Socios
Contexto y visión general
En un mercado laboral en rápida evolución, los métodos de previsión convencionales a menudo no logran captar las necesidades emergentes en Europa. Para abordar esta cuestión, las instituciones de algunos países europeos pusieron en marcha una iniciativa de colaboración que conectaba a las agencias de empleo, las universidades y los centros de ciencia de datos. El objetivo era diseñar un proceso impulsado por la inteligencia artificial capaz de detectar, extraer y clasificar en tiempo real las competencias útiles para los proveedores de formación y los responsables políticos.
Desafío abordado
|
Desajuste persistente entre la oferta y la demanda de competencias. |
Grandes volúmenes de datos no estructurados difíciles de comprender con las herramientas tradicionales. |
|
Ciclos de retroalimentación lentos, ya que los informes sobre políticas suelen describir las necesidades del pasado en lugar de las del futuro. |
Fragmentación de las clasificaciones (ESCO, sistemas nacionales) que limita la comparabilidad transfronteriza. |
Solución implementada
Se estaba implementando un proceso de DataOps. Este integra la ingeniería de datos y el aprendizaje automático. Los pasos principales incluían la integración de datos heterogéneos, como portales de ofertas de empleo y bases de datos de currículos, una aplicación de aprendizaje automático para identificar habilidades técnicas y transversales, y la asignación de competencias extraídas de herramientas europeas como ESCO.
Impacto y resultados
|
Precisión |
La extracción de habilidades alcanzó una precisión superior al 80 % y una recuperación superior al 94 %. |
|
Eficiencia |
El procesamiento automatizado redujo el tiempo de análisis de días de codificación manual a minutos gracias al uso de la IA. |
|
Apoyo de la IA |
La IA proporciona señales potentes, pero la interpretación de los expertos sigue siendo esencial. |
Extracción de habilidades, inteligencia del mercado laboral, canalización de DataOps, aprendizaje automático, integración ESCO
