표제지
목차
요약 17
제1장 서론 37
제1절 연구의 필요성 및 목적 38
1. 연구의 배경과 필요성 38
2. 연구의 목적 40
제2절 연구 구성 및 내용 43
1. 연구 내용 43
2. 연구의 구성 46
제2장 연구 방법의 이론적 배경과 주요 문제의식 47
제1절 기존 연구 검토 48
1. 숙련의 개념적 이해와 분석 48
2. 숙련편향적(skill-biased) 기술변화 55
3. 작업지향적 (tasks-oriented) 접근 57
4. 다양한 숙련전망 방법 59
제2절 연구 방법론 설명 65
1. 문제 65
2. 연구의 이론적 분석틀 및 방법론 67
제3장 과학기술 데이터와 직업 데이터의 연계 72
제1절 도입 73
1. 연구목표 73
2. 데이터 결합분석 75
제2절 분석방법과 대상 81
1. 분석 프로세스 81
2. 분석대상 데이터 84
3. 데이터 연계 방법론 100
제3절 분석결과 109
1. 언어모델에 의한 연계분석 결과 109
2. 실증분석 : 인공지능기술과 직업속성의 연계 113
제4절 소결 127
제4장 질적 정보의 데이터화: 인공지능에 따른 일자리 및 숙련 전망 129
제1절 연구배경 및 목적 130
제2절 연구방법 및 모델 139
1. 선행연구 139
2. 분석모델 145
3. 조사 방법 148
제3절 분석결과 158
1. 전문가 조사 분석 결과 158
2. 딥러닝 모델 구축 181
3. 딥러닝 예측 결과 190
4. 종합 분석 226
제5장 요약 및 결론 236
제1절 연구 요약 및 한계점 237
제2절 연구 의의 및 향후 연구 방향 248
Summary 253
참고문헌 258
[부록 1] CPC 특허 정보와 O*NET 직업속성 정보 연계 272
[부록 2] 직업과 인공지능 특허 간의 상/하위 30개 리스트 및 거리값 276
[부록 3] 전문가 조사 과정에서 제기된 방법론의 문제점 282
[부록 4] 기술적/사회적 대체확률 288
[부록 5] 작업의 자동화와 KSA 상관관계 320
[부록 6] 기술적/사회경제적 대체확률 (차트) 458
[부록 7] 직업별 자동화 위험률 순위 478
[부록 8] 인공지능 기술에 대한 유럽연합의 정책 동향 510
판권기 513
〈표 2-1〉 숙련의 다양한 개념적 접근들 49
〈표 2-2〉 숙련전망 방법 비교 63
〈표 3-1〉 분석 프로세스 82
〈표 3-2〉 O*NET의 콘텐츠 모델 구조 87
〈표 3-3〉 분석에 활용한 O*NET 직업 속성 데이터 91
〈표 3-4〉 특허분류 F16K 1/00(or 1/02)의 분류체계 95
〈표 3-5〉 IPC 구성(2021.01 버전) 96
〈표 3-6〉 CPC 구성(1) 97
〈표 3-7〉 CPC 구성(2) 98
〈표 3-8〉 BERT 및 FastText의 성능 평가 110
〈표 3-9〉 직업 속성과 CPC 코드 매칭 결과 (일부) 111
〈표 3-10〉 CPC 구성 114
〈표 3-11〉 연도별 인공지능 특허동향 115
〈표 3-12〉 연도별 출원특허의 CPC 코드 비중(서브클래스 단위) 116
〈표 3-13〉 연도별 출원특허의 CPC 코드 비중(메인/서브그룹 단위) 117
〈표 3-14〉 CPC 코드 매칭 직업(서브클래스 단위) 118
〈표 3-15〉 CPC 코드 매칭 직업(메인/서브그룹 단위) 120
〈표 3-16〉 인공지능 특허분포벡터와 거리가 가까운 직업 list(상위 5개) 124
〈표 3-17〉 인공지능 특허분포벡터와 거리가 먼 직업 list(하위 5개) 125
〈표 4-1〉 주요 선행 연구 비교표 144
〈표 4-2〉 조사 최종 리스트 150
〈표 4-3〉 설문문항 예시 157
〈표 4-4〉 ICR 매트릭스(1차 사전조사의 기술적 측면 결과) 160
〈표 4-5〉 기술적 측면의 인공지능 대체 여부 응답 결과 164
〈표 4-6〉 기술적으로 대체가능한 작업(task) 예 164
〈표 4-7〉 기술적으로 대체되지 않고 그 중요성이 유지될 작업(task) 예 167
〈표 4-8〉 기술적으로 대체되지 않고 그 중요성이 확대될 작업 예 169
〈표 4-9〉 사회경제적 측면의 인공지능 대체 여부 응답 결과 170
〈표 4-10〉 사회경제적 측면에서 '확대' 응답 작업에 대한 기술적 측면의 응답 172
〈표 4-11〉 기술적으로 대체될 수 있지만 사회경제적 측면을 고려할 때 중요성이 확대될 작업 172
〈표 4-12〉 "사회경제적 측면을 고려할 때 확대된다고"고 응답한 작업 중 "기술적 측면에서 유지된다"고 응답한 작업 (20개) 175
〈표 4-13〉 "사회경제적 측면을 고려할 때 확대된다고"고 응답한 작업 중 "기술적 측면에서 확대된다"고 응답한 작업(14개) 177
〈표 4-14〉 참가자 응답 현황 (기술적 측면) 178
〈표 4-15〉 참가자 응답 현황 (사회경제적 측면) 179
〈표 4-16〉 숙련요소 분석 결과 183
〈표 4-17〉 딥러닝모델 학습 및 검증 결과 188
〈표 4-18〉 기술적 측면에서 자동화 위험률이 높은 상위 20개 작업 리스트 192
〈표 4-19〉 기술적 측면에서 자동화 위험률이 낮은 하위 20개 작업 리스트 193
〈표 4-20〉 사회경제적 측면을 고려했을 때, 자동화 위험률이 높은 상위 20개 작업 리스트 196
〈표 4-21〉 사회경제적 측면을 고려했을 때, 자동화 위험률이 낮은 하위 20개 작업 리스트 197
〈표 4-22〉 기술적 측면에서 직업의 자동화 위험률 상위 30과 하위 30개 202
〈표 4-23〉 사회경제적 측면에서 직업의 자동화 위험률 상위 30과 하위 30개 205
〈표 4-24〉 기술적 대체 확률: 산업별 직업 대체 확률 분포 210
〈표 4-25〉 사회경제적 대체 확률: 산업별 직업 대체 확률 분포 216
[그림 1-1] 데이터 기반 미래기술 숙련 전망 방법 45
[그림 3-1] 논문과 특허 데이터를 시각적으로 연결한 형태 77
[그림 3-2] OTC 프로그램의 개념도 78
[그림 3-3] 연구의 분석 프로세스 개요도 83
[그림 3-4] 미국 직업정보시스템 O*NET Online 84
[그림 3-5] O*NET 콘텐츠 모델 85
[그림 3-6] O*NET-SOC 2019 직업 분류(taxonomy) 구조 86
[그림 3-7] 데이터 예시: 기술 스킬(Technology Skills) 90
[그림 3-8] 특허 예시 94
[그림 3-9] CPC 인덱싱 예시 98
[그림 3-10] 데이터 예시: CPC 코드별 파싱결과 99
[그림 3-11] 텍스트 문서의 벡터 변환 100
[그림 3-12] FastText 모델의 n=3 문자단위 n-gram 예시 102
[그림 3-13] BERT 모델의 Pre-training 및 Fine-tuning 절차 103
[그림 3-14] 연구의 분석 개요 104
[그림 3-15] 직업 속성 학습 절차 105
[그림 3-16] CPC 코드 학습 절차 106
[그림 3-17] 직업 속성-CPC 코드 교차 학습 절차 107
[그림 3-18] 임베딩 벡터 기반 직업 속성 CPC 코드 비교 (샘플 분석) 112
[그림 3-19] 연도별 출원특허의 CPC 코드 비중(서브클래스 단위) 116
[그림 3-20] 연도별 출원특허의 CPC 코드 비중(메인그룹 단위) 117
[그림 3-21] 직업-인공지능 분포 벡터간 거리 비교 데이터 기초통계 (1) 122
[그림 3-22] 직업-인공지능 분포 벡터간 거리 비교 데이터 기초통계 (2) 123
[그림 4-1] 노동 생산성 증가, G7 국가 (연평균 증가율) 134
[그림 4-2] Frey and Osborne(2013) 연구에서 사용된 병목지표 140
[그림 4-3] Frey and Osborne(2013)의 연구에서 사용된 분류기의 결과 141
[그림 4-4] 컴퓨터화 확률 분포에 따른 산업별 고용자 수 분포 142
[그림 4-5] 이항분류(Binary Classification)를 위한 딥러닝 모델 개념도 146
[그림 4-6] 코더 간 신뢰도 검증의 절차 개념도 147
[그림 4-7] 사전조사 ICR 값의 변화 결과 159
[그림 4-8] 기술적 측면의 사전조사 네트워크 분석 결과 161
[그림 4-9] 사회경제적 측면의 사전조사 네트워크 분석 결과 162
[그림 4-10] 사전조사 ICR 값의 변화 결과(전문가 F, M, N 제외) 163
[그림 4-11] 조사 참가자의 응답 분포 180
[그림 4-12] 딥러닝 모델 활성함수 예시 186
[그림 4-13] 본 연구에서 사용된 딥러닝 모델의 구조 187
[그림 4-14] 딥러닝모델 학습효율 시뮬레이션 결과 188
[그림 4-15] 인공지능 도입으로 인한 작업의 대체확률 분포 190
[그림 4-16] 인공지능 도입으로 인한 작업의 대체확률 등고지도 199
[그림 4-17] 인공지능 도입으로 인한 직업의 대체확률 분포 200
[그림 4-18] 인공지능 도입으로 인한 직업의 대체확률 등고지도 208
[그림 4-19] 공동체 및 사회서비스와 법률 부문 직업 자동화 위험 분포 211
[그림 4-20] 예술, 디자인, 환경, 스포츠 및 미디어 부문 직업 자동화 위험 분포 212
[그림 4-21] 음식준비 및 제공 부문 직업 자동화 위험 분포 213
[그림 4-22] 생산부문 직업 자동화 위험 분포 214
[그림 4-23] 의료종사자 및 의료기술자 부문 직업 자동화 위험 분포 217
[그림 4-24] 사무 및 행정지원 부문 직업 자동화 위험 분포 218
[그림 4-25] 교육 및 사서부문 직업 자동화 위험 분포 220
[그림 4-26] 경영 부문 직업 자동화 위험 분포 221
[그림 4-27] 사업 및 금융운영 부문 직업 자동화 위험 분포 223
[그림 4-28] 기술적 대체 확률: 산업별 직업 대체 확률 분포(각 산업의 총 직업 수를 100%로 환산하여 계산) 224
[그림 4-29] 사회경제적 대체 확률: 산업별 직업 대체 확률 분포(각 산업의 총 직업 수를 100%로 환산하여 계산) 225
〈부표 2-1〉 인공지능 특허분포벡터와 거리가 가까운 직업 list(상위 30개) 276
〈부표 2-2〉 인공지능 특허분포벡터와 거리가 가까운 직업 list(하위 30개) 279
〈부표 4-1〉 '기술적 대체확률' (상위 150개) 288
〈부표 4-2〉 '사회경제적 대체확률' (상위 150개) 296
〈부표 4-3〉 '기술적 대체확률' (하위 150개) 304
〈부표 4-4〉 '사회경제적 대체확률' (하위 150개) 312
〈부표 5-1〉 '기술적 대체확률' 양의 관계 KSA값 (상위 150개) 320
〈부표 5-2〉 '사회경제적 대체확률' 양의 관계 KSA값 (상위 150개) 338
〈부표 5-3〉 '기술적 대체확률' 부의 관계 KSA값 (상위 150개) 354
〈부표 5-4〉 '사회경제적 대체확률' 부의 관계 KSA값 (상위 150개) 371
〈부표 5-5〉 '기술적 대체확률' 양의 관계 KSA값 (하위 150개) 387
〈부표 5-6〉 '사회경제적 대체확률' 양의 관계 KSA값 (하위 150개) 403
〈부표 5-7〉 '기술적 대체확률' 부의 관계 KSA값 (하위 150개) 422
〈부표 5-8〉 '사회경제적 대체확률' 부의 관계 KSA값 (하위 150개) 439
〈부표 7-1〉 직업별 자동화 위험률 순위 (기술적 측면만을 고려할 경우) 478
〈부표 7-2〉 직업별 자동화 위험률 순위 (사회경제적 측면을 고려할 때) 494
부도목차
[부도 1-1] O*NET 직업 속성(Job Description) - CPC 코드 코사인 유사도 (일부) 272
[부도 1-2] O*NET 직업 속성(Knowledge) - CPC 코드 코사인 유사도 (일부) 273
[부도 1-3] O*NET 직업 속성(Task) - CPC 코드 코사인 유사도 (일부) 273
[부도 1-4] O*NET 직업 속성(Technology Skill) - CPC 코드 코사인 유사도 (일부) 274
[부도 1-5] O*NET 직업 속성(Tools used) - CPC 코드 코사인 유사도 (일부) 275
[부도 6-1] 경영 부문 직업 자동화 확률 (Management) 458
[부도 6-2] 사업 및 금융 운영 부문 직업 자동화 확률 (Business and Financial Operations) 459
[부도 6-3] 컴퓨터 및 수리 부문 직업 자동화 확률 (Computer and Mathematical) 460
[부도 6-4] 건축 및 공학 부문 직업 자동화 확률 (Architecture and Engineering) 461
[부도 6-5] 생명과학, 물리학, 그리고 사회과학 부문 직업 자동화 확률 (Life, Physical, and Social Science) 462
[부도 6-6] 공동체 및 사회서비스 부문과 법률 부문 직업 자동화 확률 (Community and Social Service + Legal) 463
[부도 6-7] 교육 및 도서관 부문 직업 자동화 확률 (Education Instruction and Library) 464
[부도 6-8] 예술, 디자인, 환경, 스포츠, 미디어 부문 직업 자동화 확률 (Art, Design, Environment, Sports, and Media) 465
[부도 6-9] 보건의료 전문의 및 기술사 부문 직업 자동화 확률 (Healthcare Practitioners and Technical) 466
[부도 6-10] 의료지원과 보호관련 서비스 부문 직업 자동화 확률 (Healthcare Support + Protective Service) 467
[부도 6-11] 음식 준비 및 제공관련 서비스 부문 직업 자동화 확률 (Food Preparation and Serving Related) 468
[부도 6-12] 건물 및 지면 청소ㆍ관리 부문 직업 자동화 확률 (Building and Grounds Cleaning and Maintenance) 469
[부도 6-13] 개인 미용 및 돌봄 서비스 부문 직업 자동화 확률 (Personal Care and Service Occupations) 470
[부도 6-14] 판매 및 관련 서비스 부문 직업 자동화 확률 (Sales and Related) 471
[부도 6-15] 사무 및 행정지원 부문 직업 자동화 확률 (Office and Administrative Support) 472
[부도 6-16] 농업ㆍ어업ㆍ임업 부문 직업 자동화 확률 (Farming, Fishing, and Forestry) 473
[부도 6-17] 건설 및 추출 부문 직업 자동화 확률 (Construction and Extraction) 474
[부도 6-18] 설치ㆍ관리ㆍ수리 부문 직업 자동화 확률 (Installation, Maintenance, and Repair) 475
[부도 6-19] 생산 부문 직업 자동화 확률 (Production) 476
[부도 6-20] 교통 및 물류 부문 직업 자동화 확률 (Transportation and Material Moving) 477