CC BY
41
Перспективы Науки и Образования
Международный электронный научный журнал ISSN 2307-2334 (Онлайн)
Адрес выпуска: https://pnojournal.wordpress.com/2023-2/23-01/ Дата поступления: 04.08.2022 Дата публикации: 28.02.2023
В. А. Гуртов, Е. А. Питухин, Л. В. Щеголева
Сопоставительный анализ профессий в сфере искусственного интеллекта на основе компетентностного подхода
Введение. В последнее время актуальными становятся задачи обеспечения бурно развивающейся сферы искусственного интеллекта (далее - ИИ) профессиональными кадрами. Из-за недостаточной насыщенности рынка труда такими специалистами, подготовка кадров является основным способом решения поставленной проблемы. Для этого необходимо ответить на вопрос, сколько и по каким профессиям следует готовить специалистов в сфере ИИ, с учетом наличия у этих профессий пересекающихся компетенций. Отсутствие общепризнанной терминологии в наименованиях профессий и компетенций в сфере ИИ не позволяет корректно оценивать кадровую потребность путем прямого мониторинга вакансий работодателей и затрудняет планирование подготовки специалистов для сферы ИИ. Целью исследования является систематизация компетенций и профессий в сфере ИИ на основе сопоставительного анализа профессиональных компетенций соответствующих профессий в ведущих российских ИТ-компаниях с профессиональными компетенциями соответствующих профессий рынка труда Евросоюза и США.
Материалы и методы. Материалами исследования послужили данные Интернет-сайтов для поиска работы об актуальных вакансиях по базовым специализациям ИТ-индустрии. Основой российского перечня профессий и компетенций в сфере Data Science стало семейство из шести специальностей в области ИИ, сформированное «Альянсом» - центром развития искусственного интеллекта в России, объединяющим ведущие российские ИТ-компании. При формировании перечня компетенций для профессий в сфере ИИ в США был использован информационный ресурс Бюро трудовой статистики США; для профессий в Евросоюзе - информационный ресурс «Европейская многоязычная классификация навыков, компетенций и профессий».
Результаты исследования. В рамках проведённых исследований была разработана научно-обоснованная методика сопоставления профессий из разных национальных классификаторов профессий на основе компетентностного подхода. С ее помощью были построены матрицы соответствия профессий Альянса с профессиями США и Евросоюза. Для каждой профессии Альянса были выделены наиболее близкие по компетенциям профессии на рынке труда в сфере ИИ Евросоюза и США. В результате анализа было выявлено, что из шести рассматриваемых Альянсом семейств базовых профессий по названию совпадает с зарубежными только одна профессия «Data Scientist». Для остальных профессий Альянса доля совпадения компетенций третьего уровня в профессиях Евросоюза и США составляет от 0,33 до 1.
Обсуждение и заключение. Результаты сопоставительного анализа профессий и компетенций могут быть использованы для поиска вакансий на сайтах поиска работы. Количественная оценка вакансий позволит построить прогноз кадровой потребности в сфере ИИ. Полученные результаты могут быть полезны при разработке профессиональных стандартов для профессий ИИ, а также образовательных программ подготовки специалистов в сфере ИИ.
Ключевые слова: подготовка специалистов, искусственный интеллект, ИТ-компании, новые профессии, кадровая потребность, профессиональные компетенции, компетентностный подход, сопоставительный анализ
Ссылка для цитирования:
Гуртов В. А., Питухин Е. А., Щеголева Л. В. Сопоставительный анализ профессий в сфере искусственного интеллекта на основе компетентностного подхода // Перспективы науки и образования. 2023. № 1 (61). С. 142-160. doi: 10.32744^е.2023.1.9
Perspectives of Science & Education
International Scientific Electronic Journal ISSN 2307-2334 (Online)
Available: https://pnojournal.wordpress.com/2023-2/23-01/ Accepted: 4 August 2022 Published: 28 February 2023
V. A. Gurtov, E. A. Pitukhin, L. V. Shchegoleva
Comparative analysis of professions in the field of artificial intelligence based on the competence approach
Introduction. Recently, the tasks of providing the rapidly developing field of artificial intelligence (hereinafter - AI) with professional personnel have become really urgent. Due to the insufficient saturation of the labor market with such specialists, training is the main way to solve the problem. Therefore, in order to do this, it is necessary to answer the question of how many and in which professions specialists in the field of AI should be trained, taking into account the presence of overlapping competencies in these professions. The lack of generally recognized terminology in the names of professions and competencies in the field of AI does not allow for the correct assessment of personnel needs by direct monitoring of employers' vacancies and makes it difficult to plan the training of specialists for the field of AI. The purpose of this particular study is to systematize the competencies and professions in the field of AI based on a comparative analysis of the professional competencies of the relevant professions in leading Russian IT-companies with the professional competencies of the relevant professions of the labor market of the European Union and the USA
Materials and methods. The materials of the study were as follows: data from Internet sites for job search about current vacancies in the basic specializations of the IT-industry. The basis of the Russian list of professions and competencies in the field of Data Science is a family of six specialties in the field of AI, formed by the "Alliance", the center for the development of artificial intelligence in Russia, uniting leading Russian IT-companies. While forming the list of competencies for AI professions in the USA, the information resource of the US Bureau of Labor Statistics was used; as for professions in the European Union - the information resource "European multilingual classification of skills, competencies and professions" was taken as the recourse of the material.
Results of the study. Within the framework of the conducted research, a scientifically based methodology was developed for comparing professions from different national classifiers of professions based on a competence-based approach. With its help, matrices of correspondence of the Alliance's professions with the professions of the USA and the European Union were built. For each profession of the Alliance, the professions closest in competence in the labor market in the field of AI in the European Union and the United States were identified. As a result of the analysis, it was revealed that only one profession "Data Scientist" (among six "families" of basic professions considered by the Alliance) coincides with foreign ones by name. As for the other professions of the Alliance, the proportion of coincidence of third-level competencies in the professions of the European Union and the United States ranges from 0.33 to 1.
Discussion and conclusion. The results of a comparative analysis of professions and competencies may be used for the vacancies search on job search sites. A quantitative assessment of vacancies will allow to build a forecast of personnel needs in the AI-field. The results obtained can be useful in the development of professional standards for professions and, as well as educational programs for training specialists in the AI-sphere.
Keywords: training of specialists, artificial intelligence, IT-companies, new professions, personnel need, professional competencies, competence approach, comparative analysis
For Reference:
Gurtov, V. A., Pitukhin, E. A., & Shchegoleva, L. V. (2023). Comparative analysis of professions in the field of artificial intelligence based on the competence approach. Perspektivy nauki i obrazovania -Perspectives of Science and Education, 61 (1), 142-160. doi: 10.32744/pse.2023.1.9
_Введение
важность использования технологий искусственного интеллекта (ИИ) трудно переоценить. Искусственный интеллект активно используется в производственной сфере, в электроэнергетике, в банках, на транспорте, в логистике, в торговле, в сельском хозяйстве, в ЖКХ, в криминалистике, в здравоохранении, в спорте и в других сферах экономики [1].
Отчет Еврокомиссии «Academic Offer of Advanced Digital Skills in 2019-20. International Comparison» [2] посвящен обзору положения в разрезе стран и континентов ситуации в сфере ИИ и подготовке кадров ведущими университетами для этой области. Исследование направлено на поддержку политических инициатив по обеспечению доступности в странах ЕС адекватного образовательного предложения для рынка труда по передовым цифровым навыкам в областях искусственного интеллекта, высокопроизводительных вычислений, кибербезопасности и науки о данных. В нем анализируется количество программ подготовки, предлагаемых в этих областях, с учетом различий, основанных на объеме программы или глубине, с которой образовательные программы охватывают технологическую область, уровень программы, а также области содержания, охватываемые программами.
В отчете Организации экономического и социального развития «Demand for AI skills in jobs: Evidence from online job postings» [3] приведены результаты исследований по определению спроса на компетенции в профессиях в сфере ИИ. В этом отчете представлены новые данные о профессиях, требующих компетенций, связанных с искусственным интеллектом (ИИ), основанные на данных онлайн-объявлений о вакансиях и предыдущей работе по выявлению и измерению достижений в области ИИ. В нем отмечается, что общее количество рабочих мест, связанных с искусственным интеллектом, со временем увеличилось в четырех рассматриваемых странах - Канаде, Сингапуре, Соединенном Королевстве и Соединенных Штатах - и что растущее число рабочих мест требует множества навыков, связанных с искусственным интеллектом.
Ежегодный обзор Стендфорского университета «Artificial Intelligence Index Report 2022» [4] измеряет и оценивает быстрые темпы продвижения искусственного интеллекта во всех странах мира от исследований и разработок до технических характеристик и этики, экономики и образования, политики и управления в области искусственного интеллекта и многого другого. В главе «Экономика и образование» вначале рассматривается влияние ИИ на рабочие места, включая наем, спрос на рабочую силу и уровень освоения компетенций, за которым следует анализ корпоративных инвестиций в ИИ. В заключительном разделе обсуждаются выпускники бакалавриата по информатике (CS) и аспиранты, специализирующиеся в дисциплинах, связанных с искусственным интеллектом.
Значимость сферы искусственного интеллекта признается в России на федеральном уровне. Государственная поддержка развития технологий искусственного интеллекта отражена в документах и программах Правительства России, таких как: Национальная программа «Цифровая экономика Российской Федерации» (http://static. government.ru/media/files/urKHm0gTPPnzJlaKw3M5cN Lo6gczMkPF.pdf); Федеральный проект «Искусственный интеллект» (https://xn--80aapampemcchfmo7a3c9ehj.xn--p1ai/ projects/tsifrovaya-ekonomika/p-iskusstvennyy-intellekt-p); Национальная стратегия раз-
вития технологий искусственного интеллекта на период до 2030 года. ^Мр^Т^^. kremlin.ru/media/events/files/ru/AH4x6HgKWANwVtMOfPDhcbRpvd1HCCsv.pdf)
Ключевым элементом реализации государственных программ и дальнейшего развития и применения технологий искусственного интеллекта являются профессиональные кадры в сфере искусственного интеллекта. В тоже время, 34% компаний ИИ сферы отмечают недостаток квалифицированных ИИ специалистов на российском рынке труда [5]. В задачи государства входит подготовка таких кадров. Для эффективного управления подготовкой необходима актуальная информация о потребностях рынка в специалистах в области ИИ, как на текущий момент времени, так и прогнозные значения показателей кадровой потребности на несколько лет вперед с оценкой изменения экономики страны.
Классический и широко применяемый метод прогнозирования потребности экономики в кадрах в разрезе профессий использует макроэкономическую модель, опирающуюся на статистические показатели о темпах роста экономики, среднегодовой численности работников по профессиям и производительности труда [6; 7]. Проблема использования этого подхода для кадрового прогнозирования в сфере искусственного интеллекта заключается в том, что эти показатели отсутствуют в текущей статистике.
Другой метод прогнозирования включает исследование динамики вакансий, заявленных работодателями, и резюме соискателей работы в сфере искусственного интеллекта. При использовании этого метода наблюдается проблема, связанная с отсутствием формализованных названий профессий в области ИИ. Работодатели формируют описания вакансий по ИИ, включая в них требования к знаниям, умениям и навыкам, но называют эти вакансии произвольным образом. Соискатели, оформляющие резюме, также описывают свои знания, умения и опыт работы, используя различную терминологию в наименовании профессии. Это значительно затрудняет сбор и обработку информации о вакансиях и резюме для оценки текущей и ретроспективной потребности в различных специалистах ИИ.
Третий метод прогнозирования «по аналогии» опирается на сопоставление траекторий изменения потребностей в специалистах ИИ в других странах, где уровень развития и использования технологий ИИ опережает аналогичные показатели в России и является ориентиром для достижения. Для использования этого подхода необходима информация о динамике вакансий по профессиям ИИ, используемым в этих странах, и сопоставление их с профессиями в России.
В рамках объединения «Альянс в сфере искусственного интеллекта» (далее Альянс) ведется разработка базовой модели профессий и компетенций, в которой представлены востребованные 33 профессиональные компетенции в сфере ИИ. Компетенции распределены по шести группам профессий, которые, по мнению Альянса, являются ключевыми при разработке продуктов ИИ. Тем самым Альянс предложил названия новых шести групп профессий для российской сферы ИИ, по которым можно вести статистические наблюдения и формировать прогнозную кадровую потребность на рынке труда искусственного интеллекта. Сформулированные Альянсом названия профессиональных компетенций в строгом смысле слова не являются компетенциями, а представляют собой наименования узких областей знаний, что затрудняет сопоставление профессий в области ИИ в России и в других странах. В дальнейшем в тексте статьи под понятием «профессиональная компетенция» понимается способность успешно действовать на основе практического опыта, умения и знаний при решении профессиональных задач [8].
За рубежом активно исследуются вопросы текущей и перспективной кадровой потребности в сфере ИИ. В США и Евросоюзе ежегодно обновляется перечень востребованных профессий для сферы ИИ в разрезе видов экономической деятельности [4]. Используемые наименования профессий для ИИ закреплены в национальных и международных классификаторах для сферы занятости, где указаны компетенции, знания и умения для каждой профессии.
В Российской Федерации сформулировано только два профессиональных стандарта из области ИИ - «06.042 Специалист по большим данным» (https:// classinform.ru/profstandarty/06.042-spetcialist-po-bolshim-dannym.html) и «06.046 Специалист по моделированию, сбору и анализу данных цифрового следа» (https:// classinform.ru/profstandarty/06.046-spetcialist-po-modelirovaniiu-sboru-i-analizu-dannykh-tcifrovogo-sleda.html). Эти профессии охватывают лишь узкие области деятельности специалистов по ИИ, а основная часть ИИ-деятельности не представлена в виде отдельных профессий.
Отсутствие закрепленных наименований профессий из сферы ИИ на российском рынке труда не позволяет корректно проводить мониторинг и осуществлять анализ численности вакансий по этим профессиям, которые заявляются работодателями. Это затрудняет формирование показателей кадровой потребности в сфере ИИ, и, соответственно, планирование подготовки специалистов в сфере ИИ.
Наименования профессий, предложенных Альянсом, пока не стали широко используемыми. Так, например, на ресурсе «career.habr.com» для профессии Technical Analyst Data Science оказалось, что число вакансий равно нулю, а для профессии Data Architect равно одной вакансии. Максимальное число вакансий нашлось для профессии AI Project Manager - 261 вакансия, для профессии AI Architect - 86 вакансий. Кроме этого, предложенные наименования не имеют зарубежных аналогов. На международном ресурсе Indeed.com, позиционируемом как сайт №1 в мире для поиска работы, для профессии Project Manager AI нашлось 11 вакансий, Analytic AI - 1 вакансия, а для профессии Data Analysts, которая зарегистрирована в зарубежных реестрах - 14469 вакансий.
В тоже время около 50% работодателей, использующих или планирующих использовать технологии ИИ, отмечают недостаток специалистов с необходимыми компетенциями [9]. При этом оценить и спрогнозировать потребности рынка труда по наименованиям профессий Альянса напрямую не представляется возможным, требуется упорядочивание, формализация и согласование понятий.
Целью настоящей статьи является сопоставительный анализ профессиональных компетенций базовых профессий в сфере ИИ, предлагаемых ведущими российскими ИТ-компаниями (профессии Альянса), с профессиональными компетенциями базовых профессий в сфере ИИ рынка труда Евросоюза и США. В качестве гипотезы выдвигается предположение о возможности сопоставления профессий не по их наименованию, а по включенным в их описание знаниям и умениям.
Теоретическая новизна исследования заключается в разработке методики сопоставления профессий из разных классификаторов на основе компетенций, знаний и умений, включенных в описание профессий. Практическое использование предлагаемой методики позволит собирать статистическую информацию по вакансиям в разрезе профессий в рамках выбранного классификатора профессий, учитывая различия в наименовании профессий, используемых в исходных данных, предлагаемых российскими и зарубежными информационными системами о вакансиях на рынке тру-
да. Полученная таким образом статистическая информация далее будет использована для определения текущих и прогнозных значений показателей кадровой потребности с целью определения объемов подготовки соответствующих специалистов государственной системой образования.
Для достижения цели необходимо решить следующие задачи:
1. Провести сопоставительный компетенций для профессий, предлагаемых Альянсом, и профессий из сферы искусственного интеллекта Евросоюза и США.
2. Обобщить процедуру анализа в виде методики для сопоставления профессий из разных национальных классификаторов профессий.
Применение методики для сопоставления профессий в сфере ИИ позволит получить инструмент для формирования статистических данных по соответствующим вакансиям, на чем далее возможно построить прогноз кадровой потребности, и, на этой базе, осуществить научно-обоснованное планирование подготовки специалистов в сфере ИИ.
_Обзор литературы
Оказываемое влияние искусственного интеллекта на изменение кадровой потребности рынка труда развитых стран рассматривается в работах [10; 11], в частности, изменение спроса на кадры с компетенциями в сфере искусственного интеллекта в [12; 13].
В исследовании [14] анализируется дефицит компетенций в области интеллектуального анализа данных у современной производственной рабочей силы, чтобы определить важнейшие технические навыки и знания предметной области, необходимые для работы в области науки о данных и интеллектуального производства, которые очень востребованы в современной обрабатывающей промышленности.
Влияние цифровых технологий на ключевые тренды в формировании навыков для освоения профессий будущего рассматривается в работе [15]. В статье [16] обсуждаются проблемы, связанные с разработкой курсов по искусственному интеллекту в бизнес-школах, и предлагается учебная программа для бизнес-курса по ИИ для выпускников, в которой основы ИИ сочетаются с последними разработками в этой области.
Влияние развития искусственного интеллекта на подготовку кадров и их конкурентоспособность на рынке труда России исследуется в [17]. Отмечается, что во многих отраслях экономики искусственный интеллект стремительно ускоряет темпы вымирания старых традиционных профессий, формирует новые требования к работнику, формирует профессии будущего, создает конкуренцию на рынке труда. В [18] предложена система классификации технологий искусственного интеллекта для решения задач кадрового прогнозирования.
Трансформации профессий и изменениям занятости населения Российской Федерации в условиях четвертой промышленной революции посвящена статья [19]. Рассматривается влияние современных цифровых технологий на занятость населения, трансформация существующих профессий, приведены примеры существующих и возможных изменений для некоторых профессий промышленного предприятия.
В работе [20] проанализированы изменения на рынке труда в России. Показано влияние технологий четвертой промышленной революции на характер рынка труда. Сделаны выводы и даны рекомендации по совершенствованию подготовки специалистов высшей квалификации в российских вузах.
В работе М.А. Измайловой [21] проанализированы проблемы современного общества, продуцированные эпохой искусственного интеллекта. Выявлена динамика рынка искусственного интеллекта. Показано отставание российской экономики от передовых стран в использовании технологий искусственного интеллекта. Установлены проблемы интегрирования искусственного интеллекта в бизнес-среду и образовательную сферу. Сделан вывод о высокой ответственности высшего образования за подготовку кадров, соответствующих эпохе искусственного интеллекта.
Вопросы подготовки кадров с компетенциями в сфере ИИ с учетом возрастания в них потребности вследствие цифровизации находят отражение в ряде работ представителей вузов. В [22] авторы проанализировали учебные дисциплины в нескольких вузах и сформировали список результатов обучения, связанных с искусственным интеллектом, которые можно рассматривать как востребованные на рынке труда компетенции. Объективность цифровой трансформации высшего образования в России, плюсы и проблемные аспекты цифровизации, с учетом мирового и передового российского опыта, раскрываются в статье [23].
Актуальные вопросы подготовки научных и инженерных кадров в области разработки и внедрения современных информационных технологий и в первую очередь в разработке и внедрении технологий искусственного интеллекта и программирования рассматриваются в [24]. Статья [25] посвящена описанию основных характеристик профиля «Кибербезопасность и искусственный интеллект» для направления подготовки 02.03.02 Фундаментальная информатика и информационные технологии (ФИИТ). Рассмотрены концепция и история создания базового направления ФИИТ, его назначение как многопрофильного стандарта, предназначенного для подготовки высококвалифицированных ИТ-профессионалов по широкому спектру ИТ-направлений.
Отмечается важность формирования цифровых компетенций для нового поколения выпускников инженерных специальностей. Представление опыта выпускающей кафедры в формировании востребованных в цифровом машиностроении компетенций будущего инженера осуществлено в [26]. В работе [27] описывается содержание блока дисциплин «Цифровая культура», направленного на формирование компетенций в области 1Т, который изучают студенты бакалавриата и магистратуры. Статья [28] посвящена исследованию модели подготовки специалистов в области искусственного интеллекта в местных вузах на фоне новых политехнических наук. Показывается, что для разработки новых технологий и новых производств необходима подготовка элитных специалистов в области искусственного интеллекта.
Значимость профессиональных компетенций в процессе подготовки ИТ-специалистов подтверждается экспертами в современных информационных технологиях. В [29] сформулированы ключевые аспекты стратегии подготовки высококвалифицированных и востребованных профессионалов в области обработки, хранения и анализа больших данных для быстрого и качественного решения актуальных задач цифровой трансформации и управления на основе данных, в [30] - для сферы искусственного интеллекта.
Несмотря на многие работы авторов, касающиеся влияния искусственного интеллекта на рынок труда, новые профессии и стандарты подготовки специалистов, недостаточно внимания уделяется содержательному анализу конкретных цифровых компетенций, которые наполняют содержание профессий в сфере искусственного интеллекта. Отсутствие систематизации профессий в сфере ИИ и соответствующих им компетенций ставит задачу разработки и создания методического инструментария для сопоставления профессий в разрезе профессиональных компетенций.
_Материалы и методы
Профессии, предлагаемые экспертами Альянса (https://a-ai.ru/ education/#methodology-proffession-model) - это результат обобщения опыта разработки продуктов в сфере искусственного интеллекта сотрудниками в крупных IT-компаниях и попытка выделить, формализовать трудовые функции таких специалистов через набор знаний и умений. Предложенные Альянсом названия групп профессий: аналитик данных (Data Scientist), инженер данных (Data Engineer), технический аналитик (TADS), архитектор данных (Data Architect), архитектор в области искусственного интеллекта (AI Architect), менеджер проектов в области искусственного интеллекта (AI PM), не встречаются в национальных и международных классификаторах профессий (кроме «Data Scientist»). Для каждой из шести профессии определены списки компетенций с указанием уровня владения (базовый, продвинутый, экспертный) (https://a-ai.ru/education/#methodology-proffession-model). Так как большая часть компетенций базового и продвинутого уровня присутствует почти в каждой профессии (см. табл. 1), то в качестве компетенций, характеризующих конкретную профессию, авторами были выбраны компетенции только экспертного уровня.
Таблица 1
Число компетенций в профессиях Альянса (рассчитано авторами на основе информации из ресурса https://a-ai.rU/education/#methodology-proffession-model)
Профессии Альянса Количество компетенций уровня 3 (экспертный) Количество компетенций уровня 2 (продвинутый) Количество компетенций уровня 1 (базовый) Всего
AI Analytic 3 24 1 28
AI Architect 8 19 2 29
AI Project Manager 1 13 2 16
Data Architect 8 17 2 27
Data Engineer 8 19 0 27
Data Scientist 14 14 1 29
Всего различных 26 34 5 36
Для сравнительного анализа были выбраны приоритетные профессии в сфере ИИ Евросоюза и США [4], представленные в национальных и международных классификаторах занятий.
Для формирования списка компетенций для профессий в сфере ИИ в США был использован информационный ресурс Бюро трудовой статистики США (https://www. bls.gov/); для профессий в Евросоюзе - информационный ресурс Европейской комиссии «Европейская многоязычная классификация навыков, компетенций и профессий» (https://esco.ec.europa.eu/en).
При описании профессий в Бюро трудовой статистики США (BLS) используется национальная система стандартной классификации профессий - Standard Occupational Classification (SOC) System (https://www.bls.gov/soc/). Полезным для исследования является также дочерний ресурс Бюро трудовой статистики, который называется Occupational Information Network (O*NET) (https://www.onetonline.org/) - информационная сеть о профессиях. Это бесплатная онлайн-база данных, содержащая сотни
описаний профессий, чтобы помочь студентам, ищущим работу лицам, предприятиям и специалистам по рекрутингу рабочей силы понять состояние спроса и предложения на рынке труда США.
Каждая профессия имеет объемное описание, включающее набор решаемых задач, трудовые функции, навыки, используемые инструменты, размер заработной платы и другое. Для сопоставления компетенций была использована информация из раздела описания профессии «Technology Skills».
Информационный ресурс Евросоюз ESCO работает как словарь, описывая, идентифицируя и классифицируя профессии и компетенции, имеющие значение не только для рынка труда ЕС, но и для образования и обучения. Эти понятия и отношения между ними могут быть поняты электронными системами, что позволяет различным онлайн-платформам использовать ЭСКО для оказания таких услуг, как подбор соискателей к вакансиям на основе их навыков, предложение тренингов людям, которые хотят переквалифицироваться или повысить квалификацию и т.д. Основные профессиональные компетенции профессии лежат в полях «Essential Skills and Competences» (основные навыки и компетенции) и «Essential Knowledge» (основные знания).
В дальнейшем профессии и компетенции, представленные в этих трех информационных ресурсах (Альянса, США и Евросоюза), были использованы для сопоставления и анализа. Так как дословные совпадения названий профессий в этих трех ресурсах отсутствуют, то выбор профессий для сопоставления осуществлялся по следующему алгоритму:
1. Выбирается одна из 6 профессий Альянса, и по ее названию осуществляется поиск профессии на выше описанных информационных ресурсах США и Евросоюза.
2. В полученном списке профессий США и Евросоюза экспертным путем выбираются наиболее близкие для профессии Альянса по трудовым функциям профессии.
3. Для каждой такой близкой профессии формируется множество профессиональных компетенций, в т. ч. знаний, умений и навыков работы с инструментами в сфере ИИ.
По указанному алгоритму, были собраны три массива данных: профессии Альянса, профессии США и профессии Евросоюза. Каждый массив данных содержал название профессии с шифром из классификатора и список компетенций.
На основе этих массивов было проведено сопоставление профессий по их компетенциям. Так как названия компетенций также имеют разные формулировки с разной детализацией, то сопоставление компетенций также проводилось экспертным путем. Затем были разработаны матрицы сопоставления компетенций Альянса с компетенциями профессий США и с компетенциями и знаниями профессий Евросоюза. На основе этих матриц, исходя из предположения равноценности компетенций в рамках профессии, были проведены расчеты долевого пересечения профессий по компетенциям.
При расчетах числа совпадений компетенций в парах профессий возможны два подхода: с точки зрения компетенций Евросоюза и США или с точки зрения компетенций Альянса. Расчеты были проведены с обеих позиций. В статье приведены числовые результаты с позиции компетенций Альянса.
_Результаты исследования
Из числа приоритетных профессий Евросоюза в сфере информационно-коммуникационных технологий, представленных в работе [4], авторами были отобраны 7 профессий. Кроме них в рамках реализации алгоритма поиска была отобрана еще одна профессия «1330.7 Project Manager», близкая по наименованию к профессии Альянса «AI Project Manager». Поскольку по компетенциям эта профессия не пересекалась ни с одной из профессий Альянса, так как содержала компетенции и знания исключительно экономического характера, не представленные в компетенциях Альянса, в дальнейшем она была исключена из матриц сопоставления.
Для каждой профессии Евросоюза были сформированы два списка: умения («Essential skills and competences») и знания («Essential Knowledge»). Сопоставление компетенций Альянса проводилось отдельно с умениями и со знаниями профессий Евросоюза. Далее в целях обобщенного подхода к шагам методики сопоставления будем называть умения («Essential skills and competences») и знания («Essential Knowledge») профессий Евросоюза общим словом компетенции, без привязки к строгому определению термина компетенция.
Сопоставление названий компетенций показало, что одна и та же компетенция профессий Альянса могла соответствовать нескольким компетенциям профессий Евросоюза и наоборот. Например, компетенции Альянса «Качество данных, подходы и инструменты (Data quality, approaches and tools)» соответствуют две компетенции профессий Евросоюза «Define data quality criteria» и «Implement data quality processes». А компетенции профессий Евросоюза «Manage database» соответствуют компетенции Альянса «SQL базы данных (GreenPlum, Postgres, Oracle) (Relational database)» и «NoSQL Базы данных (Cassandra, MongoDB, ElasticSearch, Neo4J, Hbase) (NoSQL and Graph database)».
Матрица компетенций профессий Альянса включает 36 компетенций, к третьему уровню относятся только 26 компетенций. Из них удалось найти сопоставление с Евросоюзом для 18 компетенций и умений («Essential skills and competences»), и для 15 знаний («Essential Knowledge»).
Из 72 умений для профессий Евросоюза сопоставление с компетенциями профессий Альянса было найдено только для 33, а из 37 знаний для профессий Евросоюза соответствие было найдено только для 18.
На основе матрицы соответствия между компетенциями были построены две таблицы соответствия профессий Альянса и профессий Евросоюза - по умениям (Таблица 2) и по знаниям (Таблица 3). В ячейках таблиц 2 и 3 указано, сколько совпадающих компетенций есть у каждой пары профессий. Строка «Общее количество компетенций» содержит количество компетенций третьего уровня в каждой профессии Альянса. Строка «Есть в умениях профессий Евросоюза» содержит количество компетенций Альянса из числа компетенций третьего уровня, которые встретились хотя бы в одной профессии из перечисленных в первом столбце. Столбец «Всего различных» содержит количество компетенций Альянса из числа компетенций третьего уровня, которые встретились в каждой профессии Евросоюза. Это значение в каждой строке не равно сумме значений в столбцах 2-7, так как одна и та же компетенция может присутствовать в нескольких профессиях Альянса.
Таблица 2
Матрица соответствия профессий Альянса и профессий Евросоюза по умениям -количество сопоставленных компетенций Альянса (составлено авторами)
Профессии Альянса
Всего
Профессии Евросоюза AI AI AI Project Data Data Data различных
Analytic Architect Manager Architect Engineer Scientist компетенций
2511.10 ICT intelligent systems designer 1 3 1 3 2 1 4
2511.12 ICT system analyst 1 4 1 2 1 2 6
2511.2 Data analyst 0 4 0 6 4 7 13
2511.3 Data scientist 0 2 0 4 4 6 10
2521.2 Database designer 1 3 1 3 2 2 5
2521.5 Data warehouse 1 3 1 3 2 1 4
designer
2529.8 Knowledge engineer 1 3 1 3 2 2 5
Общее количество компетенций 3 8 1 8 8 14 26
Есть в умениях профессий Евросоюза 1 7 1 6 5 9 18
Доля в компетенциях Альянса 0,33 0,88 1 0,75 0,63 0,64 0,69
Максимальное пересечение по компетенциям имеет профессия «AI Project Manager». Ее единственная компетенция уровня 3 присутствует в нескольких профессиях Евросоюза. Далее идут «AI Architect» и «Data Architect». Это связано с тем, что многие профессии Евросоюза включают умения по работе с системами управления базами данных, с проектированием структур баз данных. В тоже время по профессиям Евросоюза наибольшее пересечение наблюдается с профессиями «2511.2 Data analyst» и «2511.3 Data scientist».
Полностью аналогичная картина наблюдается и для знаний (см. табл. 3).
Получается, что профессии «2511.2 Data analyst» и «2511.3 Data scientist» содержат большую часть компетенций Альянса. В тоже время профессия Альянса «Data Scientist» «закрывается» лишь на 71%, т.е. у Альянса требований к аналитику данных больше, чем в Евросоюзе. Для профессии Альянса Data Scientist среди неиспользованных компетенций в профессиях Евросоюза оказались «Анализ изображений и видео с помощью методов ИИ», «Массово параллельные вычисления для ускорения машинного обучения (GPU)», «Массово параллельная обработка и анализ данных», «Hadoop, SPARK».
Для США были выбраны 19 профессий (см. табл. 4). При этом две профессии Альянса «AI Project Manager» и «AI Analytic» оказались не связанными ни с одной из отобранных профессий США. В профессиях США реализовано лишь 42% компетенций Альянса. Самая «насыщенная» профессия это «15-1221.00 Computer and Information Research Scientists». Среди профессий Альянса наиболее реализована профессия «Data Engineer».
Таблица 3
Матрица соответствия профессий Альянса и профессий Евросоюза по знаниям -количество сопоставленных компетенций (составлено авторами)
Профессии Евросоюза Профессии Альянса
AI Analytic AI Architect AI Project Manager Data Architect Data Engineer Data Scientist Всего различных компетенций
2511.10 ICT intelligent systems designer 2 5 1 3 3 3 S
2511.2 Data analyst 1 5 1 4 4 5 11
2511.3 Data scientist 1 5 1 4 4 5 11
2521.2 Database designer 1 6 1 4 3 2 S
2521.5 Data warehouse designer 1 6 1 4 3 2 S
2529.8 Knowledge engineer 2 5 1 5 4 3 10
Всего компетенций в профессиях Альянса 3 S 1 S S 14 26
Есть в знаниях профессий Евросоюза 2 S 1 6 4 6 15
Доля в компетенциях Альянса 0,67 1 1 0,75 0,5 0,43 0,5S
Доля в компетенциях Альянса 0,33 0,SS 1 0,75 0,63 0,64 0,69
Таблица 4
Матрица соответствия профессий Альянса и профессий США - количество сопоставленных компетенций Альянса (составлено авторами)
Профессии США Профессии Альянса
AI Architect Data Architect Data Engineer Data Scientist Всего различных компетенций
11-2021.00 Marketing Managers 4 3 3 4 7
11-9041.00 Architectural and Engineering Managers 4 3 3 4 7
15-1221.00 Computer and Information Research Scientists 4 3 5 7 10
15-1243.00 Database Architects 7 6 6 S 9
15-1243.01 Data Warehousing Specialists 6 4 6 9 9
15-1244.00 Network and Computer Systems Administrators 4 3 4 6 7
15-1251.00 Computer Programmers 5 4 5 6 7
15-1252.00 Software Developers 4 3 3 7 6
15-1299.0S Computer Systems Engineers/Architects 4 3 4 6 7
15-1299.09 Information Technology Project Managers 4 3 4 6 7
15-2041.00 Statisticians 3 1 2 4 5
15-2051.01 Business Intelligence Analysts 5 4 4 6 7
17-2071.00 Electrical Engineers 1 0 1 2 2
17-2112.03 Manufacturing Engineers 1 0 1 2 2
17-2141.00 Mechanical Engineers 1 0 1 2 2
17-2199.08 Robotics Engineers 2 1 2 3 3
17-3023.00 Electrical and Electronic Engineering Technologists and Technicians 2 1 2 3 3
17-3026.00 Industrial Engineering Technologists and Technicians 2 1 1 2 2
43-4051.00 Customer Service Representatives 1 1 1 1 1
Всего компетенций в профессиях Альянса 8 8 8 14 26
Есть в компетенциях профессий США 4 3 5 7 11
Доля в компетенциях Альянса 0,50 0,38 0,63 0,50 0,42
_Интерпретация результатов
Анализируя полученные результаты, можно сказать следующее.
Профессия Альянса «Data Architect» по умениям на 75% реализована в профессии Евросоюза «2511.2 Data analyst», а по знаниям - на 63% в профессии «2529.8 Knowledge engineer» и на 65% в профессии США «15-1243.00 Database Architects».
Профессия Альянса «Data Engineer» по умениям и по знаниям на 50% реализована в профессиях Евросоюза «2511.2 Data analyst» и «2511.3 Data scientist», на 75% в профессиях США «15-1243.00 Database Architects», «15-1243.01 Data Warehousing Specialists».
Профессия Альянса «AI Architect» равномерно размазана по профессиям Евросоюза. По умениям ближе всего профессии «2511.12 ICT system analyst» и «2511.2 Data analyst» (50%), по знаниям - «2521.2 Database designer» и «2521.5 Data warehouse designer» (75%). По профессиям США наибольшее количество компетенций представлено в профессиях «15-1243.00 Database Architects» (88%) и «15-1243.01 Data Warehousing Specialists» (65%).
Профессия альянса «AI Analytic» очень слабо представлена в профессиях Евросоюза и не представлена в профессиях США.
Профессия Альянса «AI Project Manager» имеет только одну компетенцию уровня 3 «Процесс, стадии и методологии разработки решений на основе ИИ», которая соотнесена с некоторыми компетенциями профессий Евросоюза, что позволило ее соотнести с несколькими профессиями, но на очень «тонкой» связи. А с профессиями США эта профессия Альянса вообще не соотнесена.
Профессия Альянса «Data Scientist» отражена в профессии Евросоюза «2511.2 Data analyst» (50% по умениям и 36% по знаниям) и чуть меньше по умениям в профессии «2511.3 Data scientist» (43%). Наиболее близкими профессиями США оказались профессии «15-1243.01 Data Warehousing Specialists» (64%), «15-1243.00 Database Architects» (57%), «15-1221.00 Computer and Information Research Scientists» и «151252.00 Software Developers» (50%).
Для профессий США оказались невостребованными следующие компетенции профессий Альянса: «Методы машинного обучения», «Методы оптимизации», «Глубокое обучение», «Глубокое обучение c подкреплением», «Анализ изображений и видео с помощью методов ИИ», «Анализ естественного языка с помощью методов ИИ», «Виды
представления данных: табличные, графовые, временные ряды». А для профессий Евросоюза: «Hadoop, SPARK», «Анализ изображений и видео с помощью методов ИИ», «Массово параллельная обработка и анализ данных», «Массово параллельные вычисления для ускорения машинного обучения (GPU)», «Цифровая платформа анализа данных», «Шины данных (kafka)».
Обобщим действия, выполненные в результате анализа профессий ИИ, в виде методики для сопоставления профессий из разных национальных классификаторов профессий в рамках выбранной сферы деятельности.
1. Сформировать перечень из двух классификаторов профессий.
2. Выбрать сферу деятельности, для которой будет выполняться сопоставление профессий из выбранных классификаторов.
3. Выбрать один из классификаторов профессий в качестве основного. В этом классификаторе выбрать профессии, относящиеся к заданной сфере деятельности.
4. Для каждого классификатора найти источник информации - информационную базу, содержащую описание всех профессий, включающее перечень знаний, умений, навыков и компетенций для каждой профессии.
5. Для каждой отобранной профессии выполнить поиск профессий во втором классификаторе с использованием названия профессии и компетенций, входящих в эту профессию.
6. Для каждой отобранной профессии в полученном списке профессий выбрать наиболее близкие по трудовым функциям профессии.
7. Сформировать сквозные списки компетенций, знаний, умений, навыков по всем отобранным профессиям из основного классификатора и по всем выбранным профессиям из второго классификатора.
8. Построить матрицы соответствия компетенций, знаний, умений, навыков из полученного списка для основного классификатора соответственно компетенциям, знаниям, умениям, навыкам из полученного списка для второго классификатора.
9. Для каждой пары профессий (одна профессия - из основного классификатора профессий, вторая профессия - из второго классификатора профессий) рассчитать количество совпадений компетенций, знаний, умений, навыков для профессий основного классификатора. В результате будет построена матрица соответствия профессий второго классификатора профессиям основного классификатора.
10. Аналогично для каждой пары профессий (одна профессия - из основного классификатора профессий, вторая профессия - из второго классификатора профессий) рассчитать количество совпадений компетенций, знаний, умений, навыков для профессий второго классификатора. В результате будет построена матрица соответствия профессий основного классификатора профессиям второго классификатора.
11. Провести анализ результатов сопоставления по построенным матрицам соответствия.
Представленная методика может быть распространена для попарного сопоставления профессий из любого количества классификаторов профессий. Выше в тексте она была применена для сопоставления профессий Альянса с профессиями Евросоюза и США.
_Обсуждение результатов
Изменение технологий производства приводит к появлению новых требований к работникам. Несоответствие между навыками, требуемыми в прошлом, и навыками, которые потребуются в будущем, может привести к проблемам на производстве, отставанию экономики. Набор навыков или компетенций лежит в основе образовательных программ для подготовки кадров.
Для систематизации совокупности навыков разрабатываются таксономии навыков (классификаторы профессий). Наиболее известными из них являются O*Net и ESCO. Некоторые государства для повышения эффективности своей экономики разрабатывают свои таксономии [31] (Nesta, SFIA, SST и другие). Особенно это актуально для активно развивающихся областей экономики с неустоявшимися названиями профессий и новыми навыками.
До этого момента в литературе исследовались только вопросы, связанные с методами построения таксономий [32]. Рассматривались экспертный подход и анализ объявлений о вакансиях, предлагающий построение компетенций на основе более актуальной для бизнеса информации. Предлагаемая общедоступная таксономия [32] обеспечивает последовательный способ измерения спроса и предложения навыков, что может помочь работникам и студентам узнать больше о навыках, которые им необходимы, и о ценности этих навыков.
Наличие многих таксономий навыков ставит вопросы о соответствии их друг другу, о различиях требований к тем или иным профессиям в разных таксономиях. Настоящее исследование предлагает методику для сопоставления профессий из разных таксономий (классификаторов). Методика апробируется на актуальной на сегодняшний день сфере искусственного интеллекта, для которой предложена новая отечественная классификация профессий.
Заключение
В результате исследования сформулированы шаги методики для сопоставления профессий из разных классификаторов профессий на основе компетентностного подхода, включающего сопоставление компетенций, знаний и умений, содержащихся в описании профессии.
В процессе применения методики к профессиям из сферы ИИ было установлено, что в действующих реестрах профессий США и Евросоюза отсутствуют профессии, касающиеся исключительно искусственного интеллекта. При этом некоторые компетенции представлены в профессиях ИКТ и родственных им. Полученные на основе сопоставительного анализа результаты позволили найти сходства и различия в перечнях востребованных профессий в сфере ИИ для зарубежных и российского рынков труда, а также выделить базовое ядро профессиональных компетенций в сфере ИИ.
Построены матрицы соответствия профессий Альянса с профессиями США и Евросоюза, которые могут быть использованы для расчета объема вакансий в разрезе профессий в каждой из рассматриваемых стран в проекции на любой из выбранных классификаторов профессий. Количественная оценка вакансий позволит построить прогноз потребности в кадрах в сфере ИИ.
Анализ матриц соответствия показал следующее. Прямое сопоставление по названию предлагаемых Альянсом профессий и профессий США и Евросоюза возможно только для профессии «Data Scientist». Для остальных профессий Альянса доля представленности компетенций третьего уровня в профессиях Евросоюза и США распределена в диапазоне от 0,33 до 1. При этом профессии Альянса «AI Project Manager» и «AI Analytic» оказались не связанными ни с одной из отобранных профессий США. Наиболее представленной в профессиях США оказалась профессия Альянса «Data Engineer». Максимальное пересечение по компетенциям профессий Евросоюза имеют профессии Альянса «AI Project Manager» и «AI Architect».
Полученные результаты могут быть полезны при разработке профессиональных стандартов для профессий ИИ, путем включения в поля профстандарта «знания» и «умения» выявленных профессиональных компетенций профессий в сфере ИИ зарубежных рынков труда, а также, соответственно, результаты могут быть полезны при разработке ориентированных на профессиональные стандарты образовательных программ подготовки специалистов в сфере ИИ.
ЛИТЕРАТУРА
1. Технологии искусственного интеллекта (2019). Агентство промышленного развития Москвы. Москва. 156 с. URL: https://apr.moscow/content/data/5/ Технологии%20 искусственного%20интеллекта.pdf (дата обращения: 27.10.2022)
2. Righi R., Lopez Cobo M., Alaveras G., Samoili S., Cardona M., Vazquez-Prada Baillet M., Ziemba L.W. and De Prato, G. (2020). Academic Offer of Advanced Digital Skills in 2019-20. International Comparison, EUR 30351 EN, Publications Office of the European Union, Luxembourg.
3. Squicciarini M. and Nachtigall H. (2021). Demand for AI skills in jobs: Evidence from online job postings, OECD Science, Technology and Industry Working Papers, OECD Publishing, Paris.
4. Zhang D., Maslej N., Brynjolfsson E., Etchemendy J., Lyons T., Manyika J., Ngo H., Niebles J., Sellitto M., Sakhaee E., Shoham Y., Clark J., and Perrault R. (2022). The AI Index 2022 Annual Report. AI Index Steering Committee, Stanford Institute for Human-Centered AI, Stanford University.
5. Индекс готовности приоритетных отраслей экономики Российской Федерации к внедрению искусственного интеллекта (2021). Аналитический отчет. Аналитический центр при Правительстве Российской Федерации. МГУ имени М.В. Ломоносова.
6. Gurtov V.A., Pitukhin E.A. and Serova L.M. (2007). Modeling The Economy's Need for Professionally Trained Personnel. Studies on Russian Economic Development, 18, 622-633.
7. Гуртов В.А., Питухин Е.А. (2017). Прогнозирование потребностей экономики в квалифицированных кадрах: обзор подходов и практик применения // Университетское управление: практика и анализ, 21 (4), 130-155.
8. Зеер Э.Ф., Заводчиков Д.П. (2007). Идентификация универсальных компетенций выпускников работодателем // Высшее образование в России, 11б, 39-45.
9. Аналитический отчет «Индекс готовности приоритетных отраслей экономики Российской Федерации к внедрению искусственного интеллекта». URL: https://ai-index.ru/ (Дата доступа 27.10.2022)
10. Xie M., Ding L., Xia Y., Guo J., Pan J., Wang H. (2021). Does artificial intelligence affect the pattern of skill demand? Evidence from Chinese manufacturing firms. Economic Modelling, 96, 295-309. DOI: 10.1016/j. econmod.2021.01.009.
11. Yang C.-H. (2022). How Artificial Intelligence Technology Affects Productivity and Employment: Firm-level Evidence from Taiwan. Research Policy, 51(6), DOI: 10.1016/j.respol.2022.104536.
12. Alekseeva L., Azar J., Gine M., Samila S., Taska B. (2021). The demand for AI skills in the labor market. Labour Economics, 71, DOI: 10.1016/j.labeco.2021.102002.
13. Smaldone F., Ippolito A., Lagger J., Pellicano M. (2022). Employability skills: Profiling data scientists in the digital labour market. European Management Journal. DOI: 10.1016/j.emj.2022.05.005.
14. Li G., Yuan C., Kamarthi S., Moghaddam M., Jin X. (2021). Data science skills and domain knowledge requirements in the manufacturing industry: A gap analysis. Journal of Manufacturing Systems, 60, 692-706, DOI: 10.1016/j. jmsy.2021.07.007.
15. Yashkova E.V., Sineva N.L., Kuryleva O.I., Egorova A.O., Semenov S.V. (2020). The Impact Of Digital Technologies On Various Activity Spheres And Social Development. The 21st Century from the Positions of Modern Science: Intellectual, Digital and Innovative Aspects. Cham.
16. Xu J. J., Babaian T. (2021). Artificial intelligence in business curriculum: The pedagogy and learning outcomes. The International Journal of Management Education, 19(3), DOI: 10.1016/j.ijme.2021.100550.
17. Крикун В.П. (2021). Влияние развития искусственного интеллекта на подготовку кадров и их конкурентоспособность на рынке труда России // В сборнике: Инновационные подходы развития экономики и управления в XXI веке. ФГБОУ ВО ПГУПС, 44-48.
18. Гуртов В.А., Аверьянов А.О., Корзун Д.Ж., Смирнов Н.В. (2022). Система классификации технологий в сфере искусственного интеллекта для кадрового прогнозирования // Экономические и социальные перемены: факты, тенденции, прогноз, 15 (3), 126-146.
19. Шимохин А.В. (2020). Трансформация профессий и изменения занятости населения Российской Федерации в условиях четвертой промышленной революции // Теоретическая экономика, 67(7), 51-60.
20. Макаревич М.Л., Богатырева О.Н. (2019). Рынок труда и проблемы подготовки специалистов высшей квалификации в современной России // В сборнике: Трансформация бизнеса и общественных институтов в условиях цифровизации экономики. Сборник материалов национальной научно-практической конференции. Санкт-Петербург, 126-133.
21. Измайлова М.А. (2019). Эпоха искусственного интеллекта: постановка проблем для экономики и образования и поиск путей их решения // Экономика образования, 111(2), 4-19.
22. Pasko t., Mqdziel M., Stadnicka D., Dec G., Carreras-Coch A., Sole-Beteta X., Atzeni D. (2022). Plan and develop advanced knowledge and skills for future industrial employees in the field of artificial intelligence, internet of things and edge computing. Sustainability, 14(6), DOI: 10.3390/su14063312.
23. Горностаева А.Н., Горностаева И.Н. (2022). Образовательный потенциал цифровых технологий как совершенствование процесса обучения в вузе // Качество. Инновации. Образование, 178(2), 42-45.
24. Егоров А.А. (2021). Факультет информационных технологий и программирования (ФИТИП) университета ИТМО - кузница программистов международного уровня // Автоматизация и IT в энергетике, 146(9), 42-55.
25. Сухомлин В.А. (2021). Создание профиля "кибербезопасность и искусственный интеллект" для направления подготовки ФИИТ на основе куррикулумного подхода // Современные информационные технологии и ИТ-образование, 17(3), 724-734.
26. Поляков А.Н., Белоновская И.Д. (2019). Подготовка нового поколения машиностроителей для цифровой экономики // Высшее образование в России, 28(7), 150-159.
27. Михайлова Е.Г. (2019). Формирование цифровой культуры в университете ИТМО // Теория и практика проектного образования, 11(3), 33-35.
28. Сунь С., Нин Я., Ван Ф., Ян Д. (2021). Исследование модели подготовки специалистов в области искусственного интеллекта в местных вузах на фоне новых политехнических наук // Педагогический журнал, 11(4), 484-492.
29. Grishko, S., Belov, M., Cheremisina, E., Sychev, P. (2021). Model for Creating an Adaptive Individual Learning Path for Training Digital Transformation Professionals and Big Data Engineers Using Virtual Computer Lab. In: Kravets, A.G., Shcherbakov, M., Parygin, D., Groumpos, P.P. (eds) Creativity in Intelligent Technologies and Data Science. Communications in Computer and Information Science, 1448. DOI: 10.1007/978-3-030-87034-8_36.
30. Рябко Т. В., Гуртов В. А., Степусь И. С. (2022). Анализ подготовки кадров для сферы искусственного интеллекта по результатам мониторинга вузов // Высшее образование в России, (31)7, 9-24. DOI: 10.31992/0869-36172022-31-7-9-24.
31. Review of skills taxonomies. Report prepared for the Skills and Productivity Board (2022). URL: https://assets. publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/1078099/Review_of_ skills_taxonomies_report_prepared_for_the_SPB_May_2022.pdf
32. Djumalieva, J. and Sleeman C. (2018). The first publicly available data-driven skills taxonomy for the UK. URL: https://www.escoe.ac.uk/the-first-publicly-available-data-driven-skills-taxonomy-for-the-uk/
REFERENCES
1. Artificial Intelligence Technologies (2019). Agency for Industrial Development of Moscow. Moscow, 156. Available at: https://apr.moscow/content/data/5/TexHo^omM%20 artificial%20intelligence.pdf (accessed 27.10.2022)
2. Righi R., Lopez Cobo M., Alaveras G., Samoili S., Cardona M., Vazquez-Prada Baillet M., Ziemba L.W. and De Prato, G. (2020). Academic Offer of Advanced Digital Skills in 2019-20. International Comparison, EUR 30351 EN, Publications Office of the European Union, Luxembourg.
3. Squicciarini M. and Nachtigall H. (2021). Demand for AI skills in jobs: Evidence from online job postings, OECD Science, Technology and Industry Working Papers, OECD Publishing, Paris.
4. Zhang D., Maslej N., Brynjolfsson E., Etchemendy J., Lyons T., Manyika J., Ngo H., Niebles J., Sellitto M., Sakhaee E., Shoham Y., Clark J., and Perrault R. (2022). The AI Index 2022 Annual Report. AI Index Steering Committee, Stanford Institute for Human-Centered AI, Stanford University.
5. Index of readiness of priority sectors of the economy of the Russian Federation for the implementation of artificial intelligence (2021). Analytical report. Analytical center under the Government of the Russian Federation. Lomonosov Moscow State University.
6. Gurtov V.A., Pitukhin E.A. and Serova L.M. (2007). Modeling The Economy's Need for Professionally Trained Personnel. Studies on Russian Economic Development, 18, 622-633.
7. Gurtov V.A., Pitukhin E.A. (2017). Forecasting the needs of the economy in qualified personnel: a review of approaches and practices of application. University Management: Practice and Analysis, 21 (4), 130-155.
8. Seeer E.F., Zavodchikov D.P. (2007). Identification of Universal Competences of Graduates by Employer. Higher Education in Russia, 11b, 39-45.
9. Analytical report "Index of Readiness of Priority Industries of the Russian Federation to Implement Artificial Intelligence". Available at: https://ai-index.ru/ (Date of access 27.10.2022).
10. Xie M., Ding L., Xia Y., Guo J., Pan J., Wang H. (2021). Does artificial intelligence affect the pattern of skill demand? Evidence from Chinese manufacturing firms. Economic Modelling, 96, 295-309. DOI: 10.1016/j. econmod.2021.01.009.
11. Yang C.-H. (2022). How Artificial Intelligence Technology Affects Productivity and Employment: Firm-level Evidence from Taiwan. Research Policy, 51(6), DOI: 10.1016/j.respol.2022.104536.
12. Alekseeva L., Azar J., Gine M., Samila S., Taska B. (2021). The demand for AI skills in the labor market. Labour Economics, 71. DOI: 10.1016/j.labeco.2021.102002.
13. Smaldone F., Ippolito A., Lagger J., Pellicano M. (2022). Employability skills: Profiling data scientists in the digital labour market. European Management Journal. DOI: 10.1016/j.emj.2022.05.005.
14. Li G., Yuan C., Kamarthi S., Moghaddam M., Jin X. (2021). Data science skills and domain knowledge requirements in the manufacturing industry: A gap analysis. Journal of Manufacturing Systems, 60, 692-706, DOI: 10.1016/j. jmsy.2021.07.007.
15. Yashkova E.V., Sineva N.L., Kuryleva O.I., Egorova A.O., Semenov S.V. (2020). The Impact Of Digital Technologies On Various Activity Spheres And Social Development. The 21st Century from the Positions of Modern Science: Intellectual, Digital and Innovative Aspects. Cham.
16. Xu J. J., Babaian T. (2021). Artificial intelligence in business curriculum: The pedagogy and learning outcomes. The International Journal of Management Education, 19(3), DOI: 10.1016/j.ijme.2021.100550.
17. Krikun V.P. (2021). Influence of Artificial Intelligence Development on Personnel Training and Their Competitiveness in the Labor Market of Russia. Innovative Approaches to Economic and Management Development in the XXI Century. PGEI VO PGUPS, 44-48.
18. Gurtov V.A., Averyanov A.O., Korzun D.J., Smirnov N.V. (2022). Artificial Intelligence Technology Classification System for Personnel Forecasting. Economic and Social Changes: Facts, Trends, Forecast, 15 (3), 126-146.
19. Shimokhin A.V. (2020). Transformation of professions and employment changes in the Russian Federation in the conditions of the fourth industrial revolution. Theoretical Economics, 67(7), 51-60.
20. Makarevich M.L., Bogatyreva O.N. (2019). Labor market and the problems of training specialists of higher qualification in modern Russia. In the collection: Transformation of business and public institutions in the conditions of digitalization of the economy. Collection of materials of the national scientific-practical conference. Saint-Petersburg, 126-133.
21. Ismailova M.A. (2019). The era of artificial intelligence: posing problems for economics and education and the search for solutions. Economics of Education, 111(2), 4-19.
22. Pasko t., Mqdziel M., Stadnicka D., Dec G., Carreras-Coch A., Sole-Beteta X., Atzeni D. (2022). Plan and develop advanced knowledge and skills for future industrial employees in the field of artificial intelligence, internet of things and edge computing. Sustainability, 14(6), DOI: 10.3390/su14063312.
23. Gornostaeva A.N., Gornostaeva I.N. (2022). Educational Potential of Digital Technologies as an Improvement of the Learning Process in Higher Education. Quality. Innovations. Education, 178(2), 42-45.
24. Egorov A.A. (2021). Faculty of Information Technology and Programming (FITIP) of ITMO University - the forge of international level programmers. Automation and IT in Power Engineering, 146(9), 42-55.
25. Sukhomlin V.A. (2021). Creation of the profile "cybersecurity and artificial intelligence" for FIIT training direction based on curriculum approach. Modern Information Technologies and IT-education, 17(3), 724-734.
26. Polyakov A.N., Belonovskaya I.D. (2019). Preparation of a new generation of machine engineers for digital economy. Higher Education in Russia, 28(7), 150-159.
27. Mikhailova E.G. (2019). Formation of digital culture in ITMO University. Theory and practice of project education, 11(3), 33-35.
28. Sun S., Ning Y., Wang F., Yang D. (2021). Exploring the training model of artificial intelligence in local universities against the background of new polytechnic sciences. Pedagogical Journal, 11(4), 484-492.
29. Grishko, S., Belov, M., Cheremisina, E., Sychev, P. (2021). Model for Creating an Adaptive Individual Learning Path for Training Digital Transformation Professionals and Big Data Engineers Using Virtual Computer Lab. In: Kravets, A.G., Shcherbakov, M., Parygin, D., Groumpos, P.P. (eds) Creativity in Intelligent Technologies and Data Science. Communications in Computer and Information Science, 1448. DOI: 10.1007/978-3-030-87034-8_36.
30. Ryabko T.V., Gurtov V.A., Stepus I. C. (2022). Analysis of Training for Artificial Intelligence by Results of Higher Education Institutions Monitoring. Higher Education in Russia, 31(7), 9-24. DOI: 10.31992/0869-3617-2022-31-7-9-24.
31. Review of skills taxonomies. Report prepared for the Skills and Productivity Board (2022). Available at: https:// assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/1078099/Review_ of_skills_taxonomies_report_prepared_for_the_SPB_May_2022.pdf
32. Djumalieva, J. and Sleeman C. (2018). The first publicly available data-driven skills taxonomy for the UK. Available at: https://www.escoe.ac.uk/the-first-publicly-available-data-driven-skills-taxonomy-for-the-uk/
Информация об авторах Гуртов Валерий Алексеевич
(Россия, г. Петрозаводск) Профессор, доктор физико-математических наук, директор Центра бюджетного мониторинга Петрозаводский государственный университет E-mail: [email protected] ORCID ID: 0000-0002-2442-7389) Scopus Author ID: 003923431 ResearcherID: D-5286-2015
Information about the authors Valery A. Gurtov
(Russia, Petrozavodsk) Professor, Doctor of Science (Physics and Mathematics), Director of the Budget Monitoring Center Petrozavodsk State University E-mail: [email protected] ORCID ID: 0000-0002-2442-7389) Scopus Author ID: 003923431 ResearcherID: D-5286-2015
Питухин Евгений Александрович
(Россия, г. Петрозаводск) Профессор, доктор технических наук, профессор кафедры прикладной математики и кибернетики Институт математики и информационных технологий Петрозаводский государственный университет E-mail: [email protected] ORCID ID: 0000-0002-7021-2995) Scopus Author ID: 65045119166 ResearcherID: H-4562-2016
Evgeny A. Pitukhin
(Russia, Petrozavodsk) Professor, Doctor of Technical Sciences, Professor of Applied Mathematics and Cybernetics Department Institute of Mathematics and Information Technologies Petrozavodsk State University E-mail: [email protected] ORCID ID: 0000-0002-7021-2995) Scopus Author ID: 65045119166 ResearcherID: H-4562-2016
Щеголева Людмила Владимировна
(Россия, г. Петрозаводск) Доцент, доктор технических наук, профессор кафедры прикладной математики и кибернетики Институт математики и информационных технологий Петрозаводский государственный университет E-mail: [email protected] ORCID ID: 0000-0001-5539-9176) Scopus Author ID: 57203136008 ResearcherID: F-4064-2016
Lyudmila V. Shegoleva
(Russia, Petrozavodsk) Associate Professor, Doctor of Technical Sciences, Professor
of Applied Mathematics and Cybernetics Department Institute of Mathematics and Information Technologies Petrozavodsk State University E-mail: [email protected] ORCID ID: 0000-0001-5539-9176) Scopus Author ID: 57203136008 ResearcherID: F-4064-2016
