US Job Market Visualizer GitHub

📖 Источник: karpathy.ai

US Job Market Visualizer: инструмент визуализации рынка труда США

Введение

Представлен исследовательский инструмент US Job Market Visualizer, размещённый на GitHub, который визуализирует данные о 342 профессиях из Occupational Outlook Handbook Бюро статистики труда США (BLS). Инструмент охватывает 143 млн рабочих мест по всей экономике США и позволяет анализировать профессии по различным метрикам: прогнозируемому росту, медианной зарплате, требованиям к образованию и уровню AI-экспозиции.

1. Техническая реализация визуализации

Инструмент представляет данные в виде интерактивной тепловой карты (treemap), где площадь каждого прямоугольника пропорциональна общему числу занятых в данной профессии. Цветовая схема динамически меняется в зависимости от выбранной метрики. Пользователь может кликнуть на любую плитку, чтобы перейти на соответствующую страницу BLS для получения детальной информации.

Автор подчёркивает, что это не отчёт, не научная работа и не серьёзное экономическое издание — это инструмент разработки для визуального исследования данных BLS.

2. LLM-powered раскраска: принцип работы

Исходный код проекта включает скрейперы, парсеры и пайплайн для написания пользовательских промтов к языковым модезам. Механизм работает следующим образом: пользователь составляет промт с критериями оценки, LLM обрабатывает каждую профессию согласно этим критериям, после чего инструмент раскрашивает визуализацию на основе полученных оценок.

Это универсальный фреймворк — можно сформулировать любой вопрос и перезапустить пайплайн для получения новой раскраски.

3. Примеры использования: Digital AI Exposure

Одна из готовых метрик — «Digital AI Exposure» — оценивает, насколько текущий AI (преимущественно цифровой) изменит каждую профессию. Это пример того, как можно применить LLM-обработку для анализа рынка труда.

Автор приводит конкретный пример: программисты получают оценку 9 из 10 баллов, поскольку AI трансформирует их работу. Однако это не означает сокращения рабочих мест — спрос на программистов может вырасти благодаря росту производительности каждого разработчика.

4. Важные оговорки и ограничения

Автор делает акцент на том, что оценки AI-экспозиции — это грубые оценки LLM, а не строгие прогнозы. Высокий балл не предсказывает, что работа исчезнет.

Скор не учитывает ряд критических факторов:

Эластичность спроса — повышение производительности может увеличить спрос
Латентный спрос — неудовлетворённые потребности рынка
Регуляторные барьеры — правовые ограничения на автоматизацию
Социальные предпочтения — выбор в пользу живых работников

Многие профессии с высокой экспозицией будут трансформированы, а не замещены.

Заключение: перспективы и ограничения

Инструмент представляет ценность для исследователей и разработчиков как гибкий фреймворк для анализа профессиональных данных. Ключевой риск — интерпретация оценок AI-экспозиции как предсказаний увольнений, хотя автор явно предостерегает от этого.

Следующие шаги для пользователей: изучение исходного кода на GitHub, написание собственных промтов для оценки других критериев (например, влияния гуманоидной робототехники, рисков офшоринга или климатического воздействия), перезапуск пайплайна и анализ полученных результатов в контексте указанных ограничений.

📢 Информация предоставлена телеграм-каналом: Data&AI Insights

🤖 Data&AI Insights - Ваш источник инсайтов о данных и ИИ