုပ်တစ်ခုကို ရှာဖွေရန် နည်းလမ်းတစ်ခုကို ဖန်တီးခဲ့သည်။ လိုအပ်သော အရည်အချင်းများနှင့် အသိပညာများရလာသောအခါတွင် ဤအလုပ်များသည် မူလအလုပ်နှင့် နီးစပ်ခဲ့ပြီး၊ ၎င်းသည် အနိမ့်ဆုံးအထိ ပြန်လည်လေ့ကျင့်ရန် ကူညီပေးသည်။ 

ဤနည်းလမ်းသစ်ကို ပုံစံအမျိုးမျိုးဖြင့် အသုံးပြုနိုင်သည်။ တစ်ခုအတွက်၊ အစိုးရများသည် အနာဂတ်တွင် automation လုပ်သားမည်မျှ ရင်ဆိုင်ရမည်ကို တိုင်းတာရန် ၎င်းကို အသုံးပြုနိုင်သည်။ ၎င်းသည် ပြန်လည်လေ့ကျင့်ခြင်းအစပျိုးခြင်းများနှင့် မူဝါဒများကို လျော်ညီစွာ ပြုပြင်ပြောင်းလဲရန် ကူညီပေးပါမည်။ ကုမ္ပဏီများသည် automation နှင့်ဆက်စပ်သောကုန်ကျစရိတ်များကိုခွဲခြမ်းစိတ်ဖြာရန်၎င်းကိုအသုံးပြုနိုင်သည်။ 

ဤအလုပ်အားလုံးကို အသက်မွေးဝမ်းကြောင်းအကူးအပြောင်းများကို အကြံပြုပေးကာ အလုပ်ရာပေါင်းများစွာအတွက် အလိုအလျောက်စနစ်၏အန္တရာယ်ကို ခန့်မှန်းနိုင်သော အယ်လဂိုရီသမ်တစ်ခုအဖြစ် ဘာသာပြန်ထားပါသည်။ 

အများသူငှာ အသုံးပြုနိုင်သော အယ်လဂိုရီသမ်ကို သင်တွေ့နိုင်သည်။ ဒီမှာ.