W poprzednich artykułach poruszaliśmy temat sztucznej inteligencji i jej potwierdzonego lub możliwego wpływu na edukację. Ten artykuł wyjaśnia, dlaczego warto wykorzystać Deep Learning (głębokie uczenie), aby pomóc profesjonalistom podjąć kolejny krok zawodowy i osiągnąć w nim sukces.

Czym jest Deep Learning?

Deep Learning to sposób, w jaki sieć komputerów analizuje dane i uczy się na ich podstawie (poprzez wiele procesów, stąd „deep (głębokie)”) w taki sposób, aby umożliwić przewidywanie zachowań na podstawie bardzo obszernego zestawu poprzednich zachowań.

Dlaczego jest to istotne dla projektu SILKC Path?

W ramach projektu SILKC Path, oferujemy każdemu z użytkowników rekomendację szkoleń niezbędnych do osiągnięcia umiejętności koniecznych do zdobycia wymarzonej pracy tak efektywnie, jak to tylko możliwe.

Uważamy, że poszczególne etapy przejścia (poprzez szkolenie) z obecnej pracy do wymarzonej pracy tworzą *ścieżkę* i że będzie ona miała wspólne elementy ze ścieżkami innych osób.

Jednak różnorodność ludzi, ich profesji, marzeń i szkoleń, które mogą odbyć, jest tak obszerna i zawiera tak wiele szczegółów, że niemożliwe byłoby dla jednej osoby, a nawet grupy specjalistów HR, przedstawienie odpowiedniego rozwiązania dla każdego użytkownika w odpowiednim czasie.

Określenie umiejętności, które dany użytkownik już posiada i umiejętności, których mu brakuje jest stosunkowo proste: analizujemy jego/jej aktualną pracę, używamy wspólnego zakresu umiejętności (w tym przypadku ESCO – ponieważ zapewnia wspólny zestaw umiejętności na poziomie europejskim), aby ustalić zakres umiejętności, które dany użytkownik prawdopodobnie posiada („nabyte umiejętności”), następnie analizujemy wymarzoną pracę i umiejętności, których ona wymaga („wymagane umiejętności”) i odejmujemy nabyte umiejętności od wymaganych. Biorąc  pod uwagę pozostałe umiejętności wymagane, szukamy najlepszego dostępnego szkolenia, które umożliwi zdobycie tych brakujących wymaganych umiejętności. To proste.

Kwestia ta staje się bardziej skomplikowana, w przypadku gdy:

·         Użytkownicy mają inne pochodzenie.

·         Użytkownicy nie pochodzą z tej samej miejscowości.

·         Użytkownicy są w innym wieku.

·         Użytkownicy nie znają języka, w którym prowadzone są szkolenia.

·         Użytkownicy mają specjalne potrzeby.

·         Nie istnieje szkolenie, które zapewniałoby nabycie wszystkich brakujących umiejętności.

·         Koszt szkolenia jest zbyt wysoki.

·         Dane szkolenie nie jest polecane przez inne osoby o podobnych aspiracjach.

·         Dane szkolenie jest polecane, ale osoby, które je polecały, nie utrzymały się długo w swojej „wymarzonej pracy”, co wskazywałoby na jakieś niepowodzenie w ich planie.

·         Szkolenie nie jest dostępne w określonym czasie.

Te 10 kryteriów i potencjalnie wiele innych  to elementy, dane, które chcemy przeanalizować, aby zaoferować lepsze rekomendacje. Wyobraźmy sobie, że każde z tych prostych 10 kryteriów będzie miało około 10 wariantów (łatwo to sobie wyobrazić w przypadku wieku, języka i nabytych umiejętności). Prosta analiza kombinatoryczna zasugerowałaby ponad 10 miliardów kombinacji. Dodajmy jedno kryterium „10 wariantów” i wyjdzie 100 miliardów.

Przeprowadzenie takiej analizy ręcznie dla każdego użytkownika byłoby niezwykle kosztowne, czasochłonne i powolne.

Zaprogramowanie jej w klasyczny sposób wymagałoby początkowo ogromnego wysiłku programistycznego i regularnego dostosowywania kodu w celu kolejnych ulepszeń naszego modelu. Deep learning jednak doskonale radzi sobie z tego typu analizą.

Przy pomocy Deep Learning możemy zaprojektować podstawowe reguły systemu, podać przykłady oczekiwanych wyników, a następnie pozwolić systemowi przetworzyć te informacje, dopracować je i stale podawać nowe, aby wykształcić system, który będzie się stale samodoskonalił.

Wniosek

Biorąc pod uwagę różnorodność i liczbę wartości (kryteriów), które nasz system będzie musiał przeanalizować, aby dostarczyć użytkownikom indywidualne rekomendacje, które pozwolą im dostać wymarzoną pracę, wykorzystanie potencjału Deep Learning wydaje się być bardzo atrakcyjną opcją.

Przetwarzanie tych informacji ręcznie (lub programistycznie) wymagałoby użycia nadmiernych zasobów i musiałoby zostać zaniechane z powodu braku funduszy.

Wykorzystując Deep Learning, przygotowujemy maszyny do wykonywania tej pracy i zapewniamy dostęp dla wszystkich.