Extraktion von Kompetenzen aus Stellenanzeigen
Natural language processing extracts skills from job ads and maps them to taxonomies such as ESCO, tracking how demand for skills changes over time.
GCRI · Zukunft der Arbeit und Kompetenzen
Künstliche Intelligenz und maschinelles Lernen sind zugleich ein Treiber des Wandels der Arbeit und ein Werkzeug, ihn zu untersuchen. In diesem Feld helfen sie, Stellenanzeigen und Kompetenzen zu analysieren, Arbeitsuchende mit offenen Stellen zusammenzubringen, und werfen Fragen zu algorithmischer Personalauswahl und Personalführung auf.
Künstliche Intelligenz und maschinelles Lernen entwickeln Algorithmen, die aus Daten Muster lernen, um Ergebnisse zu klassifizieren, vorherzusagen oder zu erzeugen. Sie werden zunehmend für die Gefahrenerkennung, die Vorhersage und die Entscheidungsunterstützung eingesetzt und sind selbst eine Risikoquelle. In den Bereichen Arbeit und Kompetenzen, Gesellschaft und menschliche Entwicklung sowie künstliche Intelligenz kann maschinelles Lernen Erkennung und Vorhersage über vernetzte Systemehinweg skalieren. Seine eigenen Fehlermodi müssen berücksichtigt werden, wenn automatisierte Ergebnisse folgenreiche Entscheidungen stützen. Die maßgebliche Beschreibung findet sich im die STEM Commons.
Natural language processing extracts skills from job ads and maps them to taxonomies such as ESCO, tracking how demand for skills changes over time.
Matching-Werkzeuge schlagen Arbeitsuchenden offene Stellen vor, mit Evaluierung von Genauigkeit und Fairness über Gruppen hinweg vor dem Einsatz.
Hiring and screening algorithms are audited for disparate impact on protected groups using test data and outcome monitoring.
Das Modell, seine Annahmen, seine Daten und seine Unsicherheit in der Form, in der eine Wissenschaftlerin oder ein Ingenieur sie prüfen würde. Die Strukturen folgen veröffentlichten Methoden. Die dargestellten Werte sind illustrativ, keine Befunde.
Die Kopplungen zwischen den Systemen bei KI für die Arbeitsmarktanalyse: Einflussvorzeichen, eine verstärkende und eine ausgleichende Schleife sowie Querverbindungen, an denen die Belastung sprunghaft ansteigt.
Datensätze und Aufzeichnungen, die künstliche Intelligenz und maschinelles Lernen auf dieser Plattform nutzen, mit der Rolle, die jeder spielt, und der Kennzeichnung, die seine Werte tragen. Die Quellen sind in dem Quellenregister.
| Daten | Rolle | Kennzeichnung |
|---|---|---|
| Online-Stellenanzeigen | Skills demand | BEOBACHTET |
| ESCO- und O*NET-Taxonomien | Kompetenzerfassung | Veröffentlichte Statistiken |
| Unterlagen der Arbeitsvermittlung | Abgleich der Ergebnisse | Veröffentlichte Statistiken |
Process explorer · Process
9 steps·5 stages·1 gate
Verfahren
Der AI RMF Core hat vier Funktionen, GOVERN, MAP, MEASURE und MANAGE, wobei GOVERN übergreifend wirkt; die dargestellte Reihenfolge ist eine gängige Lesart, keine Checkliste.
Neutrale Übersicht über einen veröffentlichten externen Standard oder eine veröffentlichte Methode, wiedergegeben von der herausgebenden Stelle. Kein Betriebsnachweis. Nexus führt keinen der dargestellten Schritte durch, zertifiziert oder genehmigt ihn. Ein Gate oder eine Entscheidung liegt bei der Partei, die die Quelle nennt. Die Maßnahmen bilden nicht zwingend eine geordnete Abfolge von Schritten. Der EU AI Act ist in diesem Ablauf nicht abgebildet.
Modelle werden an zurückgehaltenen Daten evaluiert, die räumliche, zeitliche und Gruppenstrukturen berücksichtigen. Robustheit, Kalibrierung und Fairness werden neben der Genauigkeit getestet.
| Prüfen | Wie es gemacht wird |
|---|---|
| Extraktionsgenauigkeit | Die Kompetenzextraktion wird anhand von manuell kodierten Stichproben geprüft |
| Fairnesstests | Werkzeuge werden auf ungleiche Auswirkungen zwischen Gruppen geprüft |
| Repräsentativität | Posting data are compared with published vacancy statistics |
Die Leistung verschlechtert sich, wenn die Einsatzbedingungen von den Trainingsdaten abweichen. Modelle können Verzerrungen kodieren und bei seltenen Ereignissen ohne klare Warnung versagen.
Künstliche Intelligenz und autonome Systeme ist Sachwalter von künstlicher Intelligenz und maschinellem Lernen für das Consortium und prüft, wie sie plattformübergreifend angewandt werden.
Reports ist die vierteljährliche Publikation des Konsortiums. Was Sie über dieses Thema wissen, kann in der nächsten Ausgabe zu Evidenz, einem Fall oder einer Korrektur werden, Ihnen zugeschrieben und unter CC BY 4.0 veröffentlicht, soweit es Ihr eigenes Werk ist.
Senden Sie nie personenbezogene Daten, sensible Infrastrukturdetails oder etwas, das Sie nicht weitergeben dürfen. Ein Beitrag wird vor der Nutzung geprüft; das Einsenden begründet weder Urheberschaft noch redaktionelle Rechte, und Sponsoring erkauft nie ein Ergebnis.
Information und Anfragen sind heute offen. Eine Anfrage erhält ein Aktenzeichen und nennt den nächsten Schritt; Bewerbungen, Zahlungen, Rechenzuteilungen und Registrierungen öffnen erst, wenn Team, Bedingungen und Prüfkapazität bestehen.
Karten, Daten und Zahlen auf dieser Website werden zu Kontext- und allgemeinen Informationszwecken gezeigt. Sie sind weder Beratung noch Prognosen oder Warnungen; die Grenzen der Information sind in den Haftungsausschlüssen und Datenhinweisen dargelegt.
Diese Website verwendet nur unbedingt erforderliche Cookies, um zu funktionieren und Ihre Datenschutzeinstellungen zu speichern. Nichts wird von anderen Unternehmen geladen, und wir verkaufen oder teilen Ihre personenbezogenen Daten niemals.
Diese Website verwendet nur unbedingt erforderliche Cookies, um zu funktionieren und Ihre Datenschutzeinstellungen zu speichern. Nichts wird von anderen Unternehmen geladen, und wir verkaufen oder teilen Ihre personenbezogenen Daten niemals. Wir schalten keine Werbung. Sie können Ihre Einstellungen jederzeit über „Datenschutzeinstellungen“ am Fuß jeder Seite überprüfen.