أخبار التقنية

كيف يمكن للتعلم الآلي أن يساعد في التخفيف من نقص العمالة في الولايات المتحدة

[ad_1]

تحقق من جميع الجلسات عند الطلب من قمة الأمن الذكي هنا.


ناقش الخبراء أسباب النقص في العمال في الولايات المتحدة. لكن هناك شيء واحد واضح بشكل مؤلم: هناك تفاوت مذهل بين عدد الوظائف المتاحة (أكثر من 10 ملايين) وعدد العمال الباحثين عن عمل (حوالي 6 ملايين). .

في هذه المقالة القصيرة ، سوف نتراجع ونلقي نظرة على كيفية وصولنا إلى هنا ، والعوامل المتعددة التي أدت إلى مثل هذا التفاوت ، وبعض الحلول التي يتم تنفيذها لمحاولة مكافحة هذه المشكلة. بشكل خاص ، سنلقي نظرة على التعلم الآلي (ML) وكيف يتم استخدامه للتخفيف من أسباب وتأثيرات نقص العمالة في الولايات المتحدة.

النقص الحالي في العمالة في الولايات المتحدة

وفقًا لغرفة التجارة الأمريكية ، انخفض معدل المشاركة في القوى العاملة في السنوات الأخيرة ، حيث انخفض من 63.3٪ إلى 62.3٪. في حين أن الانخفاض بنسبة 1 ٪ في عدد العمال القادرين المشاركين في القوى العاملة قد لا يمثل مشكلة كبيرة على مستوى البلاد ، إلا أنه يأتي بعد جائحة أدى إلى فقدان أكثر من 30 مليون عامل وظائفهم.

تشمل الصناعات التي تضررت أكثر من غيرها الترفيه والضيافة والخدمات الغذائية وتصنيع السلع المعمرة والتعليم والخدمات الصحية. لكن لا يوجد أي قطاع نشاط لم يتأثر.

حدث

قمة أمنية ذكية عند الطلب

تعرف على الدور الحاسم للذكاء الاصطناعي وتعلم الآلة في الأمن السيبراني ودراسات الحالة الخاصة بالصناعة. شاهد الجلسات عند الطلب اليوم.

مشاهدة هنا

ما هي بعض أسباب نقص العمالة؟

لقد هز جائحة COVID-19 سوق العمل بالفعل. تشير الدراسات إلى أن حوالي ربع مليون شخص في سن العمل ماتوا من المرض ، ونصف مليون تركوا القوى العاملة بسبب الآثار الصحية المطولة للفيروس ، وانتقل عدد مماثل من العمال مباشرة من المرض إلى التقاعد.

كان ينبغي تعويض هذا الانخفاض في القوى العاملة من قبل الباحثين عن عمل الذين يتطلعون إلى دخول السوق ، لكن هذا لم يحدث. وبدلاً من ذلك ، شهدت الولايات المتحدة ارتفاعًا في معدل الإقلاع الشهري في جميع القطاعات. في بعض الصناعات ، مثل الترفيه والضيافة ، يتجاوز معدل الإقلاع الشهري 6٪. لا تزال القطاعات الأكثر استقرارًا تقليديًا ، مثل الأعمال والخدمات المهنية ، تسجل معدل إقلاع ينذر بالخطر بأكثر من 3٪.

أعرب العديد من العمال عن رغبتهم في مواصلة العمل من المنزل. هذا توقع يصعب الوفاء به بالنسبة لبعض الصناعات ، مثل الخدمات الصحية والتصنيع. لكن هذا التحول في توقعات الموظفين خدش السطح فقط. تتصدر خدمات رعاية الأطفال أثناء العمل ، وأسبوع العمل الأقصر ، والتوازن الأفضل بين العمل والحياة ، والتدريب المستمر قائمة ما يطلبه الموظفون من أصحاب العمل ، والشركات بطيئة في اللحاق بالتغيير في ديناميكيات الموظف وصاحب العمل والتكيف معه. وهذا يفسر جزئياً لماذا ، على الرغم من أن معدل التوظيف على مستوى البلاد أعلى بكثير من المعتاد ، لا تزال الشركات في جميع القطاعات مع ملايين الوظائف التي لم يتم شغلها بعد.

ما هو التعلم الآلي؟

على الرغم من أنه غالبًا ما يستخدم بالتبادل مع AI (الذكاء الاصطناعي) ، إلا أن ML هو بالتحديد مجموعة فرعية أو تطبيق للذكاء الاصطناعي. بعبارات بسيطة ، ML هو تطبيق البيانات الضخمة حيث تستخدم الآلات (أجهزة الكمبيوتر) نماذج رياضية لتطوير فهم جديد دون تعليمات صريحة.

على سبيل المثال ، يعد التعرف على الصور أحد التطبيقات المستخدمة على نطاق واسع لـ ML. من خلال التعرف على الصور ، تكون أجهزة الكمبيوتر قادرة على التعرف على الوجوه ومطابقتها (“وضع علامات” على المشاركات على منصات التواصل الاجتماعي) أو تحديد الأورام السرطانية في الأشعة السينية.

يستخدم ML أيضًا على نطاق واسع في القطاع المالي فيما يعرف بالمراجحة الإحصائية: استخدام الخوارزميات لتحليل الأوراق المالية فيما يتعلق بالمتغيرات الاقتصادية المحددة.

يسمح ML أيضًا لأجهزة الكمبيوتر بفحص مجموعات البيانات الكبيرة ، وتحديد الأسباب والارتباطات ، والاستقراء من تنبؤاتها واحتمالاتها. تساعد الرؤى التنبؤية في الحصول على أقصى استفادة من البيانات. تم العثور على تطبيقات هذه القدرة التنبؤية في تسعير العقارات وتطوير المنتجات والمجالات الأخرى. يمكن أن تساعد التحليلات التنبؤية أيضًا الباحثين عن عمل والقائمين بالتوظيف في العثور على تطابق أفضل مما اكتشفوه حتى الآن.

كيف يساعد التعلم الآلي في حل مشكلة نقص العمالة في الولايات المتحدة؟

أظهر النقص الحالي في العمالة في الولايات المتحدة إلى جانب معدل الإقلاع عن التدخين المرتفع بشكل مثير للقلق أن هناك مشكلة: يواجه العمال صعوبة في العثور على الوظائف التي تناسبهم.

يتجه المجندون والباحثون عن عمل بشكل متزايد إلى الخوارزميات المتقدمة والتحليل الإحصائي للبيانات الضخمة للمساعدة في التخفيف من هذه المشكلة.

يتمتع ML بالقدرة على تحليل مجموعات كبيرة من البيانات – في هذه الحالة ، العمال الذين استقالوا أو تم إعفاؤهم من واجباتهم مقابل أولئك الذين لديهم قوة البقاء أو تمت ترقيتهم – وتحديد السمات والخصائص والمهارات المشتركة. من خلال هذا الفهم ، يمكن للقائمين بالتوظيف تصفية المرشحين الذين لا يحتمل أن ينجحوا في المنصب الذي يتقدمون إليه بشكل أسرع وأكثر دقة. والنتيجة هي البحث عن الوظائف بشكل أسرع وأكثر سلاسة والذي من المرجح أن يؤدي إلى نتائج إيجابية.

بالإضافة إلى تحسين عملية المطابقة ، فإن ML له تأثير إيجابي على سرعة عملية التوظيف ومدتها. إن الوقت الطويل للغاية الذي يقضيه الباحث عن عمل في التقدم للحصول على وظيفة ثم إجراء مقابلة معها للحصول على وظيفة لا يحتمل أن يحصل عليها أو يكون سعيدًا بها لا يمكن إلا أن يؤدي إلى تفاقم حالة الباحث عن العمل. عند مواجهة أزمة الوظائف الشاغرة وارتفاع معدل الإقلاع عن العمل ، نحتاج إلى باحثين عن عمل متحمسين لعملية التوظيف وليسوا محبطين منها.

تطور بوابة الوظائف عبر الإنترنت

تقليديا ، كانت بوابة الوظائف عبر الإنترنت حيث يمكن للباحثين عن عمل الاطلاع على الوظائف المتاحة في موقعهم أو قطاع نشاطهم ، وقراءة الأوصاف والمتطلبات المختلفة ، ثم اتخاذ خطوات للتقدم للوظائف. في حين أن هذا لا يزال عنصرًا أساسيًا في بوابات الوظائف عبر الإنترنت اليوم ، فإن المواقع الأكثر نجاحًا تأخذ الأمور على بعد خطوات قليلة.

عند تحميل سيرة ذاتية على بوابة وظائف عبر الإنترنت تستخدم ML ، يمكن توجيه الباحث عن العمل وتوجيهه نحو الوظائف التي تناسب مهاراتهم وخبراتهم على أفضل وجه.

ومع ذلك ، يمكن لتعلم الآلة أن يفعل أكثر من ذلك. إن امتلاك المهارات والخبرة المطلوبة لا يكفي لضمان أن الوظيفة المتاحة ستكون مناسبة بشكل جيد. يجب أن نأخذ في الاعتبار شخصية الباحث عن عمل وأولوياته. يمكن لـ ML أيضًا القيام بذلك. من خلال جعل الباحث عن العمل يملأ استبيانًا ، أو يخضع لاختبار الشخصية ، أو يكمل اختبارات حل المشكلات التي تتضمن التحفيز ، فإن بوابة الوظائف عبر الإنترنت التي تستخدم تعلم الآلة تكتسب نظرة ثاقبة حول كيفية تفكير الباحث عن العمل ونوع الشركة أو المنصب الذي هم عليه . من المرجح أن تكون ناجحًا في.

شيء صغير

في الولايات المتحدة ، هناك ملايين فرص عمل أكثر من الأشخاص الذين يبحثون عن عمل. ولا يمكن لمعدل التوظيف المرتفع أن يواكب المعدل المذهل للعمال الذين يتركون وظائفهم. بفضل التقدم في تعلم الآلة ، يمكن لأجهزة الكمبيوتر تحليل مجموعات كبيرة من البيانات لتحديد الإصابات والارتباطات التي يمكن أن تساعد جهات التوظيف والباحثين عن عمل في العثور على المطابقات التي من المرجح أن تكون ناجحة على المدى القصير والطويل.

جيرغو فاري هو المؤسس والرئيس التنفيذي لشركة Lensa، Inc.

صانعي القرار

مرحبًا بك في مجتمع VentureBeat!

DataDecisionMakers هو المكان الذي يمكن للخبراء ، بما في ذلك الأشخاص الفنيون الذين يقومون بعمل البيانات ، مشاركة الأفكار والابتكارات المتعلقة بالبيانات.

إذا كنت تريد أن تقرأ عن الأفكار المتطورة والمعلومات المحدثة ، وأفضل الممارسات ، ومستقبل البيانات وتكنولوجيا البيانات ، انضم إلينا في DataDecisionMakers.

يمكنك حتى التفكير في المساهمة بمقال خاص بك!

قراءة المزيد من DataDecisionMakers

[ad_2]

اترك تعليقاً

لن يتم نشر عنوان بريدك الإلكتروني. الحقول الإلزامية مشار إليها بـ *

زر الذهاب إلى الأعلى