Så här fungerar matchningen

”Jobbmarknad erbjuder arbetstagaren bättre möjligheter att hitta lämpliga jobb som motsvarar den egna kompetensen såväl som sätt att utveckla den egna kompetensen. För arbetsgivare finns det bättre praktiska verktyg för att hitta nya och lämpliga arbetstagare. ”

Problemet med matchning i arbetslivet är att arbetsplatser och arbetstagare inte hittar varandra. Problemen kan bero på regionala skillnader, utbildningsproblem eller förändringar i yrkesstrukturen.  

På Jobbmarknad löser man detta genom att bygga upp en bra webbtjänst och en god matchningsfunktion bakom den. Matchning är när lämpliga arbetsplatser och arbetssökande föreslås för varandra.  

Matchning av strukturella data

Matchningen av strukturella data grundar sig framför allt på hur den som lagt upp arbetsplatsannonsen har beskrivit arbetsplatsen och på hur den anställda har beskrivit sig själv och sin kompetens. Det spelar alltså en roll hur platsannonsen eller jobbsökningsprofilen har fyllts i. För närvarande får användarna förslag med hjälp av strukturell matchning.

Strukturell matchning beaktar arbets- och kompetenshistoria, utbildning och språkkunskaper samt jobbsökningsområde. I beräkningen utnyttjas anrikad ESCO-terminologi, dvs. den har kompletterats med användarnas förslag, samt utbildningsnivå och Statistikcentralens geografiska informationsmaterial. Av arbetshistoriken betonas de senaste arbetserfarenheterna. I fråga om kompetens beaktas också minimikravnivån, om en sådan har lagts till arbetsplatsannonsen.

När strukturella data används för matchning samlar yrkeshistoria och kompetens matchningspoäng. Språkkunskaper, utbildning och plats minskar däremot på de insamlade poängen.

De bästa förslagen är alltså platsannonser i önskat område med lämpliga utbildningskrav eller jobbsökningsprofiler med många gemensamma yrken och kompetenser.  

ESCO-kompetenser som bas för matchning

Yrken och färdigheterna du ser på Jobbmarknad baseras på ESCO- klassifieringen. ESCO är Europeiska kommissionens europeiska klassificering av färdigheter, kvalifikationer och yrken. Klassifieringen och information om den hittar du på Kommissionens hemsida. Yrkerna och färdigheterna är beskrivna på minst engelska.

ESCO-klassifieringen på kommissionens hemsida (ec.europa.eu)

Matchningen sker i två riktningar

Vid sidan av det strukturella matchningen infördes under våren 2021 en modell utifrån identifiering av naturligt språk, dvs. NLP-matchning. Förkortningen kommer från natural language process.

Vid NLP-matchning används skrivna texter som grund och det görs på tre språk. Med automatiska översättningar skapas undervisningsdata för olika språk.

Vid NLP-matchning utnyttjas anmälningsdata för Jobbmarknads arbetsplatser. Ur platsannonserna plockas relevanta ord ut med hjälp av ordvektorer och neuronnät.

Vid beräkningen av matchningspoängen används ordvektorerna för att förstå vilka ord som hör ihop med varandra och vilka arbetsannonser som är relevanta för vilken jobbsökningsprofil. Poängantalet anger relevansen.

För användaren blir båda sätten vid matchningen som ett sömlöst samarbete.

Artificiell intelligens som hjälp vid identifiering av språk

Artificiell intelligens hjälper vid matchning – till exempel finns det en kompetensrekommenderare mellan maskinen och personen, vilket hjälper att lägga till de rätta kompetenserna i jobbsökningsprofilen eller platsannonsen. På så sätt blir det lättare för dig att beskriva och sätta ord på din egen kompetens.  

Naturligt språk utnyttjas också i kompetensrekommenderaren. Kompetensrekommenderaren är en funktionalitet som föreslår yrken och kompetenser åt dig utifrån naturligt språk, dvs. skriven text. 

Du kan till exempel kopiera din presentation från Linkedin eller texten i platsannonsen till Jobbmarknad och därigenom få förslag på lämpliga benämningar. 

I kompetensrekommenderaren utnyttjas textmaterial från ESCO-ontologin och Yrkesinfo. Genom automatisk översättning lärs metoderna in på alla tre språken, dvs. finska, svenska och engelska. När rekommendationerna utformas utnyttjas TF-IDF-dokumentvektorer.

Om du är intresserad av den tekniska aspekten av matchningen, berättar utvecklaren Heikki Niittylä närmare i sina bloggar hur till exempel kompetensrekommenderaren har byggts upp. Fler grunder för användning av artificiell intelligens finns till exempel i Minna Vänskäs blogg. 

  • Uppdaterad: