Candidatura

LEO: Clasificador de ofertas de empleo

LEO es un modelo de inteligencia artificial entrenado para detectar la ocupación (CNO-Código Nacional de Ocupación) correspondiente a una oferta de empleo que se le proporciona como entrada. Adicionalmente está capacitado para detectar otra información relevante que puede estar presente en una oferta de empleo. Esto incluye titulaciones, nivel de inglés o permisos de circulación requeridos. En su segunda versión se ha utilizado un modelo fundacional que ha incrementado sus prestaciones (ocupaciones reconocidas y precisión en la asignación). Simultáneamente abre la puerta a la detección de otras variables más complejas de identificar como las competencias transversales. El proyecto proporciona una primera e indispensable pieza para el plan de automatizar la intermediación del empleo. Es decir, para la casación entre los demandantes de empleo y las ofertas publicadas por las empresas.

Antecedentes

El Sistema Nacional de Empleo, en el que se integra el SEPE, tiene las siguientes atribuciones:

-Contribuir al desarrollo de la política de empleo.

-Gestionar el sistema de protección por desempleo.

-Garantizar la información sobre el mercado de trabajo.

Además, la utilización del código nacional de ocupación es obligatoria para todas aquellas estadísticas recogidas en el Plan Estadístico Nacional.

Hasta ahora, la asignación de ocupación se realizaba de forma manual. Cuando esta tarea la realizan técnicos de empleo no suele presentar grandes problemas, más allá del tiempo que requiere la propia tarea. Esto es diferente cuando son ciudadanos los que determinan la ocupación. Por ejemplo: al publicar una oferta de empleo en el portal Empléate. La falta de tiempo, de experiencia o de conocimientos daba como resultado una asignación de ocupación de escasa calidad.

Consecuencia de lo cual se dificultaba la casación demandante-oferta.

Retos

Se trata de un proyecto muy concreto, pero complejo por múltiples motivos. Técnicamente la cantidad de categorías entre las que discriminar es elevada (502 ocupaciones) y a esto se suma que las ofertas de empleo están muy desbalanceadas (camarero asalariado versus buceadores).Por otro lado, la elaboración del set datos ha requerido de un gran esfuerzo. Tanto por la cantidad de ofertas necesarias como por la importancia de contar con técnicos de empleo capacitados para la clasificación manual.

-Construir un clasificador de ofertas de empleo capaz de igualar en precisión a un técnico de empleo experto.

-Disponer de una herramienta que permita extraer datos que potencialmente se encuentran presentes en una oferta de empleo.

-Dotar a la herramienta de la suficiente flexibilidad como para funcionar adecuadamente con datos muy dispares y para diversos fines.

-Poner a disposición de cualquier Administración Pública herramientas de inteligencia artificial que apoyen su digitalización.

Fases

En el desarrollo de LEO podemos establecer 3 fases claramente diferenciadas.La primera fase fue la de piloto. La aplicación de técnicas de inteligencia artificial y de procesamiento del lenguaje natural en particular representaba una oportunidad, pero a su vez vino acompañada de incertidumbre e incluso escepticismo.

La segunda fase fue la de explotación. Una vez dispusimos de un aplicativo con la suficiente calidad en términos de categorías de ocupación reconocidas y precisión se puso en producción. Inicialmente como un aplicativo para el apoyo en tareas de estadística y posteriormente como complemento para la asignación automática en ofertas de empleo publicadas en el portal Empléate.

La tercera fase, actualmente en desarrollo, es la de apertura y mejora. LEO se está poniendo a disposición de otros organismos y a la vez se están mejorando sus prestaciones al agregar servicios web para aprovechar las nuevas capacidades del modelo de IA que incorpora.

Nuevos Servicios

Gracias a la utilización de LEO se han alcanzado los siguientes objetivos:

-Mejora en la asignación de ocupación en las ofertas publicadas en Empléate. El sistema propone un CNO que posteriormente puede ser modificado por la persona que publica la oferta.

-Simplificación de muchos de los procesos asociados al estudio del mercado de trabajo al automatizar una tarea que requería de un tiempo y un conocimiento escasos. Por ejemplo: detección de tendencias en las ofertas de empleo.

-Caso de éxito en el que se ha puesto de manifiesto el potencial de colaborar entre las unidades de negocio (expertos en mercado de trabajo) y las unidades TIC para producir herramientas de impacto.

-Puesta a disposición de otros organismos del servicio para su integración en aplicativos propios.

-Notable agilización en lo relativo al tiempo dedicado por los técnicos de empleo en el tratamiento de ofertas. De este modo se han liberado recursos que se han podido asignar a otras tareas.

Conclusiones

La materialización de proyectos de inteligencia artificial es una labor compleja que requiere contar de técnicos expertos en analítica avanzada. Se trata de un recurso muy valioso y por ello costoso de adquirir.

Con todo, lo anterior no puede producir resultados si no se disponen de datos de calidad y en la cantidad suficiente. Y esta es una tarea en la que todos los empleados del organismo deben estar implicados.

Es importante realizar acciones formativas e informativas para que la cultura del dato impregne todos los procesos. Desde el técnico de una oficina de prestaciones hasta la alta dirección deben en la medida de sus responsabilidades y funciones estar alineados.

De este modo se pueden mejorar notablemente los servicios ofrecidos a toda la ciudadanía los beneficios que proporciona la digitalización en general y la inteligencia artificial en particular.