技术，趋势与理论：
走在知识的最前沿

在撰写招聘信息时，许多招聘方都在绞尽脑汁表达和传递他们对某一职位最为看重的技能，这也导致在招聘信息中使用的词汇千差万别。如今，随着(X)AI自动化为招聘流程带来新的可能性，很多定位全球的招聘机构或人力资源部门都想知道，AI是否可以为他们提供这样一个快速的解决方案，即为特定职业生成一个万能的全球技能档案。由于许多招聘门户网站都是基于关键词匹配，而在全球劳动力市场参与者之间缺乏共同语言和词汇，因而使得求职者和招聘方因词汇不同而错失机会。这样的情况固然可惜，但基于AI的自动化系统又难以生成别具一格的招聘广告以帮助不同的招聘方吸引人才。要解决这个两难问题，可以通过采用语义技术。语义技术可以很好地将众多的语言差异转化为通用的词汇，极大地提高求职者与招聘方的匹配度。然而，虽然这种技术可以生成标准化的词汇，但这并不意味着可以生成标准化的招聘技能档案。接下来，我们将用数据证明这样的全球技能档案是否存在。在全球各地的招聘信息中，是否有足够的共同点来为某一职业定义标准的技能组合？甚至这事儿在同一个国家能办到吗？
JANZZ多年来分析了数以百万计的招聘信息来研究这些问题。为了说明我们的发现，让我们来探讨一下木匠和护士这两个经典职业的技能概况。我们从两个语言地区（英语和德语）的五个国家（美国，英国，瑞士，德国和奥地利）随机抽取了关于这两个职业各约250条招聘信息。我们的评估结果显示，即使是像护士这样受严格监管的职业，各个岗位所要求的技能也存在很大的差异。
技能可以定义工作。但谁来定义技能？一个国家的企业与另一个国家的同类企业所要找的人可能不一样，因为技能不仅取决于某个具体工作，还取决于文化或管理因素、教育制度和其他许多方面。事实上，在一个国家，可能需要几个具有不同技能的人去做一项工作，而在另一个国家，可能只需要一个人就能完全胜任。即使在同一地区，也可以看到技能状况的巨大差异，因为不同的企业在市场上的定位不同。这不仅体现在对专业技能的不同需求上，而且体现在所需的软技能上，这可能反映出公司的理念、团队的活力或客户的期望。
教育和工作经验的影响
让我们仔细看看木工。德国、奥地利和瑞士都实行双轨制教育，学生可以在给定的职业清单中选择一个职业接受学徒培训，这其中就包括木工。木工学徒培训中所教授的精准（硬）技能和理论，包括基础培训后可以选择的几个专业培训都有严格的规定和国家标准。凡是想接受木匠培训的人，在以上国家除了走职业培训这条路，几乎别无选择。英国最近实施了全面修订的学徒制结构，为越来越多的职业制定了国家标准，并正在制定鼓励雇主雇用学徒的措施。然而，尽管某些职业存在学徒制，但对想要从事这些事业的人来说，都有另一种途径，即通过大学教育，走大学这条路被广泛接受。此外，由于这一改革还很新，相关职业的大多从业者还没有完成学徒期。
美国在这方面处于另一端。学徒制确实存在，但美国没有一套统一的标准，在设计学徒计划时可以对所有雇主起到统一规范的作用。这使得雇主很难评估未来员工的培训情况，这可能是除缺乏这类培训的传统之外，学徒制在美国仍然没有像在欧洲那样普及的原因之一。这同样反映在人均学徒的数量上：在英国、德国和奥地利，目前约有2%的适龄劳动人口在接受学徒培训，在瑞士则接近于4%，是美国的10倍以上，美国的学徒比例还不到0.3% 。1）然而，这与工作岗位的技能要求有什么关系呢？我们观察到的一个方面是，在实行标准化培训的国家里，相比于工作经验，职业教育受到的重视程度要高得多。只要简单统计一下招聘信息中罗列的这些标准，就可以看出这一点。
教育和经验 – 木工

外环：木匠招聘信息中指定要求的百分比。
内圈：招聘信息中至少列出经验和学历一项标准的百分比。
中心：图表中心的数字是经验要求与学历要求的比例。因此，高于1的数字表示对经验的需求大于对学历的需求，反之，低于1的数字表示对经验的需求小于对学历的需求。
 
我们可以明显的看到，如果你完成了学徒期，你同时也具备了工作经验。而如果很少有人完成学徒期，那么雇主就会要求提供工作经验来代替。我们对护士的数据分析也证实了这一点。这个职业在这五个国家都受到了高度的监管，需要按照预先确定的国家标准进行培训（实践和理论），并有特定的可选专业。在所有五个国家中，与教育相比，对工作经验的需求明显较少（见下图）。我们还看到，在木匠的岗位招聘中，美国更多的是明确提及工具经验。这也可能是由于缺乏标准化的培训，因而在美国，给出了对工具方面的经验要求。
教育和经验 – 护士

外环：护士招聘信息中指定要求的百分比。
内环：招聘信息中至少列出经验和学历一项标准的百分比。
中心：图表中心的数字是经验要求与学历要求的比例。因此，高于1的数字表示对经验的需求大于对学历的需求，反之，低于1的数字表示对经验的需求小于对学历的需求。
 
接下来让我们看看关于木匠的工艺技能，即与该行业直接相关的硬技能，我们看到所有类别都存在明显差异。在英国和美国，对技能的要求分散在木工的各个领域，从一般的建筑和室内装修到其他行业的附加技能，而在德奥瑞，更看重的是木工的一般技能，很少提到具体技能。一个经过全面培训的木匠通常比在工作中学习的木匠具有更多样的技能，因此可以从事更广泛的工作，这一点毋庸置疑。相比之下，在培训不太规范的国家，木匠往往只能从事工作某一两项具体工作。值得注意的是，除了覆膜，在我们的数据中，美国和英国没有对制作技艺提出更多的需求。而这类知识对熟练的木工来说是非常特殊的，并且只有在五分之一的德奥瑞职位中明确提出。另一方面，我们看到美国和英国对某些行业的技能要求，在德奥瑞中几乎不存在。如果我们考虑到受过专业培训的木匠不太可能学到其他行业的技能，而在工作中学习的木匠容易掌握其他行业的相关技能，那么这种情况就很容易被解释了。

护士的情况同样如此：所有五个国家普遍很少提到专业技能，尤其是很少提出详细的具体技能，每个国家的招聘信息中只有4%到10%提出了详细的具体技能。这一技能类别的重点主要是专业和额外任务，这不是标准培训和/或经验的一部分。

区域差异
还有其他一些因素也会影响技能状况。例如，在英国，软技能在木工行业似乎并不重要：在英国，少于一半的招聘信息要求有任何软技能，而在美国，这一比例为76%，在德奥瑞，这一比例约为90%。在美国，对软技能要求最高的3项技能分别是体能、灵活性和能否加班、团队合作（由高到低）。相比之下，德奥瑞的前3项技能是团队合作、无需监督的工作和可靠性。由此可见，美国的雇主通常在寻找与德奥瑞完全不同的工人。

有趣的是，在护士软技能方面也存在显著差异：在德奥瑞，每一个招聘信息都要求至少有一项软技能，中位数为5项，而在美国和英国，只有70%和80%的招聘信息要求有软技能，中位数分别为1项（美国）和3项（英国）。在瑞士，排名前三的软技能是团队合作（48%）、责任心（46%）和在没有监督的情况下工作（44%）。在英国，排名前三的是沟通技巧、有爱心的人格和积极性–但要求要低得多（分别为40%、26%和26%）。同样，我们在不同国家看到了截然不同的标准。

另一个需要考虑的方面是监管事项和安全标准。在美国和英国，雇主明确要求求职者了解安全标准(OHSA和HSE/CSCS卡)，而且相当一部分人希望应聘者拥有自己的工具。这在德奥瑞完全看不到，这可能是源于教育和监管的差异。同样，在美国的招聘信息中，有四分之三的招聘信息明确要求护士具备BLS或类似的认证，而在其他四个国家，这些认证是标准培训的一部分，因此没有提及。

企业/行业特有的差异
回到开篇提出的问题，假设我们还想创建一个标准的技能档案。最简单的策略是将至少一个招聘信息中的所有标准都罗列出来。使用我们对木匠的数据，这将生成一张103项要求的列表，而其中大部分要求与个别职位空缺毫无关联：平均而言，每个职位空缺列出7项技能要求，个别数据从2到21不等。对于护士来说，我们将有94项要求，平均每个职位有8项技能要求，范围在1到16之间。
另一个可以考虑的策略是寻找一个共同的分母，例如，找出每个国家至少25%的招聘信息所要求的所有技能。如上图数据所示，这样一来，我们对木匠的要求就只有两个：工作经验（时间长短不详）和驾照。大多数招聘者都会觉得这是不可接受的。在瑞士，完成学徒期是绝大多数工作岗位的必备条件，而在德国，大多数情况下驾照并不是一项要求。因此，这样的要求在一个国家会招致许多不合适的候选人，而在另一个国家则会导致候选人太少，错过许多机会。
按照同样的策略，对护士的要求也只得到两个：护理证书和工作经验（任何专业）。没有一项软技能被列出，而事实上人们非常强调软技能，至少有70%的招聘信息要求具备这类技能。此外，德国有四分之三的招聘信息不要求工作经验。同样，这将导致应聘者与职位空缺严重不匹配。
让我们对一个国家，比如说瑞士，采取25%的策略。我们对护士的标准技能要求如下。

护理证书
工作经验
护理工作
电脑技术
负责任
抗压
沟通技巧
同理心
社交能力
团队合作
专业能力
弹性和加班
能独当一面

乍一看，这似乎可以接受。然而，近70%的瑞士招聘信息要求的是一般护理工作以外的专业技能，一半以上的招聘信息要求的是护士基础培训中没有的专业知识。这意味着，现在每一个单独的招聘信息都需要根据具体的职位空缺进行微调。
对于美国的木匠，我们也会遇到这样的问题。我们的策略会生成以下技能档案。

工作经验
工具的经验
橱柜和家具
门窗
团队合作
弹性和加班
体能
执行力
数学技能
安全实践知识
驾照

如前所述，这乍一看似乎足够了。然而，专注于硬技能，一个熟练掌握橱柜和家具或门窗的工人可能没有干墙、屋顶木工或其他建筑结构的经验，因为这需要不同的技能组合。另外，有足足80%的招聘信息要求的是我们简介中所列的硬技能以外的技能，60%的招聘信息要求的是其他软技能。
同样，在奥地利的标准化技能档案中，唯一列出的硬技能是装配和安装。然而，许多木工工作根本不涉及装配和安装，比如在奥地利的招聘信息中，有十分之七的招聘信息需要制作技艺。在这个国家，制作技艺是在不同专业的学徒中学习的，因此，一般的装配工/安装工不会具备相关技能。
回到原点
以上可以说是基本的策略，而基于人工智能的复杂方法可能会带来稍好的结果。然而，从我们分析中发现的关键问题仍未解决：由于国家和地区的差异，以及不同行业甚至个别企业内部对职位的不同要求，存在着巨大的差异。我们的数据显示，因此，任何全球定义的核心特征都必须适应国家（如适应教育、监管和文化因素），然后适应行业（建筑业、制造业等），适应单个企业（如公司文化），最后适应单个职位。这就又回到了个人的工作岗位上。因此，一个标准的技能档案根本不存在。
下载 PDF
1) 根据经合组织和国家统计局的数字自行计算。
   » 了解详情: 为特定职业生成一个万能的技能档案——这事儿靠谱吗？  »

在过去的40年中，本体一直存在于人工智能（AI）的研究中。[1] 就像流行趋势总是来来去去一样，本体同样经历了起伏。本体在80年代被引入，并在90年代中期开始流行。在2000年机器学习（ML）出现之后，当时普遍的观点是，将来用计算机执行的任何任务（借助AI和ML）都可以用智能算法来解决。许多公司在这些算法上投入了大量资金，希望在人工智能方向取得新的突破。
随着AI和ML的飞速发展，特别是在卷积神经网络（CNN）出现之后，其核心技术-深度学习（DL）-在参数大小和计算复杂性方面迅猛发展。今天，一些最复杂的模型已达到数十亿参数的规模。 [2]
尽管如此，人们对当前主流的DL提出了担忧。以图像识别中的监督学习为例：用于训练AI模型的图像需要根据目标对象的位置和轮廓手动识别，以使模型能够在比较不同标记结果的数据后，找到图像之间的隐含模式特征。如果我们回想婴儿时代的学习方式，我们人类无需这种指导便可以轻松地识别和分类不同的对象。 [2]
尽管DL方法取得了长足的进步，能够从训练数据中提取知识。但是，这种知识无法被明确解释，因为所谓的“黑匣子”训练无法揭示模型内隐藏的复杂关系。当面对新问题时，当前的DL模型无法将其获得的知识有效地用于解决新挑战。 [2]
关于大数据及其相关的隐私问题同样值得担忧。此外，当前的DL方法基于海量数据，不适用于生成少量数据的行业，例如医学和人力资源中的某些领域。这种情况要求AI系统具有推理和判断的能力，目前只有在特定领域才能成功。 [3]
其实，在某些领域已经存在许多强大的本体，例如金融业业务本体（FIBO）以及用于医疗保健，地理或职业的众多本体。当前学界普遍认为，整合知识和DL是进一步扩大DL有效性的重要思路。因此，本体以及诸如知识图谱或知识表示之类的许多相似研究重新成为人们关注的焦点。
在2008年JANZZ.technology便开始构建其本体-JANZZon！，远远早于科技巨头Google发明并普及 “知识图谱”一词。 JANZZ本体一直由具有不同背景的领域专家构建（例如知识产权法，流体动力学，汽车维修，心脏直视手术或教育和职业系统等领域）。
如今，JANZZon！是职业数据领域中最大的多语言百科知识表示。其数据重点关注于工作，工作分类，软硬件技能，培训/资格等。其存储的节点和关系数超过3.5亿！
由数据驱动和专家咨询分类法集成，JANZZon！涵盖了Nesta的英国技能分类法，ESCO，O * Net，ISCO-08，GB / T 6556-2015，DISCO II等。目前，有9种语言（德语，英语，法语，意大利语，西班牙语，葡萄牙语，荷兰语，阿拉伯语和挪威语）全面涵盖职业，技能，专业，功能，教育等，我们正在努力于2020年实现同一水平的40种语言可供选择。
作为我们工作和技能匹配技术的核心，JANZZon！代表最底层的知识，其中所有实体都已在语义空间中进行了编码和向量化。因此，在搜索和匹配时，我们的技术可以真正理解一个概念及其语义含义，从而保证有意义的结果。
如果您想知道本体可以如何帮助您在人力资源和劳动力市场领域中增强数据能力并实现智能应用，请立即写信至 sales@janzz.technology
 
[1] ODSC. 2018. Where Ontologies End and Knowledge Graphs Begin. URL: https://medium.com/predict/where-ontologies-end-and-knowledge-graphs-begin-6fe0cdede1ed [2019.11.20]
[2] 李军. 2019. 深度学习: 新时代的炼金术. URL : https://www.ftchinese.com/story/001084827?page=1&archive [2019.11.20]
[3] 蔡芳芳. 2019. 清华自然语言处理科学家孙茂松：深度学习碰壁之后，我们还能做什么? URL: https://www.infoq.cn/article/OvhfhpPChTLpsMgrf43N [2019.11.20]  » 了解详情: JANZZ本体 – 赋能数据，实现智能应用  »