Previsão da Obsolescência do Emprego Utilizando Classificador de Floresta Aleatória

Resumo. Na era da automação rápida, inteligência artificial e transformação digital, muitos papéis tradicionais de trabalho estão cada vez mais em risco de se tornarem obsoletos. Métodos convencionais de análise da força de trabalho dependem fortemente de relatórios estáticos, pesquisas manuais e dados históricos de emprego, que muitas vezes carecem de adaptabilidade e não conseguem fornecer avaliações quantitativas de risco ou insights personalizados sobre carreiras. Para abordar essas limitações, propomos um Sistema de Previsão da Obsolescência de Emprego Baseado em IA que utiliza técnicas de aprendizado de máquina para estimar a probabilidade de declínio do emprego usando indicadores preditivos estruturados. O sistema incorpora fatores-chave como risco de automação, relevância de habilidades, nível de adoção de IA, lacuna de habilidades digitais e taxa de crescimento do emprego para calcular um índice de risco contínuo. Este índice é transformado em uma pontuação de probabilidade usando uma função sigmoide, permitindo uma avaliação de risco mais interpretável e escalável. Para melhorar a precisão da previsão, algoritmos de aprendizado supervisionado como os classificadores de Floresta Aleatória e XGBoost são empregados, classificando papéis de trabalho em categorias de Alto, Médio ou Baixo risco. A saída final inclui insights detalhados como Papel de Trabalho, Pontuação de Risco, Nível de Risco, Cronograma Previsto e Recomendações de Aperfeiçoamento de Carreira. Esses resultados são apresentados através de uma aplicação web interativa Streamlit, garantindo acesso amigável ao usuário e visualização. Desenvolvido usando Python e bibliotecas como Pandas, NumPy, Scikit-learn e XGBoost, o sistema oferece uma solução robusta, escalável e orientada por dados para análises de força de trabalho e planejamento proativo de carreira no mercado de trabalho em evolução.