Als het gaat om de toekomst van intelligente robots, is de eerste vraag die mensen vaak stellen:hoeveel banen zullen ze laten verdwijnen? Wat het antwoord ook is, de tweede vraag is waarschijnlijk:hoe kan ik ervoor zorgen dat mijn baan er niet tussen staat?

In een onderzoek dat zojuist is gepubliceerd in Science Robotics , biedt een team van robotici van EPFL en economen van de Universiteit van Lausanne antwoorden op beide vragen. Door de wetenschappelijke en technische literatuur over robotvaardigheden te combineren met werkgelegenheids- en loonstatistieken, 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. Bovendien 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 functievereisten en softwarevaardigheden worden beoordeeld. Hierbij kijken we niet alleen naar kunstmatige intelligentiesoftware, maar ook naar echte intelligente robots die fysiek werk uitvoeren en we ontwikkelden een methode voor een systematische vergelijking van menselijke en robotische vaardigheden die in honderden banen worden gebruikt", zegt prof. Dario Floreano, directeur van EPFL's Laboratory of Intelligent System, die de studie leidde bij EPFL.

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, "technology readiness level" (TRL).

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 elke bestaande baan door een robot wordt uitgevoerd. Stel bijvoorbeeld dat voor een taak een mens moet werken met een precisie van bewegingen op millimeterniveau. Robots zijn daar heel goed in en de TRL van de bijbehorende vaardigheid is dus het hoogst. 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 1.000 banen, waarbij "natuurkundigen" 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 winning het grootste risico te lopen.

"De belangrijkste uitdaging voor de samenleving van vandaag is hoe we weerbaar kunnen worden tegen automatisering", zegt prof. Rafael Lalive. die de studie leidde aan de Universiteit van Lausanne. "Ons werk biedt gedetailleerd loopbaanadvies voor werknemers die te maken hebben met hoge risico's van automatisering, waardoor ze een veiligere baan kunnen aannemen en veel van de vaardigheden die ze in de oude baan hebben opgedaan opnieuw kunnen gebruiken. Met dit advies kunnen regeringen de samenleving helpen om meer bestand tegen automatisering."

De auteurs hebben vervolgens een methode ontwikkeld om voor elke baan alternatieve banen te vinden die een aanzienlijk lager automatiseringsrisico hebben en redelijk dicht bij de oorspronkelijke liggen wat betreft de vaardigheden en kennis die ze nodig hebben, waardoor de omscholingsinspanning minimaal blijft en de loopbaantransitie mogelijk is. 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, waarbij ze ontdekten dat het inderdaad werknemers in de beroepen met het hoogste risico in staat zou stellen om over te schakelen naar een middelgroot risico beroepen, terwijl ze een relatief lage omscholingsinspanning ondergaan.

De methode kan worden gebruikt door regeringen om te meten hoeveel werknemers automatiseringsrisico's lopen en om het omscholingsbeleid aan te passen, door bedrijven om de kosten van toenemende automatisering te beoordelen, door robotfabrikanten om hun producten beter af te stemmen op de marktbehoeften; en door het publiek 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, openbaar toegankelijk op https://lis2.epfl.ch/resiliencetorobots.