想要换工作？看看AI能帮你什么忙

据估计，在其职业生涯中，澳大利亚人平均会改变职业方向五到七次，并且随着自动化生产、产业转移、经济危机等各种情况的出现，职业“换轨”的频率可能还会增加。

工作岗位的消失并不鲜见，电梯操作员这样的岗位就已经变得极为少有。然而，这种变化的速度正在变得越来越快，有可能使大量的工人失业的同时让她们无法再就业。

新技术可以带来新的工作岗位，但这些新岗位所需要的技能并不总是完全与旧工作相匹配。成功地转换职业道路需要在充分利用现有的技能同时习得新的技能，但如果新旧技能之间的差距太大，转换就会出现阻碍。

于是我们就搭建了一个软件系统来为人们推荐职业转换选择。该系统使用机器学习来分析800多万份在线招聘广告，预测哪些新的职业选择可能会成功。具体细节可见我们发表在PLOS ONE上的文章。

我们的系统首先会测量每个职业其所需技能之间的相似性。例如，会计师可以成为金融分析师，因为这两者所需要的技能是相似的，但语言治疗师可能就很难成为金融分析师，因为其所需要的技能组合有很大不同。

接着，我们分析了大量现实世界的职业方向转换数据，看看这些转换通常的方向是怎样的。例如我们发现，会计师更有可能成为金融分析师，而不是反过来。

最后，我们的系统可以给应聘者推荐换到哪些职业道路的成功率比较高，并指出应聘者可能需要哪些技能才能成功。

我们的系统利用2018年的在线招聘广告数据，并使用经济学家称之为“显性比较优势”（RCA）的方法，来确定个人技能对工作的重要性。下面的图表直观地展示了最受需要的500项技能之间的相似性。其中，每个标记代表一个单独的技能，颜色则按照13个技能群组来区分。

我们发现了不同技能之间的相似度之后，就可以根据各个职业所需要的技能来估计职业的相似度。下图直观地显示了2018年澳大利亚常见职业之间的相似度。

每个标记表示一个单独的职业，颜色则代表每个职业在未来二十年可能面临的被自动化工具所替代的风险，蓝色表示低风险、红色表示高风险。明显相似的职业被紧密地组合在一起。我们可以发现，医疗等高精专职业所面临的自动化风险最低。

收集到了上述数据之后，我们将职业相似性与一系列其他劳动力市场变量（如就业水平和教育要求）相结合，建立我们的岗位转换推荐系统。

我们的系统使用机器学习技术，能够”学习“过去真实发生过的岗位转换，并据此预测未来的岗位转换成功率。该系统的准确率高达76%，而且还能考虑到不同岗位之间转换的不对称性。我们对该系统准确率的评估标准是，当它在对以往的真实案例进行预测时，是否正确预测到了岗位转换的最终结果。

完整的转换图谱很大很复杂，但我们可以在下面的精简版中窥见大意。下图只包括20个职业之间的转换情况，“源”职业位于横轴，“目标”职业位于纵轴。

我们可以从图的底部选择某个职业开始看，其上方的方块列则显示了从该职业转移到右侧所列职业的概率。方块颜色越深，成功的概率就越高。

新的职业往往意味着需要发展新的技能，但具体是哪些技能？我们的系统可以帮助识别这些要求。下面，让我们来看看“家庭清洁工”的职业转换路径。疫情期间，澳大利亚该职业的就业率遭到重创。

首先，我们用转换图谱来看看家庭清洁工最容易切换到哪些职业。颜色表示职业在新冠疫情期间的状态：蓝色职业是“必要”工作，可以在封城期间继续进行，而红色则是“非必要”。

由此，我们确定了最值得推荐给家庭清洁工的新职业，如流程图的右侧（在图片的下半部分），按成功率降序排列。图中每个区段的宽度显示了每个职业的空缺数量。区段颜色则代表与2019年同期（疫情之前）相比，需求是增加还是减少。

前六个转换道路都属于 “非必要”工作，这些服务的需求减少是不奇怪的，而第七项“老年和残疾人护理人员”则被归类为“必要”，该岗位在疫情开始时需求就大幅增长。

由于切换到需求量大的职业对找工作的前景会更好，因此我们选择“老年和残疾人护理员”作为本例的目标职业。

我们的系统还可以为工人推荐她们需要发展的新技能，以增加她们成功转型的机会。我们认为，工人应该投资发展对其新职业最为重要、且和现有技能最不相同的技能。

对于“家庭清洁工”来说，转换到“老年和残疾人护理员”所需的首要推荐技能是专门的病人护理技能，如“病人卫生协助”。

另一方面，那些不重要的、或是与当前职业高度相似的技能就无需过多关注。例如，“商业分析”和“金融”这样的技能对“老年和残疾人护理员”来说重要性并不高，所以不应优先考虑。同样，诸如“熨烫”和“洗衣”等技能是新工作所必要的，但“家庭清洁工”很可能已经掌握了这些技能（或很容易掌握）。

虽然我们仍不知道未来人们将如何工作，但变化是不可避免的。新技术、经济危机和其他因素将继续改变劳动力需求，让工人不得不流动到别的工作当中去。

如果劳动力过渡能够更有效率地进行，这对每个人的生产力乃至社会公平都有显著的好处。如果过渡缓慢或者失败，个人和国家都会承受巨大的不必要的成本。我们在这里提出的方法和系统则可以大大改善岗位转换的进程，并帮助社会实现更好的劳动力资源配置。

本文作者：

Nik Dawson，悉尼科技大学荣誉学者

Marian-Andrei Rizoiu，悉尼科技大学计算机科学讲师

Mary-Anne Williams，新南威尔士大学Michael J Crouch创新主席

本文与The Conversation合作发布，原载于世界经济论坛Agenda播客，转载请注明来源并附上本文链接

翻译：程杨

校对：王思雨