学习职业任务占比动态以洞察未来工作
计算机与社会
2020-02-14 v1 机器学习
应用统计
机器学习
摘要
近来的人工智能与自动化浪潮被认为不同于以往的一般目的技术（General Purpose Technologies, GPTs），因为它可能导致职业底层任务需求的快速变化以及持续的技术性失业。本文中，我们将动态任务占比的新颖方法应用于大规模在线招聘广告数据集，以探究在过去十年的 AI 创新中，尤其是高、中、低工资职业间，职业任务需求究竟如何变化。值得注意的是，大数据与 AI 分别自 2012 年与 2016 年以来在高工资职业中显著上升。我们构建了 ARIMA 模型来预测未来的职业任务需求，并展示了医疗、行政与 IT 中的若干相关示例。这种跨职业的任务需求预测将在对未来劳动力再培训中发挥关键作用。
引用
@article{arxiv.2002.05655,
title = {Learning Occupational Task-Shares Dynamics for the Future of Work},
author = {Subhro Das and Sebastian Steffen and Wyatt Clarke and Prabhat Reddy and Erik Brynjolfsson and Martin Fleming},
journal= {arXiv preprint arXiv:2002.05655},
year = {2020}
}
备注
9 pages, 5 figures, 6 tables, Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society (AIES), 2020