Karpathy menghitung, siapa yang akan digantikan oleh jaringan saraf 🤖

Andrej Karpathy merilis proyek sampingan menarik lainnya — US Job Market Visualizer. Ini adalah peta interaktif pasar tenaga kerja AS (143 juta pekerjaan, 342 profesi), di mana setiap spesialisasi dinilai berdasarkan tingkat "AI Exposure" (kerentanan terhadap AI).

Apa yang ada untuk programmer?
Software Developers mendapat skor 9/10. Kami berada di zona merah dalam.

Apakah ini berarti saatnya belajar memasang ubin? Sama sekali tidak. Karpathy menunjukkan bahwa kerentanan tinggi tidak sama dengan hilangnya profesi. Menulis kode, debugging, dan otomatisasi pengujian adalah use case ideal untuk LLM. Produktivitas seorang insinyur melesat ke luar angkasa.

Permintaan untuk pengembang bahkan bisa meningkat, tetapi mereka akan dibayar untuk perancangan arsitektur, komunikasi dengan pemangku kepentingan, dan penyelesaian masalah bisnis. Namun untuk para pembuat kode linier, pelaksana tiket buta, dan penguji manual, saya turut berduka — segmen ini akan direstrukturisasi terlebih dahulu.

Apa lagi yang menarik:
▫️ Hanya 4,4% pekerjaan yang memiliki risiko minimal (tukang atap, pemuat, petugas kebersihan). Pekerjaan fisik masih aman.
▫️ Semakin tinggi gaji dan pendidikan, semakin Anda menjadi sasaran AI. Profesi dengan pendapatan di atas $100k memiliki skor kerentanan rata-rata 6,7.
▫️ Di zona risiko tinggi (7 poin ke atas), dihasilkan $3,7 triliun gaji tahunan.

Bagaimana cara kerjanya di balik layar
Bagi pengembang Python, repositori ini adalah referensi yang ideal dan sangat bersih tentang bagaimana pipeline pemrosesan data dengan LLM harus dibangun saat ini. Tidak ada sampah yang terlalu rumit, semuanya menggunakan alat standar:

1️⃣ scrape.py — Playwright non-headless (BLS memblokir bot) untuk mengambil HTML mentah.
2️⃣ parse_detail.py dan process.py — BeautifulSoup4 klasik untuk membersihkan tata letak dan mengonversi ke Markdown murni. Tidak ada sihir, hanya persiapan konteks.
3️⃣ score.py — bagian terpenting. Skrip ini memberikan deskripsi profesi dalam Markdown ke Gemini 3 Flash melalui OpenRouter. Dalam prompt sistem, kriteria penilaian (0 hingga 10) ditetapkan secara ketat dan persyaratan untuk hanya mengembalikan JSON dalam bentuk {"exposure": int, "rationale": "string"}.
4️⃣ build_site_data.py — mengumpulkan JSON akhir untuk frontend dalam HTML/JS vanilla.

Jika Anda sudah lama ingin menghubungkan LLM ke analitik data membosankan Anda sendiri (ulasan, log, resume) — fork proyek ini. Buang prompt Karpathy tentang "AI Exposure", tulis prompt Anda sendiri (misalnya, "Evaluasi kemungkinan otomatisasi pekerjaan ini oleh robot humanoid" atau "Evaluasi risiko outsourcing"), jalankan skrip, dan dapatkan analitik siap pakai.

🔗Kode sumber di GitHub