要么改变,要么灭亡 — 公共就业服务机构 (PES) 多样化未来面临的四个问题

在谈到当今的数字人力资源流程时,最引人关注的话题是:如何开发更好、 更高效、最新的匹配工具和技术,从而以更加面向客户的方式解决各种任务和挑战。将小麦与麦壳分开是一项非常艰巨的任务。如果当今的技术选择不能完成未来的任务, 那么这会对匹配产生很大影响。特别是,由于匹配意味着理解劳动力市场面临的挑战,因此问题将会影响到未来的发展。所有工作匹配技术的提供者都认为,他们能够找到求职者并因此而刺激劳动力市场。但是,任何两个劳动力市场都不会完全相同。每个劳动力市场都有自己的特点,只是将尽可能多的人员放在劳动力市场上是不够的;毕竟,我们还需要关注其他复杂的问题。从这个复杂的课题中,我们选取了四个问题,以此来说明为什么我们面临的不仅仅是纯粹的安置问题,以及为什么一定要通过从现在开始预防来减少以后出现问题。

1) 虽然今天处于完全就业状态,但明天就会产生差距

目前,在西方国家,实际上是否存在失业问题?

今年第一周刚刚公布的美国劳动力市场数据显示,其失业率为 4.1%,就业情况为接近于充分就业(充分就业的定义是失业率低于 3%),2017 年最后一个月就提供了 250,000 个新职位:这是 17 年来的最低数字。市场研究机构穆迪分析公司的首席经济学家 Mark Zandi 表示,美国劳动力市场的状况为“接近于最好”。许多西方国家目前也是类似的情况,德国和瑞士的失业率甚至不到 4%,只有挪威略高,而欧盟的平均失业水平是十年来的最低点。即使是在英国,其失业率也尚未受到英国脱欧的影响。这就引发了一个问题:就业办公室现在是否打算放个长假?

希望不会;因为认为这些国家不必担心其劳动力市场根本就是一种谬论。每个劳动部都面临着自己的挑战,这就是为什么就业办公室总是非常忙碌的原因所在。简单的安置解决方案不足以为公共就业服务机构提供基本支持。首先需要做到的是,深入了解劳动力市场和当前世界各个角落面临的各种挑战。

数字化是当今面临的一个特殊挑战。虽然欧洲劳动力市场在许多地区可能接近于充分就业,但目前的发展趋势将使得以后替换员工变得容易。当汽车能够自动驾驶时,谁还会需要出租车司机?当机器人能够进行清洁工作,即使在最狭窄的角落也能清洁的时候,谁还会需要清洁助理?应该指出的是,在资格水平要求较低的工作之间,也会存在重大差异。例如,机器在执行清洁任务方面,会比执行复杂的缝纫工作更加容易。相应地,并非所有资格要求较低的工作都面临风险 — 但很多都是。而且,这些并非个案。由于计算机能够更精确地计算和改进建筑物、物流或生产过程的静态结构,所以具有较高教育水平的员工也可以被替代。同样,人们越来越多地认为,计算机比当地银行的人力财务顾问更可靠且能避免风险,因为它们会根据事实而不是情绪来做出决定。

这些复杂的挑战无法通过简单的安置加以解决,因为即使安置了某些人,但由于数字化的发展,这项工作在不久的将来也可能会消失。如果内燃机即将过时并被电动机取代,那么需要的劳动力会大量减少,因为生产电动发动机只需要四个员工,而不是原来的七个员工。多出来的三个人将再次失业,所以我们不能仅仅观望等待。

 

2) 两极化日益扩大

如果研究某些职业,就会发现,相互对立的事件也可能被视为一种挑战。虽然一些职业正在消失,但另一些领域部门却在拼命招聘新员工。媒体报道的数字继续攀升:瑞士有 7,000 个护理人员空缺,而德国缺少 100,000 名工程师。就业安置部门应该如何满足因能力欠缺而无法得到解决的需求?

此外,人们希望接受培训的职业领域与市场需求背道而驰。人们已经习惯于在选择职业时拥有很大的选择自由度:几乎每个人都可以自己决定他们想要追求的职业道路。这种自由所导致的情况是,某些职业道路会被很多人选择、而另一些职业道路却很少有人选择。这最终导致两个群体之间产生巨大差距。在许多具有吸引力的职业中,要确保能够在四五十岁仍可以工作会变得越来越困难,而且当我们长时间工作时,这方面非常重要。瑞士实际上需要多少海洋生物学家?虽然高技能的海洋生物学家仍然会失业,但有些工程师却在学校就签署了就业合同。这是一个悲剧。

政治家、社会、大学和所有其他有关各方应当主动承担起新的任务:我们有某种需求,所以我们就要增加这个需求领域的吸引力。现在是采取行动进行培训和职业规划的时候了。我们不仅要在紧急情况下做出反应,而且还要主动预防。如何让年轻人选择必要的培训?我们必须展望未来。对于太过热门的学位课程,我们是否要更多地加以限制?对于选择不具有吸引力的培训课程的人员,我们是否要提供额外支持?

当然,增加护理等职业的薪水也会使其更具吸引力。但是,如果消费者不能支付更多费用,谁将为此买单?只要产品和服务的价格越来越合理,工资就不会增加 — 而这又意味着收入不足,工作就没有吸引力。因此,以这种方式不能增加工作的吸引力。

当遇到这样的挑战时,简单地考虑安置策略是无意义的,无论是在技术方面还是非技术方面。毕竟,这个问题并没有通过简单的安置得到解决。相反,我们应该努力确保供应和需求相匹配。为了对当前趋势和差距做出反应,必须建立新的模式。差距分析表明,各个市场的人才短缺都在稳步增加。不幸的是,这不能通过移民来解决,尽管它目前带来了很多机会,特别是在欧洲。

 

3) 移民是唯一出路

在某些地方,甚至整个地区都存在收入不足的情况。在世界的某些地方,人们被迫离开家乡去寻找工作。例如在立陶宛,几乎每个家庭都有人在国外工作,因为随着生活费用的上涨,那里的人很难依靠工资生存下去。结果,这个小国在过去 15 年中流失了五十多万人 — 鉴于其总人口尚不足三百万,所以这个数字所占的比例很大。特别值得注意的是,年轻人在毕业前或毕业后即从这个国家移民,从而留下一个衰老更快的社会。

再来看看印度尼西亚的人口:超过 2.5 亿人。由于该国经济持续增长,人们可能认为其就业市场会非常快速地增长。然而,那里的人口增长更快 — 每年增加三百万人,相当于柏林、马德里和立陶宛的人口。其中一半以上人口的年龄都在 30 岁以下。这些年轻人在某个时候都需要工作。因此,许多人也将移民视为一种必要的解决方案。针对这种情况,也必须创建新的模式,以完全不同的方式平衡供应和需求。人们不能被安置在不能提供工作岗位的地方。

 

4) 找份工作还远远不够

即使能够提供工作岗位,简单的安置策略也还是不够的。例如,一些南美劳动力市场正在试图解决就业不足问题,以及随之而来的犯罪、吸毒和资金流动缺乏透明度等其他难题。与失业不同的是,就业不足意味着工作时间不足。由此会导致工资收入较低,不能保证足够的生活水平。即使经过劳动部门的不懈努力,就业市场形势依然非常复杂。例如,在巴拉圭,失业率约为 9%,这与法国或芬兰等高度发达国家的水平相当。但是,这个数字能够说明什么呢?由于就业不足和日工数量庞大,大量公民并没有被统计在失业率中,因为从技术角度来说他们是有工作的。失业率并不能绝对地表示某个国家或地区保证了合理的生活水平。

 

积极应对,而不是消极等待

虽然失业率可能很低,但低失业率并不能挽救就业市场。每个劳动力市场都有其特定的问题,需要以不同的方式进行处理。还有更多需要面对的挑战:如何安置 50 岁以上的人口?如何安置高素质的难民?从原则上可以预见的是,如果 PES 不能积极调整策略来应对挑战,那么这些主要问题将让 PES 失去其存在的意义。应对这些挑战并展开相应讨论必须从现在开始;而讨论是基于事实的,因此就需要使用正确的工具和技术。然而,只有工具和技术还不能保证成功。深厚的专业知识在十年时间里得到了发展,该技术精确地知道应该处理哪些问题区域、在哪个位置使用哪种方法,也知道如何正确使用工具。必须有人能够在早期阶段应用这些重要的专业知识。失业率再次上升只是时间问题,尤其是在年轻人中。如果对这类问题具有适当的基本理解,那么就可以使用正确的解决方案策略提前找出各种可能性并进行协调。此外,还必须发现劳动力市场的具体要求并考虑现在的行动,简而言之:我们必须立即做出反应。我想知道为什么政治家、社会、教育机构和其他人仍然在袖手旁观。他们现在应该与具有这些专业知识的专家讨论这些问题。有些专家每天都在处理、反思和分析所有上述问题以及未被提及的劳动力市场挑战。若需了解这些专家所掌握的知识,请联系 JANZZ.technology。

人才与工作怎样匹配才能实现完美约会?

使用技术手段对两个人进行匹配、然后为他们安排约会绝非易事。必须要考虑许多因素和期望。他们的兴趣爱好是否相同?他们是否住在同一个地方?他们的目标是什么?然后,还会有很多隐藏的期望,比如外貌。匹配一直都是一项复杂的任务。

而要将合适的人员与合适的工作安排在一起,同样也是如此。即使对于具有多年经验的专家来说,将工作和技能进行匹配也是巨大的挑战。谁适合做什么?如何确信会做出好的决定?每天都必须正确回答这些问题,才能够成功地将人员与工作进行匹配。这需要全面的知识和良好的信息。此外,雇主和潜在员工的期望都很高,机器或算法能否满足这些期望?

How to match this complex data? Source: Getty Images.

 

准确匹配能否实现?

首先,我们要来确定是否可以实现准确匹配。匹配是将两个实体的互补属性相互结合的行为,在我们的案例中,要匹配的是工作和人员。然而,即使在这种情况下,“匹配”这个词也可以有多种含义。在某些工作中,候选人是否适合某项工作只是他或她能否工作的问题。例如,如果您身体健康,就应该可以摘草莓。但另一些工作则会需要各种证书、专业知识和经验。比如,在尝试将新生儿医生与医院部门的工作进行匹配时。

虽然人力资源专家知道,在匹配过程中必须考虑最细微的细节,但他们的任务仍然非常复杂。这是因为,当时的情况会不断变化。昨天的常见要求今天可能不再适用,而今天的要求到了明天也许不再有效。我们对工作潜在员工劳动力市场的定义一直在不断变化。在几年前,谁能想到公司会需要数字开发总监?谁会在他或她的简历中列出此类专业程度?

在必须使用机器处理任务时,匹配会变得更加复杂。机器必须以同样的方式运用专家具备的所有经验和知识、注意最小的细节、对劳动力市场的变化做出反应。此类机器的供应商主要通过不同的数据来克服这个高度复杂的问题。例如,考虑申请人以前的职位或他们的技能。然后,使用某种算法来比较工作申请和简历并进行匹配。但能否成功呢?

 

Bricklayer 等于 bricklayer?Sales consultant 等于 sales consultant?

正如我们所了解的那样,一些算法会根据以前的职位进行匹配。如果候选人在 A 公司拥有职位 X,他或她也可以在 B 公司担任职位 X?在过去,可能确实如此。我们曾经是全科医生、秘书、律师、瓦工等,而今天,我们是销售顾问、数据专家、设施经理等。但是,销售顾问到底是在零售商店工作并为顾客提供建议的人员,还是准备报价、接受订单以及与客户谈判合同的人员?在查看简历时,专家们就已经开始提出这样的问题。现在,机器应该能够有效地做出这样的区分。

职位过于笼统不行,但太具体也不行,因为公司内部术语会影响职位,因此最好的方法是描述职能。如今,每个人都是某类经理。如果没有更详细的工作描述,我们往往会感到困惑,不知道申请人是否真的适合某个职位 — 反之亦然。

 

比较技能

光有职位,还不足以进行准确匹配。因此,有些工作匹配提供商使用另一些参数来解决匹配问题 — 他们关注技能和能力,因为这些技能和能力代表了某些模糊职位背后的“内容”。基于技能或基于能力的匹配更具有意义和前景,因为它不仅考虑申请人以前担任的职位,还会考虑这个人的知识、才能、见解和教育。因此,它会考虑候选人具备的技能和工作所需的技能,然后将它们进行匹配。

这听起来很合理:我想要招聘一位思想开明、容易沟通、领导力强、善于解决问题的经理。我发现有人在简历中列出了这些特质,因此他/她就符合我的条件。那么,现在机器根据我的空缺评估完美匹配时,技能属于可靠因素吗?

让我们仔细来看看技能。技能源自于知识。亚里士多德认为,知识是绝对的真理。绝对的真理只有在亲身经历并对知识进行验证后才能获得。我在沟通和学习中获得的知识必须经过验证,因此它不一定是绝对的真理。如果有人告诉我一些新的东西,我如何确定它是不是真的?

所以,只要我没有经历过这种新知识 — 并相应地运用它 — 它仍然是不完整的。毫无疑问,良好的教育很有价值,但在我知道某人如何使用所获得的知识之前,它就是没有被证明的知识,不能给我从中受益的机会。只有经过测试,它才能为我提供一定的优势或在某种程度上采取行动的空间。

让我们再来看看我要招聘的经理,他是一位思想开明、容易沟通、领导力强、善于解决问题的经理。我们的潜在候选人能不能是建筑、金融或服装行业的经理?如果不考虑他们的经验,这个空缺与所有三个职位都是相匹配的,尽管每个职位都需要自己的行业洞察力。现在,所缺乏的是将相关技能融入有意义环境的相关经验。

 

真正的知识需要经验

有些工作匹配专家认可这个观点。光有技能条件,还不足以实现准确匹配。如果我想将某个求职者与某个职业进行匹配,我不能仅根据他/她的简历和求职信来考虑这个人的技能知识。我还需要了解经验。只有经验才能发展关系和行业。

此外,没有人会只提到他/她所拥有的技能 — 他们经常还会提供有助于实现准确匹配的其他相关信息。同样,在招聘广告中,公司不可能指出应聘者需要具备的所有技能 — 而这是匹配过程中的一个障碍。原因在于,在发布“数据科学家”招聘广告时,雇主可能不会提及“IT 使用”或“数据处理”,因为他/她认为这些技能在该职位中是显而易见的。同样,数据科学家在简历中指出的技能可能不会比以前职位相关的技能更具体。但是,如果要根据技能来匹配那个人,就会缺少与该匹配参数相关的信息。

如果我们只根据技能进行匹配,我相信得到的结果与只比较职位是不同的。然而,这种方法最终也不足以将人员和工作、申请人和职位、员工和雇主联系起来。我们还需要更多。

 

良好的教育并不意味着良好的礼仪

在了解技能和经验之后,还不能确定新的撰稿人能否很好地融入团队、新的护士能否按时到达医院、新的采购人员能否进行良好的谈判。现在,谁会在简历中吐露他/她是个差劲或者不可靠的团队成员?然而,这些软技能和申请人的性格对于获得准确匹配却非常重要。顾问必须能够准时和客户会面,而程序员可以保持灵活的工作时间。同样,与顾问相比,程序员的外在形象也显得不那么重要。但是,如果顾问不能很好地与客户沟通,他的公司很快就会失去这些客户。因此,只有考虑申请人的性格,匹配才能真正成功。我的简历中详细列出了我做过的各种事情,但我如何做这些事情也至关重要。

 

开始匹配?

现在,如果这份简历完全符合那个空缺,还不能确定我们是否会得到完美的匹配。毕竟,新员工的技能和性格必须能够与同事的技能和性格网络形成互补。如果我在公司里是唯一的软件工程师,我必须是一个全能人才,可以轻松地采取措施。如果我和另外两个人一起被聘用 — 其中一人比较熟悉 X 领域,另一个比较熟悉 Y 领域 — 技能互为补充,那么就需要通过他们之间的合作来创造出全新的东西。我可以更频繁地寻求帮助,同时我希望能够与团队保持良好的配合。所涉及到的同事也会影响完美匹配。准确地说,员工的简历也必须相匹配。

如果有人仍然认为可以通过一个参数(职位、技能、经验或性格)来将一个员工与工作相匹配,他可能会意识到,这只有在幸运时才会偶尔管用。如果认为一个算法就能够解决这样复杂的问题,那么成功匹配的几率就如大海捞针。

那么,我们就束手无策了吗?

并非如此。孔子曾经说过:“经验犹如一盏明灯,它总会照亮我们身后的那条路。”

我们对我们的知识进行了测试,这些知识为我们和其他人带来了优势,我们可以做到守时可靠。我们拥有所需的软技能。这意味着我们一定会确保我们正在进行的业务顺利发展。所有任务都能如期完成,客户得到了良好的服务,员工每天早上都能准时工作。现在,一切问题都得到了解决。

 

哪些方面能够真正促进业务的发展?

但是,如果每个人都始终符合要求,那么业务也“仅仅”维持在稳定状态。我们不会创造出任何新的东西。创造新的东西需要有良好的知识和大量的经验。但最重要的是,人们需要具有真正的创造力。

在剑桥词典中,创造力的定义是“能够产生原创和不同寻常的想法,创造新的或富有想象力的东西。”¹从基本上来说,创造力能够通过超越知识和经验,给我们带来观察某种事物的第三种方式,“突破常规去思考。”作为一种方法,创造力比打破规则更缺乏美感:彻底改造、突破常规去思考或完全摒弃常规思路。创意行为可能会产生一些新的、不同的,同时也许有点可怕的东西。

阿尔伯特•爱因斯坦说过:“创造力就是用智慧创造乐趣”²,所以创造者是一个喜欢进行业务变革的人,而不是仅仅去满足各种需求的人。在发生大量变化的时代,创造力会产生最大的价值。毕竟,任何只是适应数字化过程的人都不会主动追求寻求变化,而且肯定不会取得进步。我们需要紧跟时代步伐的人。我们需要能够保证顺利推进业务的员工。我们也需要能够展示新的做事方式的人,特别是现在。创造力是当今最重要的技能。

创造力、直觉、情感以及任何与逻辑、分析和理性思维相悖的事物(可以被认为类似于知识和经验)往往源于大脑的右侧。您可能听说过人们用左脑或右脑思考的理论。然而,研究人员发现这是一个神话。即使某些功能可能更多地源于大脑的一侧,但只有大脑两侧在复杂网络中相互配合时,才会实现最大化的结果。³

如果我想创造出一种新产品,那么对生产过程和所需材料的了解可以帮助我。我在规划新产品方面的经验也对我有帮助。我的组织才能有助于支持这个过程。但是创造新产品的想法源于我的创造力。所以,如果您擅长某些事情,那么您会得到最好的结果,因为所有因素都会同时发挥作用:知识、经验、性格和创造力。

 

摒弃实现完美匹配的想法

简单来说:匹配不能仅仅基于能力、基于技能,也不能仅仅基于某种特别的方法,因为这个问题太过于复杂。匹配由期望决定,而期望又是不断变化的。

因此,根本不存在完美匹配的事物,因为期望是不可能战胜的。期望非常主观,而且永远不可能得到完全满足。因此,我们只能尽可能地评估所有因素,以便尽可能接近完美匹配。

如果使用当前的数据碎片匹配文化(如一些技能或复杂的职位),其结果只能是:一次又一次地降低机器进行匹配处理的质量。数据碎片匹配就如同在黑暗中进行摸索。那些相信他们可以用任意关键词匹配数据碎片的人永远不会接近完美匹配。正如我们所提到的,这种方法忽略了对高质量分配至关重要的其他参数。

只有摒弃数据碎片并试图包括所有因素,同时利用复杂的算法,您才能创造出最可能的近似完美,这就如同人脑在创作新的东西一样:技能、经验、性格和以前的职位缺一不可,而且还要在各方面处理得当。机器将所有这些标准考虑在内,依次对它们进行评估,并给出每个标准的权重。如果这些标准具有足够的权重,那么将会有一个很好的起点,可以使用技术将人员和工作结合在一起。包括期望在内的所有决定因素相辅相成,从而有可能优化完美匹配。

即使是使用设计良好、不断发展和改进的 JANZZTechnology 匹配过程,也很难在正确的范围内考虑所有因素。虽然可以大规模映射期望,但其中总会有一部分处于隐藏状态。例如,如果要为失业人士提供职位,从很大程度上来说,您的期望是让他们在实际上得到聘用。如果要匹配工程师,期望则是工资区间应该与以前的职位差不多。在明确存在更多期望时,也可以对其进行映射。因此,我们只能实现近似完美匹配。但是,我们这个过程不是在数据碎片的黑暗中摸索。这个过程不会以完美约会结束 — 但却可能找到另一个合适的人。

 

资料来源:

¹ 剑桥词典(2017 年)。创造力。访问来源:http://dictionary.cambridge.org/dictionary/english/creativity [2017 年 11 月 2 日]。

² 阿尔伯特·爱因斯坦(1930 年)。Mein Weltbild.Wie ich die Welt sehe.

³ Nielsen JA, Zielinski BA, Ferguson MA, Lainhart JE, Anderson JS (2013 年)。基于静息状态下功能连接磁共振成像的左右大脑评价 (An Evaluation of the Left-Brain vs. Right-Brain Hypothesis with Resting State Functional Connectivity Magnetic Resonance Imaging)。PLoS ONE8(8): e71275.https://doi.org/10.1371/journal.pone.0071275

Sahoo, Anadi (2017 年)。知识、经验和创造力。访问来源:https://www.linkedin.com/pulse/knowledge-experience-creativity-dr-anadi-sahoo/ [2017 年 11 月 3 日]。

 

ESCO:我们期待的是一个本体 — 而得到却是一个令人失望的术语集合

四年的时间转眼即逝。我们在翘首期盼 — 我们迫切希望知道欧盟会宣布什么样的结果。人们都在非常兴奋地期待着它能解决众所周知的分类体系问题。欧盟的职业数据分类体系称为“ESCO”(欧洲技能、能力、资格和职业框架)。截至目前,所有国家都解决了自己的分类问题,例如法国的 ROME、德国的 KLdB 或意大利的 CP。世界上绝大部分的分类体系通常都以国际劳工组织在 1960 年左右制定的国际标准职业分类 (ISCO) 体系为基础,但它们之间却不一定具有可比性 — 它们包含不同的数字、字母以及可以区分分类的不同分类法级别。

janzz_esco_unsatisfied

其他分类体系的首要开发目的是用于统计。因此,可以将具有识别号码的职业组合到类别中,然后再提出统计数据,但这些体系并没有加深对单个职业的理解。类别安排通常过于宽泛、过于笼统。例如,所有医学专家都被归类在一起,并且这个类别只使用一套针对所有专家的技能来描述。这意味着,肿瘤学家的技能描述可能会与胃肠病专家、妇科医生或病理学家完全相同。因此,根据分类法,他们具有完全相同的知识,他们的专业程度只能通过他们的职位来加以识别。在这样不准确的描述中,您肯定无法更好地理解单个职位。

欧盟不希望 ESCO 成为另一个过于模糊的框架,而是要使用 26 种语言来形成对职业、技能、知识和资格的共识,以便雇主、员工和教育机构更好地了解彼此的需求和要求。正如 Juncker 所说,这样能够通过人员的自由流动来弥补不同成员国的技能差距,并最终解决失业问题¹。

自试用版发布以来,现在已经有四年的时间了。所有可能的利益相关方(例如就业办公室、职业顾问、统计人员、科学家)都被要求以 26 种语言来创建这一分类。在经历近四年的测试、扩展、修改、返工之后,现在我坐在电脑前,将“Word”作为一项技能输入到在线数据库中,而数据库却无法识别这个词汇。唯一的替代建议是:WordPress,但这并不真正相关。如果我输入“PowerPoint”,系统会毫无反应,数据库不能识别这个词,它没有被存储²。

好的,让我们来真正的试一下。仅在德国,我使用搜索词汇“PowerPoint”就找到了 13000 多份招聘广告,而在法国和英国,我使用搜索词汇“PowerPoint”找到了近 8000 份招聘广告,但 PowerPoint 在整个欧洲并没有被列为一项技能。在 ESCO 中的 13485 项技能中,没有它的容身之地。员工是否应该认为潜在雇主并没有把 PowerPoint 当成一项重要的工作技能呢?

无可否认,当输入“Microsoft”时,数据库确实可以识别出“使用 Microsoft Office”,但数据库的语义理解也仅此而已。毕竟,“使用文字处理软件”只是被存储为一项与 Microsoft Office 没有任何关系的独立技能,这两种技能都没有将彼此视为同义词。

ESCO 表示,它收录了 2942 个职业。有趣的是,系统识别了“铁路物流协调员”,而且还提供了某些替代拼写方法,但没有包括物流人员。有时,还会发现具有类似问题的职业描述。另外,作为“政党代理人”的替代术语,给出的建议是“公共关系代理人”。这只是误用职位替代词的一个例子而已。

ESCO 现在将使用 26 种语言。具体是不是这样,我要认真看看。没错,职位是以 26 种语言提供的,嗯,技能也是如此。但是,术语解释采用的始终是英语,这意味着职位可以翻译成所有语言,但工作描述不能翻译为各种语言。它采用的始终都是英语。现在,值得怀疑的是,法国雇主能否更好地理解瑞典应聘者的职业 — 如果这个职业不用雇主的母语法语来定义的话。或者说,他是否理解这个分类是否真的与他的空缺相匹配。

而资格只能用一种语言提供:希腊语。只能找到使用这种语言的详细描述。不管怎样,其他成员国的雇主都不会更好地了解他或她的应聘者 — 即使他或她来自希腊。ESCO 本身报告说,成员国必须提供这些资格并不时进行整合。但是,27 个成员国给自己安排的时间都是遥遥无期。

现在,我必须总结的是,我不仅仅是有一点失望。自从我在 ESCO 大会上与其他人一起解释本体的多种可能性以来,我已经等了将近四年。但是他们并没有建立任何本体,建立的只是一种分类法或术语集合。在 ESCO 中囊括了 2942 项职业、13485 项技能和 672 项(希腊语)资格。ESCO 显然投入了大量时间,也可能在这项发展工作中投入了大量资金。但是,这能否实现 Juncker 的目标,还非常值得怀疑。

问题是:我们现在要做什么?满怀希望地再等四年,直到 ESCO 能够满足人力资源和公共就业服务机构的需求?也许,可以去寻找一个替代品?能不能使用包含语义识别的真正本体作为替代品?它能识别出政党员工与公关员工的不同。它知道 MS Word 是与 Microsoft Word 或文字处理相同的技能。而且,它还完全包含许多语言。有谁知道,是否存在这样的解决方案。也许,在线研究可能会在这方面取得成功。例如,在 http://janzz.technology 上。

 

[1] ESCO (2015 年)。ESCO 战略框架。愿景、使命、立场、附加价值和指导原则。Brüssel。

[2] 在本研究中,只使用了 ESCO 在线数据库。

在大数据中迷失方向?
统治数据宇宙的误导思想

lost_in_big_data

“…在那个帝国,制图技艺是如此地精湛绝伦,省级地图绘制得如同一个城市一般大,而帝国地图绘制得如同一个省一般大。在那个时候,人们对这些不合常理的地图仍不满意,绘图师 Guilds 绘制了一幅面积与实际国土一样大的地图,其中的每个点都与实际国土无异。[…]”

《论科学的精确性》
豪尔赫·路易斯·博尔赫斯

在博尔赫斯的故事所设想的帝国中,人们沉迷于创造完美表示其国土的想法。这个虚构的帝国已经完全沉浸在创建与其国土完全吻合的地图中。今天,我不禁想到,我们自己也处在一个非常相似的环境中:数据正在深刻地改变着我们的世界,也改变着我们看待世界的方式。我们发现自己处于一场汹涌澎湃的数据革命之中。数据的影响无处不在;我们努力使用大数据来改变整个行业 — 市场营销、销售、天气预报、医疗诊断、食品包装、文件存储、软件使用、通信等等。事实上,与博尔赫斯的虚构帝国非常相似,我们盲目地认为,收集和分析的数据越多,我们获得的有关世界和人类生活的知识就越多。我们简直就是愚蠢的数据疯子。

现在盛行的观点是,大数据几乎可以在生活各个方面提供可操作的见解。Philip Evans 和 Patrick Forth 认为:“信息通过基本的人工智能新方法得到理解和应用,通过使用大量嘈杂数据集的算法形成见解。由于更大的数据集可以产生更好的见解,因此大即是美”(摘自 bcg.perspectives 的联合文章)。与这些观点相符的现象是,我们对数据的渴求在不断增加,我们的数字生态系统正在加速:传感器、互连设备、社交媒体和越来越多的云,不断产生供我们收集和分析的新数据。国际数据公司 (IDC) 的研究表明,数字宇宙每两年将翻一番。从 2005 年到 2020 年,数据量将增长 300 倍,达到 40 泽字节数据(一个泽字节是数字后面再跟 21 个零)。在这个数据呈指数级增长的世界里,积累数据的冲动势不可挡。就像博尔赫斯虚构的帝国一样,我们希望使用外部极限是 1:1 的比例尺,对我们的世界进行完整的数字表示。

今天,IBM 或 LinkedIn 这样的公司已经在向这个极限迈进。IBM 正在对其称为 Watson 的认知计算系统进行培训,以便能够回答几乎任何问题。为此,IBM Watson 正在收集数量空前的数据,以形成庞大的信息库。该公司刚刚以 26 亿美元现金收购了 Truven Health Analytics,将美国数千家医院、雇主和州政府的健康数据库融入其健康部门的主数据库。这是 IBM Watson 在 10 个月内对健康数据公司的第四次重大收购,显示了患者、诊断、治疗和医院的数字信息对这个计算机巨头人工智能系统的重要性。LinkedIn 的愿景同样非常宏大:他们正在创建一个经济图表,其规模堪称有关全球经济的数字地图。它打算在收录全球 30 亿劳动力成员的档案。它打算以数字化方式来表示每家公司、他们的产品和服务、他们提供的经济机会以及获得这些机会所需的技能。它计划以数字化形式来呈现全球所有高等教育机构。然而,这两家公司的工作只是冰山一角。他们对于在各自领域建立完整数字化表现形式的追求,象征着当今人们实现信息无处不在的普遍渴望。

像 IBM Watson 和 LinkedIn 这样的公司愿景,让人们联想到博尔赫斯所设想的世界。大数据的力量正在聚合并重现那个虚构帝国的制图追求。历史似乎正在重演。我们这个世界的数字化表现形式正在快速扩张并达到外部极限,表现形式和现实情况开始重合。世界和我们为其描绘的图片正在重合。突然,我们发现自己处于一个与博尔赫斯帝国非常相似的世界。

这是多么愚蠢的事情 — 博尔赫斯的故事仍在继续,这让我们对这种巨大表现形式的目的提出质疑。无论是制图还是数字,比例尺为 1:1 的地图都可能不如想象中的那样具有价值。

“[…] 后来的几代人,不太喜欢制图研究,因为他们看到那张巨大的地图毫无用处,他们将其弃之不用。在西方的沙漠中,这个地图的碎片直到今天仍不时可见,有的已成为动物和乞丐的栖身之所;在所有的土地上,再也不存在地理规范的遗迹。”

在博尔赫斯虚构的世界中,下一代遗弃了他们祖先的地图,因为他们没有像祖先那样沉迷其中,他们认识到 1:1 的地图是无用的。他们把它分解,剩下的只是祖先地图上的“破烂废墟”。他们认识到比例尺为 1:1 的地图实际上毫无意义,而我们无限拓展数字宇宙的做法最终也将迎来相同的结局。伦敦大学大数据研究所执行主任 Patrick Wolfe 教授警告说,“我们产生数据的速度正快速超过我们分析它的能力”。目前只有大约 0.5% 的数据被分析,Wolfe 表示,随着收集的数据越来更多,这个比例还正在缩小。所以,我们也开始意识到,我们所掌握的大量数据并没有实际意义。我们并没有通过数据获得对这个世界的更多了解,而是通过其庞大的规模创造出一个处于被湮没边缘的实体。

为了防止我们不断积累的数字集合遭受与博尔赫斯地图一样的命运 — 被我们的后代丢进废墟 — 我们必须从中获得具有可操作性的情报。因此,如何真正了解收集大量数据并从中获得相关知识的全部复杂性,将成为今天的最终竞争优势,在未来更是如此。

在将大数据转化为智能或智慧数据的过程中,许多人已经提出了这样的要求,但尚未出现有关如何实现这一转变的清晰解决方案。今天,应用数学、自然语言处理和机器学习同样在寻求着某种平衡,并取代可能产生的其他所有工具。人们的想法是,只要有了足够的数据,这些数据就能说明问题。再次想想 Evans 和 Forth 所说的“大即是美”。这个想法代表了硅谷文化,也延伸到了全世界的许多企业。

在当前的发现精神中,本体分类法语义等其他方法被完全忽视。如果说应用数学、机器学习和预测分析代表规模的话,那么本体、分类法和语义代表的就是含义理解。虽然后者看起来与前者的规模相比可能并不重要,但它们在确立公司竞争优势方面的作用将不容小觑。在过去几年数字规模呈指数级增长之后,我们已经达到了一定的复杂程度,需要深入了解我们已经获得的数据。这种了解是不能通过收集更多数据或实施算法来实现的。具有讽刺意味的是,这个远离“大即是美”的方向性转变却可以真正发挥大数据的全部作用。