samedi, 2 mars 2024

Comment l’apprentissage automatique peut aider à atténuer la pénurie de main-d’œuvre aux

Les professionnels ont en fait discuté des raisons de la pénurie de travailleurs aux États-Unis. Une chose est douloureusement claire : il existe une variation choquante entre le nombre d’emplois facilement disponibles (plus de 10 millions) et le nombre de travailleurs. à la recherche d’un emploi (environ 6 millions).

Dans ce court article, nous allons revenir en arrière et examiner comment nous en sommes arrivés là, les nombreux aspects qui ont en fait conduit à une telle variation, et un quelques-unes des options mises en œuvre pour tenter d’éliminer ce problème. De manière significative, nous examinerons l’apprentissage automatique (ML) et la manière dont il est utilisé pour réduire à la fois les causes et les impacts de la pénurie de main-d’œuvre aux États-Unis.

. La pénurie actuelle de main-d’œuvre aux Selon la Chambre de commerce des États-Unis, le taux de participation de la main-d’œuvre a chuté ces dernières années, passant de 63,3 % à 62,3 %. Bien qu’une réduction de 1 % du nombre d’employés capables participant à la main-d’œuvre ne pose pas autrement un énorme problème à l’échelle du pays, elle fait suite à une pandémie qui a vu plus de 30 millions de travailleurs perdre leur emploi.

Les industries les plus durement touchés sont les loisirs et l’hôtellerie, la restauration, la fabrication d’articles durables, l’éducation et les services de santé. Il n’y a pratiquement aucun secteur d’activité qui n’a pas été touché.

Quelles sont quelques-unes des raisons de la pénurie de main-d’œuvre ?

La pandémie de COVID-19 a sans aucun doute choqué le marché du travail. Des études révèlent qu’environ un quart de million de personnes en âge de travailler sont décédées des suites de la maladie, un demi-million ont en fait quitté le marché du travail en raison des effets du virus sur la santé, et une variété similaire de travailleurs sont en fait passés directement de la maladie à la retraite. .

Cette diminution de la population active aurait dû être compensée par des demandeurs d’emploi désireux d’entrer sur le marché, mais cela ne s’est pas produit. Au lieu de cela, les ont en fait constaté une augmentation du taux mensuel d’abandon dans tous les secteurs. Dans certains marchés, comme les loisirs et l’hôtellerie, le taux d’abandon mensuel régulier dépasse 6 %. Des secteurs généralement plus stables, tels que les entreprises et les services d’experts, enregistrent toujours un taux de démission déconcertant de plus de 3 %.

De nombreux travailleurs ont en fait manifesté le désir de continuer à travailler à domicile. Il s’agit d’une attente difficile à satisfaire pour certaines industries, comme les services de santé et la fabrication. Mais ce changement dans les attentes des employés ne fait qu’effleurer la surface. Les services de garde d’enfants au travail, une semaine de travail beaucoup plus courte, un meilleur équilibre travail-vie personnelle et une formation constante sont en tête de liste des exigences des travailleurs envers leurs entreprises, et les entreprises tardent à rattraper leur retard et à s’adapter à l’évolution des caractéristiques employé-employeur . Cela explique en partie pourquoi, bien que le taux d’embauche à l’échelle nationale soit bien supérieur à la normale, les entreprises de tous les secteurs se retrouvent encore avec des millions de postes à pourvoir.

Qu’est-ce que l’intelligence artificielle ?

Bien que souvent utilisé de manière interchangeable avec l’IA (système expert), le ML est plus exactement un sous-ensemble ou une application de l’IA. En termes simples, le ML est l’application de mégadonnées dans laquelle les fabricants (systèmes informatiques) utilisent des modèles mathématiques pour établir une toute nouvelle compréhension sans direction spécifique.

Par exemple, la reconnaissance d’images est une application largement utilisée de ML. Grâce à la reconnaissance d’image, les ordinateurs ont la capacité de reconnaître et de faire correspondre les visages (« baliser » les publications sur les plateformes de médias sociaux) ou de reconnaître les développements cancéreux dans une radiographie.

ML est également couramment utilisé dans le secteur financier en ce qu’on appelle l’arbitrage analytique : utiliser des algorithmes pour examiner les titres par rapport à des variables économiques définies.

Le ML permet également aux ordinateurs d’analyser de grands ensembles de données, de reconnaître les causalités et les corrélations, et de théoriser à partir de leurs prédictions et possibilités. Les informations prédictives aident à tirer le meilleur parti des informations. Les applications de cette capacité prédictive sont découvertes dans les taux de propriété, le développement d’articles et d’autres sphères. L’analyse prédictive peut également aider les candidats et les recruteurs à découvrir de meilleures correspondances que celles qu’ils ont réellement trouvées jusqu’à présent.

Comment l’apprentissage automatique contribue-t-il à la pénurie de main-d’œuvre aux États-Unis ?

La main-d’œuvre actuelle aux combiné au taux d’arrêt incroyablement élevé nous a en fait révélé qu’il y avait un problème : les travailleurs ont du mal à trouver des emplois qui leur correspondent.

De plus en plus, les recruteurs et les demandeurs d’emploi se tournent vers des algorithmes innovants et analyse statistique des mégadonnées pour aider à atténuer ce problème.

Le ML a la capacité d’analyser de grands ensembles de données : dans ce cas, les travailleurs qui abandonnent ou sont éliminés de leurs responsabilités par rapport à ceux qui restent pouvoir ou sont promus– et identifier les attributs typiques, les caractéristiques et les capacités. Grâce à cette compréhension, les employeurs peuvent filtrer plus rapidement et plus précisément les candidats qui ne sont pas les plus susceptibles de réussir dans le poste pour lequel ils postulent. Le résultat est une recherche de tâches beaucoup plus rapide et plus fluide qui est beaucoup plus susceptible de conduire à des résultats favorables.

En plus d’affiner la procédure d’appariement, le ML a un impact favorable sur la vitesse et la période de recrutement procédure. La période de temps excessivement longue qu’un chercheur d’emploi passe à demander puis à interviewer pour une tâche qu’il n’est pas le plus susceptible d’obtenir ou dont il est plus que satisfait ne peut qu’exacerber davantage la tâche du candidat. Face à une crise des postes vacants et un taux d’arrêt élevé, nous avons besoin de chasseurs de tâches passionnés par le processus de recrutement et non agacés par celui-ci.

L’évolution du site de tâches en ligne

Généralement, un portail de tâches en ligne était l’endroit où les candidats aux tâches pouvaient consulter les tâches proposées dans leur lieu ou secteur d’activité, vérifier les différentes descriptions et exigences et ensuite prendre des mesures pour obtenir des tâches. Bien qu’il s’agisse toujours d’un élément de base des portails d’emploi en ligne d’aujourd’hui, les plus efficaces vont plus loin.

En téléchargeant un CV sur un site Web d’emploi en ligne qui utilise le ML, le candidat à la tâche peut être dirigé et orientés vers les tâches qui correspondent le mieux à leurs compétences et à leur expérience.

ML peut faire encore plus que cela. Avoir les capacités et l’expérience requises n’est pas suffisant pour garantir que le poste proposé conviendra parfaitement. Nous exigeons de prendre en compte la personnalité et les préoccupations du candidat. ML peut aussi faire simplement cela. En demandant au candidat de remplir un questionnaire, de passer un test de caractère ou de passer des tests de résolution de problèmes qui intègrent la gamification, le site Web de tâches en ligne qui utilise ML obtient des informations précieuses sur la façon dont le chercheur d’emploi croit et sur le type d’entreprise ou de poste qu’il occupe. plus susceptibles de réussir.

En un mot

Aux États-Unis, il y a des millions d’offres d’emploi de plus que d’individus essayant de trouver du travail. Et le taux d’embauche élevé peut difficilement suivre le taux choquant d’employés quittant leur emploi. Grâce aux améliorations du ML, les ordinateurs peuvent évaluer de grands ensembles d’informations pour identifier les causalités et les connexions qui peuvent aider les employeurs et les chercheurs d’emploi à découvrir les correspondances les plus susceptibles de réussir à court et à long terme.

.

Toute l’actualité en temps réel, est sur L’Entrepreneur

LAISSER UN COMMENTAIRE

S'il vous plaît entrez votre commentaire!
S'il vous plaît entrez votre nom ici