15/04/2022
Door Ad Spijkers
Zwitserse robotici en economen hebben een methode ontwikkeld om de kans te schatten dat banen worden geautomatiseerd door toekomstige intelligente robots en om loopbaanovergangen met lagere risico's en minimale omscholingsinspanningen voor te stellen.
Als het gaat om robotisering is de eerste vraag die mensen vaak stellen: hoeveel banen zullen ze laten verdwijnen? Ongeacht het antwoord is de tweede vraag waarschijnlijk: hoe kan ik ervoor zorgen dat mijn baan er niet tussen staat? In een recent onderzoek biedt een team van robotici van de École Polytechnique Fédérale de Lausanne (EPFL) en economen van de Université de Lausanne antwoord op beide vragen.
Vergelijking van onderzoeken
Ze hebben de wetenschappelijke en technische literatuur over robotvaardigheden gecombineerd met werkgelegenheids- en loonstatistieken. Daaruit hebben ze een methode ontwikkeld om te berekenen welke van de bestaande banen in de nabije toekomst meer risico lopen om door machines te worden uitgevoerd. Daarnaast hebben ze een methode ontwikkeld om loopbaanovergangen voor te stellen naar banen die minder risico lopen en de minste omscholingsinspanningen vereisen.
Er zijn verschillende onderzoeken die voorspellen hoeveel banen door robots zullen worden geautomatiseerd. Maar ze zijn allemaal gericht op softwarerobots, zoals spraak- en beeldherkenning, financiële robo-adviseurs, chatbots, enzovoort. Bovendien schommelen die voorspellingen enorm, afhankelijk van hoe functie-eisen en softwarevaardigheden worden beoordeeld. Hierbij kijken onderzoekers niet alleen naar kunstmatige intelligentie software, maar ook naar echte intelligente robots die fysiek werk uitvoeren. De Zwitserse onderzoekers hebben een methode ontwikkeld voor een systematische vergelijking van menselijke en robotische vaardigheden die in honderden banen worden gebruikt.
Databases
De belangrijkste innovatie van het onderzoek is een nieuwe 'mapping' van robotcapaciteiten op functie-eisen. Het team onderzocht de European H2020 Robotic Multi-Annual Roadmap (MAR), een strategiedocument van de Europese Commissie dat periodiek wordt herzien door robotica-experts. De MAR beschrijft tientallen vaardigheden die vereist zijn van de huidige robot of die nodig kunnen zijn voor toekomstige, variërend, georganiseerd in categorieën zoals manipulatie, waarneming, waarneming, interactie met mensen.
De onderzoekers hebben onderzoekspapers, patenten en beschrijvingen van robotproducten doorgenomen om het volwassenheidsniveau van robotvaardigheden te beoordelen, met behulp van een bekende schaal voor het meten van het niveau van technologische ontwikkeling (technical readiness level, TRL).
1000 beroepen
Voor menselijke vaardigheden vertrouwden ze op de O*net-database, een veelgebruikte bronnendatabase op de Amerikaanse banenmarkt, die ongeveer 1.000 beroepen classificeert en de vaardigheden en kennis opsplitst die voor elk van hen het meest cruciaal zijn. Na selectief de menselijke vaardigheden van de O*net-lijst te hebben vergeleken met de robotvaardigheden uit het MAR-document, kon het team berekenen hoe waarschijnlijk het is dat elk bestaand beroep door een robot wordt uitgevoerd.
Stel bijvoorbeeld dat voor een baan een mens moet werken met bewegingen tot op de millimeter nauwkeurig. Robots zijn daar heel goed in en de TRL van de bijbehorende vaardigheid is dus hoog. Als een baan voldoende van dergelijke vaardigheden vereist, is de kans groter dat deze wordt geautomatiseerd dan een baan waarvoor vaardigheden zoals kritisch denken of creativiteit vereist zijn.
Het resultaat is een rangschikking van de duizend banen, met 'natuurkundigen' die het laagste risico lopen om door een machine te worden vervangen, en 'slachters en vleesverpakkers', die het grootste risico lopen. Over het algemeen lijken banen in de voedselverwerking, bouw en onderhoud, constructie en mijnbouw het grootste risico te lopen.
Uitdaging
De belangrijkste uitdaging voor de samenleving van vandaag is hoe ze veerkrachtig kan worden tegen automatisering. Het Zwitserse onderzoek biedt gedetailleerd loopbaanadvies voor werknemers die te maken hebben met hoge risico's van automatisering. Hierdoor kunnen ze veiliger banen aannemen en veel van de vaardigheden die ze in de oude baan hebben opgedaan, hergebruiken. Met dit advies kunnen overheden de samenleving ondersteunen om weerbaarder te worden tegen automatisering.
De auteurs hebben vervolgens een methode ontwikkeld om voor elke baan alternatieve banen te vinden die een aanzienlijk lager automatiseringsrisico hebben. Die liggen redelijk dicht bij de oorspronkelijke wat betreft de vaardigheden en kennis die ze nodig hebben. Hierdoor blijft de omscholingsinspanning minimaal en de loopbaantransitie blijft mogelijk.
Toetsing
Om te testen hoe die methode in het echte leven zou presteren, gebruikten ze gegevens van het Amerikaanse personeelsbestand en simuleerden ze duizenden carrièrestappen op basis van de suggesties van het algoritme. Ze ontdekten dat het werknemers in de beroepen met het hoogste risico inderdaad in staat zou stellen om over te schakelen naar middelhoog risico beroepen, terwijl ze relatief weinig omscholingsinspanningen ondergaan.
De methode kan worden gebruikt door regeringen om te meten hoeveel werknemers automatiseringsrisico's lopen en om omscholingsbeleid aan te passen. Bedrijven kunnen de methode toepassen om de kosten van toenemende automatisering te beoordelen. Robotfabrikanten kunnen hun producten beter afstemmen op de marktbehoeften. Het publiek kan de methode gebruiken om de gemakkelijkste weg te vinden om zich op de arbeidsmarkt te herpositioneren.
Ten slotte hebben de auteurs de nieuwe methoden en gegevens vertaald in een algoritme dat het risico van automatisering voor honderden banen voorspelt en veerkrachtige loopbaanovergangen suggereert met minimale omscholingsinspanningen. Deze methode is publiek toegankelijk.
Foto: Pearson Packaging Systems