論文の概要: Learning Occupational Task-Shares Dynamics for the Future of Work

• arxiv url: http://arxiv.org/abs/2002.05655v1
• Date: Tue, 28 Jan 2020 21:20:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 02:32:26.702026
• Title: Learning Occupational Task-Shares Dynamics for the Future of Work
• Title（参考訳）: 作業の未来のための作業タスク共有ダイナミクスの学習
• Authors: Subhro Das, Sebastian Steffen, Wyatt Clarke, Prabhat Reddy, Erik Brynjolfsson, Martin Fleming
• Abstract要約: ビッグデータとAIは、2012年と2016年以来、高賃金の職業の中で著しく上昇している。 我々は,将来的な業務要求を予測するためのARIMAモデルを構築している。
• 参考スコア（独自算出の注目度）: 5.487438649316376
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The recent wave of AI and automation has been argued to differ from previous General Purpose Technologies (GPTs), in that it may lead to rapid change in occupations' underlying task requirements and persistent technological unemployment. In this paper, we apply a novel methodology of dynamic task shares to a large dataset of online job postings to explore how exactly occupational task demands have changed over the past decade of AI innovation, especially across high, mid and low wage occupations. Notably, big data and AI have risen significantly among high wage occupations since 2012 and 2016, respectively. We built an ARIMA model to predict future occupational task demands and showcase several relevant examples in Healthcare, Administration, and IT. Such task demands predictions across occupations will play a pivotal role in retraining the workforce of the future.
• Abstract（参考訳）: 近年のAIと自動化の波は、職業の基本的なタスク要件と永続的な技術的失業の急激な変化につながる可能性があるという、以前の汎用技術(GPT)とは異なると議論されている。 本稿では,AI革新の過去10年間で,特に高,中,低賃金の職業において,業務上のタスク要求がいかに変化したかを明らかにするために,オンライン求職者の大規模なデータセットに動的タスク共有の新しい方法論を適用する。 ビッグデータとAIは、それぞれ2012年と2016年以来、高賃金の職業の中で著しく増加している。 ARIMAモデルを構築し、将来の職業的タスク要求を予測するとともに、ヘルスケア、管理、ITにおけるいくつかの関連する事例を紹介した。 このような業務要求の予測は、将来の労働力の再訓練において重要な役割を果たす。

関連論文リスト

• Towards the Terminator Economy: Assessing Job Exposure to AI through LLMs [10.844598404826355]
  米国の雇用の3分の1はAIに強く依存している。 この露出は、2019年から2023年までの雇用と賃金の伸びと正の相関関係にある。
  論文  参考訳（メタデータ） (2024-07-27T08:14:18Z)
• The Potential Impact of AI Innovations on U.S. Occupations [3.0829845709781725]
  私たちはDeep Learning Natural Language Processingを使って、大規模な作業に影響を及ぼす可能性のあるAI特許を特定します。 我々の方法論は、17,879のタスク記述の包括的なデータセットに依存し、AIの潜在的な影響を定量化する。 我々の結果は、いくつかの職業が潜在的に影響を受け、その影響は特定のスキルに複雑に結びついていることを示している。
  論文  参考訳（メタデータ） (2023-12-07T21:44:07Z)
• Brief for the Canada House of Commons Study on the Implications of Artificial Intelligence Technologies for the Canadian Labor Force: Generative Artificial Intelligence Shatters Models of AI and Labor [1.0878040851638]
  過去の技術と同様に、生成的AIは大量失業に繋がらないかもしれない。 生成AIは創造的で認知的で、潜在的にユビキタスである。 AIのフルセットの能力とアプリケーションが出現するにつれて、政策立案者は労働者のキャリア適応性を促進するべきである。
  論文  参考訳（メタデータ） (2023-11-06T22:58:24Z)
• "Generate" the Future of Work through AI: Empirical Evidence from Online Labor Markets [4.955822723273599]
  大規模言語モデル(LLM)に基づく生成AI(ChatGPTなど)は、人工知能(AGI)の第1世代と考えられている。 我々の論文は、労働市場に対するAIの影響と個人の反応に関する重要な洞察を提供する。
  論文  参考訳（メタデータ） (2023-08-09T19:45:00Z)
• AI for IT Operations (AIOps) on Cloud Platforms: Reviews, Opportunities and Challenges [60.56413461109281]
  IT運用のための人工知能(AIOps)は、AIのパワーとIT運用プロセスが生成するビッグデータを組み合わせることを目的としている。 我々は、IT運用活動が発信する重要なデータの種類、分析における規模と課題、そしてどのように役立つかについて深く議論する。 主要なAIOpsタスクは、インシデント検出、障害予測、根本原因分析、自動アクションに分類します。
  論文  参考訳（メタデータ） (2023-04-10T15:38:12Z)
• PI-QT-Opt: Predictive Information Improves Multi-Task Robotic Reinforcement Learning at Scale [14.444439310266873]
  予測情報QT-Optは、予測情報の表現を学習し、シミュレーションおよび実世界における最大297個の視覚に基づくロボット操作タスクを解決する。 予測情報のモデリングはトレーニング作業の成功率を大幅に向上させ,未知の新規タスクへのゼロショット転送を改善することを実証する。
  論文  参考訳（メタデータ） (2022-10-15T07:30:31Z)
• Pre-Training for Robots: Offline RL Enables Learning New Tasks from a Handful of Trials [97.95400776235736]
  新しいタスクを効果的に学習しようとするオフラインRLに基づくフレームワークを提案する。 既存のロボットデータセットの事前トレーニングと、新しいタスクの迅速な微調整と、最大10のデモを組み合わせたものだ。 我々の知る限り、PTRは本物のWidowXロボットで新しいドメインで新しいタスクを学習する最初のRL手法である。
  論文  参考訳（メタデータ） (2022-10-11T06:30:53Z)
• Should We Be Pre-training? An Argument for End-task Aware Training as an Alternative [88.11465517304515]
  一般に、事前学習のステップは、モデルを微調整するタスクについて、ほとんど、あるいは全く直接の知識に依存しない。 エンドタスクと補助目的をマルチタスクすることで、ダウンストリームタスクのパフォーマンスが大幅に向上することを示す。
  論文  参考訳（メタデータ） (2021-09-15T17:13:18Z)
• Hierarchical Few-Shot Imitation with Skill Transition Models [66.81252581083199]
  FIST(Few-shot Imitation with Skill Transition Models)は、オフラインデータからスキルを抽出し、それらを利用して見えないタスクに一般化するアルゴリズムである。 本稿では,FISTが新たなタスクに一般化し,ナビゲーション実験において従来のベースラインを大幅に上回っていることを示す。
  論文  参考訳（メタデータ） (2021-07-19T15:56:01Z)
• Artificial Intelligence for IT Operations (AIOPS) Workshop White Paper [50.25428141435537]
  AIOps(Artificial Intelligence for IT Operations)は、マシンラーニング、ビッグデータ、ストリーミング分析、IT運用管理の交差点で発生する、新たな学際分野である。 AIOPSワークショップの主な目的は、アカデミアと産業界の両方の研究者が集まり、この分野での経験、成果、作業について発表することです。
  論文  参考訳（メタデータ） (2021-01-15T10:43:10Z)
• COG: Connecting New Skills to Past Experience with Offline Reinforcement Learning [78.13740204156858]
  我々は、動的プログラミングによって新しいスキルを拡張するために、事前データを再利用できることを示します。 我々は、新しいタスクを解決するために、以前のデータセットに見られるいくつかの動作をチェーンすることで、アプローチの有効性を実証する。 我々は、高次元画像観察を低レベルのロボット制御コマンドにマッピングし、エンドツーエンドでポリシーを訓練する。
  論文  参考訳（メタデータ） (2020-10-27T17:57:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。