Aprendizaje en el puesto de trabajo
Job-Embedding Learning es un método de aprendizaje automático que genera representaciones vectoriales (incrustaciones) de descripciones de puestos de trabajo y perfiles de candidatos para mejorar los procesos de contratación y gestión del talento. Utiliza el procesamiento del lenguaje natural para captar el significado semántico de las funciones y competencias de los puestos de trabajo, lo que ayuda a emparejar correctamente a los candidatos con las oportunidades laborales.
Al facilitar a los responsables de la contratación la identificación de los candidatos que más se ajustan a los perfiles, el aprendizaje por inserción laboral reduce el tiempo dedicado a leer currículos. Por ejemplo, puede encontrar a aquellos aspirantes que tienen, aunque con términos diferentes en el currículum, habilidades y carreras comunes, lo que a su vez aumenta el número de candidatos de procedencias diversas y fomenta la igualdad en la contratación.
Job-Embedding Learning utiliza el procesamiento del lenguaje natural (PLN) para el análisis y la conversión de descripciones de puestos y perfiles de candidatos en vectores de alta dimensión. Si el sistema es capaz de entender el contexto y las relaciones de las palabras, puede ver y distinguir (a través de las habilidades/cualificaciones que no se indican directamente) las diferencias en las cualificaciones de los candidatos y, de este modo, dar un resultado más preciso a las evaluaciones de la adecuación del candidato al puesto.
Por supuesto, Job-Embedding Learning puede adaptarse a diferentes sectores simplemente entrenando los modelos en descripciones de puestos y conjuntos de habilidades específicos de cada industria. Por ejemplo, una herramienta de contratación para el sector sanitario puede centrarse en el vocabulario médico y las competencias necesarias, mientras que una plataforma de contratación de programas puede centrarse en los lenguajes de programación y las prácticas de desarrollo de software más relevantes para esos campos, garantizando así la pertinencia y la precisión en el emparejamiento de candidatos.
Las empresas pueden enfrentarse a problemas como la necesidad de datos etiquetados de alta calidad para entrenar correctamente sus modelos, junto con posibles sesgos en los datos que pueden afectar a la equidad en la contratación. Además, incluir el aprendizaje integrado en el trabajo en el software y los procesos de contratación existentes puede exigir considerables recursos técnicos y dominio, lo que supone un obstáculo para algunas empresas.