Ekonomer utvecklar metod för att uppskatta jobbautomatisering med robotar

Ett team av robotikforskare från Ecole Polytechnique Fédérale de Lausanne och ekonomer från University of Lausanne har utvecklat en ny metod för att beräkna vilka befintliga jobb som löper störst risk att automatiseras bort av maskiner i närtid.

Studien publicerades i Science Robotics.

Teamet utvecklade också en metod för att föreslå karriärövergångar till jobb som är mindre benägna att automatiseras och som kräver minimal omskolning.

Prof. Dario Floreano är chef för EPFL:s Laboratorium för intelligenta system och huvudförfattare till studien.

“Det finns flera studier som förutspår hur många jobb som kommer att automatiseras av robotar, men de fokuserar alla på mjukvarurobotar, såsom tal- och bildigenkänning, finansiella robo-rådgivare, chattbotar och så vidare”, säger prof. Floreano. “Dessutom varierar dessa förutsägelser kraftigt beroende på hur jobbkrav och mjukvaruförmågor bedöms. Här överväger vi inte bara artificiell intelligens-mjukvara, utan också mycket intelligenta robotar som utför fysiskt arbete och vi har utvecklat en metod för en systematisk jämförelse av mänskliga och robotiska förmågor som används i hundratals jobb.”

Att utveckla metoden

Teamet kunde kartlägga robotförmågor på jobbkrav, vilket var den stora genombrottet i studien. De tittade på den europeiska H2020-robotiska multiårsplanen (MAR), som är ett strategidokument från Europeiska kommissionen som regelbundet revideras av robotexperter. MAR detaljerar vilka förmågor som krävs från nuvarande robotar eller som kan krävas av framtida robotar. Dessa är organiserade i kategorier som manipulation, perception och interaktion med människor.

Teamet analyserade många forskningsartiklar, patent och beskrivningar av robotprodukter för att bedöma mognadsnivån för robotförmågor. De förlitade sig på “teknisk färdighetsnivå” (TRL), som är en skala för att mäta teknikutvecklingsnivån.

När det gällde mänskliga förmågor använde forskarna O*net-databasen, som är en omfattande resursdatabas om den amerikanska arbetsmarknaden. Den klassificerar cirka 1 000 yrken medan den detaljerar färdigheter och kunskaper som behövs för varje.

Teamet matchade först selektivt mänskliga förmågor från O*net-listan till robotförmågor från MAR-dokumentet, vilket möjliggjorde för dem att beräkna hur sannolikt varje befintligt jobb är att utföras av en robot i framtiden. Om en robot är bra på ett jobb är TRL högre.

Att ranka jobben

Efter att ha genomfört denna analys var resultatet en rankning av 1 000 jobb. En av de lägsta på listan var “Fysiker”, medan “Köttförpackare” var en av de högsta. Jobb inom livsmedelsbearbetning, byggnads- och underhållsarbete och byggnadsarbete hade den högsta risken.

Prof. Rafael Lalive ledde studien vid University of Lausanne.

“Den viktigaste utmaningen för samhället idag är hur man kan bli motståndskraftig mot automatisering”, säger prof. Lalive. “Vårt arbete ger detaljerad karriärrådgivning för arbetare som står inför hög risk för automatisering, vilket möjliggör för dem att ta på sig mer säkra jobb medan de återanvänder många av de färdigheter som förvärvats på det gamla jobbet. Genom denna rådgivning kan regeringar stödja samhället i att bli mer motståndskraftigt mot automatisering.”

Författarna skapade en metod för att hitta ett visst jobb ett alternativt jobb med betydligt lägre automatiseringsrisk. Dessa jobb var också nära det ursprungliga jobbet när det gäller förmågor och kunskaper som krävs, vilket hjälper till att hålla omskolningsinsatserna till ett minimum.

Denna nya metod kan användas på många olika sätt. Till exempel kan regeringar använda den för att mäta hur många arbetare som kan stå inför automatisering i framtiden. Detta skulle hjälpa till att anpassa omskolningsinitiativ och policys enligt behov. Företag kan också använda den för att analysera kostnaderna förknippade med automatisering.

Allt detta arbete översattes till en algoritm som kan förutsäga automatiseringsrisken för hundratals jobb samtidigt som den föreslår karriärövergångar.

Du kan hitta den offentligt tillgängliga algoritmen här.