Intelligent Matchning Arbetssökande Långt Från Arbetsmarknaden

Metod och Teknik

Jobb

Möte

Matcha

Analysera

Tudelning på arbetsmarknaden blir större och större, och blir en utmaning.

Matchningsmetoder måste hittas för att ge svar på denna utmaning.

Det tar för lång tid att kvalificera arbetsresurser till arbetsmarknaden.

Existerande lösningar kopplar inte jobb med rätt person på rätt plats till rätt tid.

Dagens arbetsmarknad domineras av arbetssökande som står långt från arbetsmarknaden, och utnyttja denna resurs har varit svårt, ja nästan omöjligt.

Du är det möjligt att hitta rätt resurs bland dessa.

Du behöver ett system som gör intelligent sök bland resurser för att hitta rätt person till att lösa dina utmaningar.

Vi föreslår användning av konstig intelligens teknik kombinerad med kartläggningsmetod kan hitta resurser på överraskande platser.

Du har ett behov för arbetskraft – vem gör vad?

Dagens marknad ställer andra utmaningar en för 10 år sen.

Tudelade arbetsmarknaden lett till försämrad matchning av behov och tillgänglig arbetes resurs.

Allt fler av de arbetslösa tillhör grupper som behöver omfattande stöd och rustning för att kunna konkurrera

om de lediga arbeten som finns - står långt från arbetsmarknaden.

Större andel en förut är också nyanlända.

Gruppen med personer som står långt ifrån arbetsmarknaden består av :• Nyanlända

• Funktionsnedsättning• Bara förgymnasial utbildning• 55+ år

Att effektivt sammanföra arbetssökande med arbetsgivare har bliv it mer komplex då allt färre av de

arbetssökande har den kompetens som efterfrågas.

Gruppen med personer som står nära arbetsmarknaden är alla dem andra, och som i mindre grad

behöver stöd för att matchas i arbetsmarknaden.

Låt oss först se hur vi kan matcha och förtydliga resursen bland dem som står långt ifrån arbetsmarknaden

Längst från arbetsmarknadenDel av gruppen med personer som står långt ifrån arbetsmarknaden:

• Nyanlända• Funktionsnedsättning

• Bara förgymnasial utbildning• 55+ år

Dessa utgör över halvparten av dem inskrivna arbetslösa hos Arbetsförmedlingen i dag.

Utmaningen i Sveriges arbetsmarknad är att skaffa nog arbetskraft till arbetsgivare och på

samma tid reducera arbetslöshet, och speciellt bland dem som står långt ifrån arbetsmarknaden. Denna gruppen ökar i storlek för varje år som går

En dold kraft att ha arbete med funktionsnedsättningNio av tio företag v illiga att anställa personer med funktionsnedsättning

I dag har nästan fyra av tio företag med fler än t io anställa minst en medarbetare med funkt ionsnedsättning.

Men så många som nio av tio företag är villiga att anställa personer med funkt ionsnedsättning – en dold kraft som idag ofta står långt ifrån arbetsmarknaden.

Den främsta fördelen med att anställa personer med funkt ionsnedsättning uppges vara att det skapar bättre arbetsmiljö för

hela företaget.

Det är ofta okunskap som skapar en tveksamhet. Vi måste höja blicken och se alla som är t illgängliga för att ta dem.

Vad om något tror du hindrar svenska företag att anställa personer med funktionsnedsättning?

• Arbetsuppgifterna är för krävande 30 %• Ekonomin och effekt iviteten blir lidande på företaget 12 %

• Det är mer t idskrävande för en person med funkt ionsnedsättning att utföra det jobb som krävs 11 %”Från Samhall rapport”

Hälften av de offentliga arbetsgivarna kan tänka sig att anställa en person med funkt ionsnedsättning. Motsvarande andel bland privata arbetsgivare är 40 procent.

”Arbet sförmedlingen”

Idén baseras på en algoritm för matchning av arbetsuppgifter är att ställa in statistiska filter för Ställningsanalys Frågeformulär (SAF) föremål där prestanda skulle begränsas av funktionshinder och att dela listan över närmaste jobbannonser beroende på huruvida de passerade filtren eller ej.

SAF använder en kontextblandningsalgoritm. Kontextblandning är relaterad till prediktering genom partiell matchning (PPM) genom att kompressorn är indelad i en prediktion och en aritmetisk kodare, men skiljer sig ifrån att nästa symbolförutsättning beräknas med användn ing av en vägd kombination av sannolikhetsestimat från ett stort antal modeller Konditioneras i olika sammanhang. Till skillnad från PPM behöver ett sammanhang inte vara angränsande.

De närmaste matchande jobb som passerar filtren är listade i ett avsnitt i rapporten. De närmaste matchande jobb som inte passerar filtren anges i en annan del av rapporten.

Några jobb kan avvisas som otänkbara, men vissa kan rimligen rymmas. Om en persons ryggsmärta hindrar att sitta mer än en tim me så kan yrkesspecialisten programmera Arbetsrehabilitering Frågeformuläret (ARF) för att skriva ut en lista över jobb som kräver mer än en timmes sittande i en del av rapporten och jobb som kräver en timme eller mindre av sittande i en annan del av rapporten.

Ange en produktgräns på utbildning till exempel, rapporten delas i en lista över jobb som kräver mer utbildning och en annan lista över jobb som kräver samma eller lägre utbildning än gränsen.

Eftersom ARF består av många objekt kan objektgränser ställas in för att modellera praktiskt taget alla nedskrivningar eller begränsningar . När en person har allvarliga begränsningar som kan innefatta utbildningsbegränsningar eller till och med motvilja mot att utföra vis sa arbetsuppgifter, kan ARF ta hänsyn till dessa. Storleken på skillnaden mellan en produktgräns och ett jobbkrav som överstiger objektgränsen kan avgöra om jobbet är oförlåtligt eller om det rimligen kan hysas.

Den grundläggande statistiska principen som används i ARF-matchning är maximal sannolikhetsbedömning, vilket är en metod för att jämföra olika uppsättningar data.

ARF-matchningsalgoritmen använder en icke-parametrisk "ovägd multivariat närmaste granne" -metod.

Matcha personer med funktionshinder med jobbmöjligheter.

För att ha en chans till detta, krävs det hjälp av datorns möjlighet att lära sig att söka och på samma tid lär sig att känna igen mönster i funktioner, uppgifter och krav emot olika funktionshinder som inte är i konflikt för att utför utmaningar som jobben kräver, kanske tvärt om, kan vara ett plus för att gör jobben.

Vi föreslår användning av metoden ”Ställningsanalys Frågeformulär (SAF)” i kombination med maskininlärningstekniker som ”Job Enhanced Latent Semantisk Index (JELSI)” som använder återkoppling till kollektiv lärande (KL).

SAF - Idén är användning av en algoritm för matchning av arbetsuppgifter och ställa in statistiska filter verktyget Arbetsrehabilitering Frågeformuläret (ARF) på SAF-föremål där prestanda skulle begränsas av funktionshinder och att dela listan över närmaste jobbannonser beroende på huruvida de passerade filtren eller ej.

ARF – programmeringen baseras på statistiska principen som används i matchning för maximal sannolikhetsbedömning, vilket är en metod för att jämföra olika uppsättningar data.

Datorn matchar personer med funktionshinder

Detta är det mest kända kvantitativa tillvägagångssättet för arbetsanalys som är lägesanalysformuläret (SAF).

Metod är utvecklad av Dr. Ernest J. McCormick som associerade vid Purdue University. Detta positionsanalysformuläret är ett s trukturerat arbetsanalysformulär som innehåller 194 poster som är jobbelement. Dessa element är arbetarorienterade. Med hjälp av en formel skal de klassificeras som arbetarnas beteenden. Föremålen är organiserade i sex divisioner:

Informationsinmatning

Mentala processer

Arbetsutgång (fysiska aktiviteter och verktyg)

Relationer med andra

Arbetskontext (den fysiska och sociala miljön)

Andra jobbegenskaper (såsom takt och struktur)

Varje jobbelement är betygsatt på sex skalor:

Användningsgrad

Betydelse

Tid

Möjlighet att uppträda

Tillämpbarhet och

Särskild kod för v issa jobb.

Dessa beskrivningar kommer från McCormicks modell av operativa funktioner som är grundläggande för alla jobb: avkännande (informationsmottagning), informationslagring, informationsbehandling och beslut och handling (fysisk kontroll eller kommunikation).

Dessa funktioner varierar i betoning från jobb till jobb.

Användning av SAF algoritm med dessa uppdelningar som visas, ger oss en chans att matcha jobb och sökande i bättre grad en tidigare. Om vi går vidare och använder flera algoritmer, så kan sökandet och matchningen bli optimal. Detta kräver att vi arbetar upp en ordentlig matris av kunskap, färdigheter och förmågor. Integrerad med faktorer som fysisk krav och arbetsmiljö vill vi ha en möjlighet att ge stöd till arbetsgivare för personer som kan göra olika jobb om man bara vet vilken ram vi arbetar inom.

Ställningsanalys Frågeformulär (SAF)

ARF är ett statistiskt verktyg för att stödja kliniskt beslutsfattande när det gäller arbetspotential för personer med funkt ionshinder.

Arbetsgivare kan använda ARF för att stödja val eller placering av kvalificerade personer med funkt ionshinder.

Det kan användas för att stödja tvister om yrkesfrågor.

Programmering av ARF kan används för att överväga funktionshinder i arbetsmatchning.

De 150 SAF/ARF-jobbelementen täcker ett så brett utbud av arbetsaktiviteter med yrkesmässiga konsekvenserna och prakt iskt taget alla funkt ionshinder kan modelleras.

Specialisten specificerar vilken SAF-funkt ionshindersbegränsning som begränsar prestanda och anger sedan objektgränser för att indikera maximal prestanda på dessa objekt.

Inställningsbegränsningar programmerar ARF för att ta hänsyn t ill funkt ionshinder.

När jobbsökningsalgoritmen körs, påverkar effekten av objektgränser och delar upp den jobbrelaterade rapporten t ill en lista över närmaste matchningsjobb där inga SAF-värden överskrider objektgränser och en lista för närmaste matchande jobb där SAF-värden överskrider objektgränser.

Programmera ARF till att ta hänsyn till funktionshinder

Jobb K är närmare SAF-betyg på individen än

Jobb J, eftersom 4 är mindre än 5.

SAF

SAF

SAF

SAF

Arbetspassningsalgoritmen JELSI ”Job Enhanced Latent Semantic Indexing” inkorporerar ”Term Frequency Inverse Document Frequency”.

JELSI tar hänsyn till den lokala v ikten och den globala v ikten av begreppet frekvens i hela samlingen.

Radreduktionsteknik har införts för att minska de obetydliga termerna (radvektorer) i matrisen för att minska beräkningsinsatser och tid.

Inkorporera feedback från arbetssökande för att få en bättre jobbmatchningsmekanism.

Feedback från arbetssökande när det gäller arbetsapplikationsbeteenden.

I allmänhet förbättrar återkoppling algoritmfrågan i varje pass baserat på resultaten från tidigare frågor.

Detta uppvisar fördelarna med Kollektiv t Lärande (KL, på engelska Collective Learning – CL) där en grupp arbetssökande hjälper till att fatta beslut.

De kollektiva feedbacken sätts in i algoritmen och resultaten förbättras.

JELSI-KL är metoden som ger bäst resultat sedan den kollektiva lärningsprocess ökar träffsäkerhet till systemet.

Matchning med kollektivt lärande

Återkoppling till KL

Om det inte delas någon information mellan arbetssökande, kommer det att hindra den

kollektiva inlärningsprocessen att lyckas med att lösa komplexa jobbmatchningsutmaningar.

LSI är en algoritm som försöker imitera mänsklig hjärna för att lösa problem. En indiv id har

emellertid mycket begränsade resurser för att lösa komplexa problem.

Däremot kan en grupp arbetssökande vara till hjälp för att fatta beslut som att lösa komplexa jobbmatchningsproblem istället för en enskild indiv id.

Användning av en hybrid algoritm som ”Job Enhanced Latent Semantisk Indexering” (JELSI) metod med en kollektiv inlärningsmetod (KL) ökar jobbmatching processen med mångfald

emot traditionell metoder.

LÅT OSS SE HUR PROGRAMVARAN SER UT

Programvaran använder SAF och ARF tillsammans med JELSI

metodik i ett maskininlärningsmiljö på datorn.

Beta 1.01

Matchning Arbetssökande Långt Från Arbetsmarknaden

Möjlighet för att skapa profil avhängig av kategori sökande och två

olika formulär med SAF och ARF.

Beta 1.01

Matchning Arbetssökande Långt Från Arbetsmarknaden

Matchning Arbetssökande Långt Från Arbetsmarknaden

Vi ska gör en ny Ställnings Analys själv vid att fylla ut ett 16 punkts frågeformulär via en ”drop down” meny som leder t ill flera frågor (vi ser bara 12 av 16 punkt nu, använder

rullgardin funkt ion för att se resten).

Vi kan också välja att hämta existerande SAF som är gjorda redan, eller vi kan skapa ny SAF via analys av

en jobb annons. Den sista funkt ionen vill använda Google Jobs konst ig intelligens teknik via Moln baserad t jänst, och därför måste programvaran vara kopplat t ill internet för att göra

denna funkt ionen.

Matchning Arbetssökande Långt Från Arbetsmarknaden

Nästa steg är att göra Arbetsrelaterad Frågeformulär (ARF) är en mycket mer avancerad metod som måste programmeras på ett särskild sett.

Arbetsgivare kan använda ARF för att stödja val eller placering av kvalificerade personer med funkt ionshinder. Den kan användas för att stödja oklarheter om yrkesfrågor. Programvaran gör stegvisa anvisningar för att programmera ARF för

att överväga funktionshinder i arbetsmatchning.

De 150 SAF / ARF arbetselementen täcker ett så brett utbud av arbetsaktiviteter att de yrkesmässiga konsekvenserna av prakt iskt taget alla funkt ionshinder kan modelleras med dem. Arbetsförmedlaren kan specificera vilken SAF -invaliditetsbegränsning som begränsar prestanda och sedan ange objektgränser för att indikera maximal prestanda på

dessa objekt.

Inställningsbegränsningar som programmeras i ARF tar hänsyn t ill olika funkt ionshinder. När jobbsökningsalgoritmen körs, vill effekten av objektgränser begränsa jobb matchningsrapporten t ill en lista över bäst matchande jobb där inga SAF-värden överskrider objektgränser och ger en översikt över bäst matchande jobb där SAF-rangering överst iger objekt

gränser som är bestämds och därvid ger passande jobb t illbaks som resultat.

Under vissa förutsättningar kan en individ kunna själv köra en analys och få ett jobbmatchningsresultat som en vägledning. Självanalys idén är att dra t ill sig individens självkännedom för att skapa en korrekt bild av deras förmågor och toleranser.

Fördelar med detta är att individer är de mest uppenbara källorna t ill information om sig själva, och om vi vill veta vad de tror eller känner, är det vettigt att fråga dem direkt själv.En nackdel med självrapporter innefattar behov av utbildning och erfarenhet för att förstå personlighet och psykopatologi och den minimala t illgången individer har t ill många av sina kognit iva processer.

Matchning Arbetssökande Långt Från Arbetsmarknaden

Vi får först välja evalueringsmetod, innan vi sätter upp tillfället som vi vill arbeta med (detaljer om t illfället).Därefter vill vi välja Arbetsrehabiliteringsdatabas som är antigen lokalt eller i molnet, avhängig av hur komplicerad analys vi vill göra.

Vi vill inte visa alla steg i denna presentationen av platshänsyn. Vi har satt gränser på alla element för SAF och ARF på detta stadiet.

Vi vill gå direkt t ill steg med välja databas och göra rangering av förmåga och toleranser.

Matchning Arbetssökande Långt Från Arbetsmarknaden

Vi ser här fördelning av jobbar i master ARF databasen inom dem olika nivåklasser. Om vi vill se vilka jobbtit lar som ligger i en specifik nivåklass, så kan vi t rycka på ”Se jobbtit lar/nivå” och vi kan få en tabell som visar dessa jobb och vart dem ligger på skala.Man kan därvid sätta upp vilket nivå den sökande är på och se vilka jobb som passar denna enligt dennas nivå.

Matchning Arbetssökande Långt Från Arbetsmarknaden

Ett exempel på en rapport som är körd i MALFA för en person, kan se ut så här. Rapport är inte komplett, och när man klickar på jobbtit lar kan man få mer information om vilka värde varje jobb har på all elementen som är använd i rangeringen.Man kan använda pilar i meny för att gå t illbaks eller kör flera gånger för att t räna datorns konst iga intelligens.

Om migSt ig-Arne har erfarenhet som företagsledare med betydande företagserfarenhet och bakgrund både som geolog och ingenjör. Dessutom har han stor erfarenhet av att t räna och coacha yrkesverksamma med behov av att integrera sig på olika områden.

St ig har arbetat som en senior geolog och projekt ledare för flera olje- och gasbolag, inklusive serviceföretag. St ig har haft ansvar för att förvalta inomhus och klientbaserade geovetenskapsprojekt av olika slag, allt från introdukt ionsnivå, ren prospektering t ill utvecklingsfas från början t ill slut. Han har

genomgått geologiska utvärderingar och bidragit t ill mult idisciplinstudier för möjligheter, prospekt och fält , inklusive planering och genomförande av planering av hela prospekterings- och reservoar exploaterings program.Han har lång erfarenhet av projektarbeten av olika skala och

typer och van att vara i kontakt med kunder för att svara på frågor som uppstår under ett projekt.

Stig har fokus på kunskapsbaserade processer och system, kontraktsuppdrag, tillgångsförhandlingar. Stig-Arne

har haft fokus på rumslig analys med fokus på kunskapsbaserade E & P-processer uppnår affärsmål med hjälp av prediktiv analys.

Stig är väl känt för användning av industriprogramvara inom geovetenskap, kunskapshantering, affärsanalys,

geospatialanalys osv.

Han fungerar som coach för såväl individer som företag, genom att använda olika kognitiva och konstig intelligens metoder.