Для цитирования:
Khokhlova O. A., Khokhlova A. N. Analysis of technological trends to identify skills that will be in demand in the labor market with open-source data using machine learning methods [Хохлова О. А., Хохлова А. Н. Анализ технологических трендов для выявления востребованных в будущем навыков на рынке труда по данным из открытого источника с использованием методов машинного обучения] // Известия Саратовского университета. Новая серия. Серия: Математика. Механика. Информатика. 2022. Т. 22, вып. 1. С. 123-129. DOI: 10.18500/1816-9791-2022-22-1-123-129, EDN: OJTLCA
Analysis of technological trends to identify skills that will be in demand in the labor market with open-source data using machine learning methods
[Анализ технологических трендов для выявления востребованных в будущем навыков на рынке труда по данным из открытого источника с использованием методов машинного обучения]
Дальнейшее развитие общества напрямую зависит от использования технологий, связанных с обработкой массивов данных и выявления закономерностей компьютерными средствами. В данном исследовании методы машинного обучения позволили провести анализ технологических трендов по большим данным из открытого источника о патентах, позволяющих предсказать в будущем навыки, востребованные на рынке труда. Это имеет важное значение в условиях стремительного развития технологий, приводящих к масштабным технологическим изменениям, меняющим социальные условия жизни человечества в целом, требования к навыкам людей, которые в дальнейшем вызовут возникновение новых специальностей и исчезновение существующих ныне профессий. С этой целью в работе построены предиктивные регрессионные модели групп патентов согласно Международной патентной классификации при помощи методов машинного обучения — классических методов прогнозирования, таких как наивное прогнозирование, простое экспоненциальное сглаживание и ARIMA. В результате сравнения качества построенных моделей и выбора лучшей были выявлены модели ARIMA, показывающие: «угасающие» технологии, если происходит снижение числа патентов; перспективные технологические направления, если наблюдается стабильный рост; или «прорывные» технологии, если произошел резкий рост за последние годы. Входными переменными моделей явились ряды динамики патентов разных классов в виде исторических данных, выходными — прогнозные значения числа патентов этих классов определенного технологического тренда. Алгоритм реализовывался на высокоуровневом языке программирования Python. Результаты исследования позволят органам власти, работодателям, образовательным учреждениям и т. д. сделать прогноз востребованности ныне существующих, а также новых профессиональных навыков и компетенций на рынке труда.
- Brownlee J. Comparing Classical and Machine Learning Algorithms for Time Series Forecasting. Available at: https://machinelearningmastery.com/findings-comparing-classical-and-machine-learning-methods-for-time-series-forecasting/ (accessed 28 August 2021).
- Kuhn M., Johnson K. Applied Predictive Modeling. New York, Springer Science+Business Media, 2013. 600 p. https://doi.org/10.1007/978-1-4614-6849-3
- 1823 просмотра