1,000,000 Currículos Procurados

Está tentando escrever o melhor currículo para impressionar os recrutadores e conseguir o emprego dos seus sonhos? Você sabe que, em média, cada oferta de emprego corporativo atrai 250 currículos e você terá apenas 2% de chance de ser entrevistado para o emprego dos seus sonhos? Sim, 2%. Agora você pode se perguntar como os recrutadores escolhem os 2%. Bem, a maioria deles usa um software de gerenciamento de talentos para selecionar currículos, eliminando até 50% dos currículos, que nunca foram examinados. Sim, isso pode incluir o seu e é por isso que você sempre recebe um e-mail padrão de rejeição e depois disso, um e-mail de agradecimento.

Na JANZZ.technology, estamos construindo uma solução alternativa que permite que cada currículo seja avaliado através de inteligência artificial e, o mais importante, cada candidato receberá respostas do sistema elaboradas sobre as suas habilidades insuficientes ( porque você não está sendo contratado) e possíveis sugestões para uma educação adicional (como você pode melhorar suas chances), a fim de garantir o mesmo emprego no futuro.

Para este propósito, pedimos que nos ajude a melhorar nosso algoritmo de aprendizado de máquinas. Veja como você pode contribuir para a criação de elementos humanos em sistemas de IA:

  • Envie seu currículo para info@janzz.technology. Se isso o faz sentir-se mais confortável, você pode apagar suas informações pessoais.
  • Idioma: estamos procurando currículos em francês, italiano, inglês, alemão, grego, norueguês, holandês, português, outros idiomas utilizados na UE, coreano, chinês, japonês, tailandês, indonésio, malaio, vietnamita e árabe.
  • Formato: Qualquer. Desde o padrão de 2 páginas do Word doc. até as mais criativas e inovadoras.
  • Prometemos não lhe enviar spam ou usar seu currículo para qualquer outra finalidade que não seja o aprendizado de máquinas. Também excluiremos seu currículo depois que ele tenha servido seu propósito.

Nos ajude a compartilhar a mensagem e nós o manteremos atualizado com o último número de currículos que recebemos.

ParaEmpleo considerado como a melhor prática no campo da IA na América Latina e no Caribe

O Banco Interamericano de Desenvolvimento (BID) desempenha um papel fundamental no desenvolvimento da inteligência artificial (IA) na América Latina e no Caribe como uma ferramenta para enfrentar os desafios sociais. Trabalhando em conjunto com especialistas regionais, o BID concebeu a iniciativa fAIr LAC para promover uma adoção responsável da IA, melhorando assim a prestação de serviços governamentais como os Serviços Públicos de Emprego (SPE) e criando oportunidades de desenvolvimento na região. A iniciativa fAIr ALC visa eliminar lacunas e reduzir a crescente desigualdade social na ALC.  » Leia mais sobre: ParaEmpleo considerado como a melhor prática no campo da IA na América Latina e no Caribe  »

Damos as boas vindas a Jimena Renée Luna como nossa nova VP de Integração de Clientes, Mercados Emergentes

Temos o orgulho de anunciar que Jimena Renée Luna vai juntar-se à JANZZ.technology como nossa nova vice-presidente de Integração de Clientes e Mercados Emergentes. Ela será responsável por todas as contas na LATAM, EMEA e Sudeste Asiático.
A Jimena está bem estabelecida e tem uma vasta experiência no aconselhamento a governos clientes e organizações internacionais sobre política tecnológica, criação de emprego e desenvolvimento económico. Ao longo da sua carreira, trabalhou durante mais de dez anos na concepção e implementação de projetos relacionados com equipes de toda a América Latina,  » Leia mais sobre: Damos as boas vindas a Jimena Renée Luna como nossa nova VP de Integração de Clientes, Mercados Emergentes  »

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 ]

 

Perspectivas realistas sobre o futuro do trabalho

Nos dias 27 e 28 de novembro de 2018, houveram muitas discussões interesantes na conferência em Washington. Nestes dois dias muitas possibilidades diferentes foram apresentadas, tais como a usagem de tecnologias modernas no ambiente de mercados de trabalho, o Blockchain, Inteligência Artificial e aprendizado de máquinas (machine learning). O evento, organizado pelo Banco Interamericano de Desenvolvimento (BID) e pelo laboratório de mídia do MIT, atraiu especialistas de alto nível de empresas privadas, organizações públicas e universidades de todo o mundo. Stefan Winzenried, CEO e fundador, e Diego Rico, vice-presidente e gerente de projetos da LATAM, tiveram o prazer de representar a tecnologia da JANZZ.technology na reunião.

O objetivo deste evento que tinha com tema «Inteligência artificial e algoritmos de correspondência para colocação profissional» era introduzir diferentes sistemas de correspondência inteligente com IA entre canditatos a empregos. Cristina Pombo, consultora sênior do departamento do setor social do BID), moderou o evento, no qual, além de um reprensentante do WCC, Stefan Winzenried respondeu ás perguntas do plenário e explicou as ideias sobre a implementação prática, bem como os desafos e possibilidades da correspondência semântica, transparente e em grande parte não discriminatória. Em particular, ficou claro como os preconceitos em potencial e / ou o tratamento desigual no recrutamento tecnológico podem ser prevenidos em um estágio inicial e quais são as possibilidades mais importantes que essas tecnologias abrem para o futuro.

Diego Rico apresentou novas ferramentas para análise do mercado de trabalho usando a Plataforma de Rótulo Branco do JANZZ em Paraguai, “ParaEmpleo”. O objetivo do evento foi mostrar formas progressivas, significativas e fáceis de usar e como os atores no mercado de trabalho podem ser mais bem informados.
A equipe do JANZZ concentrou-se em unir as palestras de tecnologia e pesquisa aos casos de uso prático do atual projeto no Paraguai.
No centro da discussão estavam as várias estratégias, medidas e insights que poderiam ser obtidos da região LATAM de uma forma estruturada.
A participação da equipe do JANZZ resultou com uma análise significativa dos desafios passados ​​e atuais dentro do projeto, bem como a possibilidade de reproduzi-lo em diferentes países da América Latina.

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

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.