Cómo competir con los robots

Cómo competir con los robots


16 de abril de 2022

(Noticias de Nanowerk) Cuando se trata del futuro de los robots inteligentes, la primera pregunta suele ser ¿cuántos puestos de trabajo harán desaparecer? Cualquiera que sea la respuesta, la segunda pregunta probablemente será: ¿Cómo puedo asegurarme de que mi trabajo no esté incluido?

En un estudio publicado en Robótica Científica («Cómo competir con los robots mediante la evaluación de los riesgos de automatización del trabajo y las alternativas resilientes»), un equipo de especialistas en robótica de la EPFL y economistas de la Universidad de Lausana brinda respuestas a ambas preguntas.

Al combinar la literatura científica y técnica sobre habilidades robóticas con estadísticas de empleo y salarios, han desarrollado un método para calcular cuál de los trabajos actuales podrían ser realizados más por máquinas en un futuro cercano. Además, han desarrollado un método para sugerir transiciones de carrera a trabajos que son menos riesgosos y requieren la menor cantidad de capacitación. Robots que cosechan tomates Roboticistas y economistas suizos de la EPFL y la Universidad de Lausana han desarrollado un método para estimar la probabilidad de que los futuros robots inteligentes automaticen trabajos y propongan cambios de carrera con un riesgo reducido y un mínimo esfuerzo de capacitación. (Imagen: EPFL)

“Hay varios estudios que predicen cuántos trabajos serán automatizados por robots, pero todos se enfocan en robots de software como reconocimiento de voz e imagen, asesores robóticos financieros, chatbots, etc. Además, estas predicciones varían ampliamente según cómo se evalúen los requisitos del trabajo y las capacidades del software. Al hacerlo, no solo consideramos software con inteligencia artificial, sino también robots inteligentes reales que realizan trabajo físico, y hemos desarrollado un método para comparar sistemáticamente las habilidades humanas y robóticas utilizadas en cientos de trabajos», dice el Prof. Dario Floreano, Director de el Laboratorio de Sistemas Inteligentes de la EPFL, quien dirigió el estudio en la EPFL.

La innovación clave del estudio es un nuevo mapeo de las capacidades del robot a los requisitos de trabajo. El equipo examinó la hoja de ruta plurianual (MAR) europea H2020 Robotic, un documento de estrategia de la Comisión Europea que expertos en robótica revisan periódicamente. El MAR describe docenas de habilidades que necesitan los robots actuales o que pueden necesitar los robots del futuro, organizadas en categorías como manipulación, percepción, percepción e interacción con humanos.

Los investigadores revisaron artículos de investigación, patentes y descripciones de productos robóticos para evaluar el nivel de madurez de las capacidades del robot, utilizando una escala bien conocida para medir la sofisticación tecnológica, el ‘Nivel de preparación tecnológica’ (TRL).

Para las habilidades humanas, se basó en la base de datos O*net, una base de datos de recursos del mercado laboral estadounidense ampliamente utilizada que clasifica alrededor de 1,000 ocupaciones y desglosa las habilidades y conocimientos más importantes para cada una de ellas.

Después de hacer coincidir selectivamente las habilidades humanas de la lista O*net con las habilidades de robot del documento MAR, el equipo pudo calcular la probabilidad de que un robot realice cada trabajo existente. Por ejemplo, supongamos que un trabajo requiere que un humano trabaje con movimientos milimétricos. Los robots son muy buenos en esto y, por lo tanto, el TRL de la habilidad correspondiente es el más alto. Si un trabajo requiere suficientes habilidades de este tipo, es más probable que se automatice que uno que requiera habilidades como el pensamiento crítico o la creatividad.

El resultado es un ranking de las 1.000 profesiones, siendo ‘físico’ las de menor riesgo de ser reemplazadas por una máquina y ‘carniceros y empacadores de carne’ las de mayor riesgo. En general, las ocupaciones en procesamiento de alimentos, construcción y mantenimiento, construcción y explotación de canteras parecen tener el mayor riesgo.

«El desafío clave para la sociedad actual es volverse resistente a la automatización», dice el profesor Rafael Lalive. quien codirigió el estudio en la Universidad de Lausana. “Nuestro trabajo brinda asesoramiento profesional detallado para trabajadores con alto riesgo de automatización, lo que les permite asumir trabajos más seguros mientras reutilizan muchas de las habilidades que aprendieron en el trabajo anterior. Al brindar este consejo, los gobiernos pueden ayudar a la sociedad a ser más resistente a la automatización”.

Luego, los autores desarrollaron un método para encontrar trabajos alternativos para cualquier trabajo dado que tuvieran un riesgo significativamente menor de automatización y que estuvieran razonablemente cerca del trabajo original en términos de habilidades y conocimientos requeridos, minimizando así el esfuerzo de readiestramiento y haciendo posibles los cambios de carrera.

Para probar cómo funcionaría este método en la vida real, utilizaron datos de trabajadores de EE. UU. y simularon miles de cambios de carrera basados ​​en las sugerencias del algoritmo, y descubrieron que los trabajadores en las ocupaciones de mayor riesgo en realidad hacen posible que puedan moverse hacia el mediano. ocupaciones de riesgo con relativamente poco esfuerzo de readiestramiento.

El método podría ser utilizado por los gobiernos para medir cuántos trabajadores podrían estar en riesgo por la automatización y ajustar las políticas de capacitación, por las empresas para estimar los costos de una mayor automatización, por los fabricantes de robótica para adaptar mejor sus productos a las necesidades del mercado; y por el público para encontrar la manera más fácil de reposicionarse en el mercado laboral.

Finalmente, los autores tradujeron los nuevos métodos y datos en un algoritmo que predice el riesgo de automatización para cientos de trabajos y sugiere transiciones profesionales resilientes con un mínimo esfuerzo de capacitación, disponible públicamente aquí.



Related post

Hacia la optimización universal de hiperparámetros con transformadores

Hacia la optimización universal de hiperparámetros con transformadores

Publicado por Yutian Chen, científico investigador, DeepMind, y Xingyou (Richard) Song, científico investigador, Google Research, Brain Team Uno de los aspectos…
Los investigadores están desarrollando tintas de nanotecnología para la bioelectrónica portátil imprimible en 3D

Los investigadores están desarrollando tintas de nanotecnología para la…

18 de agosto de 2022 (Noticias de Nanowerk) La electrónica flexible ha permitido el diseño de sensores, actuadores, microfluidos y electrónica…
Considerando cómo se maximiza la fricción cuando fluyen fluidos a nanoescala

Considerando cómo se maximiza la fricción cuando fluyen fluidos…

18 de agosto de 2022 (Noticias de Nanowerk) La dinámica de cómo se comportan los líquidos cuando están confinados en un…

Leave a Reply

Tu dirección de correo electrónico no será publicada.