Semantische Technologien, ausgereifte Produkte und leistungsstarke SaaS/DaaS-Lösungen.

JANZZ.technology überzeugt mit fundierter Expertise, intelligenten Produkten und Lösungen JANZZsme!, JANZZon!, JANZZparser!, JANZZclassifier! und JANZZ.jobs für alle relevanten Marktteilnehmer und -segmente (BtoC, BtoB und BtoG) in den Bereichen:

  • Semantische Such- und Matching-Technologien (vorwiegend in den Bereich Skills- und Job-Matching)
  • Umfassende, mehrsprachige und polydirektionale Knowledge Graphs im Bereich Occupation Data (Berufe/Tätigkeiten, berufsbezogene Kompetenzen, Ausbildungen/Qualifikationen, soziale und überfachliche Fähigkeiten, Funktionen, Spezialisierungen etc.)
  • Integration und polymorphe Nutzung von unterschiedlichen Standard Klassifizierungssystemen wie z. B. ISCO-08, KldB 2020, SSOC 2015, ASOC, BIS/AMS, BO&C, O*NET, DISCO II, ROME, ESCO, SBN2000N etc.
  • Umfangreiche Expertise und Erfahrungen im Bereich von komplexen HR- und Arbeitsmarktthemen

JANZZ.technology bietet mit den SaaS/DaaS-Produkten und Lösungen JANZZon!, JANZZsme! und JANZZ.jobs oder mit weiteren Möglichkeiten über das JANZZjobsAPI überzeugende Werkzeuge für ein breites Gebiet von potenziellen Anwendungen:

  • Jobsuche, Rekrutierung (intern und extern) und Personalbeschaffung
  • Management und Profiling von berufsbezognen Fähigkeiten und Kompetenzen (Skills Management and Skills Profiling, Gap-Analysen etc.)
  • (Semantische) Anreicherung von berufs- und komptenzbezogener Daten und Informationen
  • Modellierung, den Betrieb und Unterhalt mehrsprachiger, polydirektionaler Ontologien / Knowledge Graphs, inkl. Verschlagwortung
  • Semantisches Matching von komplexen Kriterienkatalogen (z. B. CVs, Stellenausschreibungen, Ausbildungsprofile etc.) und (Occupation) Big Data.

Unsere Produkte und Lösungen folgen den OECD-Grundsätzen für künstliche Intelligenz (KI), die innovativ und vertrauenswürdig sind und die Menschenrechte und demokratischen Werte respektieren.

JANZZ.technology: Auszüge aus «Schlüsselwort- vs. ontologiebasiertes, semantisches Matching»

1.    Einleitung

Der Zweck dieses Whitepapers ist es, die Grenzen der heutigen stichwortbasierten Suchtechnologie im Rahmen von Rekrutierung, Stellensuche, Talentakquise und -beschaffung, Kompetenz-Profiling, Matching und Management zu erklären. In diesem Papier soll aufgezeigt werden, wie die Anforderungen von öffentlichen Arbeitsverwaltungen, statistischen Ämtern und anderen Interessensgruppen auf den Arbeitsmärkten selbst, die sich sowohl aus Talentsuchenden in der Industrie als auch aus aktiven und passiven Arbeitssuchenden zusammensetzen, von der Technologie nicht mit einem zufriedenstellenden Mass an erwarteter oder gewünschter Präzision erfüllt werden.

Die derzeitige Technologie, wie etwa die Suche nach Schlüsselwörtern und das Parsen von Lebensläufen, ist nicht in der Lage, berufsspezifische Big Data gleichzeitig und bidirektional zu vergleichen. Infolgedessen wird der Bedarf öffentlicher Arbeitsinitiativen, wie beispielsweise der Abgleich von Profilen und Datensätzen arbeitsloser Arbeitskräfte, staatlicher Bildungseinrichtungen, der Datenbanken von Stellenbörsen, Jobsuchmaschinen und beruflichen und sozialen Netzwerken (im Folgenden zusammenfassend als «Online-Dienste» bezeichnet), Lebenslaufbibliotheken und Datenbanken mit Stellenbeschreibungen, nicht gedeckt.

Darüber hinaus wird erläutert, wie das Aufkommen der semantischen Technologie und insbesondere die Verwendung von Ontologien für Berufsdaten die Lösung für den Vergleich umfangreicher Datenmengen mit höherer Effizienz und Genauigkeit bietet.  Zur Verdeutlichung dieses komplexen Themas werden durchgängig Beispiele angeführt und in einem Abschnitt werden vier Anwendungsfälle für die praktische Anwendung des ontologiebasierten semantischen Abgleichs beschrieben. Abschliessend werden die Vorteile des ontologiebasierten semantischen Abgleichs in diesem Bereich erläutert.

1.1    In diesem Dokument verwendete Terminologie und Referenzen

In diesem Abschnitt wird die in diesem Bereich verwendete Terminologie erläutert, damit Sie später darauf zurückgreifen können. Für zusätzliche Terminologie benutzen Sie bitte unser ausführliches Glossar im ANHANG.

JANZZ.technology:
die Informationsquelle für Ontologien und Entwickler von semantischen Technologien, Produkten und Lösungen, die später in diesem Dokument beschrieben werden.

JANZZsme!:
Die von JANZZ.technology konzipierte und entwickelte Smart Matching Engine zur Suche und zum Abgleich von Zieleinträgen aus (strukturierten und unstrukturierten) Datenquellen, wie staatlichen Arbeitslosenstatistiken, Lebenslauf- oder Stellenangebotsdatenbanken, und zur Ausgabe von Ergebnissen, die innerhalb der vom Benutzer gewünschten Parameter definiert wurden.

JANZZon!:
Die einzigartige Ontologie, die von JANZZ.technology entwickelt und aufgebaut wurde, um als enzyklopädische Wissensbasis zu fungieren, die miteinander verbundene Berufsdaten in einem multirelationalen semantischen System enthält, das typischerweise über die JANZZrestAPI zur Bereitstellung von Kontext für eine Matching-Engine oder in statistischen Analysetools oder Plattformen von Drittanbietern zur Datenanreicherung verwendet wird, um nur einige Beispiele zu nennen.

JANZZclassifier!:
Das ultimative Klassifizierungstool, das von JANZZ.technology entwickelt und gebaut wurde, um riesige Datensätze zu klassifizieren und zu standardisieren und die Daten aufgrund der kommentierten Metadaten, einschliesslich der offiziellen Klassifizierungen, verwandten Kompetenzen, Stellen, Funktionen und vielem mehr, vergleichbar zu machen.

Berufsbezogene Daten:
Dies ist die berufsspezifische Terminologie und umfasst alle anderen relevanten Daten, die als «Konzepte» bezeichnet werden. Berufsbezogene Daten bestehen daher aus dem Beruf selbst, der Spezialisierung (speziell für diesen Beruf), den erforderlichen Fertigkeiten und Kompetenzen, den erforderlichen Funktionen, der Erfahrung (die in dem Beruf gesammelt wird), der Qualifikation und dem Bildungsniveau und den transversalen Soft Skills. Je nach Entwicklung der Anforderungen der Industrien, z. B. in Bezug auf das Arbeitsumfeld, können in Zukunft weitere Elemente hinzugefügt werden.

Berufsklasse:
(OC): Die Berufsklasse definiert, wie stark der Beruf selbst im Verhältnis zu den anderen berufsbezogenen Daten beim Vergleich und Matching zwischen zwei oder mehr komplexen Datensätzen berücksichtigt wird. Die Berufe werden von sehr spezifisch bis überhaupt nicht spezifisch definiert. Hochspezifische Berufe werden hoch gewichtet, während weniger spezifische Berufe eine immer geringere Gewichtung erhalten.

Beispiel: Hebamme ist sehr spezifisch (OC1); Lehrer liegt in der Mitte der Spezifitätsskala (OC3); Berater ist nicht spezifisch und erhält eine niedrige OC (5).

Bei weniger spezifischen Berufen verlagert sich die Stärke des Arguments vom Beruf auf die anderen damit verbundenen Berufsdaten, z. B. Spezialisierung, Funktion, Fähigkeiten, Erfahrung usw.

Semantik:
Im Kontext des Datenabgleichs, im Gegensatz zur Linguistik, beschreibt die Semantik, wie Begriffe logisch und kontextuell zueinander in Beziehung stehen – mit Bezug auf ihre Hintergründe und Ursprünge.

Beispiel: ERP↔SAP. Ein Beispiel für ein ERP ist unter anderem SAP. SAP ist ein ERP
Oder Tischler↔Schreiner.

Es gibt keinen sprachlichen Zusammenhang zwischen ERP und SAP oder Tischler und Schreinerin, es sei denn, beide Begriffe werden zufällig oder gezielt in ein und demselben Stellenangebotstext verwendet oder erwähnt. Eine Suchmaschine für Schlüsselwörter wird beide Begriffe finden, aber nicht durch den Kontext, sondern durch Zufall. Semantisch besteht ein Zusammenhang, die Beziehung ist bekannt, aber nur, weil diese Information von einer Ontologie geliefert wird, die diese Beziehungen und den Kontext speichert. Eine Ontologie speichert in erster Linie Synonyme, aber eine mehrsprachige Ontologie wie die von JANZZon! enthält auch die Übersetzung der Konzepte UND ihrer Synonyme. Zu einer Ontologie gehören jedoch auch Merkmale wie ausgeschlossene Begriffe, d. h. Begriffe, die bei der Suche nach einem Zieleintrag ignoriert werden sollten.

Beispiel: Bei der Suche nach einem CEO sollten die Begriffe Assistenz, persönlicher Assistent, Assistentin der Geschäftsleitung ausgeschlossen werden, wie sie in Berufsbezeichnungen wie Assistent des CEO oder in anderen Bereichen wie dienstleistungsorientierter Architektur usw. vorkommen.

Darüber hinaus stellt eine Ontologie Beziehungen wie «teilweise gleichwertig» und «gleich, aber anders» her (weitere Informationen zu diesen Begriffen siehe ANHANG). Wenn eine Suche oder ein Match semantisch ist, werden die Beziehung und die Bedeutung von Wörtern und Ausdrücken für den Vergleich berücksichtigt, was es Systemen wie Matching- oder Suchmaschinen ermöglicht, den Kontext des gesuchten Ausdrucks zu «verstehen».

Beispiel: Bei der Suche nach «English Coach» werden die ähnlichen Berufe «Englischlehrer» und «Sprachtutorin, spezialisiert auf Englisch und Französisch» ganz oder teilweise in das Ergebnis aufgenommen, da die zweisprachige Tutorin keine genaue Übereinstimmung mit der Lehrperson ist, die sich nur auf Englisch konzentriert. Aus der Sicht der Tutorin selbst liegt die Übereinstimmung bei nur 50 %.

Dies sind nur einige der Gründe, warum eine Ontologie eine Matching-Engine mit semantischen Fähigkeiten unterstützt.

Homonyme und Polyseme:
Ein besonderer Nutzen einer Ontologie besteht darin, die Unterscheidung zwischen Wörtern und Konzepten zu klären, die sehr ähnlich oder gleich aussehen, aber eine unterschiedliche Bedeutung haben. Dies ist insbesondere bei sprachübergreifenden und kulturellen Unterschieden der Fall. Homonyme sind Wörter, die gleich geschrieben werden, gleich klingen, aber unterschiedliche Bedeutungen haben.

Beispiel: Vertriebsmitarbeiter, Kundenbetreuer, Berater und Projektmanager werden in unzähligen Fällen verwendet, haben aber je nach Branche, Unternehmen oder Organisation, Spezialisierung, Funktion und Fähigkeiten unterschiedliche Bedeutungen.

Polyseme sind den Homonymen insofern sehr ähnlich, als sie gleich geschrieben werden können, aber auch unterschiedlich geschrieben werden können, aber dennoch gleich klingen und auch unterschiedliche, aber verwandte Bedeutungen haben, weil sie einen gemeinsamen Ursprung haben.

Beispiel: Polyseme sind z. B. Designer (viele verschiedene Bedeutungen je nach Kontext); Manager kann eine Person sein, die für einen Prozess zuständig ist, oder für Personal; Executive kann entweder eine leitende Position in einer Organisation innehaben oder ein Verkäufer sein, wie in «Advertising Sales Executive»; und Application kann ein Software-Tool, eine Software für mobile Geräte oder viele andere Dinge sein.

Aus diesem Grund werden in einer Ontologie Konzepte mit alternativen Bedeutungen versehen, um Diskrepanzen und Verwirrung entgegenzuwirken, damit Konzepte präzise verglichen werden können.

Whitepaper bestellen (nur in Englisch)

Für weitere Auskünfte, konkrete Offerten oder POCs für unsere Produkte oder Lösungen, für individuelle Produktdemonstration oder für eine vollständige Kopie unseres Whitepapers «Keyword vs. ontology based, semantic Matching» kontaktieren Sie uns direkt per E-Mail oder benutzen Sie das Kontaktformular.