Editorial Ilmu Komputer & AI
Keterampilan Masa Depan di Era GenAI: Membedakan Peran GenAI dari Pekerjaan AI Tradisional dengan Jaringan Kolmogorov–Arnold dan AI yang Dapat Dijelaskan
Masalah inti
Kecerdasan Buatan Generatif (GenAI) secara luas diakui atas dampaknya yang mendalam terhadap permintaan, penawaran, dan dinamika keterampilan pasar tenaga kerja. Namun, kekuatan transformatif yang sama yang menciptakan pekerjaan baru juga telah menggoyahkan kategori yang digunakan untuk menggambarkannya: peran GenAI semakin tumpang tindih dengan peran AI tradisional, mengaburkan batas-batas dan mengintensifkan kebutuhan untuk menilai kembali kompetensi angkatan kerja.
Studi ini membingkai masalah ini sebagai masalah klasifikasi dan interpretasi, bukan semata-mata masalah prediktif. Studi pasar tenaga kerja AI yang ada cenderung mengoptimalkan kinerja prediktif, memperlakukan model sebagai kotak hitam. Para penulis berpendapat bahwa yang sebenarnya dibutuhkan oleh para pemangku kepentingan — perancang kurikulum, manajer SDM, pemilik program peningkatan keterampilan, dan pembuat kebijakan angkatan kerja — adalah penjelasan tentang *keterampilan mana* yang mendorong perbedaan antara posisi yang selaras dengan GenAI modern dan posisi AI lama, serta *seberapa besar* kontribusi setiap keterampilan.
Untuk itu, studi ini memperkenalkan **KANVAS (Kolmogorov–Arnold Network Versatile Algori
Inovasi
Kerangka KANVAS mencapai sekitar **80% konsistensi klasifikasi** antara peran tradisional dan yang selaras dengan GenAI. Di luar angka utama tersebut, kontribusi empiris utama studi ini adalah laporan peringkat tentang *keterampilan mana* yang membawa diskriminasi.
Hasilnya terbagi menjadi dua rezim keterampilan yang kontras:
- **Posisi yang selaras dengan GenAI** memprioritaskan kompetensi seperti **rekayasa prompt** dan **integrasi LLM**. Ini adalah keterampilan generatif, berorientasi antarmuka, dan konsumsi model, mencerminkan peran yang dibangun di sekitar orkestrasi model dasar daripada melatihnya dari awal.
- **Peran AI tradisional** menekankan **pemodelan statistik** dan **perangkat lama**. Ini adalah kompetensi analitis klasik yang berakar pada tumpukan pembelajaran mesin dan statistik yang sudah mapan.
Penyelarasan temuan ini dengan ruang fitur yang terhubung dengan ESCO penting secara metodologis. Karena kompetensi yang diekstraksi dipetakan ke kosakata yang selaras dengan ESCO, kontribusi diferensial yang diamati oleh model diekspresikan dalam bahasa yang sama yang sudah digunakan oleh kerangka kompetensi, kurikulum, dan arsitektur pekerjaan. Hal ini membuat keluaran
Mengapa penting
Kontribusi studi ini bersifat interpretatif sekaligus prediktif. Dengan memunculkan kontribusi diferensial dari keterampilan terkait GenAI dan yang selaras dengan ESCO, kerangka kerja ini mengubah observasi pasar tenaga kerja menjadi artefak yang dapat dijelaskan dan diaudit.
**Tiga implikasi langsung dari temuan ini.**
1. **Desain kurikulum.** Jika rekayasa prompt dan integrasi LLM adalah diskriminator dominan untuk peran yang selaras dengan GenAI, maka program yang bertujuan untuk menghasilkan lulusan yang siap GenAI memerlukan cakupan kompetensi ini secara eksplisit dan terukur — bukan hanya paparan insidental melalui penggunaan alat. Sebaliknya, persistensi pemodelan statistik dan perangkat lama sebagai diskriminator untuk peran tradisional menunjukkan bahwa kedalaman statistik fundamental tetap menjadi aset pembeda daripada yang usang.
2. **Peningkatan keterampilan yang ditargetkan.** Karena KAN menghasilkan fungsi per keterampilan yang dapat diinterpretasikan sementara SHAP menghasilkan atribusi aditif, jarak individu dari peran target dapat diuraikan menjadi kesenjangan keterampilan spesifik yang terperingkat. Upaya peningkatan keterampilan oleh karena itu dapat diprioritaskan pada kompetensi dengan kontribusi marginal tertinggi (lihat ) daripada didistribusikan secara merata di seluruh silabus generik.
3. **Kebijakan angkatan kerja.** Sistem klasifikasi yang selaras dengan ESCO dan dapat dijelaskan memberikan instrumen yang dapat dipertahankan kepada pembuat kebijakan untuk memantau bagaimana batas-batas pekerjaan bergeser dari waktu ke waktu, dan untuk mendeteksi di mana GenAI menggantikan versus mendefinisikan ulang keluarga peran yang ada.
**Mengapa interpretasi adalah poin metodologis.** Para penulis secara eksplisit mengkontraskan pendekatan mereka dengan karya sebelumnya yang menekankan kinerja prediktif. Pengklasifikasi kotak hitam yang melaporkan "akurasi ~80%" tidak memberi tahu kementerian tenaga kerja apa pun yang dapat ditindaklanjuti tentang *keterampilan mana* yang harus diajarkan. Model berbasis KAN yang fungsi tepinya adalah B-spline yang dapat diperiksa, ditambah dengan atribusi Shapley, menghasilkan hasil yang dapat diinterogasi, diperdebatkan, dan direvisi oleh para ahli domain. Inilah makna di mana makalah ini mengklaim sebagai yang pertama menggunakan KAN sebagai alat *penjelas* untuk klasifikasi tenaga kerja.
**Cakupan dan batasan yang tersirat oleh desain.** Alur kerja bergantung pada dua platform pasar tenaga kerja sebagai sumber data dan pada ekstraksi keterampilan yang dimediasi LLM, yang berarti cakupan teks lowongan dan kualitas ekstraksi keduanya mengkondisikan ruang fitur. Konsistensi ~80% yang dilaporkan menunjukkan pemisahan yang andal tetapi tidak sempurna, konsisten dengan pembingkaian makalah itu sendiri bahwa peran GenAI dan AI tradisional benar-benar tumpang tindih daripada membentuk kelas diskrit. Implementasi KANVAS sumber terbuka mengurangi kekhawatiran reproduktifitas dan diposisikan sebagai dapat dikonfigurasi untuk manajer SDM dan pemangku kepentingan lain yang mungkin ingin melatihnya kembali pada korpus lowongan mereka sendiri.
**Kesimpulan.** KANVAS menyumbangkan pendekatan baru yang dapat diinterpretasikan untuk memahami bagaimana GenAI membentuk kembali peran pekerjaan dan persyaratan keterampilan di pasar tenaga kerja yang berkembang pesat. Nilai praktisnya terletak pada kombinasi arsitektur transparan, kosakata fitur yang selaras dengan ESCO, dan lapisan atribusi yang mengubah keluaran klasifikasi menjadi panduan yang diprioritaskan untuk pelatihan, perekrutan, dan kebijakan.
Siapa yang sebaiknya membaca
Membuka konten member…