Влияние развития нейросетей на работу к 2030
КОНЦЕПЦИЯ
Мой проект посвящён анализу данных о влиянии развития нейросетей на рынок труда к 2030 году. Я выбрал эту тему, потому что технологии искусственного интеллекта всё активнее входят в повседневную жизнь и уже сейчас меняют требования к профессиям, навыкам и формату работы. Мне было интересно понять, какие сферы могут претерпеть наибольшие изменения и какие тенденции прослеживаются в прогнозах на ближайшее будущее.
В качестве данных я использовал датасет AI Impact on Jobs 2030 с платформы Kaggle, который содержит информацию о различных профессиях, включая среднюю заработную плату, требуемый уровень образования, стаж работы, индекс воздействия ИИ (AI Exposure Index), вероятность автоматизации к 2030 году, а также категорию риска замещения профессии. Кроме того, в датасете отражён фактор технологического роста и набор ключевых навыков, представленных в виде числовых показателей.
Ценность этих данных заключается в их актуальности и практической значимости: они помогают лучше понять, как развитие нейросетей может повлиять на будущее работы, какие профессии окажутся под угрозой автоматизации, а какие, наоборот, станут более востребованными.
В проекте были использованы несколько типов визуализаций, позволяющих рассмотреть влияние развития нейросетей на рынок труда с разных аналитических сторон.
• Тепловые карты — применялись для анализа взаимосвязей между риском автоматизации профессий и количеством развитых дополнительных навыков. Цветовая интенсивность на графиках отражала уровень уязвимости профессий к замене нейросетями, что позволило наглядно сравнить профессии и выявить зоны повышенного риска.
• Накопленные диаграммы — использовались для исследования структуры риска автоматизации в зависимости от уровня образования и профессионального опыта. Такой формат визуализации позволил показать вклад различных образовательных групп в общий профиль риска и проследить, как распределение риска меняется с ростом стажа работы.
• Квадрантные диаграммы (матрицы 2×2) — применялись для сопоставления фактора технологического роста профессий и вероятности их автоматизации. Данный тип графиков позволил разделить профессии на устойчивые, трансформирующиеся и находящиеся под угрозой исчезновения, а также выявить профессии, для которых технологическое развитие сопровождается ростом риска замещения.
• Горизонтальные столбчатые диаграммы — использовались для сравнения среднего риска автоматизации профессий в зависимости от уровня заработной платы. Цветовая дифференциация столбцов позволила дополнительно выделить подгруппы зарплат и наглядно показать, что высокий уровень дохода не всегда означает низкую уязвимость к автоматизации.
ИСПОЛЬЗОВАННЫЕ СТАТИСТИЧЕСКИЕ МЕТОДЫ
В ходе работы над проектом были применены базовые методы описательной и разведочной статистики, направленные на анализ и интерпретацию данных о влиянии нейросетей на рынок труда.
• Агрегация и группировка данных — использовалась для объединения повторяющихся профессий и расчёта средних значений показателей (вероятности автоматизации, технологического роста, заработной платы) внутри групп. Это позволило сравнивать профессии и их подгруппы по ключевым характеристикам.
• Описательная статистика — применялась для расчёта средних значений вероятности автоматизации и других числовых показателей в разрезе профессий, уровней образования, опыта работы и групп заработной платы.
• Сравнительный анализ групп — использовался для сопоставления различных категорий профессий между собой (по уровню зарплаты, образованию, количеству навыков и типу профессиональной деятельности) и выявления различий в уровне риска автоматизации.
• Анализ распределений и структуры данных — проводился с помощью визуализаций (тепловые карты, накопленные диаграммы), что позволило оценить, как риск автоматизации распределяется между группами и какие факторы вносят наибольший вклад.
• Визуально-аналитический анализ — применялся на всех этапах исследования: статистические показатели интерпретировались через графики, что упростило выявление закономерностей и формулировку выводов.
СТИЛИЗАЦИЯ ДАННЫХ
Чтобы точнее передать визуальный характер данной темы, я решила разработать собственную цветовую палитру, которая отражает технологичность и большие корпорации.
Для этого я подобрал визуальный референс — сериал «Разделение», сюжет которого повествует о корпоративной культуре, где сотрудники компании добровольно проходят высокотехнологичную процедуру «разделения» памяти на их «рабочую» личность и «домашнюю»
Для текста в графиках я использовал шрифт Corporate A Cond Pro, отсылающий к корпоративной культуре, при этом он немного осовременен за счет узкого начертания.
ОБРАБОТКА ДАННЫХ
В начале работы я подключаю все необходимые библиотеки, которые понадобятся для анализа и визуализации данных.
После подключения библиотек я подключаю подобранную цветовую палитру и шрифт, чтобы создать единый визуальный стиль для всех графиков.
Потом подгружаю датасет, подобранный для анализа после чего выполняю первичный осмотр данных выводя первичные значения с помощью df.head ()
ВИЗУАЛИЗАЦИЯ ДАННЫХ
сначала я решил происследовать то, как на автоматизацию профессий влияет фактор личного вклада людей — это их уровень образования и время рабочего стажа
СТРУКТУРА РИСКА АВТОМАТИЗАЦИИ ПРОФЕССИЙ ПО УРОВНЮ ОБРАЗОВАНИЯ И ОПЫТУ РАБОТЫ
Для начала я отсортировал профессии и разделил их на подгруппы по стажу работы в годах
после чего я приступил к визуализации данных, выбрав график вида накопленных диаграмм, чтобы максимально комплексно рассмотреть множество критериев (профессия, стаж, уровень образования) и сопоставить это с степенью подверженности автоматизации
код разделен на два столбца, для увеличения читабельности информации и возможности его внедрения в слайдер
Структура риска автоматизации профессий зависит как от уровня образования, так и от профессионального опыта, однако эта зависимость носит неоднозначный характер. Для большинства профессий при увеличении опыта работы наблюдается некоторое снижение общего профиля риска, однако вклад образовательных групп сохраняется на сопоставимом уровне.
При этом заметно, что профессии с более высоким уровнем образования (магистратура и докторская степень) в ряде случаев вносят существенный вклад в риск автоматизации, что подтверждает вывод о том, что высокий уровень образования сам по себе не гарантирует устойчивость к замене нейросетями. Таким образом, решающим фактором остаётся не только образование или опыт, а характер выполняемых профессиональных задач.
РИСК АВТОМАТИЗАЦИИ ПРОФЕССИЙ В ЗАВИСИМОСТИ ОТ КОЛИЧЕСТВА РАЗВИТЫХ ДОПОЛНИТЕЛЬНЫХ НАВЫКОВ
Также относительно личного образования важно учитывать дополнительные навыки людей, которые можно использовать в работе
Для этого я отсортировал все навыки и исключил все, что развиты хуже чем на четверть, для более чистой выборки
После чего я создал тепловую карту для сравнения, в процессе работы выяснилось, что при усредненной выборке в каждой профессии у работников не меньше 3 дополнительны навыков, поэтому шкала навыков начинается с 3
Тепловая карта демонстрирует, что увеличение количества развитых дополнительных навыков в целом связано со снижением риска автоматизации, однако эта зависимость не является универсальной для всех профессий. Для ряда профессий с рутинным или стандартизированным характером труда (например, сфера обслуживания и транспорта) высокий риск автоматизации сохраняется даже при большем количестве навыков. В то же время профессии, ориентированные на комплексные, креативные или социально значимые задачи, демонстрируют более низкий уровень риска по мере роста набора навыков.
Полученные результаты подтверждают, что важно не только количество навыков, но и их характер, а также специфика профессиональной деятельности.
ПОДВЕРЖЕННОСТЬ ПРОФЕССИЙ ЗАМЕНЕ НЕЙРОСЕТЯМИ В ЗАВИСИМОСТИ ОТ УРОВНЯ ЗАРАБОТНОЙ ПЛАТЫ
После изучения влияния личных аспектов влияния также захотелось узнать о том, как уровень заработной платы в разных профессиях влияет на вероятность автоматизации нейросетями
Для этого я отсортировал все профессии, создав медиану внутри каждой из них и разделил их на 3 подгруппы по уровня заработной платы, которые считались в рамках каждой профессии отдельно, для более честно выборки
После чего я приступил к визуализации данных, используя график горизонтальной столбчатой диаграммы, для наглядного рассмотрения разницы подверженности замене нейросетями в каждой из профессий
Также для лучшей дифференциации я поправил стили для данного графика и сделал цветовое разделение для уровней зарплаты и от темного к светлому, и от высокой зарплаты к низкой соотвественно
Представленная горизонтальная столбчатая диаграмма показывает, что уровень заработной платы не является однозначным индикатором защищённости профессии от автоматизации. Среди профессий с высокой и средней зарплатой встречаются как относительно устойчивые, так и высоко уязвимые к замене нейросетями специальности. В то же время ряд низкооплачиваемых профессий демонстрирует сопоставимый или даже более низкий уровень риска автоматизации.
Таким образом, полученные результаты подтверждают, что ключевым фактором уязвимости является не уровень дохода, а характер выполняемых задач. Профессии, связанные с анализом данных, программированием и стандартизированной интеллектуальной деятельностью, могут иметь высокий риск автоматизации независимо от уровня заработной платы.
ТЕХНОЛОГИЧЕСКИЙ РОСТ ПРОФЕССИЙ И РИСК АВТОМАТИЗАЦИИ
В качестве крайнего пункта анализа датасета мне показалось важным выделить внешние причины возможной автоматизации, и выбор пал на технологический рост внутри проффесий
Для этого я сделал первичное разделение на 5 классификаций профессий, относительно направлений их деятельности
Диаграмма показывает, что влияние технологического роста на риск автоматизации существенно различается между отраслями. В сфере информационных технологий высокий технологический рост часто сочетается со средним и высоким риском автоматизации, что связано с активным внедрением нейросетей в интеллектуальные рабочие процессы. В области бизнеса и финансов риск автоматизации в целом остаётся умеренным, несмотря на развитие цифровых технологий.
Профессии в сфере здравоохранения и образования характеризуются более низким риском автоматизации даже при технологическом росте, тогда как в креативных индустриях и операционно-сервисных профессиях сохраняется повышенная уязвимость отдельных специальностей. В целом, решающим фактором является не сам технологический рост, а специфика отрасли и характер выполняемых профессиональных задач.
ВЫВОД
Проведённый анализ показывает, что уязвимость профессий к автоматизации определяется не одним фактором, а их сочетанием. Уровень заработной платы и образования сам по себе не гарантирует защищённость от замены нейросетями: высокооплачиваемые и высококвалифицированные профессии нередко демонстрируют сопоставимый или повышенный риск автоматизации. Количество развитых навыков в целом снижает риск, однако решающую роль играет характер этих навыков и выполняемых задач.
Кроме того, технологический рост профессий может как повышать устойчивость, так и усиливать риск автоматизации, в зависимости от индустрии. Результаты подчёркивают, что ключевым фактором устойчивости является специфика профессиональной деятельности и способность адаптироваться к технологическим изменениям, а не отдельные социально-экономические показатели.
ОПИСАНИЕ ПРИМЕНЕНИЯ НЕЙРОСЕТЕЙ
Для своей работы я использовал Chat-GPT версии 5.2. Он помог мне с корректировкой кода и проверки орфографии и логики написанного текста
Также он помог создать мне обложку проекта по промпту: A hyper-realistic cinematic portrait of a man in a business suit, side profile view. The top of his head is opened, revealing a retro-futuristic computer system inside the brain: analog tape reels, vintage monitors with green code, circuit boards, buttons, keyboards and mechanical components. The brain-computer looks like 1970s–1980s mainframe technology integrated into the human head. Clean professional appearance, calm serious expression. Soft cinematic lighting, shallow depth of field, ultra-detailed textures, realistic skin, sci-fi concept art style, high resolution, sharp focus, futuristic yet grounded, photorealistic.
Adobe color помог создать палитру проекта
СПИСОК ИСТОЧНИКОВ
https://www.kaggle.com/datasets/khushikyad001/ai-impact-on-jobs-2030?resource=download — датасет
https://matplotlib.org/stable/api/matplotlib_configuration_api.html (документация по matplotlib)
https://ru.pinterest.com/homefeed/ (пинтерест для поиска кадров из сериала «Разделение»
