Økonomer utvikler metode for estimering av jobbautomatisering av roboter

Et team av robotikere fra Ecole Polytechnique Fédérale de Lausanne og økonomer fra Universitetet i Lausanne har utviklet en ny metode for å beregne hvilke eksisterende jobber som er mer utsatt for å bli automatisert bort av maskiner i nær fremtid. 

Studien ble publisert i Science Robotics. 

Teamet utviklet også en metode for å foreslå karriereoverganger til jobber med mindre sannsynlighet for å bli automatisert og med den minste omskoleringsinnsatsen.

Prof. Dario Floreano er direktør for EPFLs laboratorium for intelligente systemer og hovedforfatter av studien.

"Det er flere studier som forutsier hvor mange jobber som vil bli automatisert av roboter, men de fokuserer alle på programvareroboter, som tale- og bildegjenkjenning, finansielle robotrådgivere, chatboter og så videre," sier prof. Floreano. "Dessuten svinger disse spådommene vilt avhengig av hvordan jobbkrav og programvareevner vurderes. Her vurderer vi ikke bare programvare for kunstig intelligens, men også svært intelligente roboter som utfører fysisk arbeid, og vi utviklet en metode for systematisk sammenligning av menneskelige og robotiske evner brukt i hundrevis av jobber.» 

Utvikle metoden

Teamet var i stand til å kartlegge robotkapasiteter på jobbkrav, som var studiens store gjennombrudd. De så på European H2020 Robotic Multi-Annual Roadmap (MAR), som er et strategidokument fra EU-kommisjonen som med jevne mellomrom revideres av robotikkeksperter. MAR viser hvilke evner som kreves av nåværende roboter eller som kan kreves av fremtidige. Disse er organisert i kategorier som manipulasjon, persepsjon og interaksjon med mennesker. 

Teamet analyserte mange forskningsartikler, patenter og beskrivelser av robotprodukter for å vurdere modenhetsnivået til robotiske evner. De stolte på «technology readiness level» (TRL), som er en skala for å måle nivået på teknologiutvikling. 

Når det kom til menneskelige evner, brukte forskerne O*net-databasen, som er en mye brukt ressursdatabase på det amerikanske arbeidsmarkedet. Den klassifiserer rundt 1,000 yrker samtidig som den beskriver ferdighetene og kunnskapene som trengs for hver. 

Teamet matchet først selektivt de menneskelige evnene fra O*net-listen til robotiske evner fra MAR-dokumentet, som gjorde dem i stand til å beregne hvor sannsynlig hver eksisterende jobb vil bli utført av en robot i fremtiden. Hvis en robot er god i en jobb, er TRL høyere. 

Rangering av jobbene 

Etter å ha gjennomført denne analysen ble resultatet en rangering på 1,000 jobber. En av de laveste på listen var "Physicists", mens "Meat Packers" var en av de høyeste. Jobber innen matforedling, bygg og vedlikehold og konstruksjon hadde høyest risiko.

Prof. Rafael Lalive ledet studien ved Universitetet i Lausanne.

"Nøkkelutfordringen for samfunnet i dag er hvordan man kan bli motstandsdyktig mot automatisering," sier prof. Lalive. «Vårt arbeid gir detaljerte karriereråd for arbeidere som står overfor høy risiko for automatisering, noe som gjør at de kan ta på seg sikrere jobber samtidig som de gjenbruker mange av ferdighetene som er tilegnet i den gamle jobben. Gjennom dette rådet kan myndigheter støtte samfunnet i å bli mer motstandsdyktig mot automatisering.»

Forfatterne laget en metode for å finne en gitt jobb en alternativ jobb med betydelig lavere automatiseringsrisiko. Disse jobbene var også nær den opprinnelige når det kom til nødvendige ferdigheter og kunnskaper, noe som bidrar til å holde omskoleringsinnsatsen på et minimum. 

Denne nye metoden kan brukes på mange forskjellige måter. For det første kan myndigheter bruke det til å måle hvor mange arbeidere som kan møte automatisering i fremtiden. Dette vil bidra til å skreddersy omskoleringsinitiativer og retningslinjer deretter. Bedrifter kan også bruke det til å analysere kostnadene forbundet med automatisering. 

Alt dette arbeidet ble oversatt til en algoritme som kan forutsi risikoen for automatisering for hundrevis av jobber, samtidig som det foreslår karriereoverganger. 

Du kan finne den offentlig tilgjengelige algoritmen her..