O potencial da inteligencia artificial na gestão de recursos humanos

A inteligência artificial (IA) é inquestionavelmente uma ferramenta poderosa. Seu valor econômico está aumentando tremendamente e transformando inúmeras indústrias, tais como manufatura, fintech, medicina e automobilística. Trabalhadores em finanças e marketing têm muito sucesso usando tecnologias de inteligência artificial, enquanto os profissionais de recursos humanos acham bastante difícil integrá-los em suas práticas diárias.

Prasanna Tambe, Peter Cappelli e Valery Yakubovich afirmam em sua pesquisa: “Há diferenças sistêmicas e estruturais para o RH que tornam mais difícil, quando você está construindo um sistema baseado em IA.” [1]. Devido ao fato de que a qualidade e o poder explicativo do big data e da IA são limitados, eles ainda são considerados não convencionais nas áreas de RH e empregabilidade. Para se ter uma melhor compreensão desta matéria, é necessário considerar os problemas da IA em termos de ciência de dados na gestão de recursos humanos (GRH).

Existem três desafios principais nas práticas de RH quando se trata de ciência dos dados. A primeira questão é a falta de consistência na medida dos processos de RH ao longo do ciclo de vida dos colaboradores. Por exemplo, ao determinar qual candidato contratar ou escolher quem promover, é crucial registrar e analisar consistentemente quais critérios e habilidades foram os fatores decisivos no processo de contratação anterior.

O segundo problema com as práticas de HR é a limitação dos conjuntos de dados produzidos na HRM. Ao contrário de algumas áreas tais como marketing e finanças, onde muitos dados são gerados e facilmente coletados, a coleta de dados na GRH enfrenta grandes desafios em termos de quantidade e qualidade. Além disso, os dados na GRH são muitas vezes não estruturados (em papel, no Excel ou no formato PDF) e, consequentemente, difíceis de serem processados por um computador.

A última dificuldade refere-se a questões éticas relacionadas com o tratamento de dados. Os resultados das decisões de RH podem ter um impacto significativo na carreira de alguém. Portanto, é imperativo pensar sobre como a justiça e a transparência podem ser alcançadas. Além disso, também é crucial saber como os funcionários reagem aos resultados que se baseiam exclusivamente em algoritmos baseados em dados. Como declarou Morgan Hampton, da Tesla, “o recrutamento deve ser automatizado tanto quanto possível, a contratação deve permanecer humana”.

Levando em consideração essas três problemáticas na busca de soluções de IA, os gestores de RH devem focar nos seguintes aspectos para utilizar a IA mais efetivamente. Primeiramente, os gestores de RH precisam criar um processo de RH adequado que esteja pronto tanto para a era digital quanto para a tecnologia de IA.

Atualmente, as tecnologias de IA estão separadas, por exemplo, no recrutamento e aquisição de talentos, gestão de folha de pagamento e transações de auto-atendimento. No entanto, carecem de um mecanismo para gerar dados que possam auxiliar todo o processo de IA nas práticas de RH.

Os gestores de RH freqüentemente mantêm apenas as aplicações em que estão interessados e não mantêm aquelas que são excluídas. Isto leva a uma análise e conclusão unidimensional [1]. Todos esses critérios devem ser reunidos na coleta de dados e, eventualmente, ser avaliados para facilitar o desenvolvimento de modelos de big data e processos de IA.

Além disso, é também imperativo gerar dados de forma sustentável. Por exemplo, existem aplicações de IA que podem prever quais trabalhadores estão prestes a deixar seus empregos, e alguns até rastreiam pontos de dados das mídias sociais ou e-mails dos funcionários [2]. Se os funcionários estivessem cientes de tal sistema, eles provavelmente mudariam seu comportamento e deliberadamente produziriam dados enganosos.

No ano passado a história sobre a ferramenta de IA de recrutamento da Amazon ser tendenciosa contra as mulheres foi a prova de que aprendisagem de máquinas pode imitar as atitudes humanas. Gênero, no entanto, não é o único aspecto que é motivo de discriminação. Outros, como idade, nacionalidade ou etnia, também podem ter um impacto negativo, impedindo as empresas de contratações inclusivas e diversas. Os gestores de RH devem recolher cuidadosamente amostras de dados que sejam representativas e procurar soluções de IA explicáveis. As complexas redes neurais na aprendizagem profunda estão longe de serem auto-explicativas.

Até hoje, os critérios de dados standard que os gestores de RH deveriam respeitar ao longo do ciclo de prática de RH ainda não existem. Isto significa que os gestores de RH têm de se juntar ao departamento interno de TI da sua empresa ou a fornecedores externos de IA para determinar quais os dados a rastrear e como avaliar esses dados, a fim de estabelecer as melhores práticas de IA nas suas empresas.

Na JANZZ.technology acreditamos que a coleta e estruturação de dados é fundamental para a criação de dados inteligentes. A nossa ferramenta de análise extrai as entidades certas de papel, Excel ou PDF, garantindo um processamento de dados justo e completo desde o início. Quer saber mais sobre o nosso parser e como podemos ajudá-lo na sua jornada de transformação de IA? Por favor, escreva agora para 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 oferece IA (Inteligência Artificial) explicável

Ao longo da última década, graças à disponibilidade de grandes conjuntos de dados e ao poder de computação mais avançado, a aprendizagem de máquina (ML), especialmente os sistemas de aprendizagem profunda, realizaram uma melhoria significativa. No entanto, o sucesso dramático do ML nos cegou e nos levou a tolerar o processo de aplicação de Inteligência Artificial (IA). Devido a seus sistemas cada vez mais autônomos, as máquinas são atualmente incapazes de esclarecer seus usuários sobre suas decisões e ações.

Hoje em dia, a maioria das AIs são feitas por empresas privadas que se certificam de manter o seu processamento de dados em segredo. Além disso, muitas empresas empregam redes neuronais tão complexas em tecnologias de IA que não há nenhuma explicação fornecida sobre como elas obtêm certos resultados.

Tal sistema pode não ter grandes consequências quando, por exemplo, prevêem erroneamente o próximo destino de viagem dos seus clientes. Mas se tivesse um impacto nos veículos autónomos, nos diagnósticos médicos, no processo de decisão ao fazer uma apólice ou mesmo no trabalho de alguém? Seria difícil concordar cegamente com o processo de tomada de decisão de um sistema se as consequências fossem como tal.

No início deste ano, a Organização para a Cooperação e Desenvolvimento Econômico (OCDE) apresentou seus princípios sobre a IA com o objetivo de promover a inovação e a confiabilidade. Um dos cinco princípios complementares baseados em valores para a gestão responsável de uma IA confiável é que “deve haver transparência e divulgação responsável em torno dos sistemas de IA para garantir que as pessoas entendam os resultados baseados em IA e possam desafiá-los”. [1]

Explicáveis IA (XAI) tem surgido recentemente no campo da aprendizagem de máquina para abordar a questão de decisões “caixa preta” dos sistemas de IA. Atualmente, a maioria dos algoritmos usados para ML não pode ser compreendido pelos seres humanos em termos de como e por que uma decisão foi tomada, como mencionado acima. Do mesmo modo, estes são bastante difíceis de diagnosticar por erros e vieses. Este é especialmente o caso da maioria dos algoritmos populares em abordagens de redes neuronais de aprendizagem profunda. [2]

Consequentemente, numerosas partes regulatórias, incluindo a OCDE, estão pedindo às empresas mais XAI. O GDPR (General Data Protection Regulation – Regulamento Geral de Proteção de Dados), que entrou em vigor na Europa proporcionou às pessoas na UE um “direito a uma revisão humana” de qualquer decisão algorítmica que possa potencialmente ter um impacto sobre elas. Nos EUA, as leis dos seguros obrigam as empresas a desenvolver as suas próprias decisões, tais como rejeitar a cobertura de um determinado grupo de pessoas ou cobrar apenas algumas com prémios mais elevados. [3]

No entanto, existem dois problemas principais associados ao XAI. Em primeiro lugar, definir corretamente o conceito de XAI mostra ser bastante desafiador. O que os usuários devem estar cientes e quais devem ser as limitações de seu conhecimento, também precisa ser esclarecido. Se as empresas não tivessem outra escolha senão fornecer explicações detalhadas para tudo, então a propriedade intelectual como uma proposta de venda única (USP) provavelmente desapareceria. [4]

O segundo fator problemático é a avaliação do trade-off em algumas tarefas entre desempenho e explicabilidade. Precisamos regular e padronizar para certas tarefas ou indústrias e forçá-las a buscar soluções de IA integradas de transparência, mesmo que isso signifique estabelecer uma carga muito alta para a potencialidade dessas indústrias?

Na JANZZ.technology tentamos explicar da melhor forma aos nossos usuários como combinamos candidatos e posições. O nosso software de matching exclusivo exclui parâmetros irrelevantes como gênero, idade ou nacionalidade e apenas compara habilidades, educação/treinamento, especializações, experiências, etc. Ele só usa aspectos que realmente importam para encontrar os candidatos perfeitos.

Além disso, em vez de dar uma pontuação de correspondência, o nosso sistema único de matching divide todos os critérios, tais como funções, habilidades, idiomas, disponibilidade e assim por diante. Isso permite que os usuários tenham uma melhor compreensão dos resultados e estabelece a base para a requalificação e aprimoramento da força de trabalho analisada. Quer saber mais sobre como nós da JANZZ.technology aplicamos soluções de IA explicáveis? Entre em contato conosco através do e-mail 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].

 

 

 

 

Como a Índia potencializa seus dividendos demográficos

Enquanto a maioria dos países desenvolvidos do mundo luta contra o envelhecimento da população, aumentando a idade da reforma e acolhendo os migrantes, outros países estão preocupados em como integrar um grande número de jovens no mercado de trabalho. A série “Deloitte’s Voice of Asia” (A voz da Deloitte na Ásia) relatou que muitos países na Ásia testemunharam um crescimento constante na população em idade ativa, com cada vez mais jovens homens e mulheres entrando no mercado de trabalho a cada ano. A Índia é o primeiro país da lista.

De acordo com os números do World Economic Forum (Fórum Económico Mundial), metade da população da Índia tem menos de 25 anos e um quarto tem menos de 14 anos. Levando em consideração que é o segundo país mais populoso do mundo, com 1,3 bilhão de cidadãos, a Índia representa um quinto da juventude mundial. Como a maioria dos economistas previram, a Índia se beneficiará do bônus demográfico e terá uma economia em rápido crescimento.

Para realizar a vantagem demográfica, a Índia precisará acelerar significativamente a criação de empregos e o investimento em capital humano para acompanhar o crescimento da população em idade ativa. Atualmente, há 17 milhões de pessoas que entram anualmente no mercado de trabalho e apenas 5,5 milhões de empregos criados [1]. Num levantamento efectuado pela OCDE, mais de 30% dos jovens indianos entre os 15 e os 29 anos não estão empregados nem em educação ou formação (NEETs) [2].

Isabelle Joumard, economista sénior e chefe do gabinete da Índia na OCDE, explicou: ” NEETs inclui todos os jovens deixados de fora do emprego remunerado e sistemas formais de educação e formação. São NEET porque não há empregos de qualidade suficientes a serem criados no sistema, e porque eles têm poucos incentivos ou enfrentam demasiados constrangimentos para estarem nos sistemas de educação e formação” [2].

Olhando de um ponto de vista global, as taxas de desemprego juvenil permanecem acima dos 20% em algumas economias europeias. O Médio Oriente e o Norte de África têm tido taxas de desemprego juvenil próximas dos 30% e as coisas continuaram a piorar nos últimos anos. No entanto, os jovens que encontraram trabalho têm muitas vezes de se contentar com empregos que não satisfazem as suas expectativas [3] e 16,7% dos jovens trabalhadores em economias e desenvolvimentos emergentes vivem em extrema pobreza [4].

Porquê as oportunidades de emprego são especialmente escassas nos países menos desenvolvidos? O desenvolvimento insuficiente de políticas, a infraestrutura precária e os canais de financiamento limitados estão entre as muitas razões para a carência de empregos. De acordo com os resultados do e4e “education for employment initiative” (inuciativa de educação para o emprego) conduzida pela “International Finance Corporation” (Corporação Financiera International) e o “Islamic Development Bank” (Banco Islâmico de desenvolvimento) o desajuste entre a educação e a demanda do mercado de trabalho é um grande obstáculo à criação de empregos [5].

Como apontado por vários estudos, desenvolver um ecossistema de habilidades voltado para a empregabilidade é fundamental para alavancar o potencial demográfico da Índia. Rajastão, o sétimo estado mais populoso da Índia, tem uma população de jovens com menos de 25 anos, que representa quase 55% de toda a população do estado. De 2012 a 2018, a taxa de desemprego aumentou de 4,5% para 7,7%. O problema do desemprego no estado do Rajastão é agravado por questões como a falta de formadores de qualidade e o não alinhamento da educação e das qualificações [6].

Para resolver estes problemas, o Estado vem intensificando continuamente a criação de infraestruturas da educação. Em 2004, Rajastão tornou-se o primeiro Estado do país a implementar uma missão de competências com o objectivo de reduzir a diferença entre a oferta e a procura de mão-de-obra qualificada e, consequentemente, aumentar a taxa de emprego. Para melhorar ainda mais a qualidade da qualificação, universidades de competência foram fundadas, um projeto pioneiro no país [6].

Em Himachal Pradesh, localizado no norte da Índia, uma grande parte do emprego está na agricultura. Mais de dois terços da sua mão-de-obra são trabalhadores por conta própria, e a quantidade de empregos remunerados permanece muito baixa. Em 2018, o “Asian Development Bank (ADB)” (Banco Asiático de Desenvolvimento (ADB)) assinou um empréstimo com o governo indiano para impulsionar as “technical and vocational education and training (TVET)” (instituições de ensino e formação técnica e profissional (TVET)) e para ampliar os ecossistemas de qualificação em Himachal Pradesh. Os planos para este projeto incluem transformar 11 bolsas de emprego em modelos de centros de carreira, modernizar equipamentos de treinamento, empregar um sistema de informação de treinamento e criar um melhor acesso à TVET de qualidade relevante para o mercado de trabalho dos jovens do estado, a fim de prepará-los para as mudanças nas necessidades do mercado de trabalho. [7]

JANZZ.technology ajuda os governos a população activa no mercado de trabalho, a través do uso de tecnologia baseada em IA (Inteligência Artificial). Em colaboração com o “Ministerio de Trabajo, Empleo y Seguridad Social (MTESS)” e a “Dirección General de Empleo (DGE)”, implementamos com sucesso no Paraguai a plataforma ParaEmpleo, uma solução tecnológica de correspndência de empregos. A colaboração entre o Paraguay e a JANZZ.technology, se enquadra no âmbito do Programa de Apoio à Inserção Laboral, apoiado pelo “Banco Interamericano de Desarrollo (BID)” (Banco Interamericano de Desenvolvimento) desde de 2011.  A representante do BID no Paraguay, María Florencia Attademo-Hirt, falou muito bem sobre a tecnologia da JANZZ, dizendo: ” Ferramentas inovadoras como esta são o que vai melhorar a vida dos paraguaios, além do Mercosul e do contexto regional ” [8]. O uso inovador da tecnologia é o caminho correto e eficiente para resolver muitos problemas atuais do mercado de trabalho. Se você, como organização governamental, está buscando soluções para para combater as questões do mercado de trabalho em seu país, por favor não hesite em nos contactar via sales@janzz.technology, onde estaremos encantados em fornecer mais informações, adaptadas à suas 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]

 

Ontologia e taxonomia: não são sinónimos. Vamos comparar para estabelecer as suas diferenças

A palavra “ontologia” pode ser abstrata para muitas pessoas. A sua origem vem de um sonho de Tim Berners-Lee de inventar a World Wide Web. Este sonho incluía que a Web fosse capaz de definir a chamada “web semântica”, analisando todos os dados da rede, incluindo conteúdo, links e transações entre computadores e pessoas. Na web semântica, o Resource Description Framework (RDF) e Web Ontology Language (OWL) foram estabelecidos como formatos padrão para compartilhar e integrar dados e conhecimentos, este último na forma de ricos esquemas conceituais chamados ontologias [1.] Neste artigo, vamos usar a palavra ontologia como uma definição de metodologia de trabalho, no entanto, vale ressaltar que, no mundo atual das tecnologias de informação e comunicação, o termo “gráfico de conhecimento” é amplamente utilizado como sinônimo de ontologia.

Porque uma ontologia é importante

Falando em Inteligência Artificial (IA), os termos “Big Data”, “aprendizagem automática” e “aprendizagem profunda” estão lentamente substituindo o uso do termo “IA”. No entanto, para citar Adrian Bowles: “não há inteligência artificial sem a representação do conhecimento”. Em outras palavras, a IA requer elementos de engenharia do conhecimento, arquitetura da informação e uma quantidade significativa de trabalho humano para realizar seu “trabalho neural mágico”. Alexander Wissner-Gross argumenta que talvez a coisa mais importante seja reconhecer que são os conjuntos de dados inteligentes e não os algoritmos que provavelmente serão o fator principal limitante no desenvolvimento da inteligência artificial no nível humano.

             “Não há inteligência artificial sem a representação do conhecimento.”

Uma ontologia é uma representação estruturada e formal do conhecimento relacionado a uma determinada área. Isso é necessário porque, ao contrário dos humanos, a IA não pode ser diretamente baseada em noções humanas pré-estabelecidas sobre o uso correto de um termo. O que uma ontologia pode fazer, entretanto, é “aprender” sobre o significado semântico de um termo através das ligações entre os conceitos de seu sistema. Já existem ontologias poderosas em campos específicos, como a Ontologia da Indústria Financeira Empresarial (FIBO), bem como numerosas ontologias para a área da saúde, geografia ou setor de emprego.

Outra parte importante da IA é o raciocínio semântico. Além de identificar transações potencialmente fraudulentas, determinar a intenção dos usuários baseando-se no histórico do navegador e fazendo recomendações de produtos, a IA também pode fazer o seguinte: executar tarefas que requerem raciocínio explícito, baseado em conhecimento geral e específico do assunto, como compreender artigos de notícias, preparar comida ou comprar um carro. Esse tipo de tarefa requer informações que não fazem parte dos dados de entrada e devem ser combinadas dinamicamente com o conhecimento. Este tipo de raciocínio informático só pode ser alcançado com ontologias e a forma como o conhecimento que elas incluem é estruturado. [2]

Taxonomia e ontologia são fundamentalmente diferentes

A ontologia é muitas vezes confundida com a taxonomia.  Além do fato de que ambos termos pertencem aos campos de IA, web semântica e engenharia de sistemas, não há muito mais que os defina como sinônimos. Classificações taxonómicas como O*NET (Rede de Informação Ocupacional) e ESCO (European Skills/Competences, qualifications and Occupations) simplesmente não podem ser comparadas com ontologias.  As primeiras fornecem uma abordagem muito mais simples para a classificação de conceitos, uma vez que têm uma estrutura hierárquica e utilizam apenas relações pai-filho entre termos, sem uma ligação adicional mais sofisticada. As ontologias, por outro lado, são uma forma muito mais complexa de categorização. Metaforicamente falando, uma taxonomia seria equivalente a uma árvore, enquanto uma ontologia seria para uma floresta.

Aqui um exemplo: O termo “golfe” pode aparecer em várias taxonomias.  Pode estar localizado debaixo de uma árvore de ” Atividades humanas” (atividades humanas -> atividades de lazer -> esportes -> golfe).  Ele também pode ser encontrado em uma taxonomia relacionada com o vestuário (vestuário -> vestuário casual/activo -> vestuário desportivo -> vestuário de golfe e acessórios). Ele poderia até mesmo aparecer em algo muito diferente, por exemplo, uma taxonomia de carro (carro -> Alemanha -> VW -> Golf). Em uma ontologia, cada uma dessas taxonomias pode ser considerada como uma árvore, cujos galhos se conectam com o nó “golfe” de outros galhos, de outras árvores. [3]

Explicadas de outra forma, as taxonomias representam um conjunto de tópicos, que têm uma relação cujo propósito é definir “isto é…”, enquanto as ontologias desenvolvem conexões muito mais complexas, permitindo relações que reconhecem que “isto” “tem…” e “usa…”. 4] Portanto, se voltarmos ao exemplo de classificação anterior, as taxonomias não têm a capacidade de comparar conceitos de crianças.

Na classificação internacional ESCO, quase todos os médicos especialistas estão agrupados sob o título: Profissionais médicos especializados. Se analisarmos este caso, torna-se evidente que um enfermeiro especializado em anestesia e um médico anestesiologista têm conhecimentos e habilidades em comum, mas não podem se aplicar ao mesmo cargo. Além disso, os conjuntos de habilidades especializadas são simplesmente agrupados em listas gerais, sem nenhum link para as ocupações especializadas correspondentes. Por que isso acontece? Uma razão é que as classificações são utilizadas principalmente para fins estatísticos. Deste ponto de vista, não há necessidade de classificar todos os médicos especialistas de acordo com as suas competências e formação específicas. Então, de acordo com as taxonomias, as especializações só podem ser reconhecidas pelo cargo e é necessário recorrer a outras fontes para entender melhor seu conteúdo específico.

A construção de uma ontologia que contém: ocupações, capacidades, competências e formação, torna possível o reconhecimento automático das diferenças e semelhanças entre cargos. Por exemplo: Pediatras e neonatologistas têm empregos semelhantes, uma vez que ambos se dedicam ao cuidado da saúde dos recém-nascidos. Com a abordagem de modelagem ontológica, é possível determinar que uma pediatra tem uma percentagem muito alta de habilidades semelhantes às de um neonatologista. No entanto, pediatras só podem assumir o trabalho do neonatologista após receber treinamento adicional. Toda esta informação pode ser representada numa ontologia, através das inter-relações entre conceitos. Estas relações excedem em muito a capacidade de uma simples taxonomia.

Ontologias possibilitam a combinação de conjuntos de dados

Quando se trata de combinar, por exemplo, currículos com ofertas de emprego, não há melhor sistema para isso do que a utilização de uma ontologia. Muito frequentemente, formas simples de correspondência, com base em palavras-chave, ou métodos difusos de aprendizagem automática, são utilizados, o que significa que muitas semelhanças não são detectadas, portanto, não são obtidos resultados correspondentes. Elementos que levam a essa falta de resultados são, por exemplo, variações de palavras-chave introduzidas, sinônimos e frases alternativas. Para obter uma correspondência eficiente, é importante comparar a semântica (o significado subjacente) de dois elementos, em vez da redacção do texto. É aqui que as ontologias entram em jogo. Baseiam-se num modelo semântico, capaz de detectar os significados e semelhanças subjacentes entre CVs e descrições de funções.

A técnica de combinação ontológica é uma técnica fundamental que tem aplicação em muitas áreas, como a combinação de ontologias. Em domínios com regras muito complexas e interações complexas entre regras, não há substituto para ontologias. Isto é mostrado, por exemplo, quando se considera a integração de domínios muito diferentes. Suponha que existem duas ontologias separadas, uma ontologia meteorológica e uma ontologia geográfica. A criação de uma terceira ontologia que integre e tire partido do conteúdo das duas é uma proposta gerível que forneceria informações valiosas para a avaliação dos riscos de navegação ou para o domínio dos seguros. [5]

O verdadeiro valor das ontologias

O sistema semântico baseia-se em representações explícitas, e compreensíveis para o ser humano, de conceitos, relações e regras para desenvolver o conhecimento de uma determinada área. É impossível confiar unicamente nos programadores para construir tal sistema, baseado na aprendizagem automática, uma vez que eles não têm o conhecimento necessário para definir as relações entre os conceitos de cada domínio específico. Portanto, o conhecimento de uma área específica deve vir de especialistas nessa área e a integração de conhecimentos especializados em diferentes áreas é necessária (por exemplo, direitos de propriedade intelectual, dinâmica de fluidos, conserto de automóveis, cirurgia de coração aberto, ou sistemas educacionais e profissionais). Este processo é crucial para criar uma representação integral do conhecimento.

Para a ontologia multilingue da JANZZ, as capacidades são um ponto-chave. Em muitos casos, a tradução literal de um conceito para muitas línguas não é possível, no entanto, porque a Suíça é um país pequeno e multicultural, todos os nossos curadores de ontologia são fluentes em pelo menos duas línguas, e alguns até mais de quatro (incluindo chinês e árabe). Isto dá-nos uma grande vantagem, o que nos permite garantir a qualidade e consistência dos conteúdos em diferentes idiomas.

Há cerca de uma década, a JANZZ começou a construir a sua ontologia sobre várias taxonomias de ocupação, nomeadamente: CITP-08, ESCO e muitas classificações específicas de países. Ao longo dos anos, a JANZZ incorporou em sua ontologia milhares de novas profissões e funções (por exemplo, pesquisador de mercado, data minerador, especialista em geração milenar, gerente de mídia social, gerente comunitário, etc.) que não existiam anteriormente em nenhuma das taxonomias conhecidas. Além de novos títulos de emprego, a ontologia é constantemente atualizada com a inclusão de novos termos em todos os campos: habilidades, educação, experiência e especializações. O fato de que nossa ontologia é capaz de reconhecer semelhanças e ambiguidades entre empregos e outras áreas relevantes no campo da colocação de trabalho torna-o a ferramenta perfeita para empresas de RH e serviços públicos de emprego. Hoje, a ontologia JANZZ é de longe a maior, mais complexa e completa ontologia de dados de colocação de trabalho do mundo.

Felizmente, alguns governos e empresas escolheram o caminho certo e agora se beneficiam amplamente de nossa tecnologia de última geração. Para mais informação sobre a ontologia da JANZZ, por favor entre em contato conosco: sales@janzz.technology. Agradecemos desde já o seu interesse e teremos todo o gosto em responder a todas as suas perguntas.

 

 

 

[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 ]

 

Ainda mais barulho por nada… Ou porque o hype sobre Big Data e inteligencia artificial (IA) geralmente é mais sobre auto-marketing do que fatos e progresso.

A cada dois dias, produzimos a mesma quantidade de dados que foram produzidos anteriormente até o ano de 2003. Com este fato chocou Erich Schmidt, o ex-CEO da Google, em 2010. Claro que a produçao de datos acelerou desde então. Embora o “processamento de dados em massa” não seja novidade, somente nos últimos anos o hype em torno do termo mais conhecido como “Big Data” foi realmente desencandeado [1]. Ma ligeiramente muitos se perdem nessa selva de dados cada vez maior e em métodos abstrusos.

Coincidências não podem ser calculadas

Pois «mais dados não significa mais conhecimento”, proclama Gerd Antes efimero em uma entrevista com o Tagesanzeiger. O matemático critica bruscamente o hype sobre o Big Data, porque a massa de dados tornaria as correlações aleatórias mais prováveis. Assim mostra o consumo de queijo por cabeça e o número de mortes causadas por emaranhado na cama nos EUA uma curva idêntica. Enquanto uma anásile de máquina pode ter tirado conclusões, um cientista humano reconhece imediatamente que isso é uma coincidência [2].

De acordo com muitos defensores do Big Data, coincidências não existem mais. Eles acreditam que, se as quantidades de dados disponíveis forem grandes o suficiente, todas as inter-relações podem ser calculadas antecipadamente com a ajuda de processamento ou com um profundo aprendizado de máquinas e o tipo certo de análise. Experiências passadas e em conjunto com treinamentos disponíveis são suficientes para isso, e há risco insignificante de intervalos de erro devido a dados ausentes ou irrelevantes. No entanto, tal conclusão é fatal. Claro, certas áreas, períodos de tempo e inter-relações, etc. podem ser exploradas mais facilmente, para as quais algo é mais ou menos provável de acontecer. No entanto, isso certamente não significa que coincidências ou desvios significativos sejam impossíveis. Por exemplo, como podemos esperar uma análise dos dados coletados do passado para prever com precisão acidentes de trânsito no futuro? Ou doenças, uma vez que informações sobre progressões da doença – e, portanto, dados digitais de pacientes – podem ser incompletas, inconsistentes e / ou imprecisas [2].

Big, bigger, big data?

A análise de dados podem também ser fatal…

Especialmente na medicina, não apenas Gerd Antes alerta sobre o hype da Big Data e o da IA. Usar um método de tratamento incorreto baseado em análise de Big Data e resultados de aprendizado de máquina pode ser muito perigoso – para as pessoas, para o “bolso” e para a reputação. Porque nessa imensa quantidade de dados as verdadeiras correlações e inconsistências talvez não sejam sequer descobertas. Correlações e inconsistências que podem ameaçar ou salvar vidas [2].

Resentemente a IBM esteve novamente nas manchetes negativas, quando a empresa de mídia STAT analisou documentos internos da IBM para um relatório, que concluiu que o “Watson for Oncology” recomendou tratamentos de câncer “inseguros e incorretos” repetidamente. Da mesma forma, estes disseram que os funcionários e supervisores da IBM estavam cientes disso. No fim das contas com base nessas recomendações não houve morte comprovada, mas muitos hospitais renomados decidiram não usar a tecnologia multimilionária[3].

Na medida em que no campo da tecnologia tenha uma mudança de pensamento, e novamente o pensamento racional pode ser reconhecido. Finalmente, o hype de há 2-3 anos, que parecia ser ilimitado, em torno do computador milagroso Watson da IBM no campo da medicina, está novamente em declínio. Muitas outras aplicações semelhantes surgirão. O mais tarde, quando se tratar mais de fatos, resultados confiáveis e relevância, e menos sobre promessas brutais de auto-marketing, bem como promessas encorpadas das empresas globais de technologia bem conhecidas e seus produtos muitas vezes ainda mais experimentais. Certo é que os insights e aprendizados da medicina anteriormente descritos podem ser transferidos quase 1:1 para o merdado de RH digital, onde estes são usados, por exemplo, quando combinando trabalhos e talentos.

Conhecimento confiável vem de especialistas

Já a mais de cinco anos atrás, Cornel Brücher provocou com seu trabalho “Rethink Big Data” (“Repense Big Data”) e descreveu os seguidores de Big Data como tolos [2]. Nós da JANZZ desde o começo temos esta mesma visão. Portanto, simplesmente não é possível obter conhecimento no campo de trabalhos e currículos, dados de ocupação mais complexos, etc., apenas com o aprendizado de máquina. Qualquer um de afirme o contrário está simplesmente errado. E essas alegações permaneceram falsas e inúteis, não importa quantas vezes as mesmas idéias e produtos sejam reajustados e comercializados. Mesmo que muito mais dinheiro do que anteriormente seja investido nessas technologias.

Por isso, e apesar dos muitos investimentos, os resultados são baseados nessa mesma abordagem, ainda largamente inadequada, e mal melhoraram nos últimos anos. Independentemende do tamanho dos conjuntos de dados utilizados para esta finalidade, por exemplo no LinkedIn, IBM & Co. Os resultados do aprendizado de máquina não só estão ficando mais errôneos quanto mais fatores e variáveis ​​e, portanto, regras e relações mais complicadas são adicionadas resultando em falsas correlações ou, às vezes, até da suposta causalidade. Por outro lado, os grafos de conhecimento, respectivamente ontologias, criam a possibilidade de mapear e utilizar o conhecimento de forma muito profunda e estruturada. Assim, o conhecimento de especialistas é armazenado em suas áreas respectivas e conectado de maneira estruturada, o conhecimento de ontologia é verificável e confiável e não calculada por cientistas da computação, que agora são especialistas em programação, mas que por exemplo, não em medicina ou em várias profições de engenharia ou áreas de investimento como banco, etc. Uma característica importante que falta ao utilizar o modo de “Machine Learning” (aprendizado de máquina). Como os gráficos de conhecimento entendem os relacionamentos entre muitas áreas diferentes, somente eles podem fornecer resultados e recomendações de pesquisa relevantes e precisos. Por exemplo no campo de dados de ocupação: Pois o grafico de conhecimento reconhece a diferença e as conexões entre competências, experiências, funções, especializações e educação, e sabe que, para os cargos “J” com treinamento “A” a competência “K” é importante. Consideramos um “arquiteto sênior de Cloud” como exemplo: Um gráfico de conhecimento reconhece esse cargo e sabe que, por exemplo, o programa de mestrado em Ciência da Computação pode um dia levar a esse título se, por exemplo, o candidato puder demonstrar a competência “Cloud Solution Development” (“desenvolvimento de soluções em cloud/nuvem”) e vários anos de experiência profissional.

O Google também conta com especialistas ou um gráfico de conhecimento para dados de ocupação

Finalmente proclamou o Google, quando a empresa lançou seu gráfico de conhecimento “Google Cloud Jobs API”, onde o “Google for Jobs Search” foi baseado (Veja “Google launches Ontology-powered Jobs Search Engine – What Now?”). O Google reconheceu que uma abordagem baseada em ontologia oferece melhores resultados. Em uma busca semântica que se baseia em um gráfico de conhecimento, se procurar por um “Assistente Administrativo”, não obteria resultados semelhantes ao termo de pesquisa, como “Administrador RH” ou “Administrador de software”. Da mesma forma, uma análise de grande volume de dados poderia identificar correlações aleatórias, sugerindo trabalhos terceirizados completamente diferentes que possuam apenas requisitos de competência semelhantes (assim, engenheiros e funcionários de escritório certamente precisam de conhecimento sobre o Microsoft Office).

Conhecer a diferença e, portanto, a procura de emprego e a compreensão geral das ocupações e seus relacionamentos geralmente só é possível com um gráfico de conhecimento. Matt Moore, gerente de produto do Google Cloud, explicou o objetivo da Google Cloud Jobs API: “Queremos permitir que todos os empregadores e candidatos melhorem a experiência de procura de emprego. Sejamos honestos: Contratar as pessoas certas é a coisa mais importante que as empresas precisam fazer.”[4].

Apenas os humanos têm o conhecimento humano necessário…

E isso levanta a questão de quem você realmente pode confiar quando se trata da tarefa mais importante: a seleção de profissionais. Uma história infinita: Julgado pelo CV, o/a aplicante era o candidato(a) perfeito(a), mas infelizmente humanamente não se encaixava em nada. Tirando conclusões como essa, que não sugerem os dados (digitais) disponíveis, está se movendo no nível dos especialistas em RH, isto é relações interpessoais. As ferramentas tecnológicas podem gerenciar e classificar os currículos com base em insights óbvios, como educação, habilidades, experiência, etc., se o fluxo de dados for gerenciável e, acima de tudo, avaliado corretamente. Mesmo o melhor candidato no papel pode de repente desaparecer no meio da multidão devido à grande quantidade de critérios mal interpretados ou mal compreendidos. E o CV númeo 1 nem sempre pertence ao melhor candidato(a). Acreditando que este último remanescente do fator humano será finalmente banido dos processos, cada vez mais empresas de tecnologia e start-ups estão tentando digitalizar essa dimensão e dominá-la com inteligência artificial. Novamente com métodos inadequados e até mesmo antes dos dados digitais realmente processáveis, existentes, teriam sido usados ​​e avaliados corretamente. Um fato sobre o qual os especialistas e os principais fornecedores de tecnologias, que têm lidado com processos e produtos respeitáveis ​​e resilientes na área de RH digital há vários anos, estão basicamente de acordo. E não apenas desde que o Google entrou nesse segmento de mercado [5].

Big Data limita o desenvolvimento do conhecimento

Mais dados realmente nao significam mais conhecimento. O conhecimento deve ser estruturado, arquivado e avaliado. E as pessoas bem informadas precisam estar envolvidas. Portanto, é necessário ter cuidado ao combater o fluxo de dados, que no final não podem mais ser estruturados e resultam em correlações aleatórias. Alexander Wissner-Gross, um cientista da Universidade de Harvard e do Instituto de Tecnologia de Massachusetts (MIT), resume de uma forma interessante: “Talvez a notícia mais importante do nosso tempo seja que conjuntos de dados – não algoritmos – poderiam ser o fator limitante crucial para o desenvolvimento da inteligência artificial em escala humana.” [6] O mais promissor é, portanto, o conteúdo do conhecimento, não a quantidade de dados, da qual esse conhecimento deve ser retirado. E promissora respectivamente reconfortante é que, no final, em muitas áreas importantes, como medicina ou seleção de pessoal, apenas especialistas ou ferramentas baseadas em experiência verdadeira possam julgar de maneira confiável e precisa.Tudo isso faz com que a propaganda sobre Big Data e AI em RH já seja um pouco mais suportável. E nossa missão na JANZZ.technology “We turn Big Data into Smart Data” é mais relevante do que nunca.

[1] Brücher, Cornel. 2013. Rethink Big Data. Frechen: MITP-Verlag.

[2] Straumann, Felix. «Vieles ist blankes Marketing». Big Data. In: Tagesanzeiger (2018), Nr. 168, P. 32.

[3] Spitzer, Julie. 2018. IBM’s Watson recommended “unsafe and incorrect” cancer treatments, STAT report finds. URL: https://www.beckershospitalreview.com/artificial-intelligence/ibm-s-watson-recommended-unsafe-and-incorrect-cancer-treatments-stat-report-finds.html [2018.08.01].

[4] From video: Google Cloud Platform. 2017. Google Cloud Jobs API: How to power your search for the best talent (Google Cloud Next ’17). URL: https://www.youtube.com/watch?v=Fr_8oNKtB98 [2018.08.03].

[5] Watson, Christine. 2018. RecTech is creating more – not less – need for the human touch. URL: http://www.daxtra.com/2018/08/03/rectech-creating-more-need-for-human-touch/?utm_content=75449136&utm_medium=social&utm_source=twitter [2018.08.09].

[6] Alexander Wissner-Gross. 2016. Datasets Over Algorithms. URL: https://www.edge.org/response-detail/26587 [2018.07.27].

Permissão de dirigir para as mulheres sauditas gera uma participação feminina maior na vida econômica

As mulheres sauditas alcançaram uma nova forma de liberdade: Enfim elas recebem a carteira de motorista. Antes do 24 de Junho o país proibia mulheres de conduzir automóveis. O fim da proibição de dirigir para mulheres, permita que elas se podem movimentar de uma forma mais espontânea e independente. O decreto abre novas oportunidades no mercado de trabalho. Até hoje somente 22% das mulheres sauditas ocupam um emprego, enquanto 77% dos homens trabalham. Em comparação com seus vizinhos do Oriente Médio, a  Arábia Saudita demonstra uma percentagem pequena das mulheres trabalhadoras. Nos Emirados Árabes Unidos 47% das mulheres tem um trabalho, em Qatar até são 58%.

A estrita proibição de dirigir para as sauditas, constituiu um obstáculo para o crescimento económico do país. Um dos motivos desta situação, foi que as mulheres não tevam a possibilidade de chegar ao trabalho sozinhas e eram por isso largamente dependente dos parentes próximos masculinos. Além disso, um carro é indispensável para se locomover, pois as cidades da Arábia Saudita são tão grandes e a qualidade do transporte público é considerado ineficiente. As mulheres precisavam contar com um motorista particular, pois elas nem eram permitidas de tomar um táxi. Por isso, essa estrita norma social, era sem dúvida umas das causas do problema da participação feminina na vida econômica.

32% das mulheres sauditas que procuram um trabalho, são desempregadas. O índice de jovens desempregados chega na faixa de quase 40%, mesmo que a Arábia Saudita enfrenta o desafio de ter mais mulheres que homens com títulos universitários, especialmente nas áreas científicas. A concessão de licença de direção para as sauditas, contribui aos benefícios econômicos da integração laboral da mulher. Com essa mudança, algumas empresas já identificaram oportunidades de negócios: Empresas de aluguer de carros abrem as portas para as mulheres, uma companhia de seguros até está instruindo mulheres como inspectoras. Além disso, a partir do começo desse ano, as sauditas ganharam a permissão para entrar no serviço militar, neste caso a carteira de motorista também é uma vantagem para as mulheres. O Ministério do Trabalho e Desenvolvimento Social emitiu em Abril desse ano uma lista de lojas onde apenas sauditas poderão ser empregados, como nas lojas onde se vendem relógios, óculos, padarias e lojas de móveis, de equipamento electrónico e de carros. A necessidade pessoal é grande em essas áreas, por isso mulheres sauditas são recrutadas para trabalhar nas lojas, visitar clientes ou entregar bens.

Em princípio, mulheres e homens podem trabalhar juntos, mas a segregação dos sexos persiste nas áreas de descanso para funcionários. Muitas empresas não estão preparadas para mudar os locais de trabalho, porque eles foram construidos somente para os empregados masculinos.

Entretanto o fim da proibição de dirigir para mulheres, marca o início da integração laboral da mulher saudita. Mas as mulheres ainda são submetidas a um sistema de tutela masculino. Elas precisam de permissão de um homem da família para tomar decisões importantes, como o marido, pai ou até o filho. Uma autorização do homem é necessaria para sair do pais, casar-se ou ser liberado da prisão. A partir do ano passado, as mulheres sauditas podem abrir uma empresa, entrar no serviço militar, abrir uma conta e solicitar serviços públicos sem a autorização da tutela masculina.

Essa medida é uma das reformas fazendo parte do plano chamado “Visão 2030”, que contempla mudanças no mercado de trabalho. Isto inclui intervenções como a ampliação da participação da mulher no mercado de trabalho. Legalmente as mulheres não precisam a autorização do homem para trabalhar, mas infelizmente muitas empresas exigem a permissão da tutela masculina. As estritas normas sociais, que limitam a integração laboral da mulher, causam gradualmente um problema para a Arábia Saudita. A economia esta em crescimento e a necessidade de contratação pessoal resulta em uma alta faixa de funcionarios estrangeiros. Somente 5.6 milhões das 11.9 milhões de pessoas que trabalham são árabe-sauditas. Além disso, a economia do país é altamente dependente do petróleo: Quase 45% do PIB real é constituido por esse sector industrial.

Com a implementação das primeiras reformas no mercado de trabalho por o Ministério do Trabalho e Desenvolvimento Social, dependencias dos profissionais expatriados e do petróleo podem ser resolvidos. O primeiro passo nesse sentindo foi feito com a permissão para dirigir, possibilitando que as mulheres sauditas fazem parte dos benefícios econômicos do país.

 

Onde o trabalho autônomo nem sempre é voluntário

Ser seu próprio patrão é um sonho para muitos. Nem sempre ter que dizer “sim, com prazer” e, assim, assumir qualquer tarefa desagradável que o chef pensou. Ao mesmo tempo, alguns têm mdo ser autônomo devido ao rendimento nao seguro, bem como a pensão. Outros vêem a change, eventualmente, de ter uma renda mais regulada sendo empregados. Diversos estudos da OCDE (Organisation für wirtschaftliche Zusammenarbeit und Entwicklung – Organização para cooperação e desenvolvimento Econômico) explicam as razões por detras disso da seguinte maneira.

A OCDE define o trabalho autônomo como “o emprego de empregadores, emprego para trabalhadores independentes, membros de grupos de produtores ou não remunerados membros de família”. Pesquisas de estatística regulares da organização mostram que a proporção de trabalhadores autônomos na totalidade da força de trabalho varia muito de um país para o outro. Assim, apenas cerca de 6.4% são autônomos nos Estados Unidos, contra 51.3% na Colômbia (veja na tabela de acordo com o OCDE de 2018). Existem várias razões pela qual o trabalho independente está experimentando popularidade diferente. Em alguns países, grande parte da população trabalhadora ainda tabalha no setor agrícola, onde o trabalho autônomo é praticado com frequência. Por exemplo, cerca de 15% dos colombianos ainda trabalham na agricultura. Nos países com uma pequena parte de trabalhadores autônomos, tais como a Dinamarca, Suécia ou Canadá, com cerca de apenas 2%. Nos Estados Unidos, o trabalho autônomo diminuiu drasticamente nos últimos 25 anos. Em meados da década de 90, eles ainda tinham um lugar mais centralizado nessa estatística. A razão para isso é a imensa redução do setor agrícola, onde muitos trabalhadores autônomos deixaram de existir.

OECD (2018). Taxa de auto-emprego em percentage do emprego total.

No entanto,existem fatores adicionais que podem levar a uma alta porcentagem de trabalho autônomo. Além de crimes e fluxos de caixas nâo transparentes, especialmente situações de emprego e renda podem ser responsáveis a esse aumento. É de se observar cada vez mais que os países com média alta de salário tendem a ter uma participação mais baixa no trabalho autônomo. Aquí os Estados Unidos mostram um dos indices mais altos com uma média de salário anual de mais de 60 mil US dólares. A Dinamarca, o Canadá e a Noruega tambem estão na liderança com cerca de 50 mil US dólares. Em contráste com a Colômbia, que esta longe, com um salário médio de  cerca de 6000 dólares.

Equivalentemente, os estados que mostram uma alta proporção de cidadãos que vivem abaixo da linha da pobreza, também tem uma proporção maior de trabalhadores autônomos. Sendo assim, segundo a avaliação da OCDE, 24% da populaçâo colombiana é afetada pela pobreza. Em 2016 a OCDE também analisou estados, nos quais muitas pessoas vivem sob a linha da pobreza apezar de empregados. Aquí também se deixa transparecer que, muitoas dos países mais afetados na maioria das vezes optam pelo trabalho autônomo, como por exemplo o Brasil, a Grécia, o México e a Turquia.

Outro indicador é o número de horas de trabalho. Grécia, México e Chile mostram um número particularmente elevado com cerca de 2000 a 2250 horas de trabalho por ano. Ao mesmo tempo, os noroegueses e dinamarqueses trabalham particularmente poucas horas com cerca de 1400 horas e uma porcentagem particularmente baixa em optar pelo trabalho autônomo. Com tempo de trabalho semanal contratual como funcionário, a Colômbia está claramente em primeiro lugar com mais de 48 horas. Considerando todos os  empregdos (empregados contratados de carteira assinada, contratados sem carteira assinada – ou ate mesmo sem contrato – e autônomos) esse número já reduz para 44 horas.

Por último, a probabilidade de perder o emprego, a alta carga de trabalho e a insegurança no mercado de trabalho também contribuem para a escolha do trabalho autônomo. Estes indicadore sâo particularmente baixos na Noruega, no Canadá e na Dinamarca, países que tedem a mostrar uma baixa proporção de trbalhadores independentes. Ao mesmo tempo, níveis particularente altos mostram novamente na Turquia, Grécia e Colômbia. Colômbia, com disparidade, está entre os países onde o trabalho autônomo é mais difundido, com problemas estruturais no mercado de trabalho. Aquí prevalece particularmente o trabalho informal, isso significa que na maioria das vezes as pessoas empregadas sem contrato ou seguro social, apenas para seus próprios fins e sem troca de valor. O trabalho informal é muito difícil de medir e controlar ou de ser regulado. Muitos empregados são forçados a continuar a trabalhar informalmente devido ao custo alto, e ao mesmo tempo, muitos colombianos não são suficientemente qualificados para conseguir um emprego formal. Da mesma forma, muitas pessoas escolhem o trabalho  autônomo (informal) para evitar custos, ou seja, impostos e outras despesas, até 93% dos trabalhadores independentes trabalham informalmente. Além disso, a Colômbia estabeleceu um salário mínimo muito alto acima da média da OCDE. Isto faz com que nem todos os empregadores possam pagar, fortalecendo assim o trabalho informal e o desemprego.

Então é sempre sobre ser seu próprio patrão? Não, pois em alguns estados pessoas podem se sentir submetidos a trabalhar de forma autônoma. Para combater este tipo de submerção, existem medidas e leis sensatas para o mercado de trabalho individual. A JANZZ.technology aconselha os Serviços Públicos de Emprego sobre posíveis intervenções para tornar o trabalho formal atraente e proteger as relações entre os funcionários efetivamente. Sinta-se à vontade para nos contatar por e-mail sales@janzz.technology

Como fornecer uma solução personalizada de alto desempenho de ultima geração para o SPE em 180 dias

Os Serviços Públicos de Emprego (SPE) às vezes chegam a um ponto em que são forçados a renovar seus sistemas antigos de busca de emprego ou reconstruí-los em países onde esse tipo de soluções nao existiam. Com o rápido avanço da digitalização as demandas e expectativas de tais soluções aumentaram fortemente: Processos consistentes, Matching inteligente, análise de dados de mercado de trabalho abrangente, opções simpes de análise e classificação e muito mais.

Desenvolver soluções tão bem sucedidas e de alto desempenho e lançá-las com sucesso é portanto complexo. Os procesos necessários e o trabalho de desenvolvimento podem levar varios anos e são caros, principalmente para menores SPE. Com uma plataforma escalável de etiquetas brancas e com componentes modulares de última geração comprobada, esse proceso pode ser realizado acelerando, simplificando e de baixo custo para todas as necesidades e tamanhos de SPE. E como isso funciona, gostaríamos de mostrar brevemente no post a seguir.

Modelo “tapete de pano” e muito, muito tempo….

Tal solução frequentemente consiste em compilar componentes internos existentes e componentes adquiridos resentemente. Esse tipo de modelo pode funcionar muito bem, mas é preciso muito tempo, um grande orçamento e geralmente mais esforço. Muitos SPE concertam (Me desculpe pelos termos, mas infelizmente isso é o caso) sua nova solução desta forma, porque eles constumam usar componentes existentes e possuem uma boa equipe como engenheiros de software e responsaveis de projeto. Mas com que frequência plataforma de SPE de última geração foram desenvolvidas com todos os procesos e componentes necessários nos últimos anos? E quão bem preparados para as alterações de requisito estão os próprios especialistas em dados e taxonomistas? Podem fornecer os dados e conteúdos na forma e estrutura desejada para procesos digitais integrados, tais como Matching?

O desenvolvimento de uma plataforma moderna e poderosa, que aproxima os candidatos a empregos do mercado de trabalho de uma forma eficaz é de qualquer modo, uma tarefa muito exigente para as agencias de emprego. Pois isso contém muitos subprojetos individuais igualmente exigentes. Para cada componente que será integrado a essa plataforma, os fornecedores geralmente precisam ser auditados e testados por meio de licitação pública, e as soluções internas precisarão ser redesenhadas ou até mesmo completamente redesenvolvidas. Do Matching à ferramenta de análise para interface e do UX para suporte ao bate-papo. Apenas a consulta e avaliação de cada ferramnta e cada parte do Processo criam procesos demorados. Quem entende essas partes do Processo? Qual fornecedor ofrece a abordagem correta e também pode comprovar a experiencia necessária? Muita pesquisa, muitas reuniões, muitos acordos. O que não se deve esquecer, é que novas tecnologías e ferramentas por si só não podem funcionar como um “salvador do perigo”. Pelo contrario, todos os procesos devem ser adaptados. Agências de empregos, o comércio principal do SPE já mudou muito. A cada cinco ou dez anos as abordagens e os processos precisam ser novamente alterados e reconsiderados. No futuro e com o desenvolvimento da digitalização cada vez maior, o impacto nos mercados de trabalho provavelmente ainda mais frequente. Do início do projeto ate o seu lançamento varios anos valiosos podem se pasar. E às vezes a nova solução está desatualizada no momento do lançamento. De qualquer forma, muito tempo se passa, tanto empo no qual uma plataforma de etiqueta branca eficiente já poderia ter sido executada.

Muitas vezes intestável até o lançamento

Não è apenas uma questão de tempo isso è um grande desafio. Um procedimento de de acordo com o modelo patchwork também é complexo e arriscado. Os componentes individuais da solução devem ser desenvueltos e integrados em um todo de modo geral. Parcialmente em uma plataforma ou front-end antiga já existente. Ou a mesma é ré-desenvolvida e ré-construída internamente. Fornecedores internos e externos têm pouco ou nenhum conhecimento dos componentes um do outro. Isso também dificulta o teste. Na maior parte apenas pouco antes do lançamento é possível testar com detalhe como os componentes trabalham juntos, porque não há referencia para tal constelação que ainda não existiam nesta compilação e modo de operação. A tentação é grande para construir parte da solução (por exemplo o front-end) com o envolvimento de recursos de desenvolvimento próprios. O que pode trazer benefícios em casos específicos, é que uma grande parte das agências de recrutamento estam associadas de forma sustentável a riscos e custos imprevistos. Soluções Off-The-Shelf personalizáveis, por outro lado, proporcionam estabilidade, confiabilidade e eficiencia para operação e para manutenção futura.

Estável, confiável e eficiente

Estabilidade, evolução e manutenção futura não são totalmente garantidas com o modelo patchwork, porque as alterações no software são possívelmente mais difíceis se o núcleo da solução fo execultado por uma API externa. Soluções autodesenvolvidas devem implementar uma camada de software na API. Se alterações forem feitas na API (por menor ou maior que sejam), essas alterações devem ser feitas nos módulos de software apropriados. Isso pode causar problemas de instabilidades e ou manutenção se for detectado tarde demais ou não for executado. Também não pode se confiar em um desempenho confiável. Através da combinação de v’arios sistemas de software aumenta o risco para erros. Ao mesmo tempo, localizar o erro e a causa do erro, ou a causa principal, torna-se mais complexo, pois primeiro é necessário isolar a área da solução na qual o erro se originou. Em contraste, uma plataforma de etiqueta branca que j’a foi usada com sucesso por otros SPE ofrece vantagens decisivas quando se trata de facilidade de uso, eficiencia e personalização da interface do usuario. Além disso essa solução ofrece, por exemplo um padrão de interface de usuario móvel amigável, com design e muito mais. Afinal muitos custos desaparecem como por exemplo para manutenção e desenvolvimento adicional da peça autoconstruída e para integrações. O suporte interno é difícilmente necessário, pois essa tarefa está principalmente no provedor da plataforma, que conhece bem todos os recursos desta. Assim, novas contratações caras também são difícilmente ou nao necessárias. Além disso, 20 anos geralmente passam antes que uma nova solução interna seja projetada e desenvolvida novamente. Difícil é manter os desenvolvedores experientes e qualificados, arquitetos, taxonomistas e especialistas em UX (dos quais há muito poucos em todos os lugares que são calorosamente cortejados pela industria) e fornecer-lhes bastante trabalho interessante.

Uma única solução é suficiente

A solução ideal da JANZZ.technology já está disponível: Uma plataforma personalizável que integra todos os recursos necessários para atender ás necesidades de cada SPE, mesmo com um orçamento menor. A solução foi exhaustivamente testada e construída com muitos anos de know-how de muitos outros SPE em todo mundo. Está disponível em varios idiomas com ISCO-08, ESCO e claro, todas as classificações específicas de cada país, bem como todas as combinações necessárias de design, processo e cor. Seja como uma solução de serviço Cloud compatível com o DSGVO (que também o libra de outros desafíos caros) ou como uma instalação local de alto desempenho de acordo com suas especificações. E a plataforma é rápida e fácilmente disponível: Devido ao existente know-how, amplo e comprovado da JANZZ.technology e das estruturas fácilmente adaptáveis, UI e os componentes técnicos semánticos atualmente mais poderosos, etc. O tempo de execução do projeto pode ser reduzido para cerda de 180 dias até a implementação. Isso significa que o orçamento e a segurança do projeto e apenas curtos 180 dias até que o primeiro candidato possa ser mediado a um emprego pelo sistema.

Quando podemos apresentá-lo pessoalmente à sua futura solução?

sales@janzz.technology

Deixe as mulheres calcularem: Por que os serviços públicos de recolocação devem convencer as mulheres quanto às áreas STEM

Apesar das várias iniciativas, as mulheres jovens ainda são subrepresentadas nas áreas de ciência, tecnologia, engenharia e matemática (STEM). Estudos comprovam que uma formação completa nas áreas STEM representam muitas vantagens, tanto para as pessoas quanto para países inteiros. Os serviços públicos de recolocação devem, portanto, efetivamente fortalecer o setor de STEM. Os motivos são muitos:

Muitos profissionais com formação nas áreas STEM recebem salários mais altos. A secretaria de estatísticas do trabalho dos EUA ressalta que 93 em cada 100 ocupações nas áreas STEM oferecem salários acima da média do país. Ao mesmo tempo, a renda média dos formados nas áreas STEM é o dobro da renda dos formados em outras áreas. Os formados na áreas STEM também ganham mais, em média, quando atuam em profissões fora das áreas STEM. As estatísticas de outros países confirmam essas estimativas salariais. Finalmente, mas não menos importante, a probabilidade de desemprego é bem menor entre os formados nas áreas STEM. Por exemplo, o índice de desemprego entre os profissionais das áreas STEM é o menor, no cenário geral e, nos Estados Unidos, é 50% mais baixo entre esses profissionais.

Não é segredo que a demanda por especialistas nesse setor está em franco crescimento, ainda que seja apenas por força dos desenvolvimentos tecnológicos. Por exemplo, as manchetes recentemente citaram que somente na Alemanha há uma carência de 100.000 engenheiros, principalmente no setor elétrico. Além disto, a demanda por matemáticos está cada vez maior, a cada dia que passa. Seja para o planejamento da produção, o cálculo de benefícios de seguros, de salários ou do seu custo com uma refeição, eles calculam basicamente tudo. Por exemplo, há previsões recentes de que as pessoas podem sobreviver a uma passagem por um buraco negro.

Parcela de mulheres (%) entre os graduados terciários em ciências, matemática e computação, 2014 ou último ano apurado. Fonte: OECD (2017). The Pursuit of Gender Equality: An Uphill Battle, Fig. 1.1 B.

Para atender a essa demanda, um número maior de formados nas áreas STEM é necessário, mas as mulheres, particularmente, costumam se recusar e cursar as disciplinas STEM. Estudos comprovam que as mulheres não costumam ter desempenho inferior ao dos homens em matemática, mas geralmente têm mais medo de disciplinas científicas e pressupõem que terão um desempenho inferior.

Como as mulheres podem superar seu medo da matemática? Como sua autoconfiança pode se fortalecer? A OECD recomenda começar nas etapas mais básicas, pois comprovou-se que as decisões na carreira de uma pessoa costumam ser tomadas por volta dos 15 anos de idade. Por exemplo, os cursos de verão nas disciplinas STEM deveriam aceitar mais mulheres, para que elas se livrem de seus receios e realcem seus pontos fortes. Atualmente, é duas vezes mais provável que um menino de 15 anos queira ser engenheiro, cientista ou arquiteto do que uma menina da mesma idade. Da mesma forma, menos de 1% das meninas querem ser especialistas em TI.

Os serviços públicos de recolocação deveriam combater essa tendência e investir no futuro das mulheres, e estariam assim investindo em seus países. A digitalização requer muitos profissionais com boa formação nas áreas STEM, e ao mesmo tempo, os cidadãos estariam mais protegidos contra o desemprego e assegurariam uma boa qualidade de vida. Oferecemos dicas adicionais no site info@janzz.technology

Mudança ou morte – Quatro problemas para um futuro multifacetado de SPE

Este é o tema dominante quando o assunto são os processos digitais de RH dos dias de hoje: como desenvolver melhor, com mais eficiência, ferramentas e tecnologias atualizadas para a correlação, que solucionem diversas tarefas e desafios de uma maneira mais orientada ao cliente. Separar o joio do trigo é uma tarefa muito estressante. Se a opção tecnológica hoje não atende à tarefa de moldar o futuro, isto causa um forte impacto na correlação. Em particular, os problemas serão protelados porque correlacionar significa compreender os desafios que o mercado de trabalho enfrenta. Todos os fornecedores de tecnologias de correlação de oportunidades de trabalho acreditam que são capazes de recolocar profissionais em busca de emprego, estimulando assim o mercado de trabalho. Porém não existe nada que se possa chamar de o mercado de trabalho. Cada mercado de trabalho específico tem suas próprias características, e a simples recolocação do máximo de pessoas no mercado de trabalho rapidamente não é suficiente; afinal, há outros problemas complexos que precisam da nossa atenção. Quatro problemas foram selecionados no contexto desse tema complexo, que ilustram por que não é apenas uma questão de simples recolocação. E por que a prevenção no presente é necessária para reduzir os problemas no futuro.

1) Desemprego zero hoje, lacuna amanhã

O desemprego é de fato um problema no mundo ocidental no momento?

Os números mais recentes do mercado de trabalho nos EUA, publicados logo após a primeira semana do ano, indicavam níveis de desemprego de quase zero (considerado quando o índice de desemprego está abaixo de 3%), e um índice de desemprego de 4,1%, após a apuração de 250.000 novos postos de trabalho gerados no último mês de 2017: o índice mais alto dos últimos 17 anos. Mark Zandi, economista-chefe da instituição de pesquisas de mercado Moody’s Analytics, disse em relação ao mercado de trabalho norte-americano que “em breve estará tão bem quanto possível”. Diversos países ocidentais também apresentam números semelhantes atualmente, até abaixo de 4% na Alemanha e na Suíça, um pouco acima na Noruega, e a média da Europa é a mais baixa dos últimos dez anos. Nem mesmo o Reino Unido ainda sofreu os efeitos do Brexit nesse sentido. Isto traz à tona a pergunta: as agências de emprego estão planejando tirar férias prolongadas?

Tomara que não, pois seria uma falácia dizer que esses países não precisam se preocupar com seus mercados de trabalho. Cada ministério do trabalho está enfrentando seus próprios desafios, e é por isto que as agências de emprego estão sempre muito ativas. A simples recolocação profissional como solução não é suficiente para oferecer o apoio fundamental aos serviços públicos de recolocação. Um profundo conhecimento dos mercados de trabalho é necessário, antes de mais nada, bem como dos diversos desafios atualmente enfrentados pelas pessoas nos quatro cantos do mundo.

Um desafio típico da atualidade é a digitalização. Embora o mercado europeu possa estar próximo da empregabilidade total em muitas regiões, essa tendência facilitará muito a recolocação profissional no futuro. Quem precisa de um motorista táxi quando o próprio carro se torna um chofer? E quem precisa de um assistente de limpeza quando a limpeza é feita por um robô que limpa até mesmo os cantinhos mais escondidos? É importante ressaltar que há grandes diferenças entre oportunidades de trabalho que exigem níveis de formação mais baixos. É bem mais fácil para as máquinas trabalhar com tarefas de limpeza do que com cargos complicados de tecelagem, por exemplo. Da mesma forma, nem todos os cargos que exigem qualificações inferiores estão em risco – apesar de muitos estarem. E não estão sozinhos nesse cenário. Profissionais com níveis mais altos de educação também podem ser substituídos, à medida que os computadores se tornam capazes de calcular com maior precisão e aperfeiçoam as estruturas estáticas dos prédios, os processos de logística e de produção. Da mesma forma, os computadores são considerados cada vez mais confiáveis e representam menos riscos em relação aos assessores financeiros humanos nos bancos, pois decidem com base em fatos e não em emoções.

Esses desafios complexos não podem ser solucionados apenas com uma recolocação, porque mesmo se alguém puder ser recolocado, esse posto de trabalho poderá desaparecer num futuro próximo, devido à digitalização. Se o motor a explosão deve se tornar obsoleto em breve e for substituído pelo motor elétrico, uma força de trabalho consideravelmente menor será necessária, visto que a produção de um motor elétrico exige apenas quatro operários, em vez de sete. Os três operários desnecessários ficarão desempregados, e para recolocá-los no mercado, não podemos simplesmente nos sentar e esperar.

 

2) A divisão está aumentado

Se você observar determinadas ocupações, a ocorrência oposta pode ser identificada como um desafio. Embora algumas ocupações estejam desaparecendo, outros setores estão precisando desesperadamente de novos funcionários. Os números relatados na mídia continuam a subir: 7.000 vagas na área de enfermagem na Suíça, 100.000 vagas para engenheiros na Alemanha. Como a recolocação poderá atender a uma demanda para a qual não existe oferta qualificada?

Consequentemente, as profissões nas quais as pessoas querem se formar estão cada vez mais alinhadas às respectivas demandas. As pessoas se acostumaram a ter uma grande liberdade de escolha quando o assunto é a opção de carreira: quase todo mundo pode decidir por si mesmo que carreira pretende seguir. Essa liberdade dá origem a uma situação em que algumas trajetórias profissionais são escolhidas com frequência, enquanto outras raramente são a opção das pessoas. Em última instância, isto gera uma enorme lacuna entre esses dois grupos. Em diversas profissões mais atraentes, fica cada vez mais difícil assegurar uma vida útil profissional de quatro ou cinco décadas, e à medida que trabalhamos por períodos mais longos, esse aspecto se torna mais importante. Quantos biólogos marinhos são realmente necessários na Suíça? Apesar de haver biólogos marinhos altamente qualificados desempregados, os engenheiros assinam contratos de trabalho antes mesmo de se formarem em seus cursos. Isto é uma tragédia.

Deve ser encarada como um estímulo para que políticos, sociedade, universidades e todas as demais partes envolvidas assumam uma nova missão: temos uma demanda, antão vamos aumentar a atratividade das áreas que apresentam essa demanda. É hora de tomar providências, treinando profissionais e planejando carreiras, não apenas reagindo em casos de emergência, mas também nos precavendo. O que pode ser feito para estimular os jovens a optar pela formação nas áreas essenciais? Precisamos olhar para o futuro. Restringimos de forma mais extensiva o acesso aos cursos de graduação mais procurados? Oferecemos suporte extra às pessoas que escolhem carreiras menos interessantes?

É claro, aumentar os salários das profissões de áreas como a enfermagem as tornaria mais atraentes. Entretanto, quem vai pagar esses salários se o consumidor não estiver preparado para pagar mais caro? À medida que os produtos e serviços se tornam cada vez mais em conta, os salários não poderão aumentar – o que significa que os rendimentos são insuficientes e o trabalho não é considerado atraente. Desta forma, um cargo não pode se tornar mais atraente por esse meio.

Quando o assunto são esses desafios, não faz sentido simplesmente considerar estratégias de recolocação, sejam elas tecnológicas ou não. Afinal esse problema não será solucionado pela simples recolocação. O que devemos fazer é trabalhar para garantir a correspondência entre oferta e demanda. Novos modelos devem ser criados para reagirmos às tendências e lacunas atuais. A análise das lacunas comprova que a escassez está crescendo de forma contínua em todos os mercados. Infelizmente a solução para o problema não é a migração, apesar de estar criando várias oportunidades atualmente, principalmente na Europa.

 

3) A emigração é a única saída

Existem diversas regiões em que a renda simplesmente não é suficiente. Nessas partes do mundo, as pessoas sentem uma compulsão de partir para conseguir trabalho. Na Lituânia, por exemplo, quase todas as famílias têm um membro trabalhando em outro país, porque o custo de vida crescente dificulta muito a sobrevivência das pessoas apenas com seus salários no país. O resultado é que esse pequeno país já perdeu mais de meio milhão de pessoas nos últimos 15 anos – um número expressivo se considerarmos que a população do país é de menos de três milhões de pessoas. Particularmente, os jovens estão emigrando assim que se formam ou até antes, deixando para trás uma sociedade que envelhece cada vez mais rápido.

Considere a população da Indonésia: mais de 250 milhões de pessoas. As pessoas do país podem achar seu mercado de trabalho mais interessante, uma vez que a economia local está em constante crescimento. A população, contudo, está crescendo mais rápido do que a economia – três milhões de pessoas a mais a cada ano, equivalente à população de Berlim, Madri ou da Lituânia. Mais de metade dessas pessoas tem menos de 30 anos de idade. Todos esses jovens vão precisar de um emprego em algum momento Mais uma vez, muitos terão na emigração a solução de que precisam. Novos modelos também devem ser criados para esses casos, modelos que equilibrem a oferta e a demanda de uma maneira inteiramente diferente. As pessoas não podem ser recolocadas em uma região onde simplesmente não há vagas de emprego.

 

4) Ter um emprego não é o suficiente

Mesmo que haja oportunidades de trabalho disponíveis, as estratégias de recolocação não são suficientes. Por exemplo, alguns mercados de trabalho sul-americanos estão tentando combater o subemprego, em conjunto com outros problemas como o combate ao crime, ao tráfico de drogas e à falta de transparência nos fluxos monetários. Subemprego não é o mesmo que desemprego; significa que o número de horas trabalhadas ou a renda são insuficientes. Nenhum padrão de vida adequado pode ser garantido com os salários baixos que resultam do subemprego. Mesmo depois de diversos esforços sustentáveis dos ministérios do trabalho, a situação no mercado de trabalho permanece complicada. No Paraguai, por exemplo, o índice de desemprego é de cerca de 9%, nível semelhante ao de países altamente desenvolvidos como a França ou a Finlândia. Entretanto, o que significa esse percentual? Devido ao subemprego e ao alto nível de trabalhadores do turno diurno, um grande número de pessoas não figura nos índices de desemprego, viso que, tecnicamente, elas têm um emprego. O índice de desemprego não significa necessariamente que um padrão de vida razoável esteja sendo assegurado no país ou em qualquer região.

 

Reação em vez de espera

Embora os índices de desemprego sejam baixos, esse índice não pode salvar o mercado de trabalho. Cada mercado de trabalho tem seus próprios problemas específicos, que devem ser tratados de uma maneira diferente. Ainda são muitos os desafios a serem enfrentados: Como recolocar profissionais com mais de 50 anos? Como recolocar refugiados altamente qualificados? A princípio, pode-se prever que os SPE não se adaptam e consequentemente gera tantos desafios quanto forem possíveis, grandes problemas fazem com que os SPE percam sua razão de ser. A reação a esses desafios e debates deve começar já; as discussões são baseadas em fatos, portanto requerem as ferramentas e tecnologias adequadas. No entanto, o sucesso não será garantido pela mera existência dessas ferramentas e tecnologias. Uma profunda especialização se desenvolveu no decorrer de uma década em que se sabe perfeitamente quais áreas problemáticas serão abordadas, em que locais, utilizando quais métodos, e consequentemente se sabe também como as ferramentas serão utilizadas corretamente. É preciso haver pessoas que apliquem essa especialização substancial em uma etapa inicial do processo. É apenas uma questão de tempo até que o desemprego volte a crescer, principalmente entre os mais jovens. Se for aplicado um entendimento mais fundamental dos tipos de problema, as possibilidades podem ser identificadas em uma etapa inicial e coordenadas com as estratégias corretas para se chegar às soluções. Além disto, os requisitos específicos do mercado de trabalho devem ser trazidos à tona, levados em conta e tratados já. Em resumo, precisamos reagir imediatamente. Fico imaginando porque os políticos, a sociedade, as instituições educacionais e outras entidades ainda estão paradas observando. Elas devem debater essas questões com especialistas que tenham esse know-how específico. Existem especialistas que trabalham, refletem e analisam todos os desafios citados e outros não citados dos mercados de trabalho diariamente. O conhecimento que esses especialistas possuem está disponível para você – na JANZZ.technology.