Tecnologia semântica, produtos consolidados e soluções SaaS/DaaS poderosas.

A JANZZ.technology se destaca nas seguintes áreas, graças à sua especialização aprofundada, às soluções mais completas, aos produtos inteligentes JANZZsme!JANZZon!, JANZZparser!, JANZZclassifier! e JANZZ.jobs, produtos para todos os tipos de participantes e segmentos do mercado (B2C, B2B e B2G):

  • As tecnologias de pesquisa semântica e correlação (principalmente na área de correlação entre competências e oportunidades)
  • Ontologias abrangentes, multilíngue e polidirecionais na área de dados ocupacionais (ocupações/profissões, competências profissionais, treinamento/qualificações, competências sociais e interdisciplinares, funções, áreas de especialização, etc.)
  • Integração e uso polimorfológico de diversos sistemas de classificação padrão, incluindo ISCO-08, KldB 2020, SSOC 2015, ASOC, AMS/BIS, BRC 2014, BO&C, O*NET, DISCO II, ROME V3, ESCO e SBN2000N.
  • Especialização e experiência abrangentes em questões complexas de recursos humanos e mercado de trabalho

Com seus produtos e soluções SaaS/DaaS, o JANZZon!, o JANZZsme! e o JANZZ.jobs, bem como as opções adicionais oferecidas por intermédio do JANZZjobsAPI, a JANZZ.technology fornece ferramentas eficazes para uma ampla gama de possíveis aplicações potenciais nas seguintes áreas:

  • Pesquisa de oportunidades, recrutamento e seleção (interno e externo) de mão de obra
  • Gestão e definição de perfis de competências profissionais técnicas e interpessoais (gestão de competências, definição de perfis, análise de lacunas, etc.)
  • (Semântica) otimização de dados e informações relacionadas a oportunidades e competências
  • Modelagem, operação e manutenção de ontologias multilíngue polidirecionais, incluindo indexação
  • Correlação semântica de catálogos de critérios complexos (p. ex. CVs, anúncios de vagas, perfis de treinamento) e grandes volumes de dados (ocupacionais)

Nossos produtos e soluções seguem os Princípios sobre Inteligência Artificial (IA) da OCDE, que são inovadores, confiáveis, respeitam os direitos humanos e os valores democráticos.

JANZZ.technology: Excertos de "Palavra-chave vs. correlação semântica baseada em ontologia"

1.    Introdução

O objectivo deste white paper é explicar as limitações da atual tecnologia de pesquisa baseada em palavras-chave, no âmbito do recrutamento, procura de emprego, aquisição e obtenção de talentos, definição de perfis, correlação e gestão de competências. Este documento procura realçar como as exigências dos departamentos de trabalho do governo, dos gabinetes de estatística e de outros intervenientes nos próprios mercados de trabalho, compostos tanto por empregadores que procuram talentos da indústria como por pessoas que procuram emprego, tanto ativos como passivos, não estão a ser satisfeitos a um nível satisfatório de precisão esperada ou desejada pela tecnologia.

A tecnologia atual, tal como a pesquisa por palavra-chave e a análise de CV é incapaz de comparar simultaneamente e bidireccionalmente grandes volumes de dados especificamente ocupacionais. O resultado é que as necessidades de ações de trabalho público, por exemplo, a correspondência de perfis e registos de trabalhadores desempregados, gabinetes governamentais de educação, bases de dados de conselhos de emprego, motores de emprego e redes profissionais e sociais (doravante colectivamente conhecidos como “serviços online”), bibliotecas de CVs e bases de dados de descrição de empregos não estão a ser satisfeitas.

Além disso, será explicado como a ascensão da tecnologia semântica e, em particular, a utilização de ontologias de dados de ocupação têm proporcionado a solução para comparar grandes conjuntos de dados com maior eficiência e precisão.  A fim de clarificar este tópico complexo, serão fornecidos exemplos ao longo de todo o processo e uma secção que delineará quatro casos de utilização para a aplicação no mundo real de correspondência semântica baseada em ontologias. O artigo terminará então com um comentário final sobre os benefícios da correspondência semântica baseada em ontologias nesta esfera.

1.1    Terminologia e referências utilizadas no presente artigo

Nesta secção será explicada a terminologia, se necessário, que é utilizada nesta esfera para referência futura. Para terminologia adicional, por favor utilize o nosso glossário detalhado no APÊNDICE.

JANZZ.technology:
a fonte de informação sobre ontologias e desenvolvedor de tecnologia semântica, produtos e soluções delineadas mais adiante neste documento.

JANZZsme!:
o Smart Matching Engine concebido e desenvolvido pela JANZZ.technology para procurar e combinar entradas alvo a partir de fontes de dados (estruturadas e não estruturadas), tais como, registos de estatísticas de desemprego, CV ou bases de dados de ofertas de emprego, gerando resultados definidos conforme os parâmetros desejados do utilizador.

JANZZon!:
a única ontologia concebida e construída pela JANZZ.technology para atuar como uma base de conhecimentos enciclopédicos que contém dados de ocupação interligados num sistema semântico multi-relacional para uso tipicamente através do JANZZrestAPI no fornecimento de contexto a um motor correspondente, ou em ferramentas de análise estatística ou plataformas de terceiros para enriquecimento de dados, citando apenas algumas das finalidades possíveis.

JANZZclassifier!:
a última ferramenta de classificação concebida e construída pela JANZZ.technology para classificar e padronizar enormes conjuntos de dados e tornar os dados comparáveis devido aos metadados anotados, incluindo as classificações oficiais, competências relacionadas, trabalhos, funções e muito mais.

Dados ocupacionais:
é a terminologia específica das profissões e inclui todos os outros dados relevantes, denominados “conceitos”. Os dados ocupacionais consistem, portanto, na própria ocupação ou profissão, na especialização (particular a essa profissão), nas aptidões e competências necessárias, nas funções necessárias, na experiência (que é construída na profissão), no nível de qualificação e educação, e, finalmente, nas competências técnicas ou competências sociais. No entanto, mais pode ser acrescentado no futuro, de acordo com a evolução das exigências das estatísticas da indústria, por exemplo, do ambiente de trabalho.

Classe de ocupação:
(OC): A OC define quão fortemente a própria ocupação é considerada em relação aos outros dados de ocupação quando comparados e combinados entre dois ou mais conjuntos complexos de dados. As ocupações são definidas de muito específicas para pouco específicas. As ocupações altamente específicas são altamente ponderadas, e as menos específicas recebem uma ponderação progressivamente mais baixa.

Exemplo: Uma Parteira é altamente específica (OC1); um Professor enquadra-se no meio da escala de especificidade (OC3); um Consultor é um cargo não específico e enquadra-se numa OC baixa (5).

No caso das ocupações menos específicas, o critério com maior peso de argumentação passa da ocupação para outros dados de ocupação relacionados, por exemplo, a especialização, a função, as competências, a experiência, etc.

Semântica:
no contexto da comparação de dados, ao contrário da linguística, a semântica descreve como os conceitos se relacionam lógica e contextualmente uns com os outros – com uma referência aos seus antecedentes e origens.

Exemplo: ERP↔SAP. Um exemplo de um ERP é o SAP, entre outros. O SAP é um ERP.
Ou, carpinteiro↔marceneiro. 

Não há ligação linguística entre ERP e SAP ou carpinteiro e marceneiro, exceto quando ambos os termos são utilizados ou referidos no mesmo texto de uma oferta de emprego por coincidência ou por design específico. Um motor de busca por palavra-chave encontrará ambos, não por contexto, mas por acidente. Semanticamente existe uma ligação, a relação é conhecida mas apenas porque essa informação é fornecida por uma ontologia que armazena essas relações e o contexto. Uma ontologia armazenará sinónimos em primeira instância, mas uma ontologia multilingue como a de JANZZon! conterá também a tradução dos conceitos e os seus sinónimos. No entanto, também incluídos numa ontologia estão características tais como termos excluídos, ou seja, termos que devem ser ignorados nas pesquisas de uma sequência-alvo.

Exemplo: Ao pesquisar o termo CEO, excluir Assistente, Assistente Pessoal, Assistente Executivo, como aparece em títulos de emprego como Assistente do CEO, bem como em outros setores, como arquitetura orientada para os serviços, etc.

Além disso, uma ontologia estabelece relações ‘part equivalent’ e ‘same but different’ (para mais informações sobre estes termos ver APÊNDICE). Quando uma pesquisa ou correspondência é semântica, tem em consideração a relação e o significado de palavras e frases para fins de comparação, permitindo que sistemas como a correlação ou motores de busca ‘compreendam’ o contexto da frase visada.

Exemplo: Ao procurar por English Coach, as profissões semelhantes, como Professor de Inglês e Tutor de línguas especializado em Inglês e Francês serão total ou parcialmente incluídas no resultado, porque o tutor bilingue não corresponde exatamente ao professor que se concentra apenas no Inglês. Do ponto de vista do tutor propriamente dito, é apenas 50% compatível.

Estas características são apenas algumas das razões pelas quais uma ontologia alimenta um motor correspondente com capacidade semântica.

Homónimos e Polissemas:

Um uso particular que uma ontologia tem é clarificar a distinção entre palavras e conceitos que parecem muito semelhantes ou iguais mas têm um significado diferente. Isto ocorre particularmente em termos linguísticos e encontra-se dentro das diferenças culturais. Os homónimos são palavras e pares de palavras que têm a mesma grafia e a mesma pronúncia, mas significados diferentes.

Exemplo: Representantes Comerciais, Gestores de Contas, Consultores e Gestores de Projetos são utilizados em inúmeros casos mas têm significados diferentes dependendo da indústria, empresa ou organização, especialização, função e competências.

Os polissemas são muito semelhantes aos homónimos, no que diz respeito à grafia idêntica, mas também envolvendo grafias diferentes, ainda assim com pronúncia idêntica ou não, mas com significados correlacionados conforme as origens em comum.

Exemplo: Polissemas incluem Designer (pode ter muitos significados diferentes dependendo do contexto); Gestor pode ser uma pessoa responsável por um processo ou pessoal; Executivo pode ocupar uma posição sénior numa organização ou ser vendedor como em “Executivo de Vendas de Publicidade”; e Aplicativo pode ser uma ferramenta de software, um software para dispositivos móveis ou muitas outras coisas.

Esta é a razão pela qual, numa ontologia, os conceitos são marcados com significados alternativos, a fim de contrariar as discrepâncias e a confusão, para que os conceitos possam ser comparados com precisão.

Encomendar o white paper

Para mais informações, ofertas concretas ou POCs para os nossos produtos e soluções ou se desejar uma demonstração individual do produto ou uma cópia completa do nosso white paper “Keyword vs. ontology based, semantic Matching“, contacte-nos directamente via e-mail ou através do nosso formulário de contato.