Sådan konkurrerer du med robotter

Når det kommer til fremtiden for intelligente robotter, er det første spørgsmål, folk ofte stiller:Hvor mange job vil de få til at forsvinde? Uanset svaret, vil det andet spørgsmål sandsynligvis være:Hvordan kan jeg sikre mig, at mit job ikke er blandt dem?

I en undersøgelse netop offentliggjort i Science Robotics , tilbyder et team af robotikere fra EPFL og økonomer fra University of Lausanne svar på begge spørgsmål. Ved at kombinere den videnskabelige og tekniske litteratur om robotevner med beskæftigelses- og lønstatistikker har de udviklet en metode til at beregne, hvilke af de nuværende eksisterende jobs, der er mere udsatte for at blive udført af maskiner i den nærmeste fremtid. Derudover har de udtænkt en metode til at foreslå karriereovergange til job, der er mindre udsatte og kræver mindste omskolingsindsats.

"Der er flere undersøgelser, der forudsiger, hvor mange job der vil blive automatiseret af robotter, men de fokuserer alle på softwarerobotter, såsom tale- og billedgenkendelse, finansielle robotrådgivere, chatbots og så videre. Desuden svinger disse forudsigelser vildt afhængigt af, hvordan jobkrav og softwareevner vurderes. Her tænker vi ikke kun på kunstig intelligens-software, men også rigtige intelligente robotter, der udfører fysisk arbejde, og vi udviklede en metode til en systematisk sammenligning af menneskelige og robotiske evner brugt i hundredvis af jobs," siger prof. Dario Floreano, direktør for EPFL's Laboratory of Intelligent System, som ledede undersøgelsen på EPFL.

Den vigtigste innovation i undersøgelsen er en ny kortlægning af robotkapaciteter på jobkrav. Holdet undersøgte European H2020 Robotic Multi-Annual Roadmap (MAR), et strategidokument fra Europa-Kommissionen, som med jævne mellemrum revideres af roboteksperter. MAR beskriver snesevis af evner, der kræves af den nuværende robot eller kan kræves af fremtidige, spænder, organiseret i kategorier som manipulation, perception, sansning, interaktion med mennesker. Forskerne gennemgik forskningsartikler, patenter og beskrivelser af robotprodukter for at vurdere modenhedsniveauet af robotiske evner ved at bruge en velkendt skala til måling af niveauet for teknologiudvikling, "teknologisk parathedsniveau" (TRL).

For menneskelige evner stolede de på O*net-databasen, en udbredt ressourcedatabase på det amerikanske arbejdsmarked, der klassificerer cirka 1.000 erhverv og nedbryder de færdigheder og viden, der er mest afgørende for hver af dem

Efter selektivt at matche de menneskelige evner fra O*net-listen til robotegenskaber fra MAR-dokumentet, kunne holdet beregne, hvor sandsynligt, at hver eksisterende jobbesættelse udføres af en robot. Sig for eksempel, at et job kræver, at et menneske arbejder på millimeter-niveau præcision af bevægelser. Det er robotter meget gode til, og TRL for den tilsvarende evne er dermed den højeste. Hvis et job kræver nok sådanne færdigheder, vil det være mere sandsynligt, at det bliver automatiseret end et job, der kræver evner såsom kritisk tænkning eller kreativitet.

Resultatet er en rangering af de 1.000 job, hvor "fysikere" er dem, der har den laveste risiko for at blive erstattet af en maskine, og "slagtere og kødpakkerier", der står over for den højeste risiko. Generelt synes job inden for fødevareforarbejdning, bygning og vedligeholdelse, konstruktion og udvinding at have den højeste risiko.

"Nøgleudfordringen for samfundet i dag er, hvordan man bliver modstandsdygtig over for automatisering," siger Prof. Rafael Lalive. som var med til at lede undersøgelsen ved universitetet i Lausanne. "Vores arbejde giver detaljeret karriererådgivning til arbejdstagere, der står over for høje risici for automatisering, hvilket giver dem mulighed for at påtage sig mere sikre job, mens de genbruger mange af de færdigheder, de erhvervede på det gamle job. Gennem denne rådgivning kan regeringer støtte samfundet i at blive mere modstandsdygtig over for automatisering."

Forfatterne skabte derefter en metode til at finde alternative job til ethvert givet job, der har en væsentlig lavere automatiseringsrisiko og er rimelig tæt på den oprindelige med hensyn til de evner og viden, de har brug for – og dermed holde omskolingsindsatsen minimal og gøre karriereskift muligt. For at teste, hvordan denne metode ville fungere i det virkelige liv, brugte de data fra den amerikanske arbejdsstyrke og simulerede tusindvis af karrierebevægelser baseret på algoritmens forslag, og fandt ud af, at det faktisk ville give arbejdere i de erhverv med den højeste risiko mulighed for at skifte mod mellemrisiko. erhverv, samtidig med at de gennemgår en relativt lav omskolingsindsats.

Metoden kan bruges af regeringer til at måle, hvor mange arbejdere der kan stå over for automatiseringsrisici og justere omskolingspolitikker, af virksomheder til at vurdere omkostningerne ved at øge automatiseringen, af robotproducenter for bedre at skræddersy deres produkter til markedets behov; og af offentligheden at identificere den nemmeste vej til at repositionere sig på arbejdsmarkedet.

Endelig oversatte forfatterne de nye metoder og data til en algoritme, der forudsiger risikoen for automatisering for hundredvis af jobs og foreslår robuste karriereovergange med minimal omskolingsindsats, offentligt tilgængelig på https://lis2.epfl.ch/resiliencetorobots.