График навыков LinkedIn: прокладывая путь к экономике, ориентированной на навыки, с помощью ИИ и онтологии
15 декабря 2023 г.
Что такое экономика, основанная на навыках, и как LinkedIn переходит от концепции к реализации? Как рассказывает технический директор LinkedIn Софус Макскасси, в построении графика навыков, обеспечивающего переход, участвуют искусственный интеллект, таксономия и онтология.
Навыки — это новая валюта. Это смелое заявление генерального директора LinkedIn Райана Рослански. Рослански приводит аргументы в пользу так называемой экономики, ориентированной на навыки, основываясь как на неофициальных фактах, так и на данных. О найме, ориентированном на навыки, упоминалось в послании о положении страны в 2022 году, и все большее число руководителей призывают компании изменить методы найма сотрудников.
Кроме того, последние данные LinkedIn показывают, что наборы навыков С 2015 года рабочие места изменились примерно на 25%. Ожидается, что к 2027 году это число удвоится. Это означает, что работа для вас меняется, даже если вы ее не меняете, точно так же, как требования бизнеса меняются для вас, даже если вы не меняете свой бизнес.
Это был не первый и не последний раз, когда Рослански говорил об этом. В 2021 году генеральный директор LinkedIn изложил концепцию, которая поможет перевести рынок найма персонала с фокуса исключительно на о титулах и компаниях, степенях и школах, а также сосредоточив внимание на навыках и способностях. В своем сообщении от 2021 года Рослански анонсировал новые функции и услуги LinkedIn. Он также упомянул об изменениях, вызванных искусственным интеллектом, — пророческой мысли, вновь выдвинутой на первый план в 2023 году.< /п>
Росланский не единственный, кто отмечает этот сдвиг. В 2018 году мы заявили, что в быстром меняющийся рынок труда, возможность формализовать навыки является обязательным требованием для соискателей работы и работодателей в будущем. В 2019 году мы продолжили этот процесс, проведя дополнительный анализ взаимосвязи между будущее работы, навыкам и диаграммам знаний.
В 2021 году Рослански впервые обратился к LinkedIn Skills Graph. График навыков был представлен, чтобы помочь создать общий язык навыков, и он поддерживает множество функций и сервисов LinkedIn, а также Microsoft Viva. В 2022 году технический директор LinkedIn Софус Макскасси подробно рассказал, как График навыков LinkedIn создан для того, чтобы способствовать развитию мира, ориентированного на навыки.
https://www.youtube.com/watch?v=tiE9ZMgfJKM&embedable=true
Дополнительная информация о построении и поддержании таксономии навыков, которая График навыков LinkedIn был опубликован ранее в 2023 году. Сегодня Макскасси и его команда делятся более подробной информацией о том, как они извлечение навыков из контента для создания графика навыков LinkedIn. Мы встретились с Макскаши, чтобы обсудить путь от замысла до реализации.
Таксономия навыков LinkedIn: помогаем всем говорить на одном «языке навыков».
Как отметил Мачкасси, история навыков в LinkedIn уходит корнями в далекое прошлое. Пользователи LinkedIn уже давно могут добавлять навыки в свои профили и поддерживать друг друга. В LinkedIn поняли, что навыки представляют собой важный словарный запас, с помощью которого люди общаются и понимают друг друга. Но в какой-то момент пришло осознание, что это выходит за рамки просто поиска работы или поиска талантов.
Когда генеральный директор подчеркнул, что LinkedIn должна перейти в мир, где навыки ориентированы прежде всего, возник вопрос: что это вообще значит? С технической точки зрения команде нужно было понять, в чем заключалось видение.
Когда команда начала изучать различные линейки продуктов, а также ленту новостей, рекламу, рекомендации и поиск, они поняли, что навыки можно использовать в качестве сигналов для ранжирования и рекомендаций. Но на пути от замысла к реализации не обошлось без препятствий.
У многих людей не было навыков, указанных в их профилях. Даже когда они это делали, люди не обязательно использовали один и тот же словарный запас. Было непросто выяснить, связаны ли эти два навыка друг с другом или даже являются синонимами друг друга. Именно на это намекает упоминание Рослански о том, чтобы помочь всем говорить на одном «языке навыков».
Чтобы устранить двусмысленность, первым подходом было создание Таксономия навыков LinkedIn. Таксономия навыков – это место, где LinkedIn систематизирует и классифицирует навыки на основе их иерархических связей друг с другом.
Каждый навык представлен «узлом» в таксономии навыков, и узлы связаны друг с другом, образуя иерархическую сеть навыков через «ребра», называемые линиями знаний. Линии передачи знаний отражают то, как два навыка соотносятся друг с другом. Навыки могут быть связаны по разным причинам, например, оба навыка являются частью профессиональной специализации или один навык предназначен для инструмента, который используется для применения другого навыка.
Чтобы создать более сильную сеть взаимосвязанных навыков, используется структура под названием «Структурированные навыки». Эта структура улучшает понимание каждого навыка, отображая его связи с другими навыками вокруг него.
Построение диаграммы навыков с участием ИИ и людей
Таксономия связанных навыков разрабатывается совместно специалистами-таксономистами и машинным обучением. Такой подход к построению графика навыков с участием человека помогает расширять таксономию в масштабе, обеспечивая при этом соответствие данных о навыках требуемому качеству и стандартам.
<блок-цитата>«Это цикл обратной связи, в ходе которого мы видим новые навыки и новые способы упоминания навыков по всем направлениям. Мы используем это для динамического расширения графика навыков, когда видим новые способы поэтапного развития навыка или даже новый навык, которого мы никогда раньше не видели.
Например, быстрое проектирование – это новый навык, который действительно появился за последние пару кварталов. Поэтому мы хотим динамически добавлять его в график навыков. Затем мы используем эти новые навыки, которые впоследствии можно будет пометить в контенте», — сказал Мачкасси.
Это непрерывный процесс, и частота его выполнения зависит от типа контента. Процесс сбора навыков происходит по требованию по мере обновления контента. Потенциальные дополнения или улучшения в графике навыков группируются, поэтому проверки и обновления не нужно выполнять каждый раз при каждом отдельном обновлении.
В 2022 году таксономия LinkedIn будет включать более 39 000 навыков, охватывающих 26 языков, более 374 000 псевдонимов (различные способы обозначения одного и того же навыка — например, «анализ данных» и «аналитика данных») и более 200 000 связей между навыками. В 2023 году будет более 41 000 навыков.
Вместо того, чтобы полагаться только на таксономистов, которые вручную обрабатывают более 41 тыс. навыков, LinkedIn применяет методы машинного обучения, чтобы масштабировать построение таксономии. Сюда входит разработанный LinkedIn инструмент KGBert, вдохновленный KG-Bert, контролируемой моделью, которая применяет глубокое семантическое понимание навыков для предсказать родословную.
От таксономии к онтологии
Используя модели машинного обучения, LinkedIn может извлекать и сопоставлять навыки из различных источников контента, а также собирать отзывы для постоянного улучшения модели и повышения ценности участников. Для этого большие фрагменты текста (например, описания вакансий и резюме) сначала необходимо разделить на значимые части.
Упоминания о навыках затем можно будет удалить из каждого фрагмента текста. После извлечения они нормализуются в канонические/единичные представления (т. е. «аналитика данных» и «анализ данных» представляют собой один и тот же тип навыков), представленные в таксономии навыков.
Также необходимо обратить внимание на то, где навык находится в фрагменте контента и какой это тип контента. Навыки часто представлены по-разному в резюме, профилях участников или описаниях должностей, поэтому модели настраиваются с учетом особенностей этих типов контента.
Чтобы устранить эти нюансы, LinkedIn создал архитектуру и платформу, которая решает задачи извлечения навыков и их отображения в графике навыков. сообщение, опубликованное командой Макскасси подробно описан рабочий процесс модели ИИ, который извлекает и отображает навыки из необработанного текста, например объявлений о вакансиях, а также архитектуру для обслуживания моделей в большом масштабе.
Однако, как отмечает бывший технический руководитель отдела искусственного интеллекта по таксономии и онтологиям в LinkedIn Майк Диллинджер, таксономии — это клейкая лента связанных данных. Они кажутся простыми, гибкими и знакомыми. Они широко используются. И похоже, что они работают во многих случаях использования и во многих областях.
Но при более детальном рассмотрении таксономии оказываются грубыми инструментами организации знаний, которые сложно создавать, масштабировать, адаптировать, согласовывать и развивать. Основная причина заключается в том, что они ограничены моделированием иерархических отношений, которые представляют собой лишь небольшую часть богатых отношений, соединяющих сущности в реальном мире.
Некоторые технические детали, представленные в Графике навыков, намекают на сбор и использование чего-то большего, чем иерархические отношения. Макскасси подтвердил, что LinkedIn использует онтологию, используемую не только для сопоставления навыков между филиалами, но и для других концепций. Это значительно улучшило рейтинг и рекомендации. Более подробная информация будет представлена позже.
Явные и неявные навыки
Приложения в LinkedIn включают в себя навыки, необходимые для карьеры, и навыки, важные для работы. Этот подход привел к повышению производительности при рекомендации вакансий, поиске работы и сопоставлении навыков сотрудников.
В рамках этого процесса собираются отзывы о навыках рекрутера и соискателя. Когда рекрутер вручную публикует вакансию в LinkedIn, после заполнения содержимого публикации предлагается список навыков, полученный с помощью модели искусственного интеллекта LinkedIn. Рекрутер может редактировать этот список в зависимости от того, считает ли он, что тот или иной навык важен.
Аналогичным образом, когда соискатель открывает объявление о работе в LinkedIn, функция показывает, сколько навыков пересекается между его профилем и вакансией. Соискатели могут просмотреть 10 лучших навыков, используемых для расчета соответствия навыков, и, если определенный навык не имеет отношения к вакансии, они могут оставить отзыв.
Очевидно, что LinkedIn приложил немало усилий для сбора и использования этих «неявных» навыков в дополнение к навыкам, явно указанным участниками. И есть якоря, позволяющие выявить эти неявные навыки и отзывы соискателей и рекрутеров на обоих концах процесса найма.
Но как насчет участников LinkedIn, которые активно не набирают или не набирают новых сотрудников? Разве они не выиграют от возможности увидеть навыки, которые LinkedIn извлекает из их контента, и, возможно, им тоже будет предложено добавить их в свои профили? Более того, явные навыки являются частью профиля участника и, следовательно, могут быть экспортированы, если участники того пожелают. А как насчет неявных навыков?
Макскасси отметил, что существуют возможности и потоки, с помощью которых члены могут приобретать навыки. LinkedIn продолжает совершенствовать потоки, в которых предложения делаются на основе резюме и профилей участников. Участников спрашивают, могут ли они захотеть добавить определенные навыки или даже связать определенные навыки с определенными видами своей работы. Однако подсказки не выполняются слишком агрессивно.
Что касается неявных навыков, Макскасси сказал, что они не обязательно проявляются, потому что они более изменчивы по своей природе. Он добавил, что нет смысла раскрывать все это, особенно потому, что LinkedIn движется вперед к более динамичному и углубленному подходу к навыкам. Таким образом, эти навыки не считаются частью профилей участников и не экспортируются.
Происхождение навыков, надежность и глубина
Следует выделить и другие аспекты скрытого сбора навыков: происхождение, надежность, глубину и функциональную совместимость. Поскольку неявные навыки извлекаются из контента, который предоставляют сами участники, есть ли способ оценить вес этого контента или его нужно принимать за чистую монету?
По словам Макскаши, контент, который предоставляют участники, — это то, как они хотят себя представить. Так что это следует принимать за чистую монету, поскольку все сводится к доверию. LinkedIn не заметил, чтобы участники искажали правду, потому что много людей просматривают их профессиональные профили, и их могут разоблачить, добавил Мачкасси.
Однако существует механизм, с помощью которого можно оценить глубину опыта членов. Оценки навыков LinkedIn (SA) – это адаптивные оценки, разработанные LinkedIn. Эксперты по обучению оценивают и подтверждают навыки в различных областях.
Эти краткие оценки доступны через раздел навыков профиля, где участники могут нажать кнопку «Пройти тест на навыки», чтобы получить доступ к списку рекомендаций SA. При успешной сдаче SA с результатом 70-го процентиля или выше участники получают значок «проверенный навык», который они могут отобразить на странице своего профиля и увидеть рекрутерам.
Оценки навыков, а также другие учебные материалы соответствуют навыкам в таксономии навыков. Он представлен внутри данных участников и может быть частью рейтинга. Количество SA и сертификатов по-прежнему очень мало по сравнению с другим контентом. LinkedIn рассматривает, как лучше всего выявить и использовать эту информацию, например, оценивая взаимодействие участников.
Взаимодействие, открытые значки и будущая работа
Что потенциально может помочь как с точки зрения совместимости, так и с точки зрения обогащения контента, это Открытые значки. Open Badges — это спецификация данных, инициированная Mozilla и Фондом Макартуров. Цель состоит в том, чтобы предоставить простой, но гибкий формат для документирования и демонстрации навыков. Значок соответствует навыку, которым обладает человек, согласно признанию третьей стороны.
Это означает, что, используя открытые значки, участники LinkedIn смогут как импортировать навыки, задокументированные третьими лицами, так и экспортировать свои навыки в стандартизированном формате. Макскасси сказал, что команда знает об открытых значках, однако основное внимание уделяется тому, что может помочь участникам в работе с платформой. Открытие значков находится на радаре, но на данный момент имеет низкий приоритет.
LinkedIn инвестирует в постоянное улучшение возможностей понимания навыков с помощью таких подходов, как использование моделей большого языка. Примеры включают использование LLM для предоставления подробных описаний навыков, тонкую настройку LLM для улучшения извлечения навыков или использование внедрения для представления навыков.
Как отмечает команда, LinkedIn Skills Graph находится в центре трансформации, ориентированной на навыки. Стек технологий для сопоставления контента с графиком навыков позволяет постоянно обновлять и развивать график навыков, чтобы оставаться в курсе постоянно меняющейся ситуации с навыками.
Присоединяйтесь к информационному бюллетеню Orchestrate All the Things
Истории о том, как технологии, данные, искусственный интеллект и средства массовой информации перетекают друг в друга, формируя нашу жизнь. Анализ, эссе, интервью и новости. Средне-длинная форма, 1–3 раза в месяц.
Также опубликовано здесь.
Оригинал