Članek raziskuje primerne modele strojnega in globokega učenja, da bi preveril, kako dobro je mogoče s preprostim naborom kazalnikov nalog napovedati poklicno avtomatiziranost.
Članek raziskuje primerne modele strojnega in globokega učenja, da bi preveril, kako dobro je mogoče s preprostim naborom kazalnikov nalog napovedati poklicno avtomatiziranost.
Umetna inteligenca,Robotika,Strojno učenje,Razvoj programske opreme
Vmesno
Osebne spretnosti in osebnostni razvoj
Evropska unija
EU pobuda
Študija
Ta študija, ki jo je izvedel CEDEFOP, uporablja nov velik podatkovni niz, ki temelji na spletnih zaposlitvenih oglasih - Cedefopov Skills OVATE - z informacijami o spretnostih in delovnih dejavnostih, ki jih zahtevajo delodajalci v EU.
Podatki omogočajo vpogled v profile nalog podrobnih poklicev, ki se soočajo z večjim tveganjem avtomatizacije, ali tistih, ki se zanašajo na alternativne digitalne tehnologije (roboti, računalniška programska oprema, umetna inteligenca). V članku so preučeni primerni modeli strojnega in globokega učenja, s katerimi je mogoče preveriti, kako dobro je mogoče s parsimoničnim naborom kazalnikov nalog napovedati avtomatiziranost poklicev. Delovne dejavnosti, povezane z večjim tveganjem poklicne avtomatizacije in izpostavljenostjo robotom (npr. pregledovanje opreme, izvajanje fizičnih dejavnosti), ki so običajno osredotočene na rutinska ali ročna dela, se razlikujejo od tistih, ki so vidne v poklicih z večjo izpostavljenostjo UI (npr. ustvarjalno razmišljanje, ocenjevanje standardov).