Tecnologías semánticas, productos avanzados y soluciones SaaS/DaaS potentes.
JANZZ.technology convence gracias a su experiencia probada, sus completas soluciones y sus productos inteligentes JANZZsme!, JANZZon!, JANZZ.parser!, JANZZclassifier! y JANZZ.jobs a todos los participantes y segmentos relevantes del mercado (BtoC, BtoB y BtoG) en los sectores:
- Tecnologías semánticas de búsqueda y matching (principalmente en el campo de las habilidades y el empleo)
- Ontologías globales, multilingües y polidireccionales en el ámbito de los datos sobre ocupación laboral (empleos/capacidades, competencias relacionadas con el empleo, formaciones/cualificaciones, habilidades sociales y transferibles, funciones, especializaciones, etc.)
- Integración y utilización polimorfa de distintos sistemas de clasificación estándares como p. ej. CIUO-08, KldB 2020, SSOC 2015, ASOC, BIS/AMS, BO&C, O*NET, DISCO II, ROME, ESCO, SBN2000N etc.
- Especialización y experiencia globales en el ámbito de los complejos temas del mercado laboral y los RR. HH.
JANZZ.technology ofrece con los productos y soluciones SaaS/DaaS JANZZon!, JANZZsme! y JANZZ.jobs o con otras opciones mediante la JANZZjobsAPI convincentes herramientas para un amplio rango de posibles aplicaciones:
- Búsquedas de empleo, contratación (interna y externa) y reclutamiento
- Gestión y elaboración de perfiles de habilidades y competencias relacionadas con el trabajo (gestión de habilidades y elaboración de perfiles de habilidades, análisis de carencias, etc.)
- Enriquecimiento (semántico) de datos e información relacionados con el empleo y las competencias
- Modelado, funcionamiento y mantenimiento de ontologías multilingües polidireccionales, incluyendo el proceso de indexación
- Matching semántico de listas de criterios complejas (p. ej. CV, ofertas de empleo, perfiles de formación, etc.) y (occupation) big data.
Nuestros productos y soluciones siguen los Principios de la OCDE sobre Inteligencia Artificial (IA), son innovadores, confiables, respetuosos con los derechos humanos y los valores democráticos.
JANZZ.technology: Extractos de «matching semántico basado en palabras clave y ontología»
1. Introducción
El objetivo de este white paper es explicar las limitaciones de la tecnología actual de búsqueda basada en palabras clave en el ámbito de la contratación, la búsqueda de empleo, la elaboración de perfiles de competencias, la correspondencia, la gestión, la adquisición y el reclutamiento de talentos. Este documento pretende poner de manifiesto cómo las demandas de los departamentos de trabajo de los gobiernos, las oficinas de estadística y otras partes interesadas en los propios mercados de trabajo, las cuales están compuestas tanto por los buscadores de talento de la industria como por los solicitantes de empleo – tanto activos como pasivos – no se ven cubiertas por la tecnología con el nivel satisfactorio de precisión esperado.
La tecnología actual como la búsqueda basada en palabras clave y el análisis sintáctico de los CV es incapaz de comparar de forma simultánea y bidireccional los Big Data específicos de cada ocupación. En consecuencia, no se están satisfaciendo las necesidades de las iniciativas laborales públicas, por ejemplo, el matching de perfiles y registros de trabajadores desempleados, las oficinas públicas de educación, las bases de datos de las bolsas de trabajo, los motores de empleo y las redes profesionales y sociales (en lo sucesivo denominadas colectivamente «servicios en línea»), las bibliotecas de CV y las bases de datos de descripciones de puestos de trabajo.
Además, se explicará cómo el auge de la tecnología semántica y, en particular, el uso de ontologías de datos de ocupación ha proporcionado la solución para comparar grandes conjuntos de datos de manera más eficaz y precisa. Para aclarar este tema tan complejo, se ofrecerán ejemplos a lo largo del artículo y se incluirá una sección en la que se expondrán cuatro casos de uso para la aplicación en el mundo real del matching semántico basado en ontologías. El artículo concluirá con un comentario final sobre las ventajas del matching semántico basado en ontologías en este ámbito.
1.1 Terminología y referencias utilizadas en este documento
En esta sección se explicará la terminología, de ser necesario, que se utiliza en este ámbito para futuras referencias. Si desea consultar otra terminología, utilice el glosario detallado que figura en el APÉNDICE.
JANZZ.technology:
La fuente de información en materia de ontologías y responsable del desarrollo de la tecnología semántica y de los productos y soluciones que se describen más adelante.
JANZZsme!:
Es el motor de matching inteligente que JANZZ.technology ha desarrollado para buscar y hacer match entre entradas de destino a partir de fuentes de datos (estructuradas y no estructuradas), tales como registros laborales públicos procedentes de estadísticas de desempleo, currículums o bases de datos de ofertas de empleo; y devuelve resultados definidos dentro de los parámetros deseados por el usuario.
JANZZon!:
Una ontología única diseñada y construida por JANZZ.technology para actuar como una base de conocimiento enciclopédico que contiene datos de ocupación interconectados en un sistema semántico multirrelacional para su uso, normalmente a través de la JANZZrestAPI. Proporciona contexto a un motor de matching o mediante herramientas de análisis estadístico, así como plataformas de terceros para el enriquecimiento de datos.
JANZZclassifier!:
La herramienta de clasificación por excelencia diseñada y construida por JANZZ.technology para, entre otras funciones, clasificar y estandarizar enormes conjuntos de datos y hacer que sean comparables gracias a los metadatos anotados que incluyen las clasificaciones oficiales, las habilidades relacionadas y los trabajos.
Occupation data:
Es la terminología propia de las profesiones y engloba los datos relevantes, denominados «conceptos». Por consiguiente, los datos de la ocupación consisten en la propia ocupación o profesión, la especialización (propia de esa profesión), las habilidades y competencias requeridas, las funciones necesarias, la experiencia acumulada, el nivel de estudios y, por último, las habilidades interpersonales. En el futuro se podrán añadir más elementos en función de la evolución de las necesidades en las estadísticas del sector, por ejemplo, el entorno laboral.
Occupation Class:
La OC (clase de ocupación) define el peso de la propia ocupación en relación con los demás datos de ocupación a la hora de comparar y hacer match entre dos o más conjuntos de datos complejos. Las ocupaciones se definen desde muy específicas hasta poco específicas. Las ocupaciones muy específicas tienen una ponderación alta y las menos específicas cuentan con una ponderación gradualmente menor.
Ejemplo: «comadrona» es muy específica (OC1); «profesor» se sitúa en la mitad de la escala de especificidad (OC3); «consultor» no es específico y ocupa un OC bajo (5).
En el caso de las ocupaciones menos específicas, el peso recae en los demás datos relacionados con ellas, como la especialización, la función, las competencias, la experiencia, etc.
…
Semántica:
En el contexto de la comparación de datos, a diferencia de la lingüística, la semántica describe cómo los conceptos se relacionan lógica y contextualmente entre sí, con una referencia a sus antecedentes y orígenes.
Ejemplo: ERP↔SAP. Un ejemplo de ERP es SAP, entre otros. SAP es un ERP
O bien, carpintero↔ensamblador.
No hay ninguna conexión lingüística entre ERP y SAP o carpintero y ensamblador, salvo cuando ambos términos se utilizan o se hace referencia a ellos en la misma oferta de empleo por coincidencia o por diseño específico. Un motor de búsqueda de palabras clave encontrará ambos, pero no por el contexto, sino por azar. Semánticamente hay una conexión, se conoce la relación, pero solamente porque esa información viene dada por una ontología que almacena esas relaciones junto con el contexto. Una ontología almacenará sinónimos en primer lugar, pero una ontología multilingüe como la de JANZZon! contendrá también la traducción de los conceptos y sus sinónimos. Ahora bien, en una ontología también se recogen características como los términos excluidos, es decir, los términos que deben ignorarse al buscar una entrada de destino.
Ejemplo: al buscar un CEO, excluya asistente, asistente personal o asistente ejecutivo, ya que aparece en títulos de trabajo como «asistente de CEO», así como en otros sectores como la arquitectura orientada a los servicios, etc.
Además, una ontología establece relaciones de «parte equivalente» y «same but different» (igual pero diferente) – para más información sobre estos términos, véase el APÉNDICE. Cuando una búsqueda o match son semánticos, se tiene en cuenta la relación y el significado de las palabras y oraciones para su comparación, lo que permite a sistemas como los motores de matching o de búsqueda «entender» el contexto de la frase en cuestión.
Ejemplo: al buscar «coach de inglés», las profesiones similares «profesor de inglés» y, «tutor de idiomas especializado en inglés y francés» se incluirán total o parcialmente en el resultado porque el tutor bilingüe no es una coincidencia exacta con el profesor que solo se centra en inglés. Desde el punto de vista del propio tutor, solo coincide en un 50 %.
Estas características son algunas de las razones por las que una ontología potencia un motor de matching con capacidad semántica.
Homónimos y polisémicos:
Un uso particular que tiene una ontología es aclarar la distinción entre palabras y conceptos que se parecen mucho o se escriben igual, pero tienen un significado diferente. Esto ocurre sobre todo en el ámbito interlingüístico y dentro de las diferencias culturales. Los homónimos son palabras que se pronuncian igual (no necesariamente se escriben igual), pero tienen significados diferentes.
Ejemplo: representante de ventas, gestor de cuentas, consultor y gestor de proyectos se utilizan en innumerables casos, pero tienen significados diferentes según el sector, la empresa la especialización, la función y las competencias.
Las palabras polisémicas son muy similares a los homónimos, ya que son un fenómeno del lenguaje que consiste en que una misma palabra tiene varios significados.
Ejemplo: las palabras polisémicas pueden ser «diseñador» (muchos significados diferentes según el contexto); un gestor puede ser una persona a cargo tanto de un proceso como de personal; un ejecutivo puede tener un alto cargo en una empresa o ser un vendedor como en «ejecutivo de ventas de publicidad»; y una aplicación puede ser una herramienta de software, un software para dispositivos móviles o muchas otras cosas.
Por eso, en una ontología, los conceptos se etiquetan con significados alternativos para contrarrestar las discrepancias y la confusión y poder comparar los conceptos con precisión.
…