Abbiamo spesso parlato di Intelligenza Artificiale negli articoli precedenti e del suo possibile o provato impatto sull’educazione. In questo articolo, si andrà a spiegare il perché pensiamo abbia senso utilizzare il Deep Learning per assistere i professionisti nella ricerca della loro prossima opportunità di carriera e nella loro ricerca di successo.

Che cos’è il Deep Learning?

In sostanza, il Deep Learning (apprendimento “profondo”) è, per una rete, un modo di analizzare dati e apprendere qualcosa (attraverso molteplici processi, da qui il “deep”) in maniera tale da predire, ad esempio, un comportamento, sulla base di un grande insieme di comportamenti precedenti.

Perché risulta importante nel contesto del progetto SILKC Path?

Con SILKC Path, vorremmo offrire a tutti i migliori consigli di formazione, indispensabili affinché ciascuno possa ottenere le competenze necessarie per il proprio lavoro dei sogni, nella maniera più efficace possibile.

Siamo convinti che le tappe necessarie per “spostarsi” (attraverso la formazione) dal proprio lavoro attuale verso il lavoro dei sogni, formino un *percorso*, e che questo percorso condivida tappe comuni con il percorso di altre persone.

Le differenze possibili tra le persone, i loro lavori, i loro sogni e i tipi di formazione che possono intraprendere sono talmente numerosi e dettagliati che sarebbe impossibile per una persona o un gruppo di persone, anche specializzate in risorse umane, offrire une proposta di qualità a ciascuno in tempi ragionevoli.

Trovare le competenze che un qualunque utilizzatore a ottenuto e quelle che gli mancano è relativamente semplice: è sufficiente analizzare il proprio impiego attuale, usare un sistema di riferimento comune (usiamo ESCO perché fornisce un insieme di competenze comuni a livello europeo) per stabilire le competenze che questo utilizzatore probabilmente possiede (“competenze acquisite”). Analizzare poi il lavoro dei sogni e le competenze che esso richiede (“competenze richieste”) e sottrarre le competenze acquisite da quelle richieste. Con questa differenza di competenze, potremmo trovare la migliore formazione, che insegni tutte le competenze richieste e mancanti. Facile, quindi.

Il momento in cui questo processo diventa più complesso è quando l’utilizzatore: 

  • Non condividono lo stesso background
  • Non vivono tutti nella stessa area geografica
  • Non hanno la stessa età
  • Non parlano la lingua della formazione
  • Hanno dei bisogni speciali
  • Non trovano la formazione in grado di colmare le competenze mancanti
  • Hanno difficoltà a sostenere i costi di queste formazioni
  • Corrispondono a delle formazioni che non sono consigliata da altri con le stesse aspirazioni
  • Corrispondano a formazioni che sono consigliate da altri ma che non sono rimasti per tanto tempo in questa posizione di “lavoro dei sogni”, il che indica una sorta di fallimento del processo
  • Non hanno il tempo necessario per assistere alla formazione nel momento in cui viene resa disponibile

Questi 10 criteri, e potenzialmente molti altri, sono elementi, i “punti dati” che vorremmo analizzare per offrire migliori raccomandazioni. Immaginate che ciascuno di questi 10 criteri abbia una decina di variazioni ciascuno (facile da immaginare per l’età, la lingua e le competenze acquisite). Una semplice analisi combinata avrebbe suggerito più di 10 miliardi di combinazioni. Aggiungiamo una decina di variazione a criterio e arriviamo immediatamente a 100 miliardi.

Fare una tale analisi manualmente per ogni utilizzatore sarebbe spaventosamente costoso in termini di tempo e spesa e sarebbe un processo molto lento per l’utilizzatore finale che limiterebbe dunque le sue ricerche ad una cerchia ristretta di possibilità.

Programmare questo processo in maniera classica richiede una enorme quantità di sviluppo iniziale e degli aggiornamenti regolari del codice per permettere un miglioramento sequenziale del modello. Il Deep Learning, al contrario, eccelle in questo genere di analisi.

Utilizzando il Deep Learning, possiamo elaborare le regole base del sistema, fornendogli degli esempi, dei risultati che sembrano soddisfare la logica umana e lasciare che il sistema tratti le informazioni in questa maniera, che si migliori e che venga alimentato con delle nuove informazioni in corso d’opera, al fine di addestrare un sistema che si migliori costantemente.

Conclusioni

Considerata la grande varietà dei dati e il numero dei valori (criteri) che il nostro sistema dovrà analizzare al fine di fornire raccomandazioni personalizzate per permettere di trovare, ai nostri utilizzatori, dei percorsi efficaci in direzione del loro lavoro dei propri sogni, avere la potenza del Deep Learning a portata di mano, sembrerebbe un’opzione molto attraente.

Trattare queste informazioni manualmente (o in maniera programmata) richiederebbe risorse eccessive; in più la mancanza di risorse finanziarie impedirebbe questo tipo di azione. Utilizzando il Deep Learning, vorremmo addestrare dei computer a fare tutto questo lavoro in maniera economica, rapida e precisa.