كيف تستفيد الهند من عوائدها الديموغرافية

في حين أن معظم البلدان المتقدمة في العالم تقاتل سكانها المتقدمين في السن من خلال زيادة سن التقاعد والترحيب بالمهاجرين، إلا أن بلدانًا أخرى تقلق بشأن كيفية استيعاب أعداد كبيرة من الشباب في مكان العمل. أفادت سلسلة “صوت آسيا” التابعة لـ  Deloittأن العديد من البلدان في آسيا شهدت نمواً مطرداً في عدد السكان في سن العمل، مع دخول المزيد من الشباب والشابات إلى أسواق العمل كل عام، وتعتبر الهند هي الدولة الأولى في القائمة.

وفقًا للأرقام الصادرة عن المنتدى الاقتصادي العالمي، فإن نصف سكان الهند تقل أعمارهم عن 25 عامًا وربعهم أقل من 14 عامًا. مع الأخذ في الاعتبار أنها ثاني أكبر بلد في العالم من حيث عدد السكان، حيث يبلغ عدد سكانها 1.3 مليار مواطن، الهند تشكل خمس سكان العالم. وكما تنبأ معظم الاقتصاديين، سوف تستفيد الهند من العائد الديموغرافي وسيكون لها اقتصاد سريع النمو.

لتحقيق الميزة الديموغرافية، ستحتاج الهند إلى تسريع عملية خلق فرص العمل والاستثمار في رأس المال البشري لمواكبة تزايد عدد السكان في سن العمل. في الوقت الحالي، يوجد 17 مليون مشارك سنويًا في سوق العمل و5.5 مليون فقط من الوظائف التي تم إنشاؤها. [1] في استطلاع أجرته منظمة التعاون الاقتصادي والتنمية (OECD)، لا يعمل أكثر من ٪30 من شباب الهند الذين تتراوح أعمارهم بين 15 و29 عامًا في التعليم أو التدريب، “ليس في التعليم والتوظيف أو التدريب” (NEETs). [2]
أوضحت إيزابيل جومارد، كبيرة الاقتصاديين ورئيسة مكتب الهند في منظمة التعاون والتنمية في الميدان الاقتصادي: “تتضمن NEETs جميع الشباب الذين تركوا وظائف مدفوعة الأجر وأنظمة التعليم والتدريب الرسمية. إنهم NEET لأنه لا يوجد ما يكفي من الوظائف الجيدة التي يتم إنشاؤها في النظام ولأن لديهم حوافز قليلة أو يواجهون قيودًا كبيرة جدًا بحيث لا يمكن أن تكون في أنظمة التعليم والتدريب. “[2]

إذا نظرنا من وجهة نظر عالمية، فإن معدلات بطالة الشباب لا تزال أعلى من ٪20 في بعض الاقتصادات الأوروبية، في الشرق الأوسط وشمال أفريقيا، حيث بلغت معدلات بطالة الشباب ما يقرب من ٪30  واستمرت الأمور في التدهور خلال السنوات الأخيرة. ومع ذلك، فإن الشباب الذين وجدوا عملًا غالبًا ما يضطرون إلى الرضا عن أنفسهم بوظائف تفشل في تلبية توقعاتهم [3]، ويعيش ٪16.7 من الشباب العاملين في الاقتصادات الناشئة والنامية في فقر مدقع [4].

لماذا فرص العمل شحيحة بشكل خاص في أقل البلدان نمواً؟ يعد عدم كفاية تطوير السياسات والبنية التحتية السيئة وقنوات التمويل المحدودة من بين الأسباب الكثيرة لنقص الوظائف. وفقًا لنتائج e4e (مبادرة التعليم من أجل التوظيف التي تقودها مؤسسة التمويل الدولية والبنك الإسلامي للتنمية)، فإن عدم التوافق بين التعليم والطلب في سوق العمل يمثل عقبة رئيسية أمام خلق فرص العمل. [5]

كما أشارت العديد من التقارير، فإن تطوير نظام بيئي للمهارات يحركه قابلية التوظيف هو مفتاح الاستفادة من الإمكانات الديموغرافية للهند. راجاستان، سابع ولايات في الهند من حيث عدد السكان، يبلغ عدد سكانها الشباب الذين تقل أعمارهم عن 25 سنة ويشكلون ما يقرب من ٪55  من مجموع سكان الولاية. من 2012 إلى 2018، ارتفع معدل البطالة فيها من ٪4.5 إلى ٪7.7. تتفاقم مشكلة البطالة في ولاية راجاستان مع قضايا، مثل الافتقار إلى المدربين الجيدين وعدم المواءمة بين التعليم والمهارة. [6]

لمعالجة هذه المشاكل، كثفت الدولة باستمرار إنشاء البنية التحتية للتعليم. في عام 2004، أصبحت أول ولاية في البلاد تنفذ مهمة مهارات تهدف إلى تقليل الفجوة بين الطلب والعرض من القوى العاملة الماهرة وبالتالي زيادة معدل العمالة. لزيادة تحسين جودة المهارات، أسست ولاية راجستان جامعات للمهارات، وهو مشروع رائد في البلاد. [6]

في هيماشال براديش، الواقعة في شمال الهند، يوجد جزء كبير من العمالة في الزراعة. أكثر من ثلثي القوى العاملة لديها يعملون لحسابهم الخاص، ومقدار الوظائف المدفوعة الأجر لا تزال منخفضة للغاية. في عام 2018، وقّع بنك التنمية الآسيوي (ADB) قرضًا مع الحكومة الهندية للاستفادة من مؤسسات التعليم والتدريب في المجالين التقني والمهني ولتوسيع نطاق النظم الإيكولوجية الماهرة في هيماشال براديش. تتضمن خطط المشروع تحويل 11 عملية تبادل للتوظيف إلى مراكز مهنية نموذجية، وتحديث المعدات التدريبية، واستخدام نظام معلومات التدريب وخلق وصول أفضل إلى جودة التعليم والتدريب المهني والتقني ذات الصلة بالسوق لشباب الولاية، من أجل إعدادهم للاحتياجات المتغيرة لسوق العمل. [7]

تساعد JANZZ.technology الحكومات على وضع القوى العاملة في أسواق العمل باستخدام تقنية الذكاء الاصطناعي. بالتعاون مع MTESS وDGE، نجحنا في تطبيق ParaEmpleo – وهو حل لمطابقة الوظائف في باراجواي. يأتي التعاون بين باراجواي وJANZZ.technology في إطار برنامج دعم الإدراج في العمل والذي كان مدعومًا من بنك التنمية للبلدان الأمريكية (IDB) منذ عام 2011. أشادت ماريا فلورينسيا أتاديمو-هيرت ممثلة IDB في باراجواي، بتقنية JANZZ، قائلة: “الأدوات المبتكرة مثل هذه هي التي ستحسن حياة  مواطني باراغواي ، ما وراء Mercosur السوق المشتركة الجنوبية والسياق الإقليمي”. [8] الاستخدام المبتكر للتكنولوجيا هو الطريقة الصحيحة لحل مشاكل سوق العمل الحالية. إذا كنت تبحث كمنظمة حكومية عن حلول لمحاربة مشاكل سوق العمل في بلدك، فيرجى الكتابة الآن إلى sales@janzz.technology

[1] NASSCOM, FICCI and EY. 2017. Future of jobs in India – A 2022 perspective. URL: https://www.ey.com/Publication/vwLUAssets/ey-future-of-jobs-in-india/%24FILE/ey-future-of-jobs-in-india.pdf

[2] OECD. 2017. OECD Economic Surveys India. URL: https://www.oecd.org/eco/surveys/INDIA-2017-OECD-economic-survey-overview.pdf

[3] Guy Ryder. 2016. 3 ways we can tackle youth employment. URL: https://www.weforum.org/agenda/2016/01/3-ways-we-can-tackle-youth-employment/

[4] ILO. 2017. Global employment trends for youth 2007. URL: https://www.ilo.org/wcmsp5/groups/public/—dgreports/—dcomm/—publ/documents/publication/wcms_598675.pdf

[5] Lars Thunell. 2012. How do we create more jobs for young people? URL: https://www.weforum.org/agenda/2012/01/how-do-we-create-more-jobs-for-the-youth/

[6] Pwc and FICCI. 2019. Fast forward: relevant skills for a buoyant Indian economy. URL: http://ficci.in/spdocument/23062/FICCI-PwC-rajasthan-report.pdf

[7] ADB. 2018. ADB, India sign $80 million loan to help boost youth employability in Himachal. URL: https://www.adb.org/news/adb-india-sign-80-million-loan-help-boost-youth-employability-himachal

[8] IDB. 2019. Algorithms that get you a job in Paraguay. URL: https://www.iadb.org/en/improvinglives/algorithms-get-you-job-paraguay

الأنطولوجيا والتصنيف – توقف عن مقارنة الأشياء التي لا تضاهى

بالنسبة للكثير من الناس، قد تبدو كلمة “أنطولوجيا” مجردة. لها أصلها في حلم تيم بيرنرز لي باختراع شبكة الويب العالمية. وقد تضمن هذا الحلم أن تصبح الويب قادرة على تحديد ما يسمى بـ “الويب الدلالي” عن طريق تحليل جميع بيانات الويب، بما في ذلك المحتوى والروابط والمعاملة بين الحواسيب. في الويب الدلالي، تم إنشاء “إطار توصيف الموارد” (RDF) و”لغة علم الويب” (OWL) كتنسيقات قياسية لتقاسم ودمج كل من البيانات والمعرفة – وهذا الأخير في شكل مخططات مفاهيمية غنية تدعى الأنطولوجيا. [1] في هذه المقالة، تستخدم كلمة أنطولوجيا تعريفًا عمليًا، ولكن من الجدير بالذكر أنه في عالم تكنولوجيا المعلومات اليوم، هناك أيضًا استخدام واسع لمصطلح “الرسم البياني المعرفي” للإشارة إلى هذا المفهوم.

لماذا نهتم بالأنطولوجيا

فيما يتعلق بالذكاء الاصطناعي (AI)، فإن مصطلحات “البيانات الضخمة” و “التعلم الآلي” و “التعلم العميق” تحل ببطء محل استخدام “الذكاء الاصطناعي”.ومع ذلك، على حد تعبير أدريان بولز، “لا يوجد ذكاء آلي بدون تمثيل (معرفة).” وبعبارة أخرى، يتطلب الذكاء الاصطناعي بعض عناصر هندسة المعرفة، وهندسة المعلومات، وكمية كبيرة من العمل البشرى للقيام بعملها العصبي السحري.بشكل مناسب، يعتقد ألكسندر فيسنر -جروس أنه ربما الأهم من ذلك أننا نحتاج إلى إدراك أن مجموعات البيانات الذكية – وليس الخوارزميات – هي التي من المحتمل أن تكون العامل الرئيسي في تطوير الذكاء الاصطناعي على مستوى الإنسان.

        “لا يوجد ذكاء آلي دون تمثيل (المعرفة).”

تمثل الأنطولوجيا تمثيلًا منظمًا رسميًا (شكلياً) للمعرفة النسبية في مجال معين. وهذا ضروري، لأن على عكس البشر، لا يمكن الاعتماد بشكل مباشر على معرفة الخلفية البشرية حول الاستخدام الصحيح للمصطلح. غير أن ما يمكن أن تفعله الأنطولوجيا هو “تعلم” المعنى الدلالي للمصطلح من خلال الروابط بين المفاهيم في نظامها. توجد بالفعل أنطولوجيات قوية في مجالات محددة، وتشمل الأمثلة “أنطولوجيا الأعمال للقطاع المالي” (FIBO) وكذلك العديد من الأنطولوجيات للرعاية الصحية أو الجغرافيا أو المهن.

جزء هام آخر من الذكاء الاصطناعي هو المنطق الدلالي. بالإضافة إلى تحديد المعاملات الاحتيالية المحتملة، وتحديد نوايا المستخدمين استنادًا إلى سجل المتصفح الخاص بهم وتقديم توصيات المنتج، يمكن للذكاء الاصطناعي أيضًا القيام بما يلي: يمكنه تنفيذ المهام التي تتطلب تفسيراً واضحًا يستند إلى المعرفة العامة والمحددة، مثل فهم المقالات الإخبارية، وإعداد الطعام أو شراء سيارة. وبالتالي، تتطلب مثل هذه المهام معلومات ليست جزءًا من البيانات المدخلة ولكنها تحتاج إلى دمجها ديناميكيًا مع المعرفة. لا يمكن تحقيق هذا النوع من التفكير الآلي إلا بالأنطولوجيات وطريقة نمذجة معرفتهم. [2]

التصنيف والأنطولوجيا يختلفان بشكل أساسي

غالبا ما يتم الخلط بين الأنطولوجيا والتصنيف.وبصرف النظر عن حقيقة أن كلاهما ينتميان إلى مجالات الذكاء الاصطناعي، والويب الدلالي ونظام الهندسة، لا يوجد في الواقع الكثير من شأنه أن يميزها كمرادفات. التصنيفات مثل O * NET (شبكة المعلومات المهنية) وESCO (المهارات والكفاءات والمؤهلات والمهن الأوروبية) ببساطة لا يمكن مقارنتها بالأنطولوجيات.  فهي توفر طريقة أكثر بساطة لتصنيف الأشياء، حيث أن لها هيكلًا هرميًا ولا تستخدم سوى علاقات الوالد والطفل دون أي روابط إضافية أكثر تطوراً.من ناحية أخرى، فإن الأنطولوجيات هي شكل أكثر تعقيدًا من التصنيف.بالحديث مجازًا، فإن التصنيف يساوي شجرة في حين تقترب الأنطولوجيا من الغابة.

على سبيل المثال: يمكن أن يظهر مصطلح “جولف” في عدة تصنيفات.    قد يكون موجودا تحت شجرة “الأنشطة البشرية” (الأنشطة البشرية -> الأنشطة الترفيهية -> الرياضة -> الجولف).    ويمكن أيضا العثور عليها تحت تصنيف فيما يتعلق بالملابس (الملابس -> الملابس الرياضية وغير رسمية -> الملابس الرياضية -> ملابس الجولف وملحقاتها).   يمكن أن تظهر حتى في شيء مختلف تماما، على سبيل المثال تصنيف السيارات (السيارات -> ألمانيا -> فولكس فاجن -> موديل جولف).   يمكن اعتبار كل تصنيف من هذه التصنيفات شجرة تتطرق فروعها إلى عقد مرتبط بالغولف.   [3]

وبعبارة أخرى، تمثل التصنيفات تصنيفًا من الموضوعات مع علاقات”is a“، بينما تسمح الأنطولوجيات باتصالات أكثر تعقيدًا مثل علاقات”has a“و”use a“.[4] ومن ثم، إذا عدنا إلى مثال التصنيف أعلاه، تفتقر التصنيفات إلى القدرة على مقارنة مفاهيم الطفل.

 

في تصنيف ESCO، يتم تجميع معظم الأخصائيين الطبيين تحت عنوان “الممارسين الطبيين المتخصصين”. علاوة على ذلك، يتم تجميع مجموعات المهارات المتخصصة ببساطة في القوائم دون أي روابط إلى المهن المتخصصة. لماذا هذا؟ أحد الأسباب هو أن التصنيفات تستخدم بشكل أساسي للأغراض الإحصائية. من وجهة النظر هذه، لا توجد حاجة لمزيد من تصنيف جميع الأخصائيين الطبيين الفرديين وفقًا لمجموعات مهاراتهم وخلفياتهم التدريبية. لذلك، وفقًا للتصنيفات، لا يمكن التعرف على الاختصاصات إلا من خلال المسمى الوظيفي، ويحتاج المرء إلى الرجوع إلى مصادر أخرى لفهم معناها الفردي بشكل أفضل.

إن بناء أنطولوجيا للمهن والمؤهلات والمهارات يجعل من الممكن التعرف على أوجه التشابه والاختلاف بين عناوين الوظائف بشكل تلقائي. على سبيل المثال، لدى أطباء الأطفال وأطباء الأطفال حديثي الولادة وظائف مماثلة، كلاهما يتعلقان بالرعاية الطبية للرضع حديثي الولادة. من خلال نهج نمذجة الأنطولوجيا، من الممكن تحديد أن طبيب الأطفال لديه نسبة عالية جدًا من المهارات المماثلة لتلك الخاصة بطبيب حديث الولادة. ومع ذلك، يمكن لأطباء الأطفال تولي مهمة اختصاصي حديثي الولادة بعد مزيد من التدريب. يمكن تمثيل جميع هذه المعلومات في الأنطولوجيا من خلال العلاقات المتبادلة بين المفاهيم. هذا يتجاوز قدرة تصنيف بسيط.

تمكّن الأنطولوجيات من مطابقة مجموعات البيانات

عندما يتعلق الأمر بالمطابقة، على سبيل المثال مطابقة السيرة الذاتية مع الوظائف الشاغرة، لا توجد طريقة أفضل من استخدام الأنطولوجيا.في كثير من الأحيان، يتم لهذا استخدام مطابقة بسيطة تعتمد على الكلمات الرئيسية أو طرق التعلم الآلي الضبابية، مما يعني أن العديد من أوجه التشابه لا يمكن اكتشافها ولا يمكن مطابقتها، مثل صيغ الكلمات الرئيسية والمرادفات والعبارات البديلة.عند التطابق، من المهم مقارنة الدلالة (المعنى الضمني) لعنصرين بدلاً من الصياغة.هذا هو المكان الذي تلعب به الأنطولوجيات دورها.الأنطولوجيات توفر نمذجة دلالية يمكن أن تكشف عن المعاني الأساسية وأوجه التشابه في السير الذاتية وتوصيف الوظائف.

تمثل تقنية مطابقة الأنطولوجيا تقنية أساسية في العديد من المجالات، مثل دمج الأنطولوجيات. في المجالات ذات القواعد شديدة التعقيد (والتفاعلات المعقدة بين القواعد)، لا يوجد بديل للأنطولوجيات. يظهر هذا، على سبيل المثال، عندما تفكر في دمج نطاقات متباينة. لنفترض أن هناك أنطولوجيتين منفصلتين، أنطولوجيا طقس وأنطولوجيا جغرافية،

عند التفكير في مخاطر التنقل أو التأمين، لإنشاء أنطولوجيا ثالثة تدمج وتعزز من الاثنتين الآخرتين، وهو اقتراح يمكن التحكم فيه.[5]

القيمة الحقيقية للأنطولوجيات

يعتمد النظام الدلالي على تمثيل صريح ومفهوم من المفاهيم والعلاقات والقواعد من أجل تطوير معرفة المجال المرغوب. من المستحيل الاعتماد فقط على المبرمجين لبناء مثل هذا النظام القائم على التعلم الآلي، حيث ينقصهم المعرفة اللازمة لتحديد العلاقات بين المفاهيم في المجالات المحددة. ولذلك، يجب تعلم معرفة المجال من خبراء المجال ذوي الخلفيات المختلفة (مثل قانون الملكية الفكرية، وديناميات الموائع، وإصلاح السيارات، وجراحة القلب المفتوح، أو النظم التعليمية والمهنية). هذه العملية ضرورية لإنشاء تمثيل شامل للمعرفة.

بالنسبة لأنطولوجية JANZZ متعددة اللغات، المهارات اللغوية هي نقطة أساسية. في العديد من الحالات، لا يمكن ترجمة مفهوم ما إلى لغات متعددة بطريقة فردية، ولكن بفضل كون سويسرا صغيرة ومتكاملة، فإن جميع متخصصي أنطولوجيا JANZZ يجيدون لغتين على الأقل ويتحدث بعضهم أكثر من أربع لغات (بما في ذلك الصينية والعربية). هذه الميزة تضمن اتساق الأنطولوجيا والجودة عبر لغات مختلفة.

 

قبل حوالي عقد من الزمان، بدأت JANZZ في بناء أنطولوجيتها على تصنيفات مختلفة للمهن، وهي ISCO-08 وESCO وجميع التصنيفات الخاصة بكل بلد. على مر السنين، أضافت JANZZ الآلاف من المهن والوظائف الجديدة (مثل عامل استخراج بيانات أبحاث السوق وخبير جيل الألفية ومدير الوسائط الاجتماعية) إلى أنطولوجية JANZZ، والتي لم تكن موجودة من قبل في أي من التصنيفات المعروفة. وبالإضافة الى المسميات الوظيفية، تم أيضًا إضافة أحدث المهارات، والتعليم، والخبرة، والتخصصات في الأنطولوجية. إنها الأداة الصحيحة للموارد البشرية وخدمات التوظيف العامة، التي تعترف بأوجه التشابه والغموض بين ألقاب الوظائف، بدلاً من كونها مجموعة مصطلحات مثل التصنيف. اليوم، تعد أنطولوجيا JANZZ أنطولوجيا بيانات المهن الأكبر، والأكثر تعقيدا والأكثر اكتمالا إلى حد بعيد في العالم.

بالنسبة للشركات الخاصة وخدمات التوظيف العامة التي تحاول أن تختار بين نظام تصنيف ونظام تصنيف يستند إلى أنطولوجيا، نأمل أن تساعدك هذه المقالة على اتخاذ القرار الصحيح وتساعدك على إدراك أن الاستثمار في نظام غير دلالي (بدون محتوى) لن تحصل على المزيد. لحسن الحظ، اختارت بعض الحكومات والشركات الطريق الصحيح واستفادت بالفعل من أحدث تقنياتنا. إذا كنت ترغب في معرفة المزيد عن أنطولوجيا JANZZ، اكتاب لنا.

 

[1] Ian Horrocks. 2008. Ontologies and the Semantic Web. URL:http://www.cs.ox.ac.uk/ian.horrocks/Publications/download/2008/Horr08a.pdf [2019.02.01 ]

[2] Larry Lefkowitz. 2018. Semantic Reasoning: The (Almost) Forgotten Half of AI. URL:https://aibusiness.com/semantic-reasoning-ai/ [2019.02.01]

[3] New Idea Engineering. 2018. What’s the difference between Taxonomies and Ontologies? URL:http://www.ideaeng.com/taxonomies-ontologies-0602 [2019.02.01]

[4] Daniel Tunkelang. 2017. Taxonomies and Ontologies. URL:https://queryunderstanding.com/taxonomies-and-ontologies-8e4812a79cb2 [2019.02.01]

[5] Nathan Winant. 2014. What are the advantages of semantic reasoning over machine learning? URL:https://www.quora.com/What-are-the-advantages-of-semantic-reasoning-over-machine-learning [2019.02.01 ]