وقتی صحبت از آینده ربات‌های هوشمند می‌شود، اولین سؤالی که مردم اغلب می‌پرسند این است: چند شغل از بین خواهند رفت؟ پاسخ هر چه باشد، احتمالاً سؤال دوم این است: چگونه می توانم مطمئن شوم من شغل در میان آنها نیست؟
در مطالعه ای که به تازگی در علم رباتیکتیمی از روباتیک‌ها از EPFL و اقتصاددانان دانشگاه لوزان به هر دو سوال پاسخ می‌دهند. آنها با ترکیب ادبیات علمی و فنی در مورد توانایی های رباتیک با آمار اشتغال و دستمزد، روشی را برای محاسبه اینکه کدام یک از مشاغل موجود در حال حاضر بیشتر در معرض خطر انجام ماشین آلات در آینده نزدیک هستند، ایجاد کرده اند. علاوه بر این، آنها روشی را برای پیشنهاد انتقال شغل به مشاغلی ابداع کرده اند که کمتر در معرض خطر هستند و به کوچکترین تلاش برای بازآموزی نیاز دارند.
مطالعات متعددی وجود دارد که پیش‌بینی می‌کند چند شغل توسط روبات‌ها خودکار می‌شود، اما همه آنها بر روی ربات‌های نرم‌افزاری مانند تشخیص گفتار و تصویر، مشاوران مالی روبو، چت‌بات‌ها و غیره تمرکز دارند. نیازمندی‌های شغلی و توانایی‌های نرم‌افزاری ارزیابی می‌شوند. در اینجا، ما نه تنها نرم‌افزار هوش مصنوعی، بلکه ربات‌های هوشمند واقعی را نیز در نظر می‌گیریم که کار فیزیکی انجام می‌دهند و روشی را برای مقایسه سیستماتیک توانایی‌های انسان و رباتیک که در صدها شغل استفاده می‌شود، توسعه دادیم. داریو فلورئانو، مدیر آزمایشگاه سیستم هوشمند EPFL، که این مطالعه را در EPFL رهبری کرد.
نوآوری کلیدی این مطالعه نقشه برداری جدید از قابلیت های ربات بر روی نیازهای شغلی است. این تیم نقشه راه چند ساله روباتیک اروپا (MAR) H2020 را بررسی کرد، یک سند استراتژی توسط کمیسیون اروپا که به طور دوره ای توسط کارشناسان رباتیک بازنگری می شود. MAR ده ها توانایی را توصیف می کند که از ربات فعلی یا ممکن است مورد نیاز ربات های آینده باشد، در دسته بندی هایی مانند دستکاری، ادراک، حس کردن، تعامل با انسان ها سازماندهی شده است. محققان با استفاده از یک مقیاس شناخته شده برای اندازه گیری سطح توسعه فناوری، “سطح آمادگی فناوری” (TRL)، مقالات تحقیقاتی، پتنت ها و توضیحات محصولات رباتیک را برای ارزیابی سطح بلوغ توانایی های رباتیک بررسی کردند.
برای توانایی های انسانی، آنها به پایگاه داده O*net، یک پایگاه داده منابع پرکاربرد در بازار کار ایالات متحده، که تقریباً 1000 شغل را طبقه بندی می کند و مهارت ها و دانش هایی را که برای هر یک از آنها حیاتی هستند، تجزیه می کند، تکیه کردند.
پس از تطبیق انتخابی توانایی‌های انسان از فهرست O*net با توانایی‌های روباتیک از سند MAR، تیم می‌تواند محاسبه کند که هر شغل موجود چقدر می‌تواند توسط یک ربات انجام شود. مثلاً بگویید که یک شغل به انسان نیاز دارد که با دقت حرکات در سطح میلی متر کار کند. ربات‌ها در این کار بسیار خوب هستند و TRL توانایی مربوطه بالاترین است. اگر شغلی به چنین مهارت‌هایی نیاز داشته باشد، احتمال خودکار شدن آن بیشتر از شغلی است که به توانایی‌هایی مانند تفکر انتقادی یا خلاقیت نیاز دارد.
نتیجه رتبه‌بندی 1000 شغل است که «فیزیک‌دان‌ها» کمترین خطر جایگزینی با ماشین را دارند و «ذبح‌کننده‌ها و بسته‌بندی‌های گوشت» با بیشترین خطر مواجه هستند. به طور کلی، مشاغل در فرآوری مواد غذایی، ساختمان و نگهداری، ساخت و ساز و استخراج به نظر می رسد بالاترین خطر را داشته باشند.
پروفسور رافائل لالیو می گوید: “چالش کلیدی برای جامعه امروز این است که چگونه در برابر اتوماسیون انعطاف پذیر شود.” که این مطالعه را در دانشگاه لوزان رهبری کرد. “کار ما توصیه های شغلی دقیقی را برای کارگرانی که با خطرات بالای اتوماسیون مواجه هستند، ارائه می دهد، که به آنها اجازه می دهد مشاغل ایمن تری را انجام دهند و در عین حال از بسیاری از مهارت های کسب شده در شغل قبلی مجددا استفاده کنند. از طریق این توصیه، دولت ها می توانند از جامعه برای بیشتر شدن حمایت کنند. در برابر اتوماسیون انعطاف پذیر است.”
سپس نویسندگان روشی را برای یافتن شغل‌های جایگزین برای هر شغل معینی ایجاد کردند که ریسک اتوماسیون بسیار پایین‌تری دارند و از نظر توانایی‌ها و دانش مورد نیاز به طور منطقی به شغل اصلی نزدیک هستند – بنابراین تلاش برای بازآموزی به حداقل می‌رسد. انتقال شغلی امکان پذیر است برای آزمایش نحوه عملکرد آن روش در زندگی واقعی، آنها از داده‌های نیروی کار ایالات متحده استفاده کردند و هزاران حرکت شغلی را بر اساس پیشنهادات الگوریتم شبیه‌سازی کردند و دریافتند که در واقع به کارگران مشاغلی که بیشترین ریسک را دارند اجازه می‌دهد به سمت ریسک متوسط سوق دهند. مشاغل، در حالی که تحت یک تلاش نسبتاً کم بازآموزی قرار می گیرند.
این روش می‌تواند توسط دولت‌ها برای اندازه‌گیری تعداد کارگرانی که می‌توانند با خطرات اتوماسیون مواجه شوند و سیاست‌های بازآموزی را تنظیم کنند، توسط شرکت‌ها برای ارزیابی هزینه‌های افزایش اتوماسیون، توسط تولیدکنندگان رباتیک برای تطبیق بهتر محصولات خود با نیازهای بازار استفاده شود. و توسط مردم برای شناسایی ساده ترین راه برای تغییر موقعیت خود در بازار کار.
در نهایت، نویسندگان روش‌ها و داده‌های جدید را به الگوریتمی ترجمه کردند که خطر اتوماسیون را برای صدها شغل پیش‌بینی می‌کند و انتقال شغلی انعطاف‌پذیر را با حداقل تلاش برای بازآموزی پیشنهاد می‌کند، که در دسترس عموم قرار دارد. https://lis2.epfl.ch/resiliencetorobots.
