La nostra ricerca, prendendo spunto dall'omologa ricerca «The Future of Skills. Employment in 2030» realizzata da Pearson in collaborazione con Nesta, Oxford Martin School in UK e Stati Uniti, intende realizzare un modello predittivo in grado di evidenziare le complesse dipendenze tra le caratteristiche di una professione, declinate in termini di competenze, abilità e conoscenze richieste, e la tendenza occupazionale futura.
In particolare la nostra ricerca introduce, rispetto alle precedenti, un nuovo approccio “misto” alla previsione, che combina:
- il giudizio di esperti del mercato del lavoro attraverso i workshop;
- il giudizio dell'utenza che partecipa al bot;
- i modelli previsionali - nel breve, medio e lungo periodo - esistenti per il territorio italiano (UnionCamere, Cedefop);
con il machine-learning classifier o apprendimento automatico, consentendo di raggiungere una comprensione senza precedenti dei complessi rapporti di dipendenza tra caratteristiche del lavoro. Sfruttiamo questa capacità potenziata per valutare le complementarità tra competenze e ricavarne le implicazioni per le nuove occupazioni.
La ricerca utilizza un insieme di classificazioni standard che consentano il raccordo tra i dati prodotti in output e le risultanze di altre ricerche, e permettano di produrre un set di attività contestualizzate da somministrare ai partecipanti della rilevazione.
La metodologia consta di diversi passi, la coerenza dei quali permette di produrre un algoritmo affidabile e scientificamente validato.
Come è fatto l'algoritmo
Il modello complessivo impiegato (pre-trattamento, machine learning, test e validazione) è stato al centro della progettazione di tutta l’attività.
L’impatto dei metodi prescelti si ripercuote infatti anche sulle modalità di acquisizione delle taggature, in particolare attraverso il processo di selezione delle professioni sottoposte agli esperti.
Complessivamente il modello si basa su un insieme di dati dettagliati relativi a 135 caratteristiche – competenze, abilità e conoscenze – definite da INAPP per la CP2011 in raccordo con il modello O*NET del Dipartimento del Lavoro statunitense per “classificare” le professioni. Insieme alla previsione delle variazioni della domanda di lavoro, questo ci permette di stimare quali competenze, per estensione, avranno maggiori probabilità di sperimentare una crescita o un declino.
PCA
Analisi delle componenti principali per ridurre il numero dei dati significativi, limitando fenomeni di overfitting.
MDS
Scaling multidimensionale, utilizzato per consentire la visualizzazione in uno spazio bidimensionale (spazio professionale) delle professioni.
Clusterizzazione
Per definire all'interno dello spazio professionale aree di profili omogenei.
Mappe di influenza
Definizione dell'influenza dei megatrend sulle aree omogenee dei profili.
Machine learning
Estrazione delle feature rilevanti a partire dalla selezione delle professioni da parte degli utenti.
Machine learning
Valutazione dell'intervento di crescita ed investimento sulle competenze.
Algoritmo evolutivo
Realizzazione del modello dinamico per l'ibridazione, la creazione o il superamento di una professione.
Machine learning
Definizione del tasso di crescita\decrescita per ciascuna professione.
Fino a metà giugno la ricerca è nella fase di acquisizione dei dati tramite il bot, dopodiché il modello predittivo verrà utilizzato per produrre in output:
- il trend occupazionale per ciascuna professione;
- un indice di variabilità territoriale;
- un set di competenze, abilità e conoscenze identificabili come fattore critico di crescita del trend occupazionale. Tali elementi potrebbero costituire la base per l’approfondimento relativamente all’impatto delle politiche formative da sviluppare nel breve-medio periodo;
- un elenco di potenziali nuove figure professionali che si potrebbero sviluppare nell’arco del periodo di previsione calcolato, e le relative caratteristiche;
- i processi di ibridazione in atto per ciascuna professione.