När det gäller framtiden för intelligenta robotar är den första frågan som folk ofta ställer sig:Hur många jobb kommer de att få försvinna? Oavsett svaret är den andra frågan sannolikt:Hur kan jag försäkra mig om att mitt jobb inte finns bland dem?

I en studie som just publicerats i Science Robotics , ett team av robotiker från EPFL och ekonomer från University of Lausanne erbjuder svar på båda frågorna. Genom att kombinera den vetenskapliga och tekniska litteraturen om robotförmågor med sysselsättnings- och lönestatistik har de tagit fram en metod för att beräkna vilka av de nuvarande jobben som löper större risk att utföras av maskiner inom en snar framtid. Dessutom har de tagit fram en metod för att föreslå karriärövergångar till jobb som är mindre i riskzonen och kräver minsta omskolningsinsatser.

"Det finns flera studier som förutspår hur många jobb som kommer att automatiseras av robotar, men de fokuserar alla på mjukvarurobotar, såsom tal- och bildigenkänning, finansiella robo-rådgivare, chatbots och så vidare. Dessutom svänger dessa förutsägelser vilt beroende på hur jobbkrav och mjukvaruförmågor bedöms. Här tar vi inte bara hänsyn till mjukvara med artificiell intelligens, utan också riktiga intelligenta robotar som utför fysiskt arbete och vi utvecklade en metod för en systematisk jämförelse av mänskliga och robotiska förmågor som används i hundratals jobb", säger prof. Dario Floreano, chef för EPFL:s Laboratory of Intelligent System, som ledde studien vid EPFL.

Den viktigaste innovationen i studien är en ny kartläggning av robotens kapacitet på jobbkraven. Teamet tittade på European H2020 Robotic Multi-Annual Roadmap (MAR), ett strategidokument från Europeiska kommissionen som regelbundet revideras av robotexperter. MAR beskriver dussintals förmågor som krävs av nuvarande robot eller som kan krävas av framtida, som sträcker sig, organiserade i kategorier som manipulation, perception, avkänning, interaktion med människor. Forskarna gick igenom forskningsrapporter, patent och beskrivningar av robotprodukter för att bedöma mognadsnivån för robotförmågor, med hjälp av en välkänd skala för att mäta nivån på teknikutveckling, "technology readiness level" (TRL).

För mänskliga förmågor förlitade de sig på O*net-databasen, en allmänt använd resursdatabas på den amerikanska arbetsmarknaden, som klassificerar cirka 1 000 yrken och bryter ner de färdigheter och kunskaper som är mest avgörande för var och en av dem

Efter att ha selektivt matchat de mänskliga förmågorna från O*net-listan med robotförmågor från MAR-dokumentet, kunde teamet beräkna hur sannolikt att varje befintligt jobb är att utföra av en robot. Säg till exempel att ett jobb kräver att en människa arbetar med rörelseprecision på millimeternivå. Robotar är väldigt bra på det och TRL för motsvarande förmåga är därmed högst. Om ett jobb kräver tillräckligt med sådana färdigheter är det mer sannolikt att det blir automatiserat än ett som kräver förmågor som kritiskt tänkande eller kreativitet.

Resultatet är en rankning av de 1 000 jobben, där "fysiker" är de som har lägst risk att ersättas av en maskin, och "Slakterare och köttpackare", som står inför den högsta risken. I allmänhet verkar jobb inom livsmedelsbearbetning, byggnad och underhåll, konstruktion och utvinning ha den högsta risken.

"Den viktigaste utmaningen för samhället idag är hur man blir motståndskraftig mot automatisering", säger Prof. Rafael Lalive. som var med och ledde studien vid universitetet i Lausanne. "Vårt arbete ger detaljerade karriärråd för arbetare som står inför höga risker för automatisering, vilket gör att de kan ta på sig säkrare jobb samtidigt som de återanvänder många av de färdigheter som förvärvats på det gamla jobbet. Genom dessa råd kan regeringar stödja samhället i att bli mer motståndskraftig mot automatisering."

Författarna skapade sedan en metod för att för varje givet jobb hitta alternativa jobb som har en avsevärt lägre automatiseringsrisk och som ligger någorlunda nära den ursprungliga när det gäller de förmågor och kunskaper de kräver – vilket gör att omskolningsinsatsen blir minimal och karriärövergång möjlig. För att testa hur den metoden skulle fungera i verkligheten använde de data från den amerikanska arbetsstyrkan och simulerade tusentals karriärrörelser baserat på algoritmens förslag, och fann att det verkligen skulle tillåta arbetare i de yrken med högst risk att gå över till medelrisk yrken, samtidigt som de genomgår en relativt låg omskolningsinsats.

Metoden kan användas av regeringar för att mäta hur många arbetare som kan möta automatiseringsrisker och anpassa omskolningspolicyer, av företag för att bedöma kostnaderna för att öka automatiseringen, av robottillverkare för att bättre skräddarsy sina produkter till marknadens behov; och av allmänheten för att identifiera den enklaste vägen att omplacera sig på arbetsmarknaden.

Slutligen översatte författarna de nya metoderna och data till en algoritm som förutsäger risken för automatisering för hundratals jobb och föreslår motståndskraftiga karriärövergångar med minimal omskolningsansträngning, tillgänglig för allmänheten på https://lis2.epfl.ch/resiliencetorobots.