Введение

Обзор раздела: В этом разделе мы познакомимся с университетом 2035 и его направлением развития человека на основе данных.

Университет 2035

• Университет 2035 - научно-исследовательский центр, который занимается исследованием, разработкой методологии и инструментов в области данных.

• Организация работает на государственные средства и занимается внедрением этих инструментов на рынке образования, труда и принятия решений на основе данных.

Искусственный интеллект и большие данные на рынке труда

Обзор раздела: В этом разделе мы поговорим о том, что такое искусственный интеллект, как он работает и как он используется на рынке труда.

Искусственный интеллект

• Искусственный интеллект - это нейросетевые алгоритмы, которые обучаются сами и могут принимать решения без участия человека.

• Университет 2035 использует слабый искусственный интеллект, который основан на простых алгоритмах, которые всегда может понять специалист.

Большие данные на рынке труда

• Университет 2035 использует автообновляемые данные рынка труда, обработанные на основе рубрикатора.

• Программы краулеры засасывают огромное количество свежих данных из интернета о вакансиях и профессиональных мероприятиях.

Цифровой след и анализ данных

Обзор раздела: В этом разделе рассказывается о том, как собираются данные о людях и как они используются для создания цифрового профиля. Также обсуждаются алгоритмы, которые используются для анализа этих данных.

Сбор данных

• Данные о людях собираются для дальнейшего использования в цифровом профиле.

• Данные могут быть получены из чат логов, программ управления задачами и других источников.

• Используется даты лингвистика для анализа записей чатов.

Цифровой профиль

• Цифровой профиль - это способ отображения массива данных, который был собран и проанализирован.

• В цифровой профиль также включены данные взаимооценки.

Анализ данных

• Искусственный интеллект - это ансамбль алгоритмов, каждый из которых заточен на свою узкую задачу.

• Приложение "Поле Analyst" используется для комплексной обработки данных и не требует знания программирования.

• После обработки данных через алгоритмы, мы можем получить решение сложных задач.

Цифровая модель компетенций

Обзор раздела: В этом разделе говорится о цифровой модели компетенций, которая была создана на основе анализа массивов данных рынка труда.

Создание цифровой модели компетенций

• Профессиональные стандарты и квалификации в России должны начать делаться на основе анализа массивов данных рынка труда.

• Цифровая модель компетенций забирает данные с рынка труда, обрабатывает их, удаляет дубли и строит на основе этого компетентностную модель.

• Для создания цифровой модели компетенций используются данные российского и зарубежного рынков труда, а также образовательных программ.

• Работа с текстами является важной частью создания цифровой модели компетенций. Необходимо проводить качественную подготовку и обработку текстовых данных.

Семантический анализ

• Для распознавания слов в тексте используется семантический анализ.

• Рубрикатор помогает описать профессиональную область по функциональным позициям, трудовым функциям и задачам.

Исследовательские задачи

• Команда занимается исследовательскими задачами и созданием новых моделей и методов для создания онтологии профессиональной деятельности.

• Цикл работы с данными включает распознавание, анализ, рубрикацию и восстановление предметной области. В результате получается рубрикатор, который максимально полно описывает любую профессиональную область.

Модель профессиональной области

Обзор раздела: В этом разделе говорится о модели профессиональной области и ее компонентах.

Картирование предметных областей знания

• Предметные области знания могут быть картированы на навыки, хардовые и софтовые инструменты.

• Анализ рождает подробную онтологию, которая может быть применена в любой профессиональной области.

• Для применения искусственного интеллекта на рынке труда необходимо собирать огромные массивы данных, анализировать их семантически и строить рубрикаторы.

Применение данных на практике

• Создание дашбордов и ситуационных центров на основе больших данных является интересным подходом для использования данных.

• На основании комплексного анализа данных можно выводить показатели, такие как анализ бедности, рынка труда, миграции, образования, лояльности власти и технологических трендов.

• Проект Frost с Сбербанком и проекты с рядом регионов, таких как Ханты-Мансийский автономный округ, являются примерами использования данных на практике.

Проект Роза Молодежи

Обзор раздела: В этом разделе говорится о проекте Роза Молодежи и создании дашборда для анализа данных.

Анализ профессий для женщин

• Была задача проанализировать профессии, которые являются профессиями быстрого входа для женщин в трудной жизненной ситуации.

• Благодаря алгоритму, созданному для анализа рынка труда, было предложено топ 20 профессий для женщин, которые не требуют опыта работы и доступны в удаленной работе.

Создание дашборда

• Создание комплексного дашборда позволяет посмотреть на все вакансии связанные с data centre чинами eighty специфичными профессиями.

• Цифровая модель компетенций позволяет по любому региону России в реальном времени посмотреть на все вакансии связанные с data centre чинами eighty специфичными профессиями.

Инструмент для анализа рынка труда

Обзор раздела: В этом разделе говорится о том, как инструмент помогает людям, которые только начинают свою карьеру, определиться с направлением развития и максимально капитализировать свою себестоимость.

Анализ данных рынка труда

• Инструмент показывает, как прирастает стоимость вакансии в зависимости от изменения навыков в рамках каждой профессии.

• Использование искусственного интеллекта полезно для людей, особенно для тех, кто рассматривает варианты смены трудовой деятельности или трудоустройства.

Трендовый анализ

• Для прогнозирования будущего используется трендовый анализ на основе данных научных публикаций, патентов, инвестиций в стартапы и СМИ.

• Закономерности выстраиваются на основе этих публикаций и анализируются изменения количества упоминаний, рост или падение отраслей.

Профессиональные стандарты

• Использование искусственного интеллекта помогает спрогнозировать, куда стоит направлять свое развитие для максимальной востребованности на рынке труда.

• Разработка профессиональных стандартов осуществляется в трех ключевых направлениях: разработка игр, искусственный интеллект и образовательные технологии.

• Восемь профессий были выделены на основе анализа данных в этой сфере.

Цифровая модель компетенций

• Авто сгенерированный граф на основе инструмента для про стандарта специалиста по машинному обучению.

• Компетенции разбиваются на отдельные элементы связанные с функциями и задачами.

Различные компетенции для специалиста по машинному обучению

Обзор раздела: В этом разделе говорится о том, какие компетенции необходимы для специалиста по машинному обучению.

Универсальные компетенции

• Универсальные компетенции (soft skills) - это мягкие навыки, которые не основаны на знаниях и позволяют развивать hard skills.

• Некоторые из самых востребованных soft skills: дружелюбие, ответственность, самообучаемость.

Культурный код предприятия

• Инструмент анализа корпоративной культуры и специфики на предприятии помогает выявить культурный код организации и понять, как он расходится или совпадает у сотрудников.

• Анализ культурного кода помогает выявить конфликтный потенциал в организации и понять, как человек включается в этот контекст.

Метапредметные компетенции

• Метапредметные компетенции (soft skills) включают в себя ответы на вопросы, которые не указаны в вакансиях, например: способность принимать на себя ответственность и самообучаться.

• Анализ культурного кода помогает выявить конфликтный потенциал в организации и понять, как человек включается в этот контекст.

Выводы

• Кроме предметных знаний, для успешной работы специалиста по машинному обучению необходимы универсальные компетенции (soft skills), такие как дружелюбие, ответственность и самообучаемость.

• Анализ культурного кода предприятия помогает выявить конфликтный потенциал и понять, как человек включается в этот контекст.

Анализ культуры компании

Обзор раздела: В этом разделе рассматривается анализ культуры компании и ее сотрудников.

Анализ декларируемой культуры

• Первый шаг - изучение декларируемой культуры компании через интервью и анализ документов.

• Исследование того, как компания представляет себя во внешнем мире и какие ценности она выражает.

• Изучение культуры сотрудников, их отношений, коммуникации и проблем.

Деятельность компании

• Разбор специфической деятельности конкретных отделов или типов работников.

• Описание того, что такое "деятельностная культура" и как она может варьироваться в зависимости от типа работы.

Анализ четырех уровней культуры

• Объяснение четырех уровней анализа: структура функций, власть и отношения, коммуникация и эмоции.

• Изучение каждого уровня на примере конкретных показателей, таких как доверие, коммуникация и планирование.

Визуализация анализа культуры

• Представление визуализации анализа культуры компании на основе сопоставления трех разрезов: работа с ошибками, планирование и работа со знаниями.

• Описание реального кейса компании, где была выявлена сложность в работе с неопределенностью и ошибками.

Заключение

• Общий вывод о том, что анализ культуры компании может помочь выявить проблемы в ее функционировании и определить направления для улучшения.

Социальная желательность

Обзор раздела: В этом разделе говорится о том, что люди могут давать желательные ответы в опросах, чтобы показаться лучше. Это может быть связано с боязнью анонимных исследований или просто хорошим настроением. Однако, это может привести к неточным результатам.

Желательные ответы

• Люди могут давать желательные ответы в опросах.

• Это может быть связано с боязнью анонимных исследований или просто хорошим настроением.

• Желательные ответы не всегда отражают реальную ситуацию.

• Анализ данных по желательности помогает выявить слабые звенья в компании.

Культура компании

Обзор раздела: В этом разделе говорится о том, что культура компании может быть самым слабым звеном и как это может повлиять на эффективность работы. Также обсуждаются инструменты для анализа культуры и навыков сотрудников.

Культура компании

• Культура компании может быть самым слабым звеном.

• Натягивание образа культуры, который не соответствует реальности, является тормозящим фактором.

• Анализ данных по культуре помогает выявить проблемные области в компании.

Инструменты для анализа культуры и навыков

• Есть инструменты для анализа культурных особенностей и способности работать в команде.

• Есть инструменты для анализа предметных навыков сотрудников.

• Инструмент анализа культуры позволяет определить тип культуры, на которую было бы комфортнее работать.

Оценка команды и ее эффективности

Обзор раздела: В этом разделе рассказывается о том, как оценивать команду и ее эффективность. Рассматриваются базовые черты личности, которые могут влиять на работу в команде, а также инструменты для оценки зрелости команды.

Основные черты личности

• Существует популярный тест "Большая пятерка", который состоит из 5 базовых черт личности: открытость новому опыту, дружелюбие, добросовестность, экстраверсия/интроверсия и нейротизм.

• На основе этих характеристик можно сказать достаточно много о человеке и его способности работать в команде.

Оценка зрелости команды

• Фокус на рынке труда и образования все больше смещается с обучения одного человека на обучение развития команды.

• Для оценки зрелости команды используются модели, учитывающие критерии эффективности, ценности, деловые привычки и специфику деятельности команды.

• Необходимо также учитывать потенциальные риски.

Инструменты для оценки команды

• Для сбора данных используется цифровой след от текстовых чат логов в программе Discord и Zoom.

• Количество полезных символов, эмодзи, хэштегов и других параметров помогают определить количество содержательной беседы каждого члена команды.

• Визуализация коммуникационного графа позволяет увидеть наиболее активных участников команды.

Анализ сентимента и функциональный граф

Обзор раздела: В этом разделе рассказывается о том, как проводится анализ сентимента и функциональный граф в командной работе.

Анализ сентимента

• В любой команде могут возникнуть сложности, связанные с нежеланием участников работать над проектом или неудобством в команде.

• Чем больше зеленого цвета на графике, тем более позитивно высказывания участников. Красный цвет указывает на острые реакции.

• Берется в расчет близость участников друг к другу и количество общения между ними для определения характеристик коммуникации.

• Можно определить самых эмоциональных и позитивных/негативных участников команды по цветам на графике.

Функциональный граф

• Оценка каждого участника происходит со всех сторон: от самого участника, коллег и наставника.

• Чем больше кружочков на графике, тем более полезным был участник в проекте.

• Зеленые стрелки между участниками показывают, кто работал в паре и имел большее взаимодействие при решении задачи.

Команды искусственного интеллекта

Обзор раздела: В этом разделе рассказывается о командах, занимающихся искусственным интеллектом, и как они могут быть сформированы.

Состав команды

• Команда состоит из трех программистов: двух мужчин и одной женщины.

• У каждого члена команды есть свой набор задач, такие как аналитика данных, машинное обучение и backend.

• Другая команда сконцентрировалась на бизнесе, у нее нет технических специалистов.

Использование искусственного интеллекта

• Использование искусственного интеллекта позволяет проанализировать десятки тысяч команд одновременно.

• Автоматизация цифровизации нужна для обработки больших массивов данных, которые человек физически не может обработать.

Конструктор проектных команд

Обзор раздела: В этом разделе рассказывается о конструкторе проектных команд и как он помогает сформировать эффективную команду.

Конструктор проектных команд

• Конструктор проектных команд позволяет собрать эффективную команду из студентов или незнакомых людей.

• Задача конструктора - максимизировать возможность успеха, закрывая все области технологических стартапов.

• Важно, чтобы у членов команды были персональные интересы и им было классно работать вместе.

Диагностика состава команды

Обзор раздела: В этом разделе рассказывается о диагностике состава команды и как это помогает сформировать эффективную команду.

Диагностика состава команды

• Для формирования эффективной команды необходимо провести диагностику знаний и персональных интересов каждого члена.

• Нужно максимально покрыть все области технологических стартапов, чтобы увеличить шансы на успех.

• Персональные интересы и хорошее настроение в команде - ключевые факторы успеха.

Подбор команды

Обзор раздела: В этом разделе говорится о том, как подбирать команду для выполнения задачи.

Конфликтные потенциалы

• Существуют люди, которые не разделяют установки других членов команды.

• Цель - максимизировать гармоничность и бесконфликтность в команде.

• Необходимо избегать объединения людей с большими конфликтными потенциалами.

Коммуникативная работа

• Важно убрать потенциально острые углы в команде.

• Работа с ценностями каждого члена команды помогает достичь этой цели.

Гармония в команде

• Используются 5 гармоний для создания гармоничной команды: навыков, ролей, ценностей, интересов и личных качеств.

• Гармония навыков - все члены должны быть компетентны в своих областях.

• Гармония ролей - определение ролей каждого члена при выполнении задачи.

• Гармония ценностей - создание долгосрочной играющей команды с позитивным настроем.

• Гармония интересов - общие хобби и внерабочее время проведение.

• Гармония личных качеств - подбор людей, которые будут комфортно работать в команде.

Цифровой след

• Цифровой след используется для анализа коммуникаций, деятельности, образовательного опыта и состояний членов команды.

• Можно использовать цифровой след для сбора отношений и эмоций в команде.

Развитие талантов

Обзор раздела: В этом разделе говорится о том, как определить таланты сотрудников и как предоставить им возможности для развития.

Определение талантов

• Таланты определяются не только по быстрому вождению на картинге или игре на скрипке, но и по осознанному стремлению к развитию.

• Предприятия должны искать таких людей и давать им возможности для рекомендации путей развития.

Искусственный интеллект в обучении

• Использование рекомендательного сервиса на основе искусственного интеллекта помогает подобрать максимально подходящий образовательный контекст для каждого человека.

• Например, можно провести мероприятие типа бизнес-завтрака или митапа, чтобы специалисты, занимающиеся данными, могли рассказать о своей работе другим сотрудникам компании.

Развитие талантов через счастье

• Рекомендательный сервис на основе искусственного интеллекта помогает определить диагностические показатели и компетентности человека, а также учитывает его социальные графы.

• Цель использования машин в обучении - сделать людей счастливыми. Фокусироваться на счастье нужно как в кадрах, так и в обучении детей.

Модели данных

• Для построения моделей данных о человеке используются диагностические показатели, компетентности, цифровые следы и социальные графы.

• Собирание данных о человеке должно отражать его эволюционирующую природу, а не только текущее состояние.

Искусственный интеллект в сфере кадрового делопроизводства и образования

Обзор раздела: В этом разделе говорится о том, как искусственный интеллект может быть максимально эффективным в сфере кадрового делопроизводства и образования.

Максимальная эффективность и применимость ИИ в сфере кадрового делопроизводства и образования

• Данные о человеке могут быть собраны очень комплексно, чтобы понять, как он развивается.

• ИИ может быть максимально применимым и полезным в сфере кадрового делопроизводства и образования.

• Сбербанк не единственная компания, которая может заказать проведение исследований у спикера.

• Цена на услуги зависит от сложности проекта. Если нужно что-то новое, то это будет дольше и дороже. Если нужно использовать уже имеющиеся данные, то это будет недорого.

• Сведения про должность проекта зависят от его специфики.

Этика использования личных данных в ИИ

Обзор раздела: В этом разделе говорится о том, как компания работает с личными данными и насколько это этично.

Работа с цифровым следом и анонимизация данных

• Компания работает только с цифровым следом, который собирается в специально создаваемых средах.

• Цифровой след принадлежит самому человеку, и без его разрешения данные не могут быть использованы.

• Данные анонимизированы для защиты конфиденциальности человека.

• Профиль принадлежит человеку, и он может решить поделиться своим профилем или нет.

• Когда компания работает с данными, она делает это в двух залогах: полная анонимизация данных и детальное соглас

Соглашение пользователя

Обзор раздела: В этом разделе говорится о новых моментах, связанных с пользовательским соглашением, которые были внесены в in user license agreement. Данные пользователей теперь будут доступны для анализа и использования.

Использование данных пользователей

• Пользовательское соглашение было обновлено.

• Данные пользователей будут доступны для анализа и использования.

• Если вы не согласны с новыми изменениями до конца мая, то ваш аккаунт будет удален.

• Если вы используете интернет, электричество или GSM, то все ваши данные известны.

Забота о безопасности данных

Обзор раздела: В этом разделе говорится о том, что нужно помнить при работе в интернете и какие риски могут возникнуть при хранении личных данных.

Безопасность данных

• Нужно быть осторожным при работе в интернете и следить за тем, что вы оставляете в сети.

• Существует новый вид гигиены 21 века, связанный с тем, как мы оставляем данные в интернете.

• Нужно помнить, что данные могут стать достоянием всех и каждого.

Исследования и разработки

Обзор раздела: В этом разделе говорится о том, как проводятся исследования и разработки в компании.

Проведение исследований

• Большую часть вещей, которые мы разрабатываем, бесконечно долго тестируют.

• Все инструменты проходят проверку на здравый смысл.

• Мы приглашаем специалистов для проверки инструментов.

• Мы берем молодых специалистов и прокачиваем их до нужного уровня.

Культура удаленной работы

Обзор раздела: В этом разделе говорится о культуре удаленной работы в компании.

Удаленная работа

• У нас большой опыт работы удаленно.

• Мы берем молодых специалистов и прокачиваем их до нужного уровня.

• Мы проводим инкубатор для молодых специалистов.

Исследовательский центр

Обзор раздела: В этом разделе говорится о том, как исследовательский центр работает и на чем базируется.

Специализированные области

• Центр не имеет университета или института, который был бы университетом всего. Он состоит из команды кандидатов, специалистов и аспирантов из разных областей.

• Каждый в команде знает, где найти информацию по своей предметной области. Они используют специализированную литературу, отчеты и журналы для получения данных.

• Центр также использует реактивные данные для получения качественной информации.

Работа с коллегами за рубежом

• Центр активно работает с коллегами за рубежом. Они делают это через взаимодействие со специалистами из других стран.

• Центр также пишет книги вместе с зарубежными коллегами.

Прикладная деятельность

• Центр также занимается прикладной деятельностью, включая работу с коммерческими заказчиками.

• Центр также занимается научной деятельностью и работает над проектами, которые могут быть полезны для образования.

Взаимодействие с социальными учеными

• Центр использует широкую сеть социальных ученых для получения информации.

• Центр активно взаимодействует с коллегами из других стран.

Искусственный интеллект

• Центр работает над проектом по искусственному интеллекту в образовании.

Образовательный интеллект

Обзор раздела: В этом разделе говорится о том, что образовательный интеллект может заменить школу для ученика и помочь ему подготовиться к экзамену "Гаока" в Китае.

Роль образовательного интеллекта

• Образовательный интеллект может полностью заменить школу для ученика.

• Он помогает подготовиться к экзамену "Гаока" в Китае.

Заключение

Обзор раздела: В заключении благодарят за просмотр и выражается надежда на дальнейшее сотрудничество.

• Большое спасибо за просмотр.

• Надеемся на дальнейшее сотрудничество.