Month: August 2022

ML Engineer là gì? Giải đáp bí ẩn xung quanh ML Engineer

Post author By Gambaru
Post date 26 August, 2022
No Comments on ML Engineer là gì? Giải đáp bí ẩn xung quanh ML Engineer

Phẩm chất của 1 ML Engineer thành công. Ảnh: FactoryPal

Bài viết này sẽ giúp bạn nắm vững những bước đầu tiên đi tới sự nghiệp đầy triển vọng trong lĩnh vực Machine Learning (Học máy). Hãy cùng tìm hiểu ML Engineer (Kỹ sư học máy) là gì, trách nhiệm công việc của họ và cách thành công trong vai trò này.

ML Engineer là những lập trình viên thành thạo về kỹ thuật, những người chuyên nghiên cứu, xây dựng và thiết kế phần mềm tự chạy để tự động hóa các mô hình dự đoán. Kỹ sư ML xây dựng các hệ thống trí tuệ nhân tạo (AI) tận dụng các tập dữ liệu khổng lồ để tạo và phát triển các thuật toán có khả năng học hỏi và cuối cùng là đưa ra dự đoán.

*Machine Learning Engineer. Ảnh: Sandiedo.edu*

Mỗi khi phần mềm thực hiện một thao tác, nó sẽ “học” từ những kết quả đó để thực hiện các thao tác trong tương lai chính xác hơn.

Thiết kế hệ thống học máy yêu cầu ML Engineer đánh giá, phân tích và tổ chức dữ liệu, thực hiện kiểm thử và tối ưu hóa quy trình học tập để giúp phát triển các mô hình học máy hiệu suất cao.

Dừng lại chút nào, nếu bạn đang #open_to_work, thử nghía qua các công việc đang tuyển trên Gamba nhé. Vào LINK NÀY để xem các job cần đến kỹ năng Machine Learning hoặc scan QR Code ở bên dưới nhé.

*Xem và ứng tuyển các job Machine Learning*

ML Engineer làm gì?

Kỹ sư học máy là những lập trình viên có kỹ năng cao, những người phát triển hệ thống trí tuệ nhân tạo (AI) sử dụng các tập dữ liệu lớn để nghiên cứu, phát triển và tạo ra các thuật toán có thể học và đưa ra dự đoán.

Nhìn chung, vai trò này chịu trách nhiệm thiết kế các hệ thống học máy, liên quan đến việc đánh giá và tổ chức dữ liệu, thực hiện các bài kiểm thử, nói chung là giám sát và tối ưu hóa các quy trình học máy để giúp phát triển các hệ thống học máy hoạt động mạnh mẽ.

Nhiều mô tả công việc yêu cầu kiến thức và kinh nghiệm về các ngôn ngữ lập trình như Python, Java và C / C ++.

Mô tả công việc của kỹ sư học máy

Mặc dù các nhiệm vụ cụ thể sẽ khác nhau tùy thuộc vào quy mô của một tổ chức và nhóm khoa học dữ liệu tổng thể, nhưng mô tả công việc của Kỹ sư học máy điển hình sẽ bao gồm tất cả hoặc hầu hết các trách nhiệm sau:

Thiết kế, phát triển và nghiên cứu các hệ thống, mô hình và chương trình Machine Learning
Nghiên cứu, biến đổi và chuyển đổi các nguyên mẫu khoa học dữ liệu
Tìm kiếm và chọn tập dữ liệu thích hợp trước khi thu thập dữ liệu và mô hình hóa dữ liệu
Thực hiện phân tích thống kê và sử dụng kết quả để cải thiện mô hình
Đào tạo và đào tạo lại các hệ thống và mô hình ML khi cần thiết
Xác định sự khác biệt trong phân phối dữ liệu có thể ảnh hưởng đến hiệu suất của mô hình trong các tình huống thực tế
Trực quan hóa dữ liệu để có thông tin chi tiết hơn
Phân tích các trường hợp sử dụng của thuật toán ML và xếp hạng chúng theo xác suất thành công
Hiểu khi nào những phát hiện của bạn có thể được áp dụng cho các quyết định kinh doanh
Làm phong phú thêm các frameworj và thư viện ML hiện có
Xác minh chất lượng dữ liệu và / hoặc đảm bảo nó thông qua làm sạch dữ liệu

Nền tảng của ML Engineer

Dù bạn sẽ thấy ML Engineer có thể bắt đầu ở bất kỳ ngành nào, nhưng hầu hết đều có kiến thức nền tảng về khoa học máy tính, kỹ thuật, toán học hoặc khoa học dữ liệu.

Một nghiên cứu từ Indeed đã nhấn mạnh sự khác biệt về nền móng của Kỹ ML Engineer và các vai trò liên quan khác, như (Data Scientist) nhà khoa học dữ liệu, Software Engineer (Kỹ sư phần mềm), Data Analyst (nhà phân tích dữ liệu) và Data Engineer (Kỹ sư dữ liệu).

Các con số của Indeed cho thấy vai trò Data Scientist có lĩnh vực nghiên cứu đa dạng nhất trong số các chức danh công việc liên quan được xem xét, trong khi vai trò Software Engineer thu hút những người có nền tảng giáo dục ít đa dạng nhất.

Trong trường hợp của ML Engineer, hơn 60% đến từ khoa học máy tính hoặc kỹ thuật và họ có khả năng xuất thân từ những nền tảng này gần như gấp đôi so với Data Scientist.

Theo nền tảng chuyên môn của họ, nghiên cứu cho thấy rằng chức danh công việc trước đây của ML Engineer có nhiều khả năng nhất là “Kỹ sư phần mềm”.

Nhiều ML Engineer khác hoạt động về mặt học thuật trước khi chuyển sang sự nghiệp machine learning.

Nhưng điều quan trọng cần nhớ là khoa học dữ liệu và học máy vẫn còn ở giai đoạn sơ khai vì các lĩnh vực nghiên cứu và nhiều công ty trong lĩnh vực công nghệ và hơn thế nữa đang tìm cách xây dựng các nhóm khoa học dữ liệu của họ, các con đường mới để trở thành Kỹ sư học máy đang trở nên khả thi.

Mặc dù bạn cần một nền tảng vững chắc về toán học và khoa học máy tính, nhưng nhiều người đang học các kỹ năng và lĩnh vực kiến thức khác cần thiết để trở thành Kỹ sư học máy – ví dụ: hiểu phương pháp học có giám sát và không giám sát, học sâu, hồi quy, phân loại, phương pháp phân nhóm, và mạng nơ-ron – bằng cách tham gia 1 khóa học cấp chứng chỉ, nhiều khóa học trong số đó có thể được hoàn thành trực tuyến.

Đặc điểm của một ML Engineer thành công

Mọi chuyên gia về Học máy xuất sắc dường như sẽ có một vài đặc điểm chung. Dưới đây là các đặc điểm của một Kỹ sư học máy thành công:

Họ là những lập trình viên vững tay nghề

Nếu bạn đang muốn theo đuổi sự nghiệp trong lĩnh vực AI và máy học, bạn sẽ cần học cách lập trình. Một lập trình viên nên hiểu các ngôn ngữ được sử dụng thường xuyên bao gồm C ++, Java và Python và nó không dừng lại ở đó.

Các ngôn ngữ như R, Lisp và Prolog cũng đã trở thành những ngôn ngữ quan trọng cho việc học máy. Tuy nhiên, không phải tất cả các kỹ sư học máy thành công đều cần phải là chuyên gia về HTML hoặc JavaScript.

Họ có nền tảng vững chắc về Toán và Thống kê

Bạn không thể thành thạo machine learning nếu không biết chút nào về toán học. Cho dù bạn có nền tảng chính thức về toán học và thống kê hay không, bạn sẽ cần phải có năng lực toán học ít nhất ở cấp trung học phổ thông để theo kịp.

Trọng tâm của nhiều thuật toán học máy là một đặc tính chính thức của xác suất và các kỹ thuật bắt nguồn từ nó. Liên quan chặt chẽ đến vấn đề này là lĩnh vực thống kê, cái cung cấp các thước đo, phân phối và phương pháp phân tích khác nhau cần thiết để xây dựng và xác nhận các mô hình từ dữ liệu quan sát.

Về cơ bản, nhiều thuật toán machine learning là phần mở rộng của các bước lập mô hình thống kê.

Họ là những người giải quyết vấn đề sáng tạo

Các kỹ sư ML giỏi nhất được thúc đẩy bởi sự tò mò. Họ không phản ứng bằng sự thất vọng khi một mô hình hoặc thử nghiệm không thành công, mà thay vào đó, họ tò mò muốn tìm hiểu lý do.

Nhưng họ cũng giải quyết vấn đề một cách hiệu quả.

Các chuyên gia học máy giỏi nhất phát triển các phương pháp tiếp cận tổng quát để sửa lỗi và phân nhóm sai lạc (misclassification) trong các mô hình học máy của họ vì việc sửa các lỗi riêng lẻ sẽ tốn thời gian đồng thời làm cho các mô hình của bạn khó làm việc hơn và phức tạp hơn.

Điều quan trọng nữa là phải cân bằng giữa quyết tâm giải quyết vấn đề với hiểu biết thực tế rằng rất nhiều mô hình và thử nghiệm của bạn sẽ thất bại. Các ML Engineer giỏi nhất phát triển khả năng hiểu được thời điểm cần rời bỏ.

Họ yêu thích quy trình lặp đi lặp lại

Học máy về bản chất là một quá trình lặp đi lặp lại. Để đạt được hiệu quả trong vai trò này, một người cần thực sự tận hưởng phong cách phát triển đó.

Xây dựng một hệ thống học máy có nghĩa là người ta xây dựng một mô hình rất đơn giản một cách nhanh chóng, để bắt đầu, sau đó lặp lại để cải thiện nó theo từng giai đoạn.

Tuy nhiên, một lần nữa, một ML Engineer giỏi không thể quá cứng đầu. Bạn cần hiểu rõ khi nào cần dừng lại.

Luôn có thể cải thiện độ chính xác của bất kỳ hệ thống học máy nào bằng cách tiếp tục lặp lại hệ thống đó, nhưng người ta cần học cách phát triển trực giác khi nó không còn xứng đáng với thời gian và công sức.

Họ có trực giác mạnh mẽ về dữ liệu

Không có machine learning nào mà không phân tích dữ liệu. Một ML Engineer hoặc Data Scientist giỏi cần có khả năng nhanh chóng sàng lọc các tập dữ liệu lớn, xác định các mẫu và biết cách sử dụng dữ liệu đó để đưa ra các kết luận có ý nghĩa và có thể hành động được.

Gần giống như họ có giác quan thứ sáu đối với dữ liệu. Kỹ năng quản lý dữ liệu là rất quan trọng.

Chúng cũng nên hữu ích trong việc xây dựng các đường ống dữ liệu lớn (data pipeline).

Và người ta cũng cần hiểu sức mạnh của trực quan hoá. Để đảm bảo những thông tin đắt giá bạn khai thác được người khác hiểu và đánh giá đúng, bạn phải có sẵn các công cụ trực quan hóa dữ liệu như Excel, Tableau, Power BI, Plotly và Dash.

Những công việc tương tự với ML Engineer

Trong lĩnh vực rộng lớn hơn của khoa học dữ liệu (data science), có nhiều chuyên gia dữ liệu thực hiện các vai trò tương tự như ML Engineer. Dưới đây là một số vị trí có thể là một phần trong con đường sự nghiệp của một chuyên gia ML.

Data Scientist (Nhà khoa học dữ liệu)

Vai trò của Nhà khoa học dữ liệu nằm ở mối liên hệ giữa công nghệ và kinh doanh. Nhà khoa học dữ liệu phải hiểu những thách thức mà các công ty đang phải đối mặt và sau đó sử dụng phân tích dữ liệu và xử lý dữ liệu để tìm ra các giải pháp và cơ hội.

Công việc của một Nhà khoa học dữ liệu là tìm ra những thông tin chi tiết hữu ích có thể hành động được ẩn trong dữ liệu phi cấu trúc và sử dụng dữ liệu đó để thực hiện các phân tích dự đoán.

Các xu hướng và kiểu mẫu mà nhà khoa học dữ liệu nhận thấy giúp các công ty đưa ra quyết định dựa trên dữ liệu và cuối cùng là tăng doanh thu. Nhà khoa học dữ liệu cũng được kỳ vọng trình bày những phát hiện của họ bằng những hình ảnh trực quan bắt mắt.

Data Analyst (Nhà phân tích dữ liệu)

Các nhà phân tích dữ liệu quan tâm đến việc trực quan hóa, tổng hợp và xử lý dữ liệu.

Một trong những trách nhiệm hoặc kỹ năng quan trọng nhất của Nhà phân tích dữ liệu là tối ưu hóa, là nơi họ tạo và sửa đổi các thuật toán có thể được sử dụng để thu thập thông tin mà không làm hỏng dữ liệu.

Data Engineer (Kỹ sư dữ liệu)

Kỹ sư dữ liệu xây dựng và thử nghiệm hệ sinh thái dữ liệu lớn có thể mở rộng để các Nhà khoa học dữ liệu có hệ thống dữ liệu ổn định và được tối ưu để chạy các thuật toán của họ.

Công việc của Kỹ sư dữ liệu cũng là cập nhật các hệ thống hiện có với các phiên bản nâng cấp của công nghệ hiện tại.

Kỹ thuật dữ liệu cũng thường liên quan đến việc xây dựng các thuật toán để giúp các công ty hoặc khách hàng truy cập dễ dàng hơn vào dữ liệu thô.

AI Engineer (Kỹ sư trí tuệ nhân tạo)

Kỹ sư AI làm việc với các kỹ thuật máy học truyền thống như xử lý ngôn ngữ tự nhiên (NLP) và mạng nơ-ron để xây dựng các mô hình có tác dụng hỗ trợ cho các ứng dụng AI.

Computer Scientist (Nhà khoa học máy tính)

Các nhà Khoa học Máy tính chủ yếu giải quyết phần mềm và hệ thống phần mềm, bao gồm lý thuyết, thiết kế, phát triển và ứng dụng của chúng.

Software Engineer / Software Developer (Kỹ sư phần mềm)

Kỹ thuật phần mềm là sử dụng phân tích toán học và các nguyên tắc khoa học máy tính để thiết kế và phát triển phần mềm máy tính.

Kỹ sư phần mềm phát triển tất cả các loại phần mềm, bao gồm hệ điều hành, trò chơi máy tính, ứng dụng và hệ thống điều khiển mạng.

Hàng ngày, tùy thuộc vào giai đoạn phát triển phần mềm, Nhà phát triển phần mềm sẽ đảm bảo các chương trình đang hoạt động chạy trơn tru, cập nhật, sửa lỗi và tạo chương trình mới.

Kỹ thuật phần mềm trải dài trên nhiều loại công nghệ, từ thiết bị nhà thông minh đến trợ lý ảo.

ML Engineer làm việc với ai?

Tùy vào quy mô của một tổ chức, ML Engineer rất có thể sẽ làm việc như một thành viên của nhóm khoa học dữ liệu lớn hơn.

Nhóm đó có thể bao gồm Data Scientist, Data Analyst, Data Engineer, Data Architect (Kiến trúc sư dữ liệu) và Quản trị viên cơ sở dữ liệu (Database Administrator).

Ngoài nhóm dữ liệu của riêng họ, ML Engineer có thể hợp tác với nhiều bên liên quan khác nhau với các kỹ năng khác nhau trong toàn bộ tổ chức, bao gồm tất cả mọi người từ lãnh đạo doanh nghiệp cấp cao đến nhóm tiếp thị, bán hàng, CNTT, phát triển phần mềm hoặc phát triển web, tùy thuộc vào mức độ thâm niên.

Những lý do để trở thành kỹ sư học máy

Nếu bạn tò mò về sự nghiệp trong lĩnh vực dữ liệu hoặc AI, thì đây là một số lý do hàng đầu để trở thành Kỹ sư học máy.

Có tiềm năng thu nhập cao

Indeed đã xếp hạng ML Engineer là công việc số 1 của năm 2019 vì lý do chính đáng: họ kiếm được mức lương trung bình là 148.485 USD.

Các con số của Indeed cũng cho thấy rằng một ML Engineer có thể kiếm được tới 200.000 USD tại một trong những thị trường lớn hơn của Mỹ.

Các ML Engineer ở San Francisco đã báo cáo mức lương trung bình chỉ ở phía nam là 200.000 USD trong khi ở New York, họ chỉ mang về nhà dưới 170.000 USD.

Nhu cầu về kỹ năng ML Engineering đang cao

Rất nhiều công ty đang quan tâm nhiều đến dữ liệu lớn và do đó, nhu cầu về các chuyên gia dữ liệu trên thị trường việc làm cao hơn bao giờ hết.

Thậm chí, đã có những báo cáo về cuộc đấu thầu tranh giành tài năng AI khi những gã khổng lồ trong lĩnh vực công nghệ gấp rút giành lấy những bộ óc hàng đầu trong ngành.

Một báo cáo gần đây của Robert Half về tương lai của công việc (the future of work) tiết lộ rằng 30% các nhà quản lý ở Mỹ được khảo sát cho biết công ty của họ hiện đang sử dụng AI và ML, và 53% dự kiến sẽ áp dụng những công cụ đó trong vòng 3-5 năm tới.

Nói cách khác, không có dấu hiệu nào cho thấy thị trường việc làm màu mỡ này sẽ sớm biến mất.

Cơ hội học hỏi liên tục

Machine Learning là một lĩnh vực tương đối mới. Vẫn còn rất nhiều giải pháp, công cụ, thuật toán và ứng dụng đang chờ được tạo ra và khám phá.

Tương tự như Software Engineer, Kỹ sư ML về bản chất phải coi trọng việc học. Và việc sử dụng các khóa học, blog, hướng dẫn và podcast để luôn dẫn đầu trong một lĩnh vực non trẻ và đang thay đổi nhanh chóng là điều cần thiết.

Trên thực tế, Khảo sát Digital Skills năm 2020 của BrainStation cho thấy 61% chuyên gia dữ liệu tham gia các khóa học trực tiếp và 60% khác tập trung vào các hội thảo. Rõ ràng, giáo dục thường xuyên rõ ràng là một bộ phận cố định của lĩnh vực này.

Họ sống trên đỉnh cao công nghệ

Bạn có phải là một trong những người chỉ đơn giản là bị mê hoặc bởi công nghệ, cực kỳ phấn khích khi đọc về về những tiến bộ mới nhất trong AI hoặc các ứng dụng máy tính?

Ở vị trí này, bạn sẽ có cơ hội tạo ra sự thay đổi thực sự bằng cách làm việc trên các công nghệ mới nhất và sáng tạo nhất. Nếu bạn thích logic và lập trình, bạn sẽ thích học các ngôn ngữ lập trình mới cho các ứng dụng tiên tiến.

Đây cũng là một sự nghiệp tuyệt vời cho những ai thích tìm kiếm các ứng dụng thực tế cho toán học. Là một Kỹ sư Máy học, bạn có khả năng sử dụng đại số tuyến tính, giải tích, xác suất thống kê trong công việc hàng ngày của mình.

Machine Learning mang lại sự đa dạng

Nếu bạn thuộc tuýp người cảm thấy nhàm chán, thì sự nghiệp Machine learning sẽ có rất nhiều sự đa dạng.

Hầu như bất kỳ ngành nào bạn có thể nghĩ đến sẽ được hưởng lợi từ việc đầu tư nhiều tiền hơn, thời gian và tài nguyên vào việc khai thác thông tin chi tiết từ dữ liệu, vì vậy bạn có thể chọn làm việc trong bất kỳ ngành nào mà bạn quan tâm.

Bạn cũng có cơ hội để thực sự tạo ra sự khác biệt. Bạn có thể tham gia một đội ngũ tạo ra bước đột phá lớn tiếp theo trong lĩnh vực chăm sóc sức khỏe, an ninh mạng, tiếp thị hoặc ô tô tự hành. Đó là một triển vọng thú vị đối với nhiều người.

Các kỹ năng trong Machine Learning

Để thành công với tư cách ML Engineer, bạn phải kết hợp kiến thức và bộ kỹ năng của Kỹ sư phần mềm và Nhà khoa học dữ liệu. Điều đó có nghĩa là hiểu tất cả các khái niệm cơ bản của khoa học máy tính và phân tích dữ liệu, đồng thời sở hữu một số kỹ năng mềm cần thiết cho cả hai ngành.

Kỹ năng dữ liệu

Một Kỹ sư học máy được kỳ vọng sẽ có nhiều năng lực giống như Nhà khoa học dữ liệu, bao gồm mô hình hóa dữ liệu, trình độ kỹ thuật với các ngôn ngữ lập trình như Python và Java và hiểu cách đánh giá các thuật toán và mô hình dự đoán. Hiểu biết về xác suất và thống kê cũng sẽ rất hữu ích.

Kỹ năng kỹ thuật phần mềm

Một số khái niệm khoa học máy tính quan trọng đối với Kỹ sư ML là thuật toán (và biết cách viết thuật toán có thể sắp xếp, tối ưu hóa và tìm kiếm), hiểu cấu trúc dữ liệu và có kiến thức về kiến trúc máy tính.

Vì đầu ra điển hình của Kỹ sư ML là phần mềm, họ cũng phải hiểu cách tuân theo các phương pháp tốt nhất về kỹ thuật phần mềm, đặc biệt là các phương pháp liên quan đến thiết kế hệ thống, kiểm soát phiên bản, kiểm thử và phân tích yêu cầu.

Kỹ năng học máy

Mặc dù một Kỹ sư học máy thường được cho là ngồi ở điểm giao giữa khoa học dữ liệu và kỹ thuật phần mềm, nhưng vẫn có một số năng lực đặc biệt quan trọng đối với các công việc ML.

Nhiều Kỹ sư học máy hiện đang được đào tạo về học sâu (deep learning), kiến trúc mạng nơ-ron, xử lý ngôn ngữ tự nhiên (NLP) và lập trình động.

Kỹ năng mềm cho ML Engineer

Mặc dù machine learning là một chức danh kỹ thuật nhưng các kỹ năng mềm cũng rất quan trọng. Ngay cả khi bạn sở hữu kiến thức hàng đầu về máy học, bạn cũng sẽ yêu cầu các kỹ năng trau chuốt trong giao tiếp, quản lý thời gian và làm việc nhóm.

Điều quan trọng nữa là Kỹ sư học máy phải cam kết học tập suốt đời. Do các lĩnh vực trí tuệ nhân tạo, học sâu, học máy và khoa học dữ liệu đang thay đổi nhanh chóng như thế nào, giáo dục thường xuyên là cần thiết cho bất kỳ chuyên gia nào muốn đi đầu.

Công cụ trong Machine learning

ML Engineer không chỉ phải có kiến thức về cách viết mã và phát triển bằng các ngôn ngữ lập trình như Python, Java và C ++, nhiều kỹ sư học máy cũng thấy hữu ích khi sử dụng thành thạo các công cụ và tài nguyên sau:

TensorFlow
Spark và Hadoop
R Programming
Apache Kafka
MATLAB
Google Cloud ML Engine
Amazon Machine Learning

Tham khảo: BrainStation

Tags machine learning, ml engineer, ml engineering

Gambaru News

Tecton huy động 100 triệu đô, chứng minh rằng thị trường MLOps vẫn còn nóng

Post author By Gambaru
Post date 11 August, 2022

Tecton thông báo huy động được 100 triệu đô. Ảnh: ai-techpark.com

Machine Learning (máy học) có thể mang lại lợi thế cạnh tranh cho các công ty bằng cách sử dụng dữ liệu mà chúng thu thập – ví dụ: các hình mẫu mua hàng – giúp đưa ra các dự đoán ‘chấp cánh’ cho các sản phẩm tạo doanh thu (ví dụ: đề xuất mua hàng trên web thương mại điện tử).

Nhưng rất khó để bất kỳ nhân viên nào theo kịp – quản lý ít lại – khối lượng dữ liệu khổng lồ được tạo ra.

Điều đó đặt ra một vấn đề, các hệ thống AI có xu hướng đưa ra các dự đoán vượt trội khi chúng được cung cấp dữ liệu cập nhật từng phút. Các hệ thống không được đào tạo lại thường xuyên về dữ liệu mới có nguy cơ trở nên “cũ kỹ” và kém chính xác hơn theo thời gian.

May mắn thay, một hệ thống thực hành mới nổi có tên là “MLOps” hứa hẹn sẽ đơn giản hóa quá trình cung cấp dữ liệu cho hệ thống bằng cách loại bỏ bớt những rắc rối. Một trong những người đề xuất nó là Mike Del Balso, Giám đốc điều hành của Tecton.

Del Balso đồng sáng lập Tecton khi còn làm việc tại Uber khi công ty đang gặp khó khăn trong việc xây dựng và triển khai các mô hình học máy mới.

“Các mô hình được cung cấp các tính năng thời gian thực được tinh chỉnh cao có thể đưa ra các dự đoán chính xác hơn nhiều. Nhưng việc xây dựng các data pipeline (đường ống dữ liệu) để tạo ra các tính năng này rất khó, đòi hỏi nhân lực kỹ thuật dữ liệu đáng kể và có thể công thêm hàng tuần hoặc hàng tháng mới ước tính được thời gian hoàn thành”.

Del Balso là người từng dẫn dắt các nhóm machine learning mảng Quảng cáo tìm kiếm (search ads) tại Google – đã đồng ra mắt Tecton vào năm 2019 cùng với Jeremy Hermann và Kevin Stumpf, hai đồng nghiệp cũ ở Uber.

*3 nhà sáng lập của Tecton. Ảnh: a16z.com*

Khi ở Uber, bộ ba này đã tạo ra Michelangelo, một nền tảng AI mà Uber sử dụng nội bộ để tạo dự báo thị trường, tính toán ETA (Estimated Time of Arrival) và tự động phát hiện gian lận, cùng nhiều tình huống sử dụng khác.

Sự thành công của Michelangelo đã truyền cảm hứng cho Del Balso, Hermann và Stumpf tạo ra một phiên bản thương mại của công nghệ này, sau chính là Tecton. Các nhà đầu tư đã hết sức ấn tượng.

Điển hình là Tecton thông báo rằng họ đã huy động được 100 triệu đô trong vòng Series C, nâng tổng số tiền huy động được của công ty lên 160 triệu đô.

Vòng này do Kleiner Perkins dẫn đầu, với sự tham gia của Databricks, Snowflake, Andreessen Horowitz, Sequoia Capital, Bain Capital Ventures và Tiger Global. Del Balso cho biết công ty sẽ được sử dụng nguồn vốn mới mở rộng quy mô các đội kỹ thuật và tiếp thị của Tecton.

Đối tác của Kleiner Perkins, Bucky Moore cho biết.

“Chúng tôi mong phần mềm mà mình sử dụng ngày nay sẽ được cá nhân hóa và thông minh hơn. Mặc dù công nghệ máy học giúp điều này trở nên khả thi, nhưng nó vẫn còn xa thực tế vì cơ sở hạ tầng hỗ trợ rất khó xây dựng cho tất cả trừ các công ty tiên tiến nhất. Tecton giúp bất kỳ đội ngũ nào cũng có thể truy cập cơ sở hạ tầng này, cho phép họ xây dựng các ứng dụng học máy nhanh hơn. ”

Ở cấp độ cao, Tecton tự động hóa quá trình xây dựng các tính năng bằng cách sử dụng các nguồn dữ liệu thời gian thực.

“Tính năng” (feature), trong học máy, là các biến độc lập riêng lẻ hoạt động giống như một đầu vào trong hệ thống AI. Hệ thống sử dụng các tính năng để đưa ra dự đoán của chúng.

Del Balso cho biết:

“[Tự động hóa] cho phép các công ty triển khai các mô hình học máy thời gian thực nhanh hơn nhiều với ít nỗ lực kỹ thuật dữ liệu (data engineering) hơn. Nó cũng cho phép các công ty đưa ra các dự đoán chính xác hơn. Điều này rồi lại chuyển thành kết quả cuối cùng được mong đợi, chẳng hạn như tăng tỷ lệ phát hiện gian lận hoặc cung cấp các đề xuất sản phẩm tốt hơn”.

Ngoài việc sắp xếp các data pipeline, Tecton có thể lưu trữ các giá trị tính năng trên các môi trường đào tạo và triển khai hệ thống AI.

Nền tảng này cũng có thể giám sát các data pipeline, tính toán độ trễ và chi phí xử lý cũng như truy xuất các tính năng trước đây để đào tạo các hệ thống trong sản xuất.

“Các trường hợp sử dụng điển hình cho Tecton là các ứng dụng học máy được lợi từ suy luận thời gian thực. Một số ví dụ bao gồm phát hiện gian lận, hệ thống giới thiệu, tìm kiếm, thẩm định bảo hiểm, cá nhân hóa và định giá theo thời gian thực. Nhiều mô hình học máy này hoạt động tốt hơn nhiều khi đưa ra dự đoán trong thời gian thực, sử dụng dữ liệu thời gian thực. Ví dụ: các mô hình phát hiện gian lận chính xác hơn đáng kể khi sử dụng dữ liệu về hành vi của người dùng chỉ vài giây trước đó, chẳng hạn như số lượng, kích thước và vị trí địa lý của các giao dịch ”.

Theo Cognilytica, thị trường toàn cầu cho nền tảng MLOps sẽ trị giá 4 tỷ đô vào năm 2025 – tăng từ 350 triệu đô la vào năm 2019. Tecton không phải là công ty khởi nghiệp duy nhất theo đuổi việc này. Các đối thủ bao gồm Comet, Weights & Biases, Iterative, InfuseAI, Arrikto và Continual là một vài cái tên.

Trên mặt trận cửa hàng tính năng, Tecton cạnh tranh với Rasgo và Molecula, cũng như các thương hiệu lâu đời hơn như Google và AWS.

Del Balso chỉ ra một số điểm có lợi cho Tecton, như quan hệ đối tác chiến lược và tích hợp với Databricks, Snowflake và Redis.

Tecton có hàng trăm người dùng tích cực – không có thông tin gì về khách hàng, ngoại trừ thực tế là cơ sở đã tăng gấp 5 lần trong năm qua – và Del Balso nói rằng tỷ suất lợi nhuận gộp (doanh thu thuần trừ giá vốn hàng bán) là trên 80%.

Doanh thu định kỳ hàng năm dường như đã tăng gấp ba lần từ năm 2021 đến năm 2022, nhưng Del Balso từ chối cung cấp số liệu công ty.

“Chúng tôi vẫn đang trong giai đoạn đầu của MLOps. Đây là một quá trình chuyển đổi khó khăn đối với doanh nghiệp. Nhóm các nhà khoa học dữ liệu của họ phải cư xử giống như các kỹ sư dữ liệu hơn và bắt đầu xây dựng mã chất lượng-sản xuất. Họ cần một bộ công cụ hoàn toàn mới để hỗ trợ quá trình chuyển đổi này và họ cần tích hợp các công cụ này vào các nền tảng máy học gắn kết. Hệ sinh thái của các công cụ MLOps vẫn còn phân mảnh cao, khiến các doanh nghiệp khó khăn hơn trong việc xây dựng các nền tảng máy học này. Đại dịch đã đẩy nhanh quá trình chuyển đổi sang trải nghiệm kỹ thuật số và cùng với đó là tầm quan trọng của việc triển khai ML hoạt động để tăng cường cho những trải nghiệm này. Chúng tôi tin rằng đại dịch là động lực thúc đẩy việc áp dụng các công cụ MLOps mới, bao gồm các cửa hàng tính năng và nền tảng tính năng. ”

Tecton có trụ sở tại San Francisco hiện có 80 nhân viên. Công ty có kế hoạch thuê khoảng 20 người trong vòng 6 tháng tới.

Theo TechCrunch

Tags mlops, tecton, uber

All about Japan

Nhật Bản hiện thực hoá giấc mơ ca sĩ của hàng triệu người

Post author By Gambaru
Post date 10 August, 2022
No Comments on Nhật Bản hiện thực hoá giấc mơ ca sĩ của hàng triệu người

Vừa sử dụng thiết bị vừa làm việc (Ảnh: atpress)

Một công ty tại Nhật Bản mới đây đã ra mắt thiết bị cho phép người dùng có thể hát những nốt cao mà họ thường không thể hát tới.

Thú vui tiêu khiển được hàng triệu người trên thế giới yêu thích này có nguồn gốc từ Nhật Bản. Vì vậy, không có gì ngạc nhiên khi rất nhiều người ở mọi lứa tuổi tại quốc gia châu Á này đam mê hát karaoke.

Tuy nhiên, người đam mê ca hát không có nghĩa là họ hát hay. Dù họ có thể tham gia các lớp học hát nhưng lại tốn nhiều thời gian và tiền bạc. May thay, một công ty đã phát minh ra giải pháp thay thế đơn giản.

Công ty Dream của Nhật Bản mới đây đã ra mắt Proidea High Tone Trainer, thiết bị cho phép người dùng có thể hát những nốt cao mà họ thường không thể hát tới.

Chỉ cần đưa thiết bị vào miệng và giữ trong vòm họng vài phút, người sử dụng có thể trở thành ca sĩ hát karaoke hay hơn một cách kỳ diệu.

Dream tuyên bố rằng, bất kỳ ai cũng có thể sử dụng thiết bị này và chỉ cần 3 phút mỗi ngày để thấy kết quả tích cực.

Ngoài ra, người dùng có thể vừa sử dụng thiết bị này vừa làm những công việc khác như việc nhà, viết lách, chơi game.

Thiết bị “kỳ lạ” này được thiết kế để nâng mô mềm ở phía sau vòm miệng của người dùng, khu vực nổi lên khi chúng ta hát hoặc ngáp, từ đó cho phép bạn tạo ra các nốt cao hơn và hát karaoke hay hơn.

Nếu sử dụng thường xuyên, Proidea High Tone Trainer có thể nâng vòm miệng mềm mại của người dùng lên, giúp họ có khả năng hát lên quãng 8.

*Sử dụng 3 phút mỗi ngày để thấy kết quả tích cực (Ảnh: O.C)*

Thiết bị Proidea High Tone Trainer đang được bán với giá 22 USD. Tuy nhiên, chỉ bán trong nước.

Bên cạnh những bình luận tích cực, không ít người tỏ ra ngờ vực đồng thời cho biết chiếc máy hoàn toàn không thần kỳ như quảng cáo và cho rằng vẻ ngoài của nó khá kỳ cục.

Nguồn: VTV

Tags Japan, Japanese life, Nhật Bản

Gambaru News

Starbucks sẽ công bố chương trình quà tặng chạy trên web3 vào tháng tới

Post author By Gambaru
Post date 4 August, 2022
No Comments on Starbucks sẽ công bố chương trình quà tặng chạy trên web3 vào tháng tới

Starbucks công bố chương trình quà tặng chạy trên web3

Starbucks sẽ công bố sáng kiến web3 của mình, bao gồm NFT theo chủ đề cà phê, tại sự kiện Investor Day vào tháng tới.

Trước đó vào đầu năm, công ty đã công bố kế hoạch tham gia lĩnh vực web3, lưu ý rằng các NFT của họ sẽ không chỉ đóng vai trò là đồ sưu tầm kỹ thuật số mà sẽ cung cấp cho chủ sở hữu quyền truy cập vào nội dung độc quyền và một số đặc quyền khác.

Vào thời điểm đó, Starbucks đã tiết lộ thông tin chi tiết về bộ NFT đầu tiên của hãng sẽ trông như thế nào, các tính năng cụ thể mà họ sẽ cung cấp hoặc thậm chí là việc nó đang xây dựng trên blockchain nào. Được biết, đó có thể là multichain hoặc chuỗi bất khả tri (chain-agnostic), điều này gợi ý rằng kế hoạch vẫn chưa được hoàn thiện.

Nhìn chung, nhà bán lẻ cà phê này giữ kín tin tức web3 ở mức khá cao, chỉ giải thích đơn giản rằng họ tin tưởng các bộ sưu tập kỹ thuật số có thể tạo ra một hoạt động kinh doanh phù hợp với hệ thống cửa hàng của mình và sẽ được tiết lộ vào cuối năm 2022.

Trong khi một số công ty nhảy vào cuộc đua NFT mà không cần suy nghĩ nhiều về việc khoản đầu tư của họ sẽ phù hợp với các mục tiêu kinh doanh lớn hơn ra sao, thì Starbucks dường như đang thử một cách tiếp cận khác.

Họ coi các bộ sưu tập là biểu hiện của lòng trung thành khách hàng.

Công ty đã mời Adam Brotman, kiến trúc sư của hệ thống Đặt hàng & Thanh toán trên thiết bị di động và ứng dụng Starbucks làm cố vấn đặc biệt cho dự án.

Ứng dụng đặt hàng và thanh toán Starbucks — *Ứng dụng đặt hàng và thanh toán qua di động của Starbucks*. Ảnh SiamPhone

Đặt hàng & Thanh toán qua di động là một trong những thành công lớn nhất của Starbucks, xét về mặt đổi mới công nghệ.

Công ty là một trong những công ty đầu tiên đưa ra khái niệm về ví kỹ thuật số, ngay cả trước khi Apple Pay trở nên phổ biến.

Và khi việc áp dụng thanh toán di động ngày càng phát triển, việc đặt hàng qua điện thoại di động của Starbucks cũng phát triển theo.

Trong quý vừa qua – Quý 3 tài chính của Starbucks – các đơn đặt hàng di động, giao hàng và lái xe kết hợp đã mang lại 72% doanh thu Starbucks tại Mỹ. Ngoài ra, doanh số đặt hàng trên thiết bị di động đã tăng lên mức cao kỷ lục 47%, tăng 13% so với cùng kỳ năm ngoái, sau những thay đổi do COVID thúc đẩy trong hành vi của người tiêu dùng.

Người sáng lập Starbucks kiêm Giám đốc điều hành tạm thời Howard Schultz, người đã trở lại công ty vào tháng 4, đã giới thiệu sáng kiến web3 sắp ra mắt của mình trong hội nghị báo cáo tài chính với các nhà đầu tư.

*CEO Startbucks giới thiệu sáng kiến web3*

Schultz nói:

“Chúng tôi đang làm việc trên một sáng kiến kỹ thuật số mới rất thú vị, xây dựng trên nền tảng kỹ thuật số hàng đầu hiện có theo những cách thức mới đầy sáng tạo, tất cả đều tập trung vào cà phê và quan trọng nhất là lòng trung thành, mà chúng tôi sẽ tiết lộ tại Investor Day”.

Công ty trước đó đã công bố kế hoạch tổ chức Investor Day 2022 tại Seattle vào ngày 13 tháng 9 năm 2022.

Schultz tiếp tục…

“Chúng tôi tin rằng sáng kiến hỗ trợ web3 kỹ thuật số mới này sẽ cho phép chúng tôi xây dựng dựa trên mô hình Starbucks Rewards hiện tại với mức chi tiêu mạnh mẽ để kiếm sao (star) trong khi cũng giới thiệu các phương pháp mới để thu hút khách hàng về mặt cảm xúc, mở rộng cộng đồng kỹ thuật số, và cung cấp nhiều phần thưởng hơn, bao gồm cả những trải nghiệm độc nhất vô nhị mà bạn không thể có được ở bất kỳ nơi nào khác, việc tích hợp hệ sinh thái Starbucks Rewards kỹ thuật số của chúng tôi với các bộ sưu tập kỹ thuật số mang thương hiệu Starbucks vừa là phần thưởng, vừa là yếu tố xây dựng cộng đồng.
Điều này sẽ tạo ra một bộ hiệu ứng mạng lưới kỹ thuật số hoàn toàn mới sẽ thu hút khách hàng mới và bổ sung cho khách hàng hiện tại trong các cửa hàng bán lẻ nòng cốt của chúng tôi”.

Mặc dù các chi tiết vẫn chưa được làm rõ, nhưng cách tiếp cận ở đây nghe có vẻ thú vị – ít nhất là so với một số dự án NFT của công ty khác (một mức thấp phải thừa nhận). Trước đó, công ty đã không làm rõ rằng NFT sẽ được gắn trực tiếp với Starbucks Rewards.

Hiện tại, khách hàng kiếm được Sao khi mua hàng trong ứng dụng hoặc tại các cửa hàng Starbucks, sau đó có thể chuyển thành phần thưởng hữu hình – như đồ uống miễn phí.

Có vẻ như các NFT mới bây giờ sẽ được kết hợp vào một phần của chương trình khách hàng thân thiết này, bằng cách nào đó.

Nếu khách hàng “kiếm” được những món đồ sưu tầm thông qua các giao dịch mua hàng ngày, có lẽ, điều đó sẽ có khả năng thu hút nhiều người hơn đến với hệ sinh thái web3.

Đây là một trong những thách thức mà lĩnh vực phải đối mặt ngày nay, nơi mà việc mua các tác phẩm nghệ thuật kỹ thuật số và đồ sưu tầm thường đi kèm với chi phí cao và các khoản phí khá lớn.

Hơn nữa, chương trình kỹ thuật số có thể cung cấp cho khách hàng lý do để quan tâm đến NFT, nếu phần thưởng và cái gọi là trải nghiệm “có một không hai” trở thành thứ thực sự đáng để kiếm. (Tất nhiên, điều đó vẫn còn phải xem.)

Tuy nhiên, có một số dấu hiệu cho thấy người tiêu dùng quan tâm đến những cách dễ dàng hơn để vào không gian web3.

Ví dụ:

Ứng dụng thưởng tiền điện tử Sweatcoin đã thành hit nhờ cách nó thưởng cho người dùng “Sweatcoins” cho mỗi 1.000 bước đi bộ.

Ứng dụng trong quý vừa qua đã đứng thứ 4 về lượt tải xuống toàn cầu và xếp thứ 6 về lượng người dùng tích cực hàng tháng trên danh sách “Ứng dụng đột phá hàng đầu” của data.ai – nghĩa là những ứng dụng có mức tăng trưởng tuyệt đối lớn nhất về lượt tải xuống trong quý.

Hiện cũng có rất nhiều trò chơi cung cấp mô hình chơi-để-kiếm, nhằm mục đích gắn kết một hoạt động thú vị như chơi game với tiền điện tử hoặc NFT.

Những điều này đã chứng kiến nhiều thành công trái chiều hơn khi một số game thủ phản đối ý tưởng này.

Trong hội nghị, Schultz cũng nhấn mạnh giá trị của việc phục vụ người tiêu dùng trẻ.

Mặc dù nhận xét của ông phản ánh nhiều hơn về nhu cầu của Thế hệ Z đối với đồ uống lạnh và cà phê espresso đá xay của Starbucks – thứ đã thúc đẩy doanh số bán hàng trong quý – chương trình khách hàng thân thiết dựa trên web3 có thể là một cách khác để thu hút người tiêu dùng trẻ tuổi đến với thương hiệu.

Schultz cho biết:

“Chúng tôi không muốn kinh doanh trong một doanh nghiệp mà cơ sở khách hàng của chúng tôi đang già đi và chúng tôi có ít liên quan hơn với những người trẻ tuổi ngày nay là thế hệ Z”
“Đối với tôi, tổ hợp đó rất mạnh mẽ và tỷ lệ gắn bó mà chúng tôi có với họ và lòng trung thành đang được xây dựng”

Starbucks đã công bố thu nhập cao trong quý, vượt qua kỳ vọng của Phố Wall bất chấp những thách thức kinh tế.

Công ty báo cáo doanh thu là 8,15 tỷ đô so với 8,11 đô dự kiến và thu nhập trên mỗi cổ phiếu điều chỉnh là 84 xu so với 75 xu dự kiến.

Từ TechCrunch

Tags Blockchain, nft, starbucks, web3

Gambaru News

Skill Graph sẽ gợi mở cách tiếp cận mới trong hoạch định nguồn nhân lực

Post author By Gambaru
Post date 3 August, 2022
No Comments on Skill Graph sẽ gợi mở cách tiếp cận mới trong hoạch định nguồn nhân lực

Làm thế nào các tổ chức có thể nắm bắt cơ hội “nhảy vào” future of work khi hiểu biết của họ về yếu tố con người là rất mờ nhạt?

Một khảo sát Xu hướng nguồn nhân lực toàn cầu năm 2020 cho thấy:

53% người được hỏi tin rằng khoảng từ ½ tới toàn bộ lực lượng lao động của họ sẽ cần thay đổi kỹ năng trong vòng 3 năm, nhưng 59% người được hỏi lại không có thông tin cần thiết để hành động.
Thậm chí, chỉ 17% tin rằng họ có thể dự đoán được các kỹ năng cần thiết.

Với chênh lệch to như cái hố này, làm thế nào các tổ chức có thể đầu tư tốt nhất vào việc phát triển nguồn nhân lực?

*Tương lai công việc và sự hiểu biết về yếu tố con người. Ảnh: Roland Berger*

Các tổ chức cần một lực lượng lao động có khả năng thích ứng và bền bỉ, nhưng nỗ lực của họ bị thách thức bởi sự thiếu rõ ràng về các kỹ năng — và khả năng — của lực lượng lao động đó.

Năm 2021, chúng tôi đã dự đoán nhiều tổ chức sẽ bắt đầu sử dụng các ứng dụng hỗ trợ biểu đồ kỹ năng (skill graph) để điều hướng sự giao thoa mới xảy ra giữa công việc và người lao động, khơi dậy sự tập trung đầu tư vào phát triển lực lượng lao động như là phương tiện chính để đạt được chiến lược nguồn nhân lực — và sau cùng là chiến lược kinh doanh.

Bản đồ tới tương lai: Skill Graph

Các tổ chức thường sử dụng các khung có cấu trúc (ví dụ: thư viện năng lực, kiến trúc công việc, sơ đồ tổ chức) để phân loại người lao động và công việc. Nhưng bản chất của các khuôn khổ này — phân cấp, tuyến tính và trừu tượng — quá rời rạc với công việc và nhân viên để theo kịp thực tế.

Ví dụ, sơ đồ tổ chức là một khung có cấu trúc được sử dụng để mô tả các mối quan hệ chính thức và hệ thống phân cấp, nhưng hiếm khi cung cấp bất kỳ điều gì có thể hành động được (actionable) về cách công việc được hoàn thành.

Thật vậy, các tổ chức là mạng lưới phức tạp và nhiều nơi hiện sử dụng ONA (phân tích mạng tổ chức – organizational network analysis) để hình dung các mối quan hệ và luồng giao tiếp của công việc hàng ngày — thường nhằm mang lại những hiểu biết và cơ hội có giá trị.

Những đổi mới tương tự cũng đang diễn ra trong phạm vi kỹ năng và năng lực của người lao động. Các tổ chức đang chuyển từ các khuôn khổ có cấu trúc sang các bản thể luận (onology) dựa trên mạng lưới, năng động hơn, vay mượn các khái niệm lý thuyết đồ thị tương tự làm nền tảng cho ONA để hiểu rõ hơn mạng lưới quan hệ phức tạp giữa các kỹ năng, năng lực, công việc và người lao động.

Nói tới biểu đồ kỹ năng, đó là bản đồ các kỹ năng và năng lực của một cá nhân hoặc lực lượng lao động. Tùy vào việc triển khai cụ thể, một skill graph có thể bao gồm:

Một bản vẽ trực quan mạng lưới các kỹ năng và năng lực hiện tại
Mối quan hệ giữa các kỹ năng và năng lực (ví dụ, những kỹ năng và năng lực xảy ra cùng nhau, là các thành phần hoặc điều kiện tiên quyết của những kỹ năng khác, hoặc có thể kết hợp để tạo ra các kết quả nhất định)
Mối quan hệ của các kỹ năng và năng lực với công việc, vai trò, nhân khẩu học, xu hướng bên ngoài (ví dụ: hệ sinh thái, ngành, kinh tế) và kết quả công việc
Mối quan hệ của kỹ năng với biểu đồ xã hội (như các động vật xã hội, con người sử dụng các kỹ năng và năng lực về mặt xã hội)
Xu hướng thay đổi theo thời gian

Skill Graph đơn giản

Skill Graph có thể được dùng để biểu diễn mối quan hệ giữa các kỹ năng

Làm nổi bật các kỹ năng của 1 công việc nhất định (như nhân viên chuyển phát bằng xe đạp) và các điểm giao thoa tiềm năng với các công việc và vai trò khác.

*Skill graph của 1 Bike Courier. Nguồn: Deloitte Consulting LLP, 2020*

*Skill graph của 1 Backend Developer, trình độ Middle. Click xem Skill graph*

*Skill graph của 1 DevOps Engineer trình độ Senior. Click xem Skill graph*

Các ứng dụng hỗ trợ đồ thị kỹ năng (sử dụng máy học và AI) là một bước nhảy vọt so với các phương pháp lưu giữ kỹ năng và năng lực trước đây. Các ứng dụng này sẽ:

Phân tích các tập dữ liệu khác nhau từ hệ thống nhân sự hoặc công việc nội bộ và các nguồn bên ngoài (ví dụ: dữ liệu kinh tế, bảng công việc, dữ liệu ngành)
Khám phá thông tin độc lập với đầu vào của nhân viên, bao gồm cả việc hiểu dữ liệu phi cấu trúc
Xác định các kết nối ẩn (ví dụ: suy ra sự hiện diện của một kỹ năng dựa trên sự hiện diện của những kỹ năng khác)

Phát triển lực lượng lao động tập trung vào tương lai

Việc trực quan hoá sự tương tác năng động giữa công việc và người lao động có thể cung cấp hỗ trợ cần thiết cho các nỗ lực hoạch định nguồn nhân lực mang tính chiến lược.

Việc nhận diện các hình mẫu kỹ năng có thể giúp hướng dẫn các khoản đầu tư quan trọng. Hấp dẫn hơn nữa, những hình mẫu này có thể được sử dụng để báo hiệu những thay đổi tương lai trong chính công việc, thông tin thêm cho việc tiếp cận the furture of work của tổ chức.

Ví dụ: một công ty khai thác khoáng sản toàn cầu đang sử dụng nền tảng hỗ trợ skill graph và các công cụ liên quan khác để thu thập dữ liệu từ chính công việc và xác định kỹ năng của người lao động.

Đối với một số kỹ năng, những nhân viên có bộ kỹ năng tương tự được yêu cầu xác minh trình độ của các đồng nghiệp của họ.

Công ty sử dụng các công cụ này để cảm nhận những thay đổi trong các kỹ năng cần thiết, thông tin thêm cho các khoản đầu tư phát triển nguồn nhân lực và hướng dẫn lựa chọn nghề nghiệp của cá nhân nhân viên.

Nhìn về phía trước

Các tổ chức có thể bắt đầu bằng cách xem xét cách tiếp cận tổng thể của họ đối với các kỹ năng và năng lực như một phần trong kiến trúc lực lượng lao động.

Làm thế nào để cả tổ chức và cá nhân hiểu được họ hiện có những kỹ năng và năng lực nào và họ sẽ cần gì trong tương lai?
Và họ nên đầu tư vào đâu để giúp đạt được những mục tiêu đó?

Các tổ chức nên tìm hiểu xem các ứng dụng hỗ trợ skill graph có thể đưa ra câu trả lời hữu ích cho những câu hỏi này như thế nào.

Để bắt đầu:

Tuyển chọn các nguồn lực phát triển sự nghiệp

Dữ liệu skill graph có thể cung cấp các đề xuất có tính theo quy định, được cá nhân hóa hơn cho từng nhân viên, bao gồm nêu bật nội dung hoặc kinh nghiệm phát triển được nhắm mục tiêu hoặc các cơ hội nghề nghiệp được đề xuất.

Thiết lập thị trường cơ hội thị trường tài năng

Các tổ chức có thể tạo điều kiện thuận lợi cho hành trình phát triển và tính linh động của lực lượng lao động nội bộ bằng biểu đồ kỹ năng. Biểu đồ kỹ năng là trọng tâm của một số giải pháp trên thị trường tài năng.

Những công cụ này có thể kết hợp các kỹ năng và sở thích với các cơ hội và giúp các cá nhân hiểu rõ hơn về điểm mạnh hiện tại và con đường khả thi để đạt được nguyện vọng tương lai.

Tái hình dung việc hoạch định nguồn nhân lực

Dữ liệu skill graph có thể giúp các nhà lãnh đạo nhận ra các xu hướng trong việc thay đổi nhu cầu nguồn nhân lực.

Việc kết hợp dữ liệu kỹ năng với phân tích nhu cầu truyền thống có thể mang lại mức độ hiểu biết sâu hơn về cách thức hoàn thành công việc — và cách nó có thể được thực hiện trong tương lai.

KẾT

Skill Graph có thể thay đổi quan điểm của việc hoạch định nguồn nhân lực — sử dụng các nguồn dữ liệu khác nhau về công việc và lực lượng lao động để xác định tương lai tiềm năng và dẫn dắt sự hài hòa liên tục giữa chúng với nhau.

Từ David Mallon

Tags Future of work, opportunity marketplace, skill graph, talent marketplace