La inteligencia artificial (IA) es indudablemente una herramienta poderosa. Su valor económico va aumentando considerablemente y transformando numerosas industrias como la manufacturera, la automotriz, la tecnología financiera y la atención médica. Los trabajadores de los sectores de finanzas y marketing han tenido mucho éxito con el uso de tecnologías de IA, mientras que los profesionales de recursos humanos (RR.HH.) aún tienen varias dificultades para integrarlas en sus prácticas diarias.

Prasanna Tambe, Peter Cappelli y Valery Yakubovich afirman en su investigación: «existen diferencias sistémicas y estructurales para los RR.HH. que crean algunas dificultades cuando se construye un sistema basado en IA». [1]. En RR.HH. y contratación, el uso de macrodatos y IA sigue siendo atípico, debido a la calidad y al poder explicativo limitados. Para una mejor comprensión, debemos considerar los problemas de IA en cuanto a la ciencia de datos de gestión de RR.HH.

En materia de ciencia de datos hay tres desafíos principales en las prácticas de recursos humanos. El primer problema es la falta de coherencia en la medición del proceso de RR.HH. durante todo el ciclo de vida del empleado. Por ejemplo, al determinar qué candidato contratar o elegir a quién promover, se requiere un control y registro consistentes de los criterios y habilidades que fueron decisivos para el proceso de selección.

El segundo problema con las prácticas de RR.HH. es la limitación de los conjuntos de datos producidos. A diferencia de algunos campos como el marketing y las finanzas, donde se generan muchos datos que se recopilan fácilmente, la recogida de datos de RR.HH. se enfrenta grandes desafíos en términos de cantidad y calidad. Además, los datos en recursos humanos frecuentemente no están estructurados (PDF, en papel o Excel). En consecuencia, el proceso de estos es difícil para una computadora.

La última dificultad se debe a los problemas éticos relacionados con el procesamiento de datos. Los resultados de las decisiones de RR.HH. pueden tener un impacto significativo en la carrera de una persona. Por lo tanto, es necesario pensar en cómo se puede lograr equidad y transparencia. Además, también es crucial saber cómo reaccionan los empleados a los resultados apoyados únicamente en algoritmos basados ​​en datos. Como Morgan Hampton de Tesla declara, «el reclutamiento debe ser lo más automatizado posible, la contratación debe seguir siendo humana».

Al buscar soluciones, teniendo en cuenta estos tres problemas, los gerentes de RR.HH. deberían centrarse en los siguientes aspectos para utilizar la IA de manera más efectiva. En primer lugar, los responsables tienen que crear un proceso adecuado, listo para la era digital y las tecnologías de IA.

Actualmente, las tecnologías de IA están integradas por separado como reclutamiento y adquisición de talento, administración de nóminas y transacciones de autoservicio. Sin embargo, carecen de un mecanismo para poder generar datos que asistan el proceso entero de IA en las prácticas de recursos humanos.

Usualmente, los gerentes de RR.HH. simplemente conservan las aplicaciones que les interesan. Las que se descartan conducen a un análisis y conclusión unidimensionales [1]. Todos estos criterios deberían ser recogidos en la recopilación de datos y, finalmente, ser evaluados para facilitar el desarrollo de grandes modelos de datos y procesos de IA.

Además, es fundamental generar datos de manera sostenible. Por ejemplo, hay aplicaciones de IA que pueden predecir qué trabajadores están a punto de dejar sus trabajos y algunas, incluso, mantienen registros de datos de redes sociales o correos electrónicos de los empleados [2]. Si los trabajadores conocieran este sistema, cambiarían probablemente su comportamiento y producirían intencionadamente datos erróneos.

El año pasado, la historia relativa a la herramienta de IA de contratación de Amazon que discriminaba a la mujer, demuestra que el aprendizaje automático puede reflejar actitudes humanas. El género, sin embargo, no es el único aspecto que genera discriminación. Otros, como la edad, la nacionalidad y el origen étnico igualmente pueden tener un impacto negativo, impidiendo que empresas formen un ámbito laboral diverso e inclusivo. Los directores de RR.HH. deben recolectar cuidadosamente muestras de datos representativas y buscar soluciones explicables de IA. Las complejas redes neuronales de aprendizaje profundo están lejos de ser evidentes.

Hasta hoy, aún no existe el estándar de criterio de datos que los gerentes de RR.HH. deberían respetar durante todo el ciclo de práctica de recursos humanos. Esto significa que los apoderados tienen que colaborar con el servicio informático interno de su empresa o con proveedores externos de IA para determinar qué datos rastrear y cómo medirlos, a fin de establecer las mejores prácticas para la IA.

En JANZZ.technology sabemos que recopilar y estructurar para poder crear datos significativos es fundamental. Nuestra herramienta de análisis extrae las entidades correctas que garantizan un procesamiento de datos imparciales. ¿Quiere saber más sobre nuestro parser y cómo podemos ayudarle en su proceso transformador de IA? Escriba ahora a 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]

Gracias a la disponibilidad de grandes conjuntos de datos, así como a una mayor y más avanzada potencia informática, durante la última década se ha logrado una mejora significativa en el aprendizaje automático (Machine Learning), especialmente en los sistemas de aprendizaje profundo. Sin embargo, el dramático éxito del ML nos deslumbra de tal manera, que aceptamos, sin cuestionamiento. los procesos detrás de las aplicaciones de Inteligencia Artificial (IA). Las máquinas, a pesar de sus cada vez más autónomos sistemas, no son capaces explicar a sus usuarios(as) las razones de sus resultados y decisiones.

Actualmente, la mayoría de las aplicaciones de IA son desarrolladas por empresas privadas, las cuales presumen de un tratamiento adecuado y secreto de sus datos. Adicionalmente, muchas empresas emplean redes neuronales tan complejas en las tecnologías de IA, que no se explica cómo consiguen ciertos resultados.

Lo anteriormente explicado puede no tener grandes consecuencias, cuando, por ejemplo, una aplicación predice erróneamente el próximo destino de viaje de los clientes registrados. Pero, ¿qué pasaría si las predicciones de la máquina tuvieran un impacto en los vehículos autónomos, en los diagnósticos médicos, en la toma de decisiones a la hora de diseñar una política o incluso en el trabajo de alguien? Sería difícil confiar ciegamente en un proceso automatizado de toma de decisiones a través de un sistema, si las repercusiones fueran tales.

A principios de este año, la Organización para la Cooperación y el Desarrollo Económico (OCDE) presentó sus principios sobre la IA, con el objetivo de promover la innovación y la confianza. Uno de los cinco principios complementarios basados en valores, para la gestión responsable de una IA digna de confianza es que «la transparencia y divulgación responsable en torno a los sistemas de IA, son necesarias para asegurar que la gente pueda entender y cuestionar los resultados con base en la IA». [1]

La Inteligencia Artificial Explicable (XAI por sus siglas en inglés), se ha establecido recientemente en el campo del aprendizaje automático, como una forma de abordar las decisiones de «caja negra» en los sistemas de IA. Como ya se mencionó anteriormente, la mayoría de los algoritmos utilizados actualmente para el machine learning no pueden ser comprendidos por el común de las personas, en lo que se refiere a cómo y por qué se ha tomado una decisión. Por lo tanto, es difícil examinar tales decisiones en busca de errores y sesgos, especialmente en el caso de algoritmos comunes enfocados al campo del aprendizaje profundo en redes neuronales. [2]

En consecuencia, numerosos organismos reguladores, incluida la OCDE, instan a las empresas a que aumenten el uso de XAI. El Reglamento General de Protección de Datos actualmente vigente en Europa, otorgó a los ciudadanos(as) de la UE el «derecho a examen personal» de cualquier decisión algorítmica. En los Estados Unidos, las leyes de seguros obligan a las compañías a explicar sus decisiones, por ejemplo, por qué les niegan cobertura a ciertos grupos o individuos, o les cobran recargos más altos. [3]

Sin embargo, hay dos problemas principales asociados con la XAI. En primer lugar, definir correctamente el propio concepto XAI, demuestra ser un gran desafío. También es necesario determinar hasta dónde deben saber los usuarios(as) y que los mismos(as) sean conscientes de cuáles deben ser las limitaciones de sus conocimientos. Si las empresas no tuvieran más remedio que dar una explicación detallada de todo, la propiedad intelectual como propuesta de venta única (USP por sus siglas en inglés) dejaría de existir. [4]

El segundo factor problemático es evaluar el equilibrio entre el rendimiento y la explicabilidad. ¿Necesitamos estandarizar ciertas tareas y obligar a las industrias a que se empleen en la búsqueda de soluciones integradas de IA que sean transparentes, aunque esto signifique una carga muy alta para la potencialidad de esas industrias?

En JANZZ.technology hacemos todo lo posible para explicar a nuestros usuarios cómo emparejamos candidatos(as) con puestos de trabajo. Nuestro software único de matching excluye parámetros irrelevantes como género, edad o nacionalidad y sólo compara habilidades, educación/formación, especialidades, experiencia, etc. Es decir, solo utiliza aspectos que son verdaderamente importantes para encontrar al candidato(a) perfecto(a).

En lugar de proporcionar resultados basados en un único punto de coincidencia, nuestro sistema de matching desglosa y tiene en cuenta todos los criterios relevantes, tales como funciones, capacidades, idiomas, disponibilidad, etc. Esto permite a los usuarios(as) tener una mejor comprensión de los resultados y proporciona la base para evaluar la fuerza de trabajo analizada, con el fin de diseñar planes de nueva capacitación y mejora de la cualificación de la misma. ¿Le gustaría saber más acerca de cómo JANZZ.technology utiliza las soluciones de XAI? Si nos escribe a sales@janzz.technology, estaremos encantados de responderle.

[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].

Mientras que algunos de los países desarrollados del mundo luchan contra el envejecimiento de su población, tomando medidas tales como el incremento en la edad de jubilación y la acogida a la inmigración, otros países se preocupan por cómo incorporar un gran número de jóvenes al mercado laboral. La serie “La Voz de Asia” de Deloitte, reporta que muchos países de Asia han sido testigos de un crecimiento constante en su población activa, con más y más hombres y mujeres jóvenes que ingresan al mercado laboral cada año. India ocupa la primera posición en la lista.

Según las cifras del Foro Económico Mundial, la mitad de la población de la India tiene menos de 25 años y una cuarta parte menos de 14. Teniendo en cuenta que es el segundo país más poblado del mundo, con 1.300 millones de habitantes, los jóvenes de la India representan una quinta parte de la juventud mundial. Como predijeron la mayoría de los economistas, la India se beneficiará del dividendo demográfico y tendrá una economía de rápido crecimiento.

Para lograr aprovechar la ventaja demográfica, la India tendrá que acelerar considerablemente la creación de empleo y la inversión en capital humano para mantenerse al día y ocupar a esta creciente población en edad de trabajar. En la actualidad, hay 17 millones de personas que se incorporan anualmente al mercado laboral y solo 5,5 millones de puestos de trabajo creados [1]. En una encuesta realizada por la OCDE, más del 30% de los jóvenes de la India de entre 15 y 29 años, ni están empleados, ni se encuentran en la fase educativa o en proceso de formación. Son los llamados “Nini” (NEET en inglés). [2]

Isabelle Joumard, economista senior y jefa de la oficina de la OCDE en India, explicó: «Los NEET incluyen a todos los jóvenes que han quedado fuera del empleo remunerado y de los sistemas formales de educación y formación. Son NEET porque no se están creando suficientes puestos de trabajo de calidad en el sistema, porque tienen pocos incentivos o se enfrentan a exigencias demasiado altas para entrar en los sistemas de educación y formación» [2].

Desde un punto de vista global, las tasas de desempleo juvenil se mantienen por encima del 20% en algunas economías europeas. Oriente Medio y África del Norte han tenido tasas de desempleo juvenil cercanas al 30% y la situación ha seguido empeorando en los últimos años. Por otra parte, los jóvenes que encuentran un puesto de trabajo, a menudo tienen que contentarse con empleos que no responden a sus expectativas [3] y, adicionalmente, el 16,7% de los jóvenes que trabajan en las economías emergentes y/o en desarrollo viven en la pobreza extrema [3].

¿Por qué las oportunidades de empleo son especialmente escasas en los países menos desarrollados? El desarrollo insuficiente de las políticas, la deficiente infraestructura y los limitados canales de financiación, son algunas de las muchas razones que explican la escasez de puestos de trabajo. Según las conclusiones de e4e (una iniciativa de educación para el empleo impulsada por la Corporación Financiera Internacional y el Banco Islámico de Desarrollo), el desajuste entre la educación y la demanda del mercado laboral es un obstáculo importante para la creación de empleo [4].

Como ha sido señalado en varios informes, el desarrollo de un ecosistema de competencias impulsadas por la empleabilidad, es fundamental para aprovechar el potencial demográfico de la India. Rajastán, el séptimo estado más poblado de la India, tiene una población de jóvenes menores de 25 años que representa casi el 55% de la población total del estado. De 2012 a 2018, su tasa de desempleo aumentó del 4,5% al 7,7%. El problema del desempleo en Rajastán se agrava debido a factores como falta de instructores de calidad y falta de alineación entre la educación y las capacidades [5].

Para hacer frente a estos problemas, el estado se esfuerza continuamente en la creación de infraestructuras educativas. En 2004 se convirtió en el primer estado del país en llevar a cabo una misión de capacitación, destinada a reducir la brecha entre la demanda y la oferta de mano de obra cualificada y, por ende, aumentar la tasa de empleo. Para mejorar aún más la calidad de la capacitación, Rajastán ha fundado universidades de competencias, un proyecto pionero en el país [6].

En Himachal Pradesh, situado en el norte de la India, una gran parte del empleo recae en la agricultura. Más de dos tercios de su mano de obra son trabajadores autónomos, y la cantidad de trabajos asalariados continua siendo muy baja. En 2018, el Banco Asiático de Desarrollo (BAD) firmó un préstamo con el gobierno de la India para aprovechar las instituciones de Enseñanza y Formación Técnica y Profesional (EFTP) y para ampliar los ecosistemas de capacitación en Himachal Pradesh.  Los planes para llevar a cabo el proyecto incluyen medidas tales como: la transformación de 11 oficinas de empleo en centros modelo de carrera, la modernización de los equipos de formación, la implementación de un sistema de información sobre capacitación y la creación de un mejor acceso a los jóvenes a FTP’s de calidad, que sean demandadas por el mercado laboral, con el fin de prepararlos para las cambiantes necesidades mismo [7].

JANZZ.technology ayuda a los gobiernos a insertar a la población activa en el mercado laboral, a través del uso de tecnología basada en IA. En colaboración con el Misterio de Trabajo, Empleo y Seguridad Social (MTESS) y la Dirección General de Empleo (DGE), hemos implementado con éxito en Paraguay la plataforma ParaEmpleo, una solución tecnológica para la asignación de puestos de trabajo. La colaboración entre Paraguay y JANZZ.technology, se enmarca en el Programa de Apoyo a la Inserción Laboral, con apoyo del Banco Interamericano de Desarrollo (BID) desde el año 2011.  La representante del BID en Paraguay, María Florencia Attademo-Hirt, se expresó en los mejores términos sobre la tecnología de JANZZ, diciendo: «Herramientas innovadoras como ésta son las que mejorarán la vida de los paraguayos, más allá del Mercosur y del contexto regional» [8]. El uso innovador de la tecnología es la manera correcta y eficiente de resolver muchos de los problemas actuales que plantea mercado laboral. Si usted como organización gubernamental está buscando soluciones para el sector del empleo en su país, por favor no dude en escribirnos a sales@janzz.technology, donde estaremos encantados de proporcionarle más información, adaptada a sus necesidades específicas.

[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]

La palabra “ontología” puede que resulte abstracta para muchas personas. Tiene su origen en el sueño de Tim Berners-Lee de inventar la World Wide Web. Este sueño incluía que la Web fuera capaz de definir una llamada “web semántica”, mediante el análisis de todos los datos de la red, incluyendo contenido, enlaces y transacciones entre ordenadores y personas. En la web semántica, el Resource Description Framework (RDF) y el Web Ontology Language (OWL) se han establecido como formatos estándar para compartir e integrar datos y conocimiento, este último en forma de ricos esquemas conceptuales llamados ontologías [1.] En este artículo, emplearemos la palabra ontología como definición de la metodología de trabajo, sin embargo, vale la pena mencionar que en el mundo actual de las Tecnologías de la Información y Comunicación, el término «gráfico del conocimiento» es ampliamente usado como sinónimo de ontología.

Por qué es importante una ontología

Hablando de Inteligencia Artificial (IA), los términos «Big Data«, «aprendizaje automático» y «aprendizaje profundo» están reemplazando lentamente el uso del término «IA». Sin embargo, para citar a Adrian Bowles: «no hay inteligencia artificial sin representación del conocimiento». En otras palabras, la IA requiere elementos de ingeniería del conocimiento, arquitectura de la información y una cantidad significativa de trabajo humano para realizar su «trabajo neuronal mágico». Alexander Wissner-Gross afirma que, quizás lo más importante sea reconocer que son los conjuntos de datos inteligente y no los algoritmos, los que probablemente sean el factor clave limitante en el desarrollo de la inteligencia artificial a nivel humano.

             “No hay inteligencia artificial sin representación del conocimiento.”

Una ontología es una representación estructurada y formal del conocimiento relacionado con una determinada área. Esto es necesario porque, a diferencia de los humanos, la IA no puede basarse directamente en las nociones humanas preestablecidas sobre el uso correcto de un término. Lo que una ontología puede hacer, sin embargo, es «aprender» sobre el significado semántico de un término a través de los enlaces entre los conceptos de su sistema. Ya existen poderosas ontologías en campos específicos, como por ejemplo la Ontología de la Industria Empresarial Financiera (FIBO por sus siglas en inglés), así como numerosas ontologías para el área de la salud, la geografía o el sector del empleo.

Otra parte importante de la IA es el razonamiento semántico. Además de identificar transacciones potencialmente fraudulentas, determinar la intención de los usuarios basándose en el historial de su navegador y hacer recomendaciones de productos, la IA también puede hacer lo siguiente: ejecutar tareas que requieren un razonamiento explícito, basado en conocimientos generales y específicos de la materia, como entender artículos de noticias, preparar alimentos o comprar un automóvil. Este tipo de tareas requieren información que no forma parte de los datos de entrada y que debe combinarse dinámicamente con el conocimiento. Este tipo de razonamiento de la computadora, solo se puede lograr con ontologías y la forma en la cual se estructura el conocimiento que incluyen. [2]

Taxonomía y ontología son fundamentalmente diferentes

La ontología a menudo se confunde con la taxonomía.  Apartando el hecho de que ambos términos pertenecen a los campos de la IA, la web semántica y la ingeniería de sistemas, no hay mucho más que los defina como sinónimos. Las clasificaciones taxonómicas como O*NET (Occupational Information Network) y ESCO (European Skills/Competences, qualifications and Occupations), simplemente no se pueden comparar con las ontologías.  Las primeras proporcionan un enfoque mucho más sencillo cuyo fin es clasificar conceptos, ya que tienen una estructura jerárquica y utilizan únicamente las relaciones padre-hijo entre términos, sin ningún vínculo adicional más sofisticado. Las ontologías, por otro lado, son una forma mucho más compleja de categorización. Hablando metafóricamente, una taxonomía equivaldría a un árbol, mientras que una ontología sería a un bosque.

He aquí un ejemplo: El término “golf” podría aparecer en varias taxonomías.  Puede estar situado bajo un árbol de “Actividades humanas” (actividades humanas -> actividades de ocio -> deportes -> golf).  También puede encontrarse en una taxonomía relativa a la ropa (ropa -> ropa casual/activa -> ropa deportiva -> ropa y accesorios de golf). Podría incluso aparecer en algo muy diferente, por ejemplo, una taxonomía del automóvil (automóvil -> Alemania -> VW -> Golf). En una ontología, cada una de estas taxonomías puede ser considerada como un árbol, cuyas ramas conectan con el nodo “golf” de otras ramas, de otros árboles. [3]

Explicado de otra manera, las taxonomías representan una colección de tópicos, que tienen una relación cuyo propósito es definir “esto es…”, mientras que las ontologías desarrollan conexiones mucho más complejas, permitiendo relaciones que reconozcan que “esto” “tiene…” y “utiliza…”. [4] Por lo tanto, si regresamos al ejemplo de clasificación anterior, las taxonomías carecen de la capacidad de comparar conceptos hijos.

En la clasificación internacional ESCO, casi todos los médicos especialistas están agrupados bajo el título: Profesionales médicos especializados. Si analizamos este caso, se hace evidente que un/-a enfermero/-a especializado/-a en anestesia y un médico/-a anestesista, tienen conocimientos y habilidades en común, pero no pueden aplicar a un mismo puesto de trabajo. Adicionalmente, los conjuntos de habilidades especializadas se agrupan simplemente en listas generales, sin ningún vínculo con las correspondientes ocupaciones especializadas. ¿Por qué ocurre esto? Una de las razones es que las clasificaciones se utilizan principalmente con fines estadísticos. Desde este punto de vista, no hay necesidad de clasificar a todos los médicos especialistas de acuerdo con sus habilidades y formación específicas. Entonces, de acuerdo con las taxonomías, las especializaciones sólo pueden ser reconocidas por el título del puesto de trabajo y es necesario recurrir a otras fuentes para entender mejor su contenido específico.

La construcción de una ontología que contenga: ocupaciones, capacidades, competencias y formación, hace posible el reconocimiento automático de diferencias y similitudes entre títulos de puestos de trabajo. Por ejemplo: Pediatras y neonatólogos tienen trabajos parecidos, ya que ambos se dedican al cuidado de la salud de los recién nacidos. Con el enfoque de modelado ontológico, es posible determinar que un pediatra tiene un porcentaje muy alto de capacidades similares a las de un neonatólogo. Sin embargo, los pediatras sólo pueden hacerse cargo del trabajo del neonatólogo después de recibir formación adicional. Toda esta información puede ser representada en una ontología, a través de las interrelaciones entre conceptos. Estas relaciones exceden ampliamente la capacidad de una simple taxonomía.

Las ontologías permiten emparejar conjuntos de datos

Cuando se trata de emparejar (matching), digamos, por ejemplo, curricula vitae con vacantes de trabajo, no hay mejor sistema para ello que el uso de una ontología. Con demasiada frecuencia, se utilizan sencillas formas de emparejamiento, basadas en palabras clave, o métodos difusos de aprendizaje automático, lo que significa que muchas similitudes no se detectan, por lo tanto, no se obtienen resultados de correspondencia. Elementos que conducen a esta falta de resultados son, por ejemplo, variaciones de las palabras claves introducidas, sinónimos y frases alternativas. Para conseguir una correspondencia eficiente, es importante comparar la semántica (el significado subyacente) de dos elementos, en lugar de la redacción del texto. Aquí es donde entran en juego las ontologías. Las mismas se basan en un modelo semántico, capaz de detectar los significados subyacentes y las similitudes entre CV y descripciones de puestos de trabajo.

La técnica de emparejamiento ontológico es una técnica fundamental que tiene aplicación en muchas áreas, como la combinación de ontologías. En dominios con reglas muy complejas, e interacciones complejas entre reglas, no hay sustituto para las ontologías. Esto se muestra, por ejemplo, cuando se considera la integración de dominios muy diferentes entre sí. Supongamos que hay dos ontologías separadas, una ontología meteorológica y una ontología geográfica. Crear una tercera ontología que integre y aproveche en contenido de las dos, es una propuesta manejable, que proporcionaría valiosa información para evaluar riesgos de navegación o para el ámbito de los seguros.[5]

El verdadero valor de las ontologías

El sistema semántico se basa en representaciones explícitas, y comprensibles para el ser humano, de conceptos, relaciones y reglas para desarrollar el conocimiento de una determinada área. Es imposible confiar únicamente en los programadores para construir un sistema de este tipo, basado en el aprendizaje automático, ya que carecen de los conocimientos necesarios para definir las relaciones entre los conceptos de cada dominio específico. Por lo tanto, el conocimiento de un área específica debe provenir de expertos en esa materia y es necesaria la integración de conocimiento experto en distintos campos (Ej.: derecho de propiedad intelectual, dinámica de fluidos, reparación de automóviles, cirugía a corazón abierto, o sistemas educativos y vocacionales). Este proceso es crucial para crear una representación integral del conocimiento.

Para la ontología multilingüe de JANZZ, las capacidades son un punto clave. En muchos casos, la traducción literal de un concepto a muchos idiomas no es posible, sin embargo, gracias que Suiza es un país pequeño y multicultural, todos nuestros curadores de ontología dominan fluidamente al menos dos idiomas, y algunos hasta más de cuatro (incluyendo chino y árabe). Esto nos proporciona una gran ventaja, la cual nos permite garantizar la calidad y consistencia de los contenidos en diferentes idiomas.

Hace aproximadamente una década, JANZZ comenzó a construir su ontología sobre varias taxonomías de ocupación, a saber: CIUO-08, ESCO y clasificaciones específicas muchos países. A lo largo de los años, JANZZ ha incluido en su ontología miles de nuevas profesiones y funciones (Ej.: Investigador/-a de mercado, minero/-a de datos, experto/-a en generación milenial, gerente/-a de medios sociales, community manager, etc.) los cuales no existían previamente en ninguna de las taxonomías conocidas. Además de nuevos títulos de puestos de trabajo, la ontología se actualiza constantemente con la inclusión de términos nuevos en todos los campos: habilidades, educación, experiencia y especializaciones. El hecho de que nuestra ontología es capaz de reconocer semejanzas y ambigüedades entre puestos de trabajo y demás áreas relevantes en el ámbito de la colocación laboral, la convierte en la herramienta perfecta para empresas de RRHH y servicios públicos de empleo. Hoy en día, la ontología de JANZZ es, con diferencia, la ontología de datos de colocación laboral más grande, compleja y completa del mundo.

Por suerte algunos gobiernos y empresas han escogido el camino correcto y actualmente se benefician ampliamente de nuestra tecnología de punta. Si desea más información sobre la ontología de JANZZ, escríbanos por favor a sales@janzz.technology. Le agradecemos de antemano su interés y estaremos encantados de responder a todas sus preguntas.

[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 ]
[/av_textblock]