Economisten ontwikkelen methode voor het schatten van banen die geautomatiseerd kunnen worden door robots

Een team van roboticisten van de Ecole Polytechnique Fédérale de Lausanne en economen van de Universiteit van Lausanne hebben een nieuwe methode ontwikkeld om te berekenen welke bestaande banen het meest risico lopen om in de nabije toekomst door machines te worden geautomatiseerd.

De studie werd gepubliceerd in Science Robotics.

Het team ontwikkelde ook een methode om loopbaanovergangen voor te stellen naar banen die minder waarschijnlijk worden geautomatiseerd en met de kleinste omscholingsinspanningen.

Prof. Dario Floreano is directeur van het Laboratory of Intelligent Systems van de EPFL en hoofdauteur van de studie.

“Er zijn verschillende studies die voorspellen hoeveel banen door robots zullen worden geautomatiseerd, maar ze focussen allemaal op software-robots, zoals spraak- en beeldherkenning, financiële robo-adviseurs, chatbots enzovoort,” zegt prof. Floreano. “Bovendien schommelen deze voorspellingen wild heen en weer, afhankelijk van hoe de eisen voor banen en de mogelijkheden van software worden beoordeeld. Hier beschouwen we niet alleen kunstmatige intelligentie-software, maar ook zeer intelligente robots die fysiek werk uitvoeren en we hebben een methode ontwikkeld voor een systematische vergelijking van menselijke en robotische vaardigheden die in honderden banen worden gebruikt.”

De methode ontwikkelen

Het team kon robotmogelijkheden in kaart brengen op baneneisen, wat de belangrijkste doorbraak van de studie was. Ze keken naar de Europese H2020 Robotic Multi-Annual Roadmap (MAR), die een strategiedocument van de Europese Commissie is dat periodiek wordt herzien door deskundigen op het gebied van robotica. De MAR beschrijft welke vaardigheden momenteel van robots worden vereist of in de toekomst mogelijk zullen worden vereist. Deze zijn georganiseerd in categorieën zoals manipulatie, perceptie en interactie met mensen.

Het team analyseerde veel onderzoeksartikelen, octrooien en beschrijvingen van robotproducten om het volwassenheidsniveau van robotvaardigheden te beoordelen. Ze vertrouwden op “technology readiness level” (TRL), dat een schaal is voor het meten van het niveau van technologieontwikkeling.

Wat betreft menselijke vaardigheden, gebruikten de onderzoekers de O*net-database, die een veelgebruikte bron is voor de Amerikaanse arbeidsmarkt. Het classificeert ongeveer 1.000 beroepen en beschrijft de vaardigheden en kennis die nodig zijn voor elk beroep.

Het team matchte eerst selectief de menselijke vaardigheden van de O*net-lijst met de robotvaardigheden van het MAR-document, waardoor ze konden berekenen hoe waarschijnlijk het is dat elke bestaande baan in de toekomst door een robot zal worden uitgevoerd. Als een robot goed is in een baan, is de TRL hoger.

De banen rangschikken

Na deze analyse was het resultaat een rangschikking van 1.000 banen. Een van de laagste op de lijst was “Natuurkundigen”, terwijl “Vleesverwerkers” een van de hoogste was. Banen in de voedselverwerking, bouw en onderhoud en constructie hadden het hoogste risico.

Prof. Rafael Lalive leidde de studie bij de Universiteit van Lausanne.

“De belangrijkste uitdaging voor de samenleving vandaag is hoe ze zich kunnen beschermen tegen automatisering,” zegt prof. Lalive. “Ons werk biedt gedetailleerd loopbaanadvies voor werknemers die een hoog risico lopen om geautomatiseerd te worden, waardoor ze meer veilige banen kunnen krijgen en veel van de vaardigheden die ze op de oude baan hebben verworven, kunnen blijven gebruiken. Door middel van dit advies kunnen overheden de samenleving helpen om zich te beschermen tegen automatisering.”

De auteurs ontwikkelden een methode om voor elke gegeven baan een alternatieve baan te vinden met een aanzienlijk lager automatiseringsrisico. Deze banen waren ook dicht bij de oorspronkelijke baan qua vaardigheden en kennis die nodig waren, waardoor de omscholingsinspanningen tot een minimum werden beperkt.

Deze nieuwe methode kan op veel verschillende manieren worden gebruikt. Overheden kunnen het gebruiken om te meten hoeveel werknemers in de toekomst mogelijk geautomatiseerd kunnen worden. Dit zou helpen om omscholingsinitiatieven en -beleid op maat te maken. Bedrijven kunnen het ook gebruiken om de kosten die samenhangen met automatisering te analyseren.

Al dit werk werd omgezet in een algoritme dat het risico van automatisering voor honderden banen kan voorspellen en ook loopbaanovergangen kan suggereren.

U kunt het openbaar toegankelijke algoritme hier vinden.