Por favor, use este identificador para citar o enlazar este ítem: https://repositorio.ufjf.br/jspui/handle/ufjf/12627
Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
willianrochaneves.pdf893.14 kBAdobe PDFVista previa
Visualizar/Abrir
Clase: Trabalho de Conclusão de Curso
Título : Inteligência artificial e mercado de trabalho: uma mudança perpétua?
Autor(es): Neves, Willian
Orientador: Mattos, Rogério
Miembros Examinadores: Souza, Rafael
Resumo: O presente estudo busca analisar a maneira que tecnologia se relaciona com o mercado de trabalho norte americano. São dois os objetivos principais: o primeiro é estudar como as inovações tecnológicas, mais especificamente a inteligência artificial, afetam os salários dos trabalhadores nos EUA. O segundo é realizar previsões com modelos SARIMAS e redes neurais para fazer uma projeção dos salários para os próximos três anos. Diante das mudanças nas relações sociais e produtivas provocadas pela tecnologia que foram observadas nas últimas décadas, juntamente com o papel fundamental da renda em um sistema econômico, esse estudo torna-se de grande importância. Para verificar tal relação, foi utilizado referencial teórico que categoriza os empregos em tipos de tarefas não rotineiras ou rotineiras e cognitivas ou manuais. Com base nesta classificação foi construída uma base de dados e foram adotados métodos econométricos e de machine learning no desenvolvimento do estudo, a fim de captar a trajetória das categorias dos salários americanos. Nota-se que o comportamento para o valor absoluto dos salários difere-se do comportamento observado para o valor dos salários como proporção do PIB. Essas diferenças são claras e representam importantes aspectos do fenômeno do desemprego tecnológico. De forma geral, destaca-se o bom desempenho preditivo das redes neurais MLP e a trajetória crescente de cada categoria de salários para o curto prazo, considerando os efeitos da tecnologia.
Resumen : This study seeks to analyze how technology relates to the United States labor market. The main objectives are twofold: the first is to study how technological innovations, more specifically artificial intelligence, affect workers' wages in the United States. The second is to perform with SARIMAS models and neural networks to make a projection of wages for the next three years. In view of the changes in social and productive relations brought about by technology that have been observed in recent decades, together with the fundamental role of income in an economic system, this study is of great importance. To verify this relationship, a theoretical framework was used that categorizes jobs into types of non-routine or routine and cognitive or manual tasks. Based on this classification, a database was built and econometric and machine learning methods were adopted in the development of the study, in order to capture the trajectory of the categories of American wages It can be noted that the behavior for the absolute value of wages differs from the behavior observed for the value of wages as a proportion of GDP. These differences are clear and represent important aspects of the technological unemployment phenomenon. In general, the good predictive performance of the MLP neural networks stands out and the growing trajectory of each salary category for the short term, considering the effects of technology.
Palabras clave : Inteligência Artificial
Redes Neurais
Salários
Tipos de Tarefa
Previsão
Tecnologia
Artificial Intelligence
Neural Networks
Salaries
Task categories
Forecasting
Technology
CNPq: Economia do trabalho
Idioma: por
País: Brasil
Editorial : Universidade Federal de Juiz de Fora (UFJF)
Sigla de la Instituición: UFJF
Departamento: Faculdade de Economia
Clase de Acesso: Acesso Aberto
Licenças Creative Commons: http://creativecommons.org/licenses/by-nc-nd/3.0/br/
URI : https://repositorio.ufjf.br/jspui/handle/ufjf/12627
Fecha de publicación : 17-mar-2021
Aparece en las colecciones: Ciências Econômicas - Campus JF - TCC Graduação



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons