Das Potential von KI fürs Personalmanagement

/in , , /von

Künstliche Intelligenz (KI) ist zweifellos ein leistungsfähiges Hilfsmittel. Ihr ökonomischer Wert steigt stetig und transformiert zahlreiche Industrien, wie zum Beispiel die Herstellung, FinTech, das Gesundheitswesen und die Automobilbranche. Arbeitnehmer*innen im Finanzwesen und im Marketing können KI-Technologien bereits erfolgreich nutzen, während Personalmanager*innen bei deren Integration in ihre alltäglichen Praxen noch Schwierigkeiten haben.

Prasanna Tambe, Peter Cappelli und Valery Yakubovich legen in ihrer Recherche dar, dass «es in HR systemische und strukturelle Unterschiede gibt, welche die Konstruktion eines auf KI-basierenden Systems erschweren» [1]. Weil die Qualität und das Erklärungspotential von Big Data und KI begrenzt sind, werden sie im Personalmanagement und bei der Einstellung immer noch als eher unkonventionell betrachtet. Um ein besseres Verständnis hiervon zu erhalten, müssen wir KI-Probleme im Hinblick auf Data Science im Personalmanagement (HRM) betrachten.

In Bezug auf Data Science gibt es drei Hauptherausforderungen für die HR-Praxis. Die erste Angelegenheit betrifft den Mangel an Konstanz in der Messung des HR-Prozesses während eines Mitarbeiterlebenszyklus. Wenn zum Beispiel zu bestimmen ist, welche*r Kandidat*in angestellt oder befördert werden soll, ist es wichtig, dabei fortlaufend die Kriterien und Fähigkeiten, welche bei der Entscheidung ausschlaggebend waren, zu dokumentieren und zu analysieren.

Das zweite Problem der HR-Praxis ist, dass im HRM produzierte Datensets beschränkt sind. Ferner sind solche Daten oftmals unstrukturiert (auf dem Papier, in Excel oder PDF) und, konsequenterweise, für den Computer schwierig zu prozessieren.

Die dritte Schwierigkeit ergibt sich aus den ethischen Bedenken im Hinblick auf die Datenverarbeitung. Resultate von HR-Entscheidungen können einen starken Einfluss auf die Karriere haben. Deshalb ist es unerlässlich, sich Gedanken darüber zu machen, wie Fairness und Transparenz erreicht werden können. Darüber hinaus ist es ebenfalls wichtig zu wissen, wie Angestellte auf Resultate die nur durch datengestützte Algorithmen erzeugt werden, reagieren. Wie Morgan Hampton von Tesla findet, «sollte Rekrutierung so viel wie möglich automatisiert werden, nicht aber die Einstellung, welche möglichst persönlich bleiben soll».

Nebst dem Miteinbezug dieser drei Probleme sollten Personalmanager*innen sich bei der Suche nach KI-Lösungen auf die folgenden Aspekte konzentrieren, um KI effektiver zu nutzen. Erstens müssen Personalmanager*innen den richtigen HR-Prozess entwickeln, also einen der dem digitalen Zeitalter und der KI-Technologie entspricht.

Gegenwärtig laufen die KI-Technologien separat, zum Beispiel in der Rekrutierung und Talentgewinnung, in der Lohnverwaltung und in der SB-Transaktion. Jedoch fehlt dabei ein Mechanismus, der Daten generiert, welche dem gesamten KI-Prozess in den HR-Praxen zuträglich sind.

Personalmanager*innen behalten oftmals nur die Bewerbungen die sie auch interessieren. Die Bewerbungen, welche herausgefiltert werden, führen zu eindimensionalen Schlussfolgerungen [1]. Eigentlich sollten alle Kriterien bei der Datensammlung erfasst und zu Schluss evaluiert werden, um die Entwicklung von Big-Data-Modellen und KI-Prozessen zu optimieren.

Des Weiteren ist es wesentlich, dass die Daten auf nachhaltige Art und Weise erhoben werden.  Beispielsweise gibt es KI-Applikationen, die voraussagen können, welche Angestellten ihren Job kündigen werden und solche, die sogar die Datenpunkte von den Social-Media-Accounts und E-Mail-Adressen der Angestellten verfolgen können [2]. Wenn Angestellte sich solch einem System bewusst wären, würden sie möglicherweise ihr Verhalten ändern und bewusst irreführende Daten produzieren.

Letztes Jahr machte die Geschichte über ein KI-Tool von Amazon, welches einen Bias gegenüber Frauen hatte, Schlagzeilen. Es wurde als Beweis dafür, dass Machinelles Lernen menschliche Haltungen nachahmen kann erachtet. Das Geschlecht einer Person ist aber lange nicht der einzige Aspekt, der zur Grundlage für Diskriminierung dienen kann. Alter, Nationalität oder Ethnie können ebenfalls einen negative Einfluss darauf haben, wie integrativ und divers eine Firma anstellt.

Personalmanager*innen sollten nur wichtige Daten sammeln und für erklärbare-KI-Lösungen suchen. Die komplexen neuralen Netzwerke im Deep Learning sind bei weitem nicht selbsterklärend.

Bis heute gibt es keine einheitliche Liste von Kriterien, die Personalmanager*innen in der HR-Praxis beachten sollten. Dies bedeutet, dass Personalmanager*innen mit der firmeninternen IT-Abteilung oder externen KI-Anbietern zusammenspannen müssen, um die besten Analyseverfahren zu etablieren. Diese Praktiken können dazu verwendet werden, Daten mittels KI zu tracken und zu messen.

Bei JANZZ.technology sind wir davon überzeugt, dass das Sammeln und Strukturieren von Daten essentiell ist. Unser Parser-Tool extrahiert die richtigen Einheiten von Papier, Excel oder PDF und stellt sicher, dass ein durchgehend fairer End-to-End Prozess gewährleistet wird. Möchten Sie mehr über unseren Parser und seine Fähigkeiten, Ihnen bei Ihrer KI-Transformierung zu helfen, erfahren? Dann schreiben Sie bitte an sales@janzz.technology

 

 

[1]Prasanna Tambe, Peter Cappellli and Valery Yakubovich. 2019. Artificial intelligence in human resources management: Challenges and a path forward. URL:https://www.researchgate.net/profile/Peter_Cappelli/publication/328798021_Artificial_Intelligence_in_Human_Resources_Management_Challenges_and_a_Path_Forward/links/5c5edc7f299bf1d14cb7dc5f/Artificial-Intelligence-in-Human-Resources-Management-Challenges-and-a-Path-Forward.pdf [2019.10.20]

[2] Samantha Mclaren. 2019. Here’s how IBM predicts 95% of its turnover using data. URL:https://business.linkedin.com/talent-solutions/blog/artificial-intelligence/2019/IBM-predicts-95-percent-of-turnover-using-AI-and-data[2019.10.20]

JANZZ.technology bietet erklärbare künstliche Intelligenz (XAI)

/in , , /von

Im Verlaufe des letzten Jahrzehntes haben maschinelles Lernen (ML) und insbesondere Deep-Learning-Systeme dank dem Vorhandensein grösserer Datensätzen und fortschrittlicher Rechenleistungen signifikante Optimierung erfahren. Der dramatische Erfolg von ML forciert uns aber auch dazu, von künstlicher Intelligenz (KI) geleitete Applikationsprozesse zu tolerieren. Aufgrund deren immer autonomeren Systeme sind aktuelle Maschinen nicht in der Lage, Benutzer*innen über ihre Prozesse zu informieren.

Heutzutage sind die meisten KI-Technologien von privaten Herstellern entwickelt, welche sicherstellen, dass ihre Datenprozessierung geheim bleibt. Dazu kommt, dass viele Firmen in ihren AI-Technologien komplexe neurale Netzwerke verwenden, welche keine Erklärungen für die erbrachten Resultate liefern können.

Wenn diese Art von System beispielsweise das Reisen von Kund*innen auf fälschliche Weise beeinflusst, mag dies noch nicht von einschlägiger Konsequenz sein. Was geschieht aber, wenn es einen inkorrekten Einfluss auf autonome Fahrzeuge, medizinische Diagnosen, Politikgestaltung oder Arbeitsstellen hat?  In diesem Falle würde es schwierig, dem Entscheidungsprozess des Systems blind zu vertrauen.

Anfangs dieses Jahres hat die Organisation für wirtschaftliche Zusammenarbeit und Entwicklung (OECD) mit dem Ziel Innovation und Vertrauen zu fördern ihre Prinzipien zu KI veröffentlicht. Eines der fünf komplementären wertorientierten Prinzipien für die verantwortungsbewusste Handhabung vertrauenswürdiger KI ist, dass “es Transparenz und verantwortungsvolle Offenlegung zu KI-Systemen braucht, um sicherzustellen, dass die Leute KI-basierte Ergebnisse verstehen und hinterfragen können”. [1]

Erklärbare künstliche Intelligenz (XAI) hat sich in letzter Zeit im ML-Bereich als Möglichkeit zum Angehen von “Black Box”-Entscheidungen in KI-Systemen etabliert. Wie bereits erwähnt können die meisten derzeitigen Algorithmen im ML den Leuten nicht auf verständliche Art und Weise erklären, wie und weshalb Entscheidungen gemacht werden. Deshalb ist es schwierig, solche Entscheidungen auf Fehler und Bias zu untersuchen, insbesondere im Falle gängiger Algorithmen von Ansätzen im Bereich von Deep-Learning in neuralen Netzwerken. [2]

Folglich haben zahlreiche regulierende Instanzen, inklusive der OECD, Firmen dazu aufgefordert, mehr auf XAI zurückzugreifen. Die in Kraft getretene Datenschutz-Grundverordnung begründete für Leute innerhalb der Europäischen Union das «Recht auf persönliche Überprüfung» von jeder algorithmischen Entscheidung. In den Vereinigten Staaten zwingen Versicherungsgesetze Firmen dazu, ihre Entscheidungen – zum Beispiel weshalb sie den Versicherungsschutz gewissen Gruppen oder Individuen verweigern oder ihnen höhere Zuschläge verrechnen – zu erläutern. [3]

Es gibt zwei Hauptprobleme in Bezug auf XAI. Das erste ist, dass es schwierig ist, XAI als Konzept zu definieren. Darüber hinaus sollten sich Benutzer*innen den Limitierungen ihres Wissens bewusst sein. Wenn Firmen keine andere Wahl hätten, als detaillierte Erklärungen für alles zu liefern, würde geistiges Eigentum als Alleinstellungsmerkmal (USP) nicht mehr existieren. [4]

Die zweite Problematik besteht darin, den Trade-Off zwischen Leistung und Erklärbarkeit zu beurteilen. Müssen wir gewisse Aufgaben standardisieren und Industrien regulieren, um sie für die Suche nach transparent integrierten KI-Lösungen brauchbar zu machen? Selbst wenn das bedeutet, dass diese Industrien dadurch sehr stark belastet werden?

Bei JANZZ.technology tun wir unser Bestes, um unseren Nutzer*innen zu erklären, wie wir Kandidat*innen und Stellen matchen. Unsere einzigartige Matching-Software exkludiert nebensächliche Parameter wie Geschlecht, Alter oder Nationalität und vergleicht nur Fähigkeiten, Ausbildung/Training, Spezialisierungen, Erfahrungen, etc. Sie verwendet also nur Aspekte, welche von wirklicher Bedeutung für das Finden der perfekten Kandidat*innen sind.

Anstatt nur einen Matching-Score zu liefern, zerlegt unser Matching-System alle Kriterien in Aspekte wie Funktionen, Fähigkeiten, Sprachen und Verfügbarkeit. Dies ermöglicht Benutzer*innen, ein besseres Verständnis der Resultate zu haben und liefert die Grundlage für das Reskilling und Upskilling der zu analysierenden Arbeitskräfte. Möchten Sie mehr darüber erfahren, wie JANZZ.technology erklärende KI-Lösungen einsetzt? Dann schreiben Sie bitte an sales@janzz.technology

 

[1] OECD. 2019. OECD Principles on AI. URL :https://www.oecd.org/going-digital/ai/principles/ [2019.9.17].

[2] Ron Schmelzer. 2019. Understanding Explainable AI. URL: https://www.forbes.com/sites/cognitiveworld/2019/07/23/understanding-explainable-ai/#6b4882fa7c9e[2019.9.17].

[3] Jeremy Kahn. 2018. Artificial Intelligence Has Some Explaining to Do. URL: https://www.bloomberg.com/news/articles/2018-12-12/artificial-intelligence-has-some-explaining-to-do[2019.9.17].

[4] Rudina Seseri. 2018. The problem with ‘explainable AI’. URL: https://techcrunch.com/2018/06/14/the-problem-with-explainable-ai/[2019.9.17].

 

 

 

 

NRK zeigt Erfolgsgeschichten von Norwegens neuer Job-Matching-Plattform

/in , /von

JANZZ.technology ist der Anbieter der Technologie hinter der semantischen Such- und Matching-Engine der neuen Job-Plattform der norwegischen Arbeits- und Sozialverwaltung (NAV).

Die von NAV gelaunchte digitale Job-Matching-Plattform, Arbeidsplassen.no, wird nun sowohl von Arbeitssuchenden als auch von Arbeitgebern benutzt und gelobt. NAV hofft, dass es Arbeitssuchenden jetzt leichter fällt, eine neue Stelle zu finden.

Yusuf wurde innerhalb einer Woche ein Call-Center-Agent. Für ihn bedeutete ein Zwischenjahr nach dem Abitur eine Lücke im Lebenslauf, was sich als problematisch herausstellte, als er sich erneut für Stellen bewerben wollte. Durch NAV begann er ein Arbeitstraining, welches ihm die Tür zum Arbeitsmarkt öffnete. Arbeidsplassen.no war die Lösung für Yusuf. Er bekam ein Interview und begann in der folgenden Woche als Call-Center-Agent zu arbeiten. Für die Personalvermittlungsfirma „Maskineriet“ hat die NAV-Website die Suche nach neuen Mitarbeitern erleichtert. Die Personalvermittler durchsuchen die NAV-Lebenslaufdatenbank, finden Kandidaten und setzen sich mit ihnen in Verbindung. Die Kandidaten können dann die Möglichkeit bekommen, eine unbefristete Stelle antreten.

Der Geschäftsführer von Virke, dem norwegischen Unternehmensverband, lobt die Job-Matching-Plattform. Arbeidsplassen.no wird als sehr wichtig angesehen, da es die Bedürfnisse von Unternehmen und die idealen Kandidaten effizienter verbindet. Die Tatsache, dass NAV in die Digitalisierung investiert, vereinfacht den Einstellungsprozess für Unternehmen.

Aus der Sicht der Stellensuchenden wurde der Lebenslaufservice erheblich verbessert. Somit ist es für die Bewerber/-innen einfacher auf der NAV-Plattform den richtigen Job finden. Die Bewerber/-innen können nun ihre Profile für die Stellensuche definieren und gezielt optimieren. Gleichzeitig können sie sich auf eine größere Auswahl verfügbarer Stellen bewerben. Die Arbeitgeber/-innen geben positive Rückmeldungen sowohl zum Kandidatenfindungsprozess als auch zur Plattform Arbeidsplassen.no, die letztendlich für NAV wichtig sind.

Erfahren Sie mehr auf NRK.no https://tv.nrk.no/serie/distriktsnyheter-oestfold/201907/DKOS99070519/avspiller

 

Beispiele für CL-Applikationen bei der Talentakquise

/in , , /von

Die JANZZ-Ontologie JANZZon! ist eine computerlinguistische Applikation (CL-Applikation) für die Talentakquise und kann zu Produkten wie Google Cloud Jobs API gezählt werden. Ein Artikel von Gartner mit dem Titel Impacts of Artificial Intelligence and Machine Learning on Human Capital Management fasst zusammen, dass Applikationen mit künstlicher Intelligenz (KI) und mit maschinellem Lernen die heutige Art und Weise, wie HR-Prozesse geschehen, aktiv verändern. Um den gesamten Bericht zu lesen besuchen Sie bitte: https://www.gartner.com/en/documents/3778864/impacts-of-artificial-intelligence-and-machine-learning

Was Sie wissen sollten bei der Wahl Ihrer AI-Recruiting-Software

/in , , /von

In einem Bericht präsentiert Deloitte die Entwicklung der HR-Technologie in vier Schritten. Der erste Schritt beschreibt die Zeitspanne zwischen den 1970ern und 1980ern, als der Hauptfokus der Software-Anbieter den Systemen galt, die den HR-Managern helfen konnten, Protokoll zu führen. In einem zweiten Schritt zwischen den 1990ern und den frühen 2000ern wurden HR-Fähigkeiten entwickelt, welche Rekrutierung, Schulung und Leistungskontrolle unterstützen konnten. Um 2010, im dritten Schritt, fingen Anbieter an Cloud-Services und benutzerfreundliche Systeme anzubieten, um Employee-Self-Services einzusetzen.

Der Deloitte-Bericht behauptet, dass wir heute im vierten Stadium der HR-Technologie stehen. Um auf die Mikrotrends des Arbeitsumfeldes reagieren zu können, mussten Anbieter Instrumente entwickeln, welche auf Teams, Individuen und Netzwerke abzielen und welche die menschliche Produktivität erhöhen. Bei JANZZ.technology denken wir auch, dass HR-Technologie Personalleiter darin unterstützen soll, die Produktivität und den Fokus auf wertschöpfende Arbeiten zu lenken. Zum Beispiel sollte der benötigte Aufwand für banale Aufgaben reduziert, das effiziente Sieben von tausenden von Kandidat*innen und deren ausführliche Bewerbungsgespräche ermöglicht werden. Wir glauben, dass dies durch Künstliche Intelligenz (KI) erreicht wird.

KI für die Rekrutierung

Talentgewinnung ist zweifellos einer der wichtigsten Teile der Unternehmensführung. Das macht den Recruiting-Software-Markt zum kompetitivsten und interessantesten Markt zum Beobachten. Staatliche Organisationen, wie der Arbeitsmarktservice, suchen aktiv Lösungen, um mit diesem Thema umzugehen. Gemäss Crunchbase haben Recruiting-Software-Startups in 2018 mehr als 600 Millionen Dollar VC-Finanzierung erhalten. Im letzten Market-Map von HR Tech China wurde festgestellt, dass Recruiting-Software-Anbieter den grössten Anteil der HR-Technologie-Anbieter ausmachen.

Die diversen Rekrutierungsplattformen der Anbieter beinhalten das Prüfen und Beurteilen der Kandidat*innen und deren Hintergrundsüberprüfungen und Video-Interviews. Erstmals Anfang 2017 ist KI im Rekrutierungsprozess aufgetaucht. Die darauffolgende Zunahme an KI-Fähigkeiten von Recruiting-Softwares könnte jeden HR-Manager überfordern.

KI für die Rekrutierung ist eine aufkommende Technologie im HR-Rekrutierungsprozess. Es braucht KI-Technologie hauptsächlich, um eine Reduktion von repetitiven, banalen und zeitaufwendigen Aufgaben zu ermöglichen, was Rekrutierern und Personalverantwortlichen hilft, sich auf wertschöpfende Aktivitäten zu konzentrieren. 52 Prozent der Talentgewinnungsführer geben an, dass der schwierigste Teil der Rekrutierung das Filtern der Kandidat*innen aus einem grossen Bewerberpool sei. [1] AI-Recruiting-Softwares können tausende von Bewerbungen filtern und im Nu die Top-5 Kandidat*innen vorschlagen. Somit werden HR-Manger mehr Ressourcen für den Rekrutierungsprozess haben und nur die Topkandidat*innen bewerten können, was ihre Chancen erhöht, die passendsten Kandidat*innen zu finden.

Hingegen benutzt die breite Öffentlichkeit den Begriff ‘KI’ in unklarer oder sogar unkorrekter Weise. Viele Firmen verwenden das Label KI um ihre Produkte zu beschreiben, damit diese aufgewertet erscheinen. In den meisten Fällen verspricht diese Art von Produktwerbung zu viel. Deswegen ist es äusserst wichtig, diese Art von Produkt und seine Anbieter beurteilen zu können. Dieser Prozess ist ähnlich wie der Rekrutierungsprozess: Nur wenn man verschiedene Möglichkeiten hat, die Optionen zu evaluieren, wird man die beste finden.

KI-Rekrutierungstechnologie beurteilen

Wie können HR-Manager den falschen Versprechen von AI-Recruiting-Softwares entgegenhalten? Wir haben drei Richtlinien, welche man einhalten sollte beim Aussuchen einer AI-Recruiting-Software.

Erste Richtlinie: Sich des Bias der AI-Recruiting-Software bewusst sein

Letztes Jahr war die Geschichte des Amazon Recruiting-Tools, welches voreingenommen gegenüber Frauen war, für uns alle ein Alarmsignal: Maschinelles Lernen kann genau so voreingenommen sein wie Menschen. Deswegen ist es sehr wichtig, auf die algorithmische Fairness und Transparenz zu achten.

Man muss sich bewusst sein, wie die Software persönliche Informationsdaten wie Geburtstag, Geschlecht und Nationalität verarbeitet. Welche Faktoren berücksichtigt die Software beim Matching? Und, ignoriert sie irrelevante Faktoren?

Abgesehen von Algorithmen muss man sicherstellen, dass die Software repräsentative Trainingsdaten prozessiert. Im Falle von Amazon hat sich das Instrument gegen weibliche Bewerberinnen gewandt, weil die Firma über zehn Jahre hinweg die Computermodelle nur mit CVs von männlichen Bewerbern trainiert hat. Deshalb, fragen Sie Ihren Software-Anbieter, wie er mit Ihrer Datenquelle umgeht.

Zweite Richtlinie: Vor dem Kauf wird getestet

Bevor man ein Auto kauft, macht man sicherlich eine Probefahrt. Diese Regel gilt auch bezüglich Recruiting-Softwares. Weil ein Recruiting-Software-System eine teure und langfristige Investition ist, macht es Sinn, ein POC (Proof of Concept) durchzuführen. In einem Probelauf werden Sie herausfinden, ob die Softwares wirklich Ihre priorisierten Probleme lösen, die versprochenen Funktionen bieten und mit Ihren Daten umgehen können.

JANZZ.technology hat eine POC mit einer internationalen Organisation durchgeführt, um herauszufinden, ob unsere Lösung Ihnen helfen könnte, bei der Kandidat*innensuche Zeit zu sparen. Unsere KI-Software ist im Matching von Kandidat*innen weltweit mit einer offenen Praktikumsstelle der Organisation gegen die HR-Abteilung der Organisation angetreten. Nach dem Filtern von tausenden von Bewerbungen waren sie beeindruckt von unseren Resultaten.

Die meisten guten Software-Anbieter bieten Gratis-Probeläufe an. Es ist wichtig, Ihre Testdaten vor dem Probelauf gut vorzubereiten, damit Sie ihn bestmöglich nutzen und im darauffolgenden Prozess optimieren können. Einer der oft ignorierten Aspekte ist die Wartung und Unterstützung, welche nach dem Kauf einer Rekrutierungs-Software benötigt werden. Nur mit konstanter Aktualisierung ist die Software fähig, sich parallel zum schnellentwickelnden Markt, zu den Kundenanforderungen und zu der kontinuierlichen Digitalisierung zu entwickeln. Vertrauen Sie nicht einfach Werbeslogans wie «50 andere führende Firmen aus Ihrer Industrie benützen unsere Software» oder «auch die Top 100 aus den Top 500 Firmen verwenden unsere Software».

Dritte Richtlinie: Die Soft Skills einer AI-Recruiting-Software in Betracht ziehen

Genau so wie man Jobkandidat*innen entsprechend ihrer Fähigkeiten und Soft Skills beurteilt, muss man das auch mit AI-Recruiting-Softwares machen. Wir bezeichnen die Hard Skills einer Software als Funktionalität, Genauigkeit, Datensicherheit, Schnelligkeit und Sprachfähigkeiten.

Jedoch übersehen viele die Soft Skills einer AI-Recruiting-Software. Diese beinhalten die Fähigkeit, die Sprachen, Ausbildungen, Arbeits- und Sozialsysteme etc. aus Ihrer Region tiefgründig zu verstehen und die Fähigkeit, spezifische Regionen und Länder zu lokalisieren.

Zum Beispiel hat ein Land wie Spanien mehrere Sprachen: Kastilisch, Katalanisch (oder Valenzianisch), Galizisch und Baskisch. Eine gute AI-Recruiting-Software sollte in der Lage sein, diese vier verschiedenen Sprachen zu verstehen und sollte wissen, wie geläufige Terminologien in denselbigen verwendet werden.

Job-Matching in Europa ist keine einfache Aufgabe. Zum Beispiel, weil jedes der 44 Länder sein eigenes Bildungssystem besitzt (sogar unter dem Bolognasystem). Es ist ein enormer Aufwand, die verschiedenen Bildungsniveaus zu vergleichen und Bewerber*innen mit Stellen zu matchen. Hat Ihr Anbieter die richtigen Kenntnisse um solche Probleme in Ihrer Region zu lösen?

Nebst Sprachen und Bildung gibt es viele gleichwichtige Kategorien, die ernst genommen werden müssen. Als eine internationale Korporation, welche in verschiedenen Ländern agiert, möchten Sie eine Software besitzen, welche alle für Sie relevanten Märkte versteht.

Limitierungen von KI

Sie haben vielleicht schon von all den versprochenen Vorteilen, die aus der Verwendung von AI-Recruiting-Softwares hervorgehen, gehört. Bevor die KI seine Magie entfalten kann, haben wir ein Wort der Warnung: Erwarten Sie nicht, dass KI-Softwares die Rekrutierungsentscheide von alleine fällen. Viele der vorhergehenden Anwendungsfälle haben gezeigt, dass die Technologie noch nicht ganz bereit ist. ‘’Wie man sicherstellen kann, dass der Algorithmus wirklich interpretierbar und erklärbar ist, das liegt weit in der Zukunft.’’  [2]

Falls Sie erwarten, dass KI und der Algorithmus ihre Arbeit gut machen, ist es genauso wichtig, sicherzustellen, dass die Firma oder Organisation bereit für KI ist, um seine Kraft zu maximieren. Wir alle wissen, dass Musteridentifikation und Vorhersage eine grosse Menge an Daten erfordern. Bei den weitverbreiteten Open-Source-Algorithmen sind die Daten, mit welchen sie trainiert werden ausschlaggebend. Jede Firma oder Organisation sollte einen klaren Plan haben, wie die qualitativen und quantitativen Daten generiert werden sollten, um der AI-Recruiting-Software zu helfen, genaue Resultate zu erzielen, welche für ihr Geschäft ökonomisch rentabel sind.

JANZZ.technology bietet KI-Lösungen für Ihr Rekrutierungssystem an und hilft Ihnen, die richtigen Fähigkeiten und Talente zu finden. Die Ontologie von JANZZon! und die clevere Matching-Engine JANZZsme! machen komplexe Probleme sowie Job- und Skill-Matching errechenbar und verändern die Art und Weise, wie wir Skill- und Talentsuche angehen, komplett. Die Applikationen von JANZZ.technology sind semantisch strukturiert, was heisst, dass Berufe, Spezialisierungen, Funktionen, Fähigkeiten, Qualifikationen, etc. logisch vernetzt werden. Die Applikationen von JANZZ.technology können sinnvolle Resultate aus komplexen Suchen in Echtzeit und in verschiedenen Sprachen hervorbringen. Unsere Applikationen werden konstant mit neuen Daten aktualisiert, welche von unseren Nutzern generiert werden. Deswegen werden sie im Laufe der Zeit immer genauer. Lassen Sie die Instrumente von JANZZ.technology Ihnen in der Suche nach den besten Kandidat*innen assistieren. Für eine Demonstration schreiben Sie bitte an sales@janzz.technology

[1] ideal. 2019. AI for recruiting: A definitive guide for HR professionals. URL: https://ideal.com/ai-recruiting/ [2019.05.28]

[2] Jeffrey Dastin. 2018. Amazon scraps secret AI recruiting tool that showed bias against women. URL: https://www.reuters.com/article/us-amazon-com-jobs-automation-insight/amazon-scraps-secret-ai-recruiting-tool-that-showed-bias-against-women-idUSKCN1MK08G [2019.05.28]
[/av_textblock]

Ontologie und Taxonomie – hören Sie auf, Dinge zu vergleichen, die nicht vergleichbar sind

/in , , /von

Für viele Menschen mag das Wort „Ontologie“ abstrakt klingen. Es hat seinen Ursprung in Tim Berners-Lees Traum, das World Wide Web zu erfinden. Dieser Traum beinhaltete, dass das Web in der Lage wurde, ein sogenanntes „Semantic Web“ zu definieren, indem es alle Webdaten analysierte, einschließlich Inhalt, Links und Computer-Person-Transaktionen. Im Semantic Web haben sich das Resource Description Framework (RDF) und die Web Ontology Language (OWL) als Standardformate für den Austausch und die Integration von Daten und Wissen etabliert – letzteres in Form von umfangreichen konzeptionellen Schemata, die als Ontologien bezeichnet werden. In diesem Artikel dient das Wort Ontologie als Arbeitsdefinition, es ist jedoch erwähnenswert, dass es in der heutigen IT-Welt auch eine breite Verwendung des Begriffs „knowledge graph“ gibt, um auf dieses Konzept zu verweisen.

Warum Ontologien auch Sie kümmern sollten

Im Bereich der künstlichen Intelligenz (KI) ersetzen die Begriffe „Big Data“, „Machine Learning“ und „Deep Learning“ langsam die Verwendung von „KI“. Um Adrian Bowles zu zitieren: „Es gibt keine maschinelle Intelligenz ohne (Wissens-)Repräsentation.“ Mit anderen Worten, die KI benötigt einige Elemente der Wissenstechnik, der Informationsarchitektur und ein beträchtliches Mass an menschlicher Arbeit, um ihre „magische neuronale Arbeit“ zu leisten. Alexander Wissner-Gross stellt fest, dass wir vielleicht vor allem erkennen müssen, dass es sich um intelligente Datensätze und nicht um Algorithmen handelt, die wahrscheinlich der Schlüsselfaktor für die Entwicklung der künstlichen Intelligenz auf menschlicher Ebene sein werden.

„Es gibt keine maschinelle Intelligenz ohne (Wissens-)Repräsentation.“

Eine Ontologie ist eine strukturierte und formale Darstellung von relativem Wissen in einem bestimmten Bereich. Dies ist notwendig, denn im Gegensatz zum Menschen kann er sich nicht direkt auf das menschliche Hintergrundwissen über die korrekte Verwendung eines Begriffs verlassen. Was eine Ontologie jedoch tun kann, ist, die semantische Bedeutung eines Begriffs durch die Verknüpfungen zwischen den Konzepten in ihrem System „zu erlernen“. In bestimmten Bereichen existieren bereits leistungsfähige Ontologien, wie z.B. die Financial Industry Business Ontology (FIBO) sowie zahlreiche Ontologien für Gesundheit, Geographie oder Berufe.

Ein weiterer wichtiger Teil der KI ist die semantische Argumentation. Neben der Identifizierung potenziell betrügerischer Transaktionen, der Bestimmung der Absicht der Benutzer anhand ihrer Browserhistorie und der Abgabe von Produktempfehlungen kann die KI auch Folgendes tun: Es kann Aufgaben ausführen, die eine explizite Argumentation auf der Grundlage von allgemeinem und domänenspezifischem Wissen erfordern, wie z.B. das Verstehen von Nachrichtenartikeln, die Zubereitung von Speisen oder den Kauf eines Autos. Solche Aufgaben erfordern daher Informationen, die nicht Teil der Eingangsdaten sind, sondern dynamisch mit Wissen kombiniert werden müssen. Diese Art der maschinellen Argumentation kann nur mit Ontologien und der Art und Weise, wie ihr Wissen modelliert wird, erreicht werden. [2]

Taxonomie und Ontologie sind grundsätzlich unterschiedlich.

Ontologie wird oft mit Taxonomie verwechselt.  Abgesehen davon, dass beide zu den Bereichen KI, Semantic Web und System Engineering gehören, gibt es wirklich nicht viel, was sie als Synonyme charakterisieren würde. Taxonomische Klassifikationen wie O*NET (Occupational Information Network) und ESCO (European Skills/Competences, qualifications and Occupations) sind einfach nicht mit komplexen und umfassenden Ontologien vergleichbar.  Sie bieten einen viel einfacheren Ansatz zur Klassifizierung von Objekten, da sie eine hierarchische Struktur haben und nur Eltern-Kind-Beziehungen ohne zusätzliche, komplexere Verknüpfungen verwenden. Ontologien hingegen sind eine viel komplexere Form der Kategorisierung. Metaphorisch gesprochen, ist eine Taxonomie gleich einem Baum, während eine Ontologie einem Wald näher kommt.

Zum Beispiel: Der Begriff „Golf“ könnte in mehreren Taxonomien vorkommen.  Es könnte sich unter einer Rubrik „Human Activities“ befinden.Baum (menschliche Aktivitäten -> Freizeitaktivitäten -> Sport -> Golf).  Sie finden sie auch unter einer Taxonomie für Bekleidung (Bekleidung -> Freizeit-/Aktivbekleidung -> Sportbekleidung -> Golfbekleidung und Accessoires). Es könnte sogar in etwas ganz anderem erscheinen, zum Beispiel in einer Automobil-Taxonomie (Automobil -> Deutschland -> VW -> Golf). Jede dieser Taxonomien kann als ein Baum betrachtet werden, dessen Äste sich an ihren golfbezogenen Knoten berühren. [3]

Anders ausgedrückt, stellen Taxonomien eine Sammlung von Themen mit „ist-a“-Beziehungen dar, während Ontologien viel komplexere Zusammenhänge ermöglichen, wie beispielsweise „has-a“- und „use-a“-Beziehungen. [4] Wenn wir also auf das obige Klassifizierungsbeispiel zurückkommen, fehlt den Taxonomien die Fähigkeit, untergeordnete Konzepte zu vergleichen.

In der Klassifizierung von ESCO sind fast alle Fachärzte unter dem Begriff „Fachärzte“ zusammengefasst. Darüber hinaus werden Fachkompetenzen einfach in Listen ohne Bezug zu den jeweiligen Fachberufen zusammengefasst. Warum ist das so? Ein Grund dafür ist, dass Klassifizierungen hauptsächlich zu statistischen Zwecken verwendet werden. Unter diesem Gesichtspunkt ist es nicht notwendig, alle einzelnen Fachärzte weiter zu klassifizieren.

Daher können Spezialisierungen nach Taxonomien nur an der Berufsbezeichnung erkannt werden und man muss auf andere Quellen zurückgreifen, um ihre individuelle Bedeutung besser zu verstehen.

Der Aufbau einer Ontologie von Berufen, Qualifikationen und Kompetenzen ermöglicht es, Ähnlichkeiten und Unterschiede zwischen Berufsbezeichnungen automatisch zu erkennen. So haben beispielsweise Kinderärzte und Neonatologen ähnliche Tätigkeiten, die sich beide mit der medizinischen Versorgung von Neugeborenen befassen. Mit der Ontologie-Modellierung Ansatzes ist es möglich, festzustellen, dass ein Kinderarzt einen sehr hohen Prozentsatz an ähnlichen Fähigkeiten hat wie ein Neonatologe. Kinderärzte können die Arbeit des Neonatologen jedoch erst nach einer Weiterbildung übernehmen. All diese Informationen können in einer Ontologie durch die Wechselbeziehungen zwischen den Konzepten dargestellt werden. Dies geht über die Kapazität einer einfachen Taxonomie hinaus.

Ontologien ermöglichen den Abgleich von Datensätzen

Wenn es um das Matching geht, sagen wir das Matching von Lebensläufen mit offenen Stellen, gibt es keinen besseren Weg, als eine Ontologie zu nutzen. Allzu oft werden dazu einfache keyword-basierte Matching-Methoden oder Fuzzy Machine Learning-Methoden verwendet, was bedeutet, dass viele Ähnlichkeiten unentdeckt bleiben und nicht abgeglichen werden können, wie z.B. Keyword-Variationen, Synonyme und alternative Phrasen. Beim Abgleich ist es wichtig, die Semantik (die zugrunde liegende Bedeutung) von zwei Elementen und nicht den Wortlaut zu vergleichen. Hier kommen Ontologien ins Spiel. Sie können eine semantische Modellierung bereitstellen, die die zugrunde liegenden Bedeutungen und Ähnlichkeiten in Lebensläufen und Stellenbeschreibungen aufdecken kann.

Die Ontologie-Matching-Technik stellt eine grundlegende Technik in vielen Bereichen dar, wie z.B. der Zusammenführung der Ontologie. In Bereichen mit sehr komplexen Regeln (und komplexen Interaktionen zwischen Regeln) gibt es keinen Ersatz für Ontologien. Dies wird z.B. angezeigt, wenn Sie überlegen, disparate Domänen zu integrieren. Nehmen wir an, es gibt zwei getrennte Ontologien, eine Wetterontologie und eine geographische Ontologie, wenn es um Navigations- oder Versicherungsrisiken geht, um eine dritte Ontologie zu schaffen, die die beiden anderen integriert und nutzt, ist ein überschaubarer Vorschlag. [5]

Der wahre Wert von Ontologien

Das semantische System basiert auf expliziten, menschenverständlichen Darstellungen von Konzepten, Beziehungen und Regeln, um das gewünschte Domänenwissen zu entwickeln. Es ist unmöglich, sich ausschließlich auf Programmierer zu verlassen, um ein solches System auf der Grundlage von maschinellem Lernen aufzubauen, da ihnen das Wissen fehlt, das sie benötigen, um Beziehungen zwischen Konzepten in den spezifischen Bereichen zu definieren. Daher muss das Fachwissen von Fachleuten mit unterschiedlichem Hintergrund (z.B. Immaterialgüterrecht, Strömungsdynamik, Autoreparatur, offene Herzchirurgie oder Bildungs- und Berufssysteme) erworben werden. Dieser Prozess ist entscheidend für die Schaffung einer umfassenden Wissensrepräsentation.

Für die mehrsprachige JANZZ Ontologie sind Sprachkenntnisse ein wichtiger Punkt. In vielen Fällen ist eine Einzelübersetzung eines Konzepts in mehrere Sprachen nicht möglich, aber da die Schweiz klein und multikulturell ist, sprechen alle Kuratoren der JANZZOntologie mindestens zwei Sprachen fließend und einige sogar mehr als vier (einschließlich Chinesisch und Arabisch). Dieser Vorteil garantiert die Konsistenz und Qualität der Ontologie in verschiedenen Sprachen.

Vor etwa einem Jahrzehnt begann JANZZ seine Ontologie auf verschiedenen Berufstaxonomien aufzubauen, nämlich ISCO-08, ESCO und allen länderspezifischen Klassifizierungen. Im Laufe der Jahre hat JANZZ Tausende neuer Berufe und Funktionen (z.B. Market Research Data Miner, Millennial Generational Expert und Social Media Manager) in die JANZZ Ontologie aufgenommen, die es in keiner der bekannten Taxonomien zuvor gab. Neben den Berufsbezeichnungen wurden auch aktuelle Kenntnisse, Ausbildung, Erfahrung und Spezialisierungen in die Ontologie aufgenommen. Es ist das richtige Instrument für HR und öffentliche Arbeitsmarktorganisationen, das die Ähnlichkeiten und Unklarheiten zwischen den Berufsbezeichnungen erkennt und nicht wie eine Taxonomie eine Sammlung von Begriffen ist. Heute ist die JANZZ Ontologie mit Abstand die größte, komplizierteste und vollständigste Berufsdatenontologie der Welt.

Für Privatunternehmen und öffentliche Arbeitsmarktorganisationen, die versuchen, zwischen einem Klassifizierungssystem auf der Grundlage einer Taxonomie und einem Klassifizierungssystem auf der Grundlage einer Ontologie zu wählen, hoffen wir, dass dieser Artikel Sie dabei unterstützt, die richtige Entscheidung zu treffen und Ihnen hilft zu erkennen, dass Investitionen in ein nicht-semantisches System (ohne Inhalt) Sie leider nicht weiterbringen werden. Glücklicherweise haben einige Regierungen und Unternehmen den richtigen Weg gewählt und profitieren bereits von unseren neuesten Technologien . Wenn Sie mehr über die JANZZZ-Ontologie bzw. den JANZZ Knowledge-graph erfahren möchten, nehmen Sie doch unter sales@janzz.technology Kontakt mit uns auf.

[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 ]

Wie Indien seine demografische Dividende nutzt

/in , /von

Während die meisten entwickelten Länder der Welt gegen die Überalterung ihrer Bevölkerung kämpfen indem sie das Rentenalter anheben und Migranten aufnehmen, sind andere Länder besorgt darüber, wie sie eine grosse Anzahl von jungen Menschen in den Arbeitsmarkt einführen sollten. Die Voice of Asia Serie von Deloitte berichtet, dass mehrere asiatische Länder ein stetiges Wachstum ihrer Bevölkerung im erwerbsfähigen Alter verzeichnet haben. Jedes Jahr treten mehr und mehr junge Frauen und Männer in den Arbeitsmarkt ein. Indien steht zuoberst auf der Liste.

Nach Angaben des Weltwirtschaftsforums ist die Hälfte der indischen Bevölkerung unter 25 Jahre alt, ein Viertel sogar unter 14 Jahre. Da Indien mit 1,3 Milliarden Einwohnern das zweitgrößte Land der Welt ist, macht es also ein Fünftel der weltweiten Jugend aus. Wie Ökonomen prognostiziert haben, wird Indien von der demographischen Dividende profitieren und wird dadurch eine schnellwachsende Wirtschaft hervorbringen.

Um den demographischen Vorteil auszunutzen und mit der wachsenden erwerbsfähigen Bevölkerung mitzuhalten, wird Indien die Jobschaffung und die Humankapital-Investitionen beschleunigen und steigern müssen. Denn zurzeit gibt es jährlich 17 Millionen Berufseinsteiger und nur 5.5 Millionen neukreierte Jobs. [1] In einer Umfrage der OECD wurde festgestellt, dass 30% der indischen Jugend zwischen 15 und 29 Jahren weder angestellt noch in der Bildung oder Ausbildung waren (NEET; engl. Not in Education, Employment or Training).

Isabelle Joumard, führende Ökonomin und Leiterin des India Desks der OECD erklärte: «NEETs beinhalten alle Jugendliche, die von bezahlter Arbeit, Schulbildung oder Ausbildung ausgeschlossen sind. Sie sind NEET, weil nicht genügend Qualitätsjobs kreiert werden und weil sie wenig Anreize haben oder zu hohen Einschränkungen ausgesetzt sind, um in den Bildungs- und Ausbildungssystemen teilzunehmen.“

Wieso sind Berufschancen besonders knapp in den am wenigsten entwickelten Ländern? Unzureichende politische Entwicklung, schlechte Infrastruktur und begrenzte Finanzierungskanäle sind nur einige der vielen Gründe für Arbeitsplatzmangel. Nach den Erkenntnissen von e4e (einer von der Internationalen Finanz-Corporation und der Islamischen Entwicklungsbank geführte Initiative zur Förderung von Bildung für Beschäftigung (engl. Education for Employment)) ist das Missverhältnis zwischen Bildung und Arbeitsmarktnachfrage ein großes Hindernis für die Schaffung von Arbeitsplätzen. [5]

Wie in mehreren Berichten hervorgehoben wurde, ist die Entwicklung eines beschäftigungs-orientierten Qualifikationsökosystems der Schlüssel zur Nutzung des demografischen Potenzials Indiens. Rajasthan, der siebtgrößte Staat Indiens, hat eine Jugendbevölkerung unter 25 Jahren, die fast 55 % der gesamten Bevölkerung des Staates ausmacht. Von 2012 bis 2018 stieg die Arbeitslosenquote von 4,5% auf 7,7%. Das Problem der Arbeitslosigkeit in Rajasthan wird mit Problemen, wie dem Mangel an qualitativ hochwertigen Ausbildern und der Nicht-Übereinstimmung von Bildung und Qualifikationsanforderungen, verschärft. [6]

Um diese Probleme zu bewältigen, hat der Staat den Aufbau der Bildungsinfrastruktur kontinuierlich intensiviert. Im Jahr 2004 hat er als erster Staat des Landes eine Qualifikationsmission durchgeführt, die darauf abzielt, die Kluft zwischen Angebot und Nachfrage an qualifizierten Arbeitskräften zu verringern und damit die Beschäftigungsquote zu erhöhen. Um die Qualität der Qualifizierungen weiter zu verbessern, hat Rajasthan «Skill-Universitäten» (engl. Skill universities) gegründet, ein Pionierprojekt in Indien. [6]

In Himachal Pradesh, im Norden Indiens gelegen, besteht ein großer Teil der Beschäftigung aus landwirtschaftlicher Arbeit. Mehr als zwei Drittel der Arbeitskräfte sind selbständig, und die Anzahl an Lohnarbeit ist nach wie vor sehr gering. Im Jahr 2018 unterzeichnete die Asiatische Entwicklungsbank ein Darlehen mit der indischen Regierung, um die Einrichtungen der technischen und beruflichen Bildung (engl. Technical and Vocational Education and Training (TVET)) zu nutzen und die Qualifikationsökosysteme in Himachal Pradesh zu verbessern.  Geplant sind unter anderem die Umwandlung von 11 Arbeitsvermittlungszentren in «Model Career Centres» (Zentren die junge Menschen befähigen sollten, ihre Berufsziele zu erreichen), die Modernisierung der Ausbildungseinrichtungen, der Einsatz eines Ausbildungsinformationssystems und die Schaffung eines besseren Zugangs zu hochwertiger und marktrelevanter Berufsausbildung für die Jugend des Landes, um sie auf die sich ändernden Bedürfnisse des Arbeitsmarktes vorzubereiten. [7]

JANZZ.technology hilft Regierungen, Arbeitskräfte mit KI-Technologie in den Arbeitsmarkt zu vermitteln. In Zusammenarbeit mit MTESS und der DGE haben wir erfolgreich «ParaEmpleo» implementiert – eine Job-Matching-Lösung in Paraguay. Die Kollaboration zwischen Paraguay und JANZZ.technology erfolgt im Rahmen des Förderprogramms für Arbeitseingliederung, das seit 2011 von der Interamerikanischen Entwicklungsbank (IDB) unterstützt wird.  Die Vertreterin der IDB in Paraguay, María Florencia Attademo-Hirt, würdigte die Technologie von JANZZ: „Innovative Instrumente wie diese werden das Leben der Paraguayer über den Mercosur und den regionalen Kontext hinaus verbessern“. Der innovative Einsatz von Technologie ist der richtige Weg, um die heutigen Arbeitsmarktprobleme zu lösen. Wenn Sie als Regierungsorganisation nach Lösungen zur Bekämpfung von Arbeitsmarktfragen in Ihrem Land suchen, schreiben Sie bitte jetzt an 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 [2019.04.30]

[2] OECD. 2017. OECD Economic Surveys India. URL: https://www.oecd.org/eco/surveys/INDIA-2017-OECD-economic-survey-overview.pdf [2019.04.30]

[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/ [2019.04.30]

[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 [2019.04.30]

[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/ [2019.04.30]

[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 [2019.04.30]

[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 [2019.04.30]

[8] IDB. 2019. Algorithms that get you a job in Paraguay. URL: https://www.iadb.org/en/improvinglives/algorithms-get-you-job-paraguay [2019.04.30]

 

Schweiz 2030: Chancen und Gefahren der Digitalisierung

/in , /von

Berufe werden aufgrund der Digitalisierung verschwinden – keine Neuigkeiten für unsere Ohren. Doch die erste umfassende Studie zu Auswirkungen der Digitalisierung bis 2030 erklärt Verheerendes: Allein in der Schweiz sollen mindestens 1’000’000 Jobs verschwinden.  Eine erschreckende Zahl bei rund neun Millionen Einwohnern. McKinsey & Company fanden heraus, dass tatsächlich fast ganze Branchen betroffen sind, die Digitalisierung jedoch auch neue Jobs und Produktivität schafft.

Manuelle und einfach kognitive Fähigkeiten besonders gefährdet

Die McKinsey & Company-Studie «Die Zukunft der Arbeit:  Die digitale Chance der Schweiz» prophezeit, dass 20 bis 25 Prozent der Jobs in der Schweiz bedroht sind. Es sind vor allem die manuellen und einfach kognitiven Jobs, die durch die Digitalisierung nicht mehr von Menschen ausgeführt werden müssen, wie beispielsweise Kassierer, Datenerfasser, Lageristen oder Produktionshelfer. Diese Jobs sind durch eine Vielzahl von technologischen Helferlein schon heute immer häufiger automatisiert – bis 2030 wird dies noch wesentlich zunehmen. Auch handwerkliche Fähigkeiten werden immer weniger gefragt sein. Man spricht also vor allem von den sogenannten low-skilled Jobs – wobei dabei absolute Vorsicht geboten ist. Denn auch statistische sowie Lese- und Schreibfähigkeiten werden 2030 stark automatisiert sein. Ebenso gibt es bereits heute sehr gute Tools, um erfolgreiches Projektmanagement zu leisten. Somit hat vor allem der Schweizer Bankensektor eine grosse Aufgabe vor sich, denn viele dieser Fähigkeiten sind hier entscheidend. Schon heute verzichten mehr und mehr Bankkunden auf persönliche Beratung, ziehen das Informationsportal in ihrem Onlinebanking vor. Es wird erwartet, dass 50’000 Jobs in der Finanzbranche, 120’000 im Detailhandel, sowie 70 bis 100’000 in der Industrie verschwinden werden.

Neue Jobs in 2030

Doch natürlich fordert die Digitalisierung auch neue Skills, wodurch gleichzeitig viele neue Jobs und Stellen entstehen. Gefragt sein werden vor allem technologische, wissenschaftliche und soziale Kompetenzen. Somit werden wiederum auch rund 800’000 Jobs geschaffen werden – nur unglücklicherweise hauptsächlich nicht in den gleichen Bereichen, in denen die Jobs verschwinden. Gleichzeitig schafft die Digitalisierung auch direkt Jobs, denn vollzogen werden muss sie von Menschen. So werden jetzt «Digital Transformation Officer» oder «Projektmanager Interne Digitalisierung» gesucht.

Leider können jedoch nicht ganz einfach die Jobs umverteilt werden. Beispielsweise kann ja nun nicht ein Maschinenbediener Projektmanager werden. Oder eben ein Kassierer Krankenpfleger. Im Gegenteil muss schon jetzt in der Ausbildung angesetzt und aufgeklärt werden, denn Umschulungen sind zum einen sehr teuer, zum anderen schwierig für einen grossen teil der Bevölkerung zu organisieren. Ebenso kann ja nun nicht davon ausgegangen werden, dass auch die benötigten Skills und Soft Skills für diese Berufe vorhanden sind. Wir haben nicht alle die benötigte Empathie und Kraft, um alte und kranke Menschen zu pflegen oder das technologische Verständnis für die neuen Berufe.

Gesundheitsbereich stark wachsend

Neben dem technologischen Bereich werden besonders viele Stellen im Gesundheitswesen entstehen. Einerseits sind für diesen Bereich soziale Kompetenzen entscheidend. Andererseits ist dies der alternden Gesellschaft zu verdanken: 2030 werden 23 % der Schweizer Bevölkerung über 65 Jahre alt sein gegen 18 % heutzutage. Demnach steigt der Bedarf an Pflegekräften erheblich, ein Mehrbedarf von bis zu 85’000 Kräften wird im Gesundheitswesen erwartet, insbesondere Fachkräfte für Gesundheit, sowie die studierten Pflegefachmänner/-frauen gilt. Es werden nicht nur bereits zu wenige ausgebildet, viele verlassen auch wieder den Job, unter den Fachkräften Gesundheit sogar 3 aus 4 Angestellten. Die Gründe dafür sind zahlreich: der Schichtdienst, die körperlich harte Arbeit und ebenfalls der niedrige Lohn. Unter den Pflegefachfrauen/-männern bleiben immerhin rund die Hälfte in Ihrem Beruf.

Nicht nur in der Schweiz, der Mangel gilt in vielen Teilen der Welt. So fand eine Studie heraus, dass in den kommenden Jahren der Mangel noch um rund 2 Millionen Kräfte steigen wird in den USA, wo insbesondere Kräfte für die Pflege zu Hause oder in Altenheimen gesucht werden. Doch die Löhne für Beschäftigte in diesen Teilbereichen liegen gleichzeitig besonders niedrig, teilweise betragen sie weit weniger als die Hälfte des jährlichen Medianeinkommens in den USA. Ebenso sind auch hier der Schichtdienst und die körperlich-schwere Arbeit sehr belastend für Angestellte. Unter diesen Bedingungen wird eine Besetzung der erforderlichen Stellen immer unwahrscheinlicher.

Wie wird der Arbeitsmarkt finanziert und gestaltet?

Schön ist es ja schon, dass vor allem körperliche harte Arbeit erleichtert wird, weil sie von Robotern oder anderen Helferlein übernommen werden kann. Leichter werden dadurch jedoch leider auch die Kassen. Denn Roboter zahlen nun mal kein Steuern oder in die Pensionskassen ein. Wie finanzieren wir also den zukünftigen Arbeitsmarkt, sowie unsere Strassen, Schulen, oder die ganze neue Ausstattung für die digitalisierte Welt? Führen wir eine «Digitalisierungssteuer» ein? Oder müssen Arbeitgeber genauso Pensionsabgaben für Roboter zahlen wie für menschliche Mitarbeitende?

Frage ist nun auch, inwieweit nicht nur eine Übernahme der Aktivitäten durch Roboter, etc. möglich ist, sondern auch erlaubt. Denn wo bisher humane Augen draufgeschaut haben, werden nun nur Bildschirme Veränderungen wahrnehmen. Ist das gesetzlich überhaupt vertretbar? Ebenso müssen für viele Tätigkeiten bestimmte Zertifikate erlangt werden. Die Frage ist nun, wie wir die Kompetenz eines Roboters sichern. Können Roboter beispielsweise Fahrprüfungen bestehen?

Und gerade bei Fehlern ist die Klärung der Verantwortung schon heutzutage schwierig. Oft werden monatelang Gutachten geschrieben, um zu klären, wer für entstandene Schäden aufkommt. Werden wir nun also eine «Roboter-Versicherung» bald abschliessen können?

Ähnliche Probleme weltweit

Nicht nur die Schweiz trifft auf die benannten Herausforderungen. So fehlen in Deutschland heute schon 300’000 MINT-Kräfte. In den USA hat eine grossangelegte Studie die Wahrscheinlichkeit für Automatisierung von 702 Jobs untersucht und kam zu dem Ergebnis, dass 47 % des amerikanischen Erwerbsbevölkerung mit hoher Wahrscheinlichkeit betroffen sind. Jobs, die jedoch ein hohes Mass an sozialer Intelligenz (beispielweise Pressesprecher), Kreativität (Modedesigner) sowie eine gute Auffassungsgabe und Handhabung benötigten (Chirurg), waren kaum gefährdet. Weltweit steht man also vor ähnlichen Herausforderungen. So hat der Investment-Konzern CBRE Group herausgefunden, dass in Asien 50 Prozent aller Jobs bis 2025 bereits gefährdet sind, insbesondere ebenfalls in den manuellen und einfach kognitiven Bereichen.

Massnahmen

In Deutschland hat man nun ebenfalls den Ernst der Lage erkannt. Hier wird ein Gesetz zur vereinfachten Einwanderung als Fachkraft eingeführt, um dem Fachkräftemangel, insbesondere im Gesundheitswesen, entgegenzuwirken. Dieses gilt für Bürger von Drittstaaten, also nicht EU-/EFTA-Staaten, welche bereits von der Personenfreizügigkeit profitieren. Einwandern kann jeder, der eine ausreichende Qualifikation für einen Beruf hat und einen Arbeitsvertrag. Ebenso wird es ein sechsmonatiges Visum für die Jobsuche geben. Die frühere Prüfung, ob ein EU-Staatsbürger stattdessen den Job ausüben könnte, entfällt. Ähnliche Ideen kamen kürzlich aus dem Vereinigten Königreich. Dort wird im Frühjahr 2019 eine neues Start-up-Visum eingeführt. Die Regierung will ausländischen Technologieunternehmern leichteren Zugang verschaffen, damit sie in Grossbritannien neue Unternehmen aufbauen.

Transformation gelingen lassen

Wie sollten diese Herausforderungen nun bewältigt werden? Die Digitalisierung stellt zwei Aufgaben in den Fokus. Erstens sollte die Transformation der Wirtschaft massgeblich unterstützt werden, ohne sie zu schnell geschehen zu lassen. Eine zu schnelle Transformation könnte höhere Arbeitslosigkeit verursachen, da neu-erforderliche Skills noch nicht entwickelt werden konnten. Die Transformation erfordert neue Prozesse und Geschäftsmodelle der Unternehmen. So findet beispielweise nur 8 Prozent des Handels in der Schweiz online statt, gegen 15 oder 18 Prozent in Deutschland und Grossbritannien. Gelingt dies gut, kann vor allem die Schweizer Wirtschaft erheblich von der Transformation profitieren und die Produktivität um rund ein Prozent pro Jahr steigern. Durch die höheren Reallöhne würde auch der Konsum tendenziell ansteigen, welches ebenfalls neue Jobs schafft.

Schulen statt warten

Gleichzeitig muss ein Fokus daraufgelegt werden, Mitarbeitende und Lernende grundlegend in den Fähigkeiten der Zukunft zu schulen. Lehren sollten wesentlich mehr technologische Inhalte haben, beispielsweise sollten Lernende im Büro mehr Aufgaben am Computer übernehmen können. Schon heute kann der Bedarf an Technologieabsolventen in der Schweiz längst nicht gedeckt werden, in der Zukunft stände mit den rund 3000 Absolventen weniger als die Hälfte zur Verfügung.

Gleichzeitig zeigt sich wiederholend, dass soziale Kompetenzen grundlegend unterschätzt werden, für eine langfristig erfolgreiche Entwicklung auf dem Arbeitsmarkt jedoch eine grosse Rolle spielen. Hier sollten ebenfalls Unternehmen und Bildungseinrichtungen ansetzen und umfassend schulen. Insgesamt ist also ein grundsätzliches Umdenken in Bezug auf Fähigkeiten-Entwicklung unabdingbar.

Klare vorurteilsfreie Gapanalysen für eine erfolgreiche Transformation

JANZZ.technology beobachtet und arbeitet mit vielen Arbeitsmärkten weltweit seit fast einem Jahrzehnt. Unsere Matching-Engine «JANZZsme!» matcht vollständig vorurteilsfrei aufgrund von Relevanz der Kompetenzen, Erfahrungen, Spezialisierungen, Branchen, etc. und erstellt transparente und leicht verständliche Gapanalysen der Fähigkeiten Ihrer Mitarbeiter. Somit bekommen Sie ein klares Bild der Fähigkeiten, die vorhanden sind, die ausgebaut oder neuentwickelt werden sollten. Melden Sie sich jetzt für eine Beratung und wir können Sie mit unserem Know-How begleiten auf Ihrem erfolgreichen Weg in die Digitalisierung.

Schreiben Sie jetzt an sales@janzz.technology

[1] McKinsey Global Institute. 2018. The Future of Work: Switzerland’s Digital Opportunity. Zürich/Brüssel. URL: https://www.mckinsey.com/~/media/mckinsey/featured%20insights/
europe/the%20future%20of%20work%20switzerlands%20digital%20opportunity/the-future-of-work-switzerlands-digital-opportunity.ashx [2018.11.10].

[2] Hug, Daniel. 2018. Bis 2030 fallen in der Schweiz eine Million Jobs weg. In: NZZ am Sonntag, 6.10.2018. URL: https://nzzas.nzz.ch/wirtschaft/bis-2030-fallen-in-schweiz-eine-million-jobs-weg-ld.1426280?reduced=true [2018.11.10].

[3] AsiaOne. 2016. Top 10 careers that are dying a slow death. URL: http://www.asiaone.com/business/top-10-careers-are-dying-slow-death [2018.11.08].

[4] Frey, Carl Benedikt, Osborne, Michael A. 2013. The Future of Employment: How Susceptible are Jobs to Computerisation?. Oxford. URL: https://www.oxfordmartin.ox.ac.uk/downloads/academic/future-of-employment.pdf [2018.11.10].

[5] Oh, Soo. 2017. The future of work is the low-wage health care job. URL: https://www.vox.com/2017/7/3/15872260/health-direct-care-jobs [2018.11.10].

[6] MAMK/DPA. 2018. Arbeitgeber melden Rekord beim Fachkräftemangel. In: KarriereSPIEGEL. URL: http://www.spiegel.de/karriere/fachkraeftemangel-arbeitgeber-klagen-ueber-fehlende-mint-kraefte-a-1207636.html [2018.11.08].

[7] Bauer, Karin. 2018. Welche Jobs bleiben, welche verschwinden. In: Der Standard. URL: https://derstandard.at/2000078804017/Welche-Jobs-bleiben-welche-verschwinden [2018.11.09].

[8] Walser, Rahel. 2017. Beruf Fachkraft Gesundheit – Nach der Lehre die grosse Ernüchterung. URL: https://www.srf.ch/news/schweiz/beruf-fachkraft-gesundheit-nach-der-lehre-die-grosse-ernuechterung [2018.12.03].

[9] Böcking, David. 2018. Einwanderungsgesetz für Fachkräfte. Wer darf künftig zum Arbeiten nach Deutschland kommen? In: Der Spiegel. URL: http://www.spiegel.de/wirtschaft/soziales/fachkraefte-die-offenen-fragen-beim-einwanderungsgesetz-a-1239722.html [2018.12.05].

[10] Hoock, Silke. 2018. Abschiebung nach Mazedonien. Wieder eine Krankenschwester weniger. In: Der Spiegel. URL: http://www.spiegel.de/wirtschaft/abschiebung-krankenschwester-amela-memedi-muss-nach-mazedonien-a-1239890.html [2018.12.05].

[11] The Government of United Kingdom. 2018. New start-up visa route announced by the Home Secretary.  URL: https://www.gov.uk/government/news/new-start-up-visa-route-announced-by-the-home-secretary [2018.12.03].