KRIVET 한국직업능력연구원 국무총리 산하 정부출연 연구기관

요 약
제1장 서 론_1
제1절 연구의 필요성 및 목적	3
제2절 연구 구성 및 내용	8
제2장 연구 방법의 이론적 배경과 주요 문제의식_13
제1절 기존 연구 검토	15
제2절 연구 방법론 설명	32
제3장 과학기술 데이터와 직업 데이터의 연계_39
제1절 도입	41
제2절 분석방법과 대상	49
제3절 분석결과	77
제4절 소결	95
제4장 질적 정보의 데이터화: 인공지능에 따른 일자리 및 숙련 전망_97
제1절 연구배경 및 목적	99
제2절 연구방법 및 모델	108
제3절 분석결과	127
제5장 요약 및 결론_205
제1절 연구 요약 및 한계점	207
제2절 연구 의의 및 향후 연구 방향	218
Summary_223
참고문헌_229
부  록_243
부록 1. CPC 특허 정보와 O*NET 직업속성 정보 연계	245
부록 2. 직업과 인공지능 특허 간의 상/하위 30개 리스트 및 거리값	249
부록 3. 전문가 조사 과정에서 제기된 방법론의 문제점	255
부록 4. 기술적/사회적 대체확률	261
부록 5. 작업의 자동화와 KSA 상관관계	293
부록 6. 기술적/사회경제적 대체확률 (차트)	431
부록 7. 직업별 자동화 위험률 순위	451
부록 8. 인공지능 기술에 대한 유럽연합의 정책 동향	483

...1차 연도의 본 연구는 과학기술정보와 숙련정보의 인프라를 체계화하고 양자 간의 연계를 위한 분석모델을 구축하며, 동시에 숙련변화를 전망하는 실험적인 분석모델 개발을 목적으로 한다. 그리고 2년 차와 3년 차에서는 올해 연구에서 드러난 문제점들과 한계들을 보완하는 대안적인 시도를 한다. 이를 통해서 궁극적으로는 특정 기술의 변화, 또는 거시적인 사회적 변화들, 예를 들어서, 인공지능 기술의 발달, 기후변화, 고령화, 사회적 불평등의 심화와 같은 주제에 대한 기술변화의 양상과 숙련변화를 전망하는 중장기적인 모델의 구축과 분석을 목표로 한다.

Uncertainty looms large in predicting the consequent changes new technologies would bring about in the future. The contradicting co-existence of skepticism and optimism about the impacts of new technologies on labor markets and work evinces such uncertainty. The purpose of this study begin with the recognition of the uncertainty embedded in forecasting the impacts of evolving technologies upon work and labor markets. To that ends, this study seeks to try a novel method of combining quantitative and qualitative methods while also employing various data-based analyzing techniques like big data analysis and machine learning.
Basically, this study consists of two parts each of which attempts to construct a new model of forecasting the relationship between new technologies and changes in labor markets. After establishing each forecasting model, we test each model to show how artificial intelligence are associated with jobs and components of work in labour markets. ...

<표 2-1> 숙련의 다양한 개념적 접근들	16
<표 2-2> 숙련전망 방법 비교	30
<표 3-1> 분석 프로세스	50
<표 3-2> O*NET의 콘텐츠 모델 구조	55
<표 3-3> 분석에 활용한 O*NET 직업 속성 데이터	59
<표 3-4> 특허분류 F16K 1/00(or 1/02)의 분류체계	63
<표 3-5> IPC 구성(2021.01 버전)	64
<표 3-6> CPC 구성(1)	65
<표 3-7> CPC 구성(2)	66
<표 3-8> BERT 및 FastText의 성능 평가	78
<표 3-9> 직업 속성과 CPC 코드 매칭 결과 (일부)	79
<표 3-10> CPC 구성	82
<표 3-11> 연도별 인공지능 특허동향	83
<표 3-12> 연도별 출원특허의 CPC 코드 비중(서브클래스 단위)	84
<표 3-13> 연도별 출원특허의 CPC 코드 비중(메인/서브그룹 단위)	85
<표 3-14> CPC 코드 매칭 직업(서브클래스 단위)	86
<표 3-15> CPC 코드 매칭 직업(메인/서브그룹 단위)	88
<표 3-16> 인공지능 특허분포벡터와 거리가 가까운 직업 list(상위 5개)	92
<표 3-17> 인공지능 특허분포벡터와 거리가 먼 직업 list(하위 5개)	93
<표 4-1> 주요 선행 연구 비교표	113
<표 4-2> 조사 최종 리스트	119
<표 4-3> 설문문항 예시	126
<표 4-4> ICR 매트릭스(1차 사전조사의 기술적 측면 결과)	129
<표 4-5> 기술적 측면의 인공지능 대체 여부 응답 결과	133
<표 4-6> 기술적으로 대체가능한 작업(task) 예	133
<표 4-7> 기술적으로 대체되지 않고 그 중요성이 유지될 작업(task) 예	136
<표 4-8> 기술적으로 대체되지 않고 그 중요성이 확대될 작업 예	138
<표 4-9> 사회경제적 측면의 인공지능 대체 여부 응답 결과	139
<표 4-10> 사회경제적 측면에서 ‘확대’ 응답 작업에 대한 기술적 측면의 응답	141
<표 4-11> 기술적으로 대체될 수 있지만 사회경제적 측면을 고려할 때  중요성이 확대될 작업	141
<표 4-12> “사회경제적 측면을 고려할 때 확대된다고”고 응답한 작업 중  “기술적 측면에서 유지된다”고 응답한 작업 (20개)	144
<표 4-13> “사회경제적 측면을 고려할 때 확대된다고”고 응답한 작업 중  “기술적 측면에서 확대된다”고 응답한 작업(14개)	146
<표 4-14> 참가자 응답 현황 (기술적 측면)	147
<표 4-15> 참가자 응답 현황 (사회경제적 측면)	148
<표 4-16> 숙련요소 분석 결과	152
<표 4-17> 딥러닝모델 학습 및 검증 결과	157
<표 4-18> 기술적 측면에서 자동화 위험률이 높은 상위 20개 작업 리스트	161
<표 4-19> 기술적 측면에서 자동화 위험률이 낮은 하위 20개 작업 리스트	162
<표 4-20> 사회경제적 측면을 고려했을 때, 자동화 위험률이 높은 상위 20개 작업 리스트	165
<표 4-21> 사회경제적 측면을 고려했을 때, 자동화 위험률이 낮은 하위 20개 작업 리스트	166
<표 4-22> 기술적 측면에서 직업의 자동화 위험률 상위 30과 하위 30개	171
<표 4-23> 사회경제적 측면에서 직업의 자동화 위험률 상위 30과 하위 30개 	174
<표 4-24> 기술적 대체 확률: 산업별 직업 대체 확률 분포 (각 산업의 총 직업 수를 100%로 환산하여 계산)	179
<표 4-25> 사회경제적 대체 확률: 산업별 직업 대체 확률 분포 (각 산업의 총 직업 수를 100%로 환산하여 계산)	185
<부표 2-1> 인공지능 특허분포벡터와 거리가 가까운 직업 list(상위 30개)	249
<부표 2-2> 인공지능 특허분포벡터와 거리가 가까운 직업 list(하위 30개)	252
<부표 4-1> ‘기술적 대체확률’ (상위 150개)	261
<부표 4-2> ‘사회경제적 대체확률’ (상위 150개)	269
<부표 4-3> ‘기술적 대체확률’ (하위 150개)	277
<부표 4-4> ‘사회경제적 대체확률’ (하위 150개)	285
<부표 5-1> ‘기술적 대체확률’ 양의 관계 KSA값 (상위 150개)	293
<부표 5-2> ‘사회경제적 대체확률’ 양의 관계 KSA값 (상위 150개)	311
<부표 5-3> ‘기술적 대체확률’ 부의 관계 KSA값 (상위 150개)	327
<부표 5-4> ‘사회경제적 대체확률’ 부의 관계 KSA값 (상위 150개)	344
<부표 5-5> ‘기술적 대체확률’ 양의 관계 KSA값 (하위 150개)	360
<부표 5-6> ‘사회경제적 대체확률’ 양의 관계 KSA값 (하위 150개)	376
<부표 5-7> ‘기술적 대체확률’ 부의 관계 KSA값 (하위 150개)	395
<부표 5-8>‘사회경제적 대체확률’ 부의 관계 KSA값 (하위 150개)	412
<부표 7-1> 직업별 자동화 위험률 순위 (기술적 측면만을 고려할 경우)	451
<부표 7-2> 직업별 자동화 위험률 순위 (사회경제적 측면을 고려할 때)	467
[그림 1-1] 데이터 기반 미래기술 숙련 전망 방법	10
[그림 3-1] 논문과 특허 데이터를 시각적으로 연결한 형태	45
[그림 3-2] OTC 프로그램의 개념도	46
[그림 3-3] 연구의 분석 프로세스 개요도	51
[그림 3-4] 미국 직업정보시스템 O*NET Online	52
[그림 3-5] O*NET 콘텐츠 모델	53
[그림 3-6] O*NET-SOC 2019 직업 분류(taxonomy) 구조	54
[그림 3-7] 데이터 예시: 기술 스킬(Technology Skills)	58
[그림 3-8] 특허 예시	62
[그림 3-9] CPC 인덱싱 예시	66
[그림 3-10] 데이터 예시: CPC 코드별 파싱결과	67
[그림 3-11] 텍스트 문서의 벡터 변환	68
[그림 3-12] FastText 모델의 n=3 문자단위 n-gram 예시	70
[그림 3-13] BERT 모델의 Pre-training 및 Fine-tuning 절차	71
[그림 3-14] 연구의 분석 개요	72
[그림 3-15] 직업 속성 학습 절차	73
[그림 3-16] CPC 코드 학습 절차	74
[그림 3-17] 직업 속성-CPC 코드 교차 학습 절차	75
[그림 3-18] 임베딩 벡터 기반 직업 속성 CPC 코드 비교 (샘플 분석)	80
[그림 3-19] 연도별 출원특허의 CPC 코드 비중(서브클래스 단위)	84
[그림 3-20] 연도별 출원특허의 CPC 코드 비중(메인그룹 단위)	85
[그림 3-21] 직업-인공지능 분포 벡터간 거리 비교 데이터 기초통계 (1)	90
[그림 3-22] 직업-인공지능 분포벡터간 거리 비교 데이터 기초통계 (2)	91
[그림 4-1] 노동 생산성 증가, G7 국가 (%, 연평균 증가율)	103
[그림 4-2] Frey and Osborne(2013) 연구에서 사용된 병목지표	109
[그림 4-3] Frey and Osborne(2013)의 연구에서 사용된 분류기의 결과	110
[그림 4-4] 컴퓨터화 확률 분포에 따른 산업별 고용자 수 분포	111
[그림 4-5] 이항분류(Binary Classification)를 위한 딥러닝 모델 개념도	115
[그림 4-6] 코더 간 신뢰도 검증의 절차 개념도	116
[그림 4-7] 사전조사 ICR 값의 변화 결과	128
[그림 4-8] 기술적 측면의 사전조사 네트워크 분석 결과	130
[그림 4-9] 사회경제적 측면의 사전조사 네트워크 분석 결과	131
[그림 4-10] 사전조사 ICR 값의 변화 결과(전문가 F, M, N 제외)	132
[그림 4-11] 조사 참가자의 응답 분포	149
[그림 4-12] 딥러닝 모델 활성함수 예시	155
[그림 4-13] 본 연구에서 사용된 딥러닝 모델의 구조	156
[그림 4-14] 딥러닝모델 학습효율 시뮬레이션 결과	157
[그림 4-15] 인공지능 도입으로 인한 작업의 대체확률 분포	159
[그림 4-16] 인공지능 도입으로 인한 작업의 대체확률 등고지도	168
[그림 4-17] 인공지능 도입으로 인한 직업의 대체확률 분포	169
[그림 4-18] 인공지능 도입으로 인한 직업의 대체확률 등고지도	177
[그림 4-19] 공동체 및 사회서비스와 법률 부문 직업 자동화 위험 분포	180
[그림 4-20] 예술, 디자인, 환경, 스포츠 및 미디어 부문 직업 자동화 위험 분포	181
[그림 4-21] 음식준비 및 제공 부문 직업 자동화 위험 분포	182
[그림 4-22] 생산부문 직업 자동화 위험 분포	183
[그림 4-23] 의료종사자 및 의료기술자 부문 직업 자동화 위험 분포	186
[그림 4-24] 사무 및 행정지원 부문 직업 자동화 위험 분포	187
[그림 4-25] 교육 및 사서부문 직업 자동화 위험 분포	189
[그림 4-26] 경영 부문 직업 자동화 위험 분포	190
[그림 4-27] 사업 및 금융운영 부문 직업 자동화 위험 분포	192
[그림 4-28] 기술적 대체 확률: 산업별 직업 대체 확률 분포(각 산업의 총 직업 수를 100%로 환산하여 계산)	193
[그림 4-29] 사회경제적 대체 확률: 산업별 직업 대체 확률 분포(각 산업의 총 직업 수를 100%로 환산하여 계산)	194
[부도 1-1] O*NET 직업 속성(Job Description) – CPC 코드 코사인 유사도 (일부)	245
[부도 1-2] O*NET 직업 속성(Knowledge) – CPC 코드 코사인 유사도 (일부)	246
[부도 1-3] O*NET 직업 속성(Task) – CPC 코드 코사인 유사도 (일부)	246
[부도 1-4] O*NET 직업 속성(Technology Skill) – CPC 코드 코사인 유사도 (일부)	247
[부도 1-5] O*NET 직업 속성(Tools used) – CPC 코드 코사인 유사도 (일부)	248
[부도 6-1] 경영 부문 직업 자동화 확률 (Management)	431
[부도 6-2] 사업 및 금융 운영 부문 직업 자동화 확률 (Business and Financial Operations)	432
[부도 6-3] 컴퓨터 및 수리 부문 직업 자동화 확률 (Computer and Mathematical)	433
[부도 6-4] 건축 및 공학 부문 직업 자동화 확률 (Architecture and Engineering)	434
[부도 6-5] 생명과학, 물리학, 그리고 사회과학 부문 직업 자동화 확률 (Life, Physical, and Social Science)	435
[부도 6-6] 공동체 및 사회서비스 부문과 법률 부문 직업 자동화 확률 (Community and Social Service + Legal)	436
[부도 6-7] 교육 및 도서관 부문 직업 자동화 확률 (Education Instruction and Library)	437
[부도 6-8] 예술, 디자인, 환경, 스포츠, 미디어 부문 직업 자동화 확률 (Art, Design, Environment, Sports, and Media)	438
[부도 6-9] 보건의료 전문의 및 기술사 부문 직업 자동화 확률 (Healthcare Practitioners and Technical)	439
[부도 6-10] 의료지원과 보호관련 서비스 부문 직업 자동화 확률 (Healthcare Support + Protective Service)	440
[부도 6-11] 음식 준비 및 제공관련 서비스 부문 직업 자동화 확률 (Food Preparation and Serving Related)	441
[부도 6-12] 건물 및 지면 청소･관리 부문 직업 자동화 확률 (Building and Grounds Cleaning and Maintenance)	442
[부도 6-13] 개인 미용 및 돌봄 서비스 부문 직업 자동화 확률 (Personal Care and Service Occupations)	443
[부도 6-14] 판매 및 관련 서비스 부문 직업 자동화 확률 (Sales and Related)	444
[부도 6-15] 사무 및 행정지원 부문 직업 자동화 확률 (Office and Administrative Support)	445
[부도 6-16] 농업･어업･임업 부문 직업 자동화 확률 (Farming, Fishing, and Forestry)	446
[부도 6-17] 건설 및 추출 부문 직업 자동화 확률 (Construction and Extraction)	447
[부도 6-18] 설치 ･ 관리 ･ 수리 부문 직업 자동화 확률 (Installation, Maintenance, and Repair)	448
[부도 6-19] 생산 부문 직업 자동화 확률 (Production)	449
[부도 6-20] 교통 및 물류 부문 직업 자동화 확률 (Transportation and Material Moving)	450