Rätt kombination av konstig intelligens på datorn och rätta metoder och teknik kan ge oss en bättre chans att matcha dem som står långt i från arbetsmarknaden. Det är en utmanande uppgift som vi har redan i dag, och som blir större för varje dag som går. Datorn blir smartare igenom programvara och kapacitet, och på samma tid har vi algoritmer som inte fanns bara för 5-10 år sedan som kan vara till hjälp. Företag behöver arbetskraft och tudelningen av arbetsmarknaden har aldrig varit större en i dag, och något måste görs. Jag föreslår en programvara som jag kallar Matchning Arbetssökande Långt Från Arbetsmarknaden - MALFA. Et program som använder tekniker och metoder i samverkan med datorns kraft och algoritm hantering, och som ger oss möjlighet att se vilka möjligheter personer som till exempel har funktionshinder kan hitta en arbetsgivare som vill ha god nytta av denna resursen.

1. Intelligent Matchning Arbetssökande
Långt Från Arbetsmarknaden
Metod och
Teknik
Jobb
Möte
Matcha
Analysera

2.  Tudelning på arbetsmarknaden blir större och större, och blir en utmaning.
 Matchningsmetodermåste hittas för att ge svar på denna utmaning.
 Det tar för lång tid att kvalificera arbetsresurser till arbetsmarknaden.
 Existerande lösningar kopplar inte jobb med rätt person på rätt plats till rätt tid.
 Dagens arbetsmarknad domineras av arbetssökande som står långt från
arbetsmarknaden, och utnyttja denna resurs har varit svårt, ja nästan omöjligt.
 Du är det möjligt atthitta rätt resurs bland dessa.
 Du behöverett system som gör intelligentsök bland resurser för att hitta rätt
person till att lösa dina utmaningar.
 Vi föreslår användning av konstig intelligens teknik kombinerad med
kartläggningsmetod kan hitta resurser på överraskande platser.
Du har ett behov för arbetskraft – vem gör vad?

3. Dagens marknad ställer andra utmaningaren för 10 år sen.
Tudelade arbetsmarknaden lett till försämrad matchning av behov och tillgänglig arbetes resurs.
Allt fler av de arbetslösa tillhör grupper som behöver omfattandestöd och rustning för att kunna konkurrera
om de lediga arbeten som finns - står långt från arbetsmarknaden.
Större andel en förut är också nyanlända.
Gruppen med personer som står långt ifrån arbetsmarknadenbestår av:
• Nyanlända
• Funktionsnedsättning
• Bara förgymnasial utbildning
• 55+ år
Att effektivt sammanföra arbetssökandemed arbetsgivarehar blivit mer komplex då allt färre av de
arbetssökandehar den kompetens som efterfrågas.
Gruppen med personer som står nära arbetsmarknadenär alla dem andra, och som i mindre grad
behöver stöd för att matchas i arbetsmarknaden.
Låt oss först se hur vi kan matcha och förtydliga resursen bland dem som står långt ifrån arbetsmarknaden

4. Längst från arbetsmarknaden
Del av gruppen med personer som står långt ifrån arbetsmarknaden:
• Nyanlända
• Funktionsnedsättning
• Bara förgymnasial utbildning
• 55+ år
Dessa utgör över halvpartenav deminskrivna arbetslösa hos Arbetsförmedlingen i dag.
Utmaningen i Sverigesarbetsmarknad är att skaffa nog arbetskraft till arbetsgivareoch på
samma tid reducera arbetslöshet, och speciellt bland dem som står långt ifrån
arbetsmarknaden.Denna gruppen ökar i storlek för varje år som går

5. En dold kraft att ha arbete med funktionsnedsättning
Nio av tio företag villiga att anställa personer med funktionsnedsättning
I dag har nästan fyra av tio företag med fler än tio anställa minst en medarbetare med funktionsnedsättning.
Men så många som nio av tio företag är villiga att anställa personer med funktionsnedsättning – en dold kraft som idag ofta
står långt ifrån arbetsmarknaden.
Den främsta fördelen med att anställa personer med funktionsnedsättning uppges vara att det skapar bättre arbetsmiljö för
hela företaget.
Det är ofta okunskap som skapar en tveksamhet. Vi måste höja blicken och se alla som är tillgängliga för att ta dem.
Vad om något tror du hindrar svenska företag att anställa personer med funktionsnedsättning?
• Arbetsuppgifterna är för krävande 30 %
• Ekonomin och effektiviteten blir lidande på företaget 12 %
• Det är mer tidskrävande för en person med funktionsnedsättning att utföra det jobb som krävs 11 %
”Från Samhall rapport”
Hälften av de offentliga arbetsgivarna kan tänka sig att anställa en person med funktionsnedsättning. Motsvarande andel
bland privata arbetsgivare är 40 procent.
”Arbet sförmedlingen”

6.  Idén baseras på en algoritm för matchning av arbetsuppgifter är att ställa in statistiska filterför Ställningsanalys Frågeformulär (SAF) föremål där
prestanda skulle begränsas av funktionshinder och att dela listan över närmaste jobbannonser beroende på huruvida de passerade filtren eller ej.
 SAF använder en kontextblandningsalgoritm. Kontextblandning är relaterad till prediktering genom partiell matchning (PPM) genom att kompressorn
är indelad i en prediktion och en aritmetisk kodare, men skiljer sig ifrån att nästa symbolförutsättning beräknas med användning av en vägd
kombination av sannolikhetsestimat från ett stort antal modeller Konditioneras i olika sammanhang. Till skillnad från PPM behöver ett sammanhang
inte vara angränsande.
 De närmaste matchande jobb som passerar filtren är listade i ett avsnitt i rapporten. De närmaste matchande jobb som inte passerar filtren anges i
en annan del av rapporten.
 Några jobb kan avvisas som otänkbara, men vissa kan rimligen rymmas. Om en persons ryggsmärta hindrar att sitta mer än en tim me så kan
yrkesspecialisten programmera Arbetsrehabilitering Frågeformuläret (ARF) för att skriva ut en lista över jobb som kräver mer än en timmes sittande i
en del av rapporten och jobb som kräver en timme eller mindre av sittande i en annan del av rapporten.
 Ange en produktgräns på utbildning till exempel, rapporten delas i en lista över jobb som kräver mer utbildning och en annan lista över jobb som
kräver samma eller lägre utbildning än gränsen.
 Eftersom ARF består av många objekt kan objektgränser ställas in för att modellera praktiskt taget alla nedskrivningar eller begränsningar . När en
person har allvarliga begränsningar som kan innefatta utbildningsbegränsningar eller till och med motvilja mot att utföra vissa arbetsuppgifter, kan
ARF ta hänsyn till dessa. Storleken på skillnaden mellan en produktgräns och ett jobbkrav som överstiger objektgränsen kan avgöra om jobbet är
oförlåtligt eller om det rimligen kan hysas.
 Den grundläggande statistiska principen som används i ARF-matchning är maximal sannolikhetsbedömning, vilket är en metod för att jämföra olika
uppsättningar data.
 ARF-matchningsalgoritmen använder en icke-parametrisk "ovägd multivariat närmaste granne" -metod.
Matcha personer med funktionshinder med jobbmöjligheter.

7. För att ha en chans till detta, krävs det hjälp av datorns möjlighet att lära sig att söka och på
samma tid lär sig att känna igen mönster i funktioner, uppgifter och krav emot olika
funktionshinder som inte är i konflikt för att utför utmaningar som jobben kräver, kanske tvärt
om, kan vara ett plus för att gör jobben.
Vi föreslår användning av metoden ”Ställningsanalys Frågeformulär (SAF)” i kombination med
maskininlärningstekniker som ”Job Enhanced Latent Semantisk Index (JELSI)” som använder
återkoppling till kollektiv lärande (KL).
 SAF - Idén är användning av en algoritm för matchning av arbetsuppgifter och ställa in
statistiska filter verktyget Arbetsrehabilitering Frågeformuläret (ARF) på SAF-föremål där
prestanda skulle begränsas av funktionshinder och att dela listan över närmaste
jobbannonser beroende på huruvida de passerade filtren eller ej.
 ARF – programmeringen baseras på statistiska principen som används i matchning för
maximal sannolikhetsbedömning, vilket är en metod för att jämföra olika uppsättningar
data.
Datorn matcharpersoner med funktionshinder

8. Detta är det mest kända kvantitativa tillvägagångssättet för arbetsanalys som är lägesanalysformuläret (SAF).
Metod är utvecklad av Dr. Ernest J. McCormick som associerade vid Purdue University. Detta positionsanalysformuläret är ett strukturerat arbetsanalysformulär som
innehåller 194 poster som är jobbelement. Dessa element är arbetarorienterade. Med hjälp av en formel skal de klassificeras som arbetarnas beteenden. Föremålen är
organiserade i sex divisioner:
 Informationsinmatning
 Mentala processer
 Arbetsutgång (fysiskaaktiviteter ochverktyg)
 Relationer med andra
 Arbetskontext (denfysiskaoch sociala miljön)
 Andra jobbegenskaper (såsomtakt och struktur)
Varje jobbelement är betygsatt på sex skalor:
 Användningsgrad
 Betydelse
 Tid
 Möjlighet att uppträda
 Tillämpbarhet och
 Särskild kodför vissa jobb.
Dessa beskrivningar kommer från McCormicks modell av operativa funktioner som är grundläggande för alla jobb: avkännande (informationsmottagning),
informationslagring, informationsbehandling och beslut och handling (fysisk kontroll eller kommunikation).
Dessa funktioner varierar i betoning från jobb till jobb.
Användning av SAF algoritm med dessa uppdelningar som visas, ger oss en chans att matcha jobb och sökande i bättre grad en tidigare. Om vi går vidare och
använder flera algoritmer, så kan sökandet och matchningen bli optimal. Detta kräver att vi arbetar upp en ordentlig matris av kunskap, färdigheter och förmågor.
Integrerad med faktorer som fysisk krav och arbetsmiljö vill vi ha en möjlighet att ge stöd till arbetsgivare för personer som kan göra olika jobb om man bara vet vilken
ram vi arbetar inom.
Ställningsanalys Frågeformulär (SAF)

9. ARF är ett statistiskt verktyg för att stödja kliniskt beslutsfattande när det gäller arbetspotential för personer med funktionshinder.
Arbetsgivare kan använda ARF för att stödja val eller placering av kvalificerade personer med funktionshinder.
Det kan användas för att stödja tvister om yrkesfrågor.
Programmering av ARF kan används för att överväga funktionshinder i arbetsmatchning.
De 150 SAF/ARF-jobbelementen täcker ett så brett utbud av arbetsaktiviteter med yrkesmässiga konsekvenserna och praktiskt
taget alla funktionshinder kan modelleras.
Specialisten specificerar vilken SAF-funktionshindersbegränsning som begränsar prestanda och anger sedan objektgränser för att
indikera maximal prestanda på dessa objekt.
Inställningsbegränsningar programmerar ARF för att ta hänsyn till funktionshinder.
När jobbsökningsalgoritmen körs, påverkar effekten av objektgränser och delar upp den jobbrelaterade rapporten till en lista
över närmaste matchningsjobb där inga SAF-värden överskrider objektgränser och en lista för närmaste matchande jobb där
SAF-värden överskrider objektgränser.
Programmera ARF till att ta hänsyn till funktionshinder
Jobb K är närmare SAF-betyg på individen än
Jobb J, eftersom 4 är mindre än 5.
SAF
SAF
SAF
SAF

10.  Arbetspassningsalgoritmen JELSI ”Job Enhanced Latent Semantic Indexing”inkorporerar ”Term
Frequency InverseDocument Frequency”.
 JELSI tar hänsyn till den lokala viktenoch den globala viktenav begreppet frekvensi hela samlingen.
 Radreduktionsteknik har införts för att minska de obetydliga termerna (radvektorer) i matrisen för att
minska beräkningsinsatser och tid.
 Inkorporera feedback från arbetssökandeför att få en bättrejobbmatchningsmekanism.
 Feedback från arbetssökandenär det gäller arbetsapplikationsbeteenden.
 I allmänhet förbättrar återkoppling algoritmfrågan i varjepass baserat på resultaten från tidigare
frågor.
 Detta uppvisar fördelarna med Kollektivt Lärande(KL, på engelska Collective Learning – CL) där en
grupp arbetssökandehjälper till att fatta beslut.
 De kollektiva feedbacken sätts in i algoritmen och resultaten förbättras.
 JELSI-KL är metoden som ger bäst resultat sedan den kollektiva lärningsprocess ökar träffsäkerhet till
systemet.
Matchning med kollektivtlärande

11. Återkoppling till KL
Om det inte delas någon information mellan arbetssökande,kommer det att hindra den
kollektiva inlärningsprocessen att lyckas med att lösa komplexa jobbmatchningsutmaningar.
LSI är en algoritm som försöker imitera mänsklig hjärna för att lösa problem. En individ har
emellertid mycket begränsade resurser för att lösa komplexa problem.
Däremot kan en grupp arbetssökandevara till hjälp för att fatta beslut som att lösa komplexa
jobbmatchningsproblem istället för en enskild individ.
Användningav en hybrid algoritm som ”Job Enhanced Latent Semantisk Indexering”(JELSI)
metod med en kollektiv inlärningsmetod (KL) ökar jobbmatching processen med mångfald
emot traditionell metoder.

12. LÅT OSS SE HUR PROGRAMVARAN SER UT
Programvaran använder SAF och ARF tillsammans med JELSI
metodik i ett maskininlärningsmiljö på datorn.
Beta 1.01

13. Matchning Arbetssökande Långt Från Arbetsmarknaden
Möjlighet för att skapa profil avhängig av kategori sökande och två
olikaformulär med SAF och ARF.
Beta 1.01

14. Matchning Arbetssökande Långt Från Arbetsmarknaden

15. Matchning Arbetssökande Långt Från Arbetsmarknaden
Vi ska gör en ny Ställnings Analys själv
vid att fylla ut ett 16 punkts
frågeformulär via en ”drop down”
meny som leder till flera frågor (vi ser
bara 12 av 16 punkt nu, använder
rullgardin funktion för att se resten).
Vi kan också välja att hämta
existerande SAF som är gjorda redan,
eller vi kan skapa ny SAF via analys av
en jobb annons. Den sista funktionen
vill använda Google Jobs konstig
intelligens teknik via Moln baserad
tjänst, och därför måste programvaran
vara kopplat till internet för att göra
denna funktionen.

16. Matchning Arbetssökande Långt Från Arbetsmarknaden
Nästa steg är att göra Arbetsrelaterad Frågeformulär (ARF)är en mycket mer avancerad metod som måste
programmeras på ett särskild sett.
Arbetsgivare kan använda ARF för att stödja val eller placering av kvalificerade personer med funktionshinder. Den kan
användas för att stödja oklarheter om yrkesfrågor. Programvaran gör stegvisa anvisningar för att programmera ARF för
att överväga funktionshinder i arbetsmatchning.
De 150 SAF / ARF arbetselementen täcker ett så brett utbud av arbetsaktiviteter att de yrkesmässiga konsekvenserna av
praktiskt taget alla funktionshinder kan modelleras med dem. Arbetsförmedlaren kan specificera vilken SAF -
invaliditetsbegränsning som begränsar prestanda och sedan ange objektgränser för att indikera maximal prestanda på
dessa objekt.
Inställningsbegränsningar som programmeras i ARF tar hänsyn till olika funktionshinder. När jobbsökningsalgoritmen körs,
vill effekten av objektgränser begränsa jobb matchningsrapporten till en lista över bäst matchande jobb där inga SAF-
värden överskrider objektgränser och ger en översikt över bäst matchande jobb där SAF-rangering överstiger objekt
gränser som är bestämds och därvid ger passande jobb tillbaks som resultat.
Under vissa förutsättningar kan en individ kunna själv köra en analys och få ett jobbmatchningsresultat som en
vägledning. Självanalys idén är att dra till sig individens självkännedom för att skapa en korrekt bild av deras förmågor
och toleranser.
Fördelar med detta är att individer är de mest uppenbara källorna till information om sig själva, och om vi vill veta vad
de tror eller känner, är det vettigt att fråga dem direkt själv.
En nackdel med självrapporter innefattar behov av utbildning och erfarenhet för att förstå personlighet och
psykopatologi och den minimala tillgången individer har till många av sina kognitiva processer.

17. Matchning Arbetssökande Långt Från Arbetsmarknaden
Vi får först välja evalueringsmetod, innan vi sätter upp tillfället som vi vill arbeta med (detaljer om tillfället).
Därefter vill vi välja Arbetsrehabiliteringsdatabas som är antigen lokalt eller i molnet, avhängig av hur komplicerad analys vi vill göra.
Vi vill inte visa alla steg i denna presentationen av platshänsyn. Vi har satt gränser på alla element för SAF och ARF på detta stadiet.
Vi vill gå direkt till steg med välja databas och göra rangering av förmåga och toleranser.

18. Matchning Arbetssökande Långt Från Arbetsmarknaden
Vi ser här fördelning av jobbar i master ARF databasen inom dem olika nivåklasser. Om vi
vill se vilka jobbtitlar som ligger i en specifik nivåklass, så kan vi trycka på ”Se
jobbtitlar/nivå” och vi kan få en tabell som visar dessa jobb och vart dem ligger på skala.
Man kan därvid sätta upp vilket nivå den sökande är på och se vilka jobb som passar
denna enligt dennas nivå.

19. Matchning Arbetssökande Långt Från Arbetsmarknaden
Ett exempel på en rapport som är körd i MALFA för en person, kan se ut så här. Rapport är inte komplett,
och när man klickar på jobbtitlar kan man få mer information om vilka värde varje jobb har på all
elementen som är använd i rangeringen.
Man kan använda pilar i meny för att gå tillbaks eller kör flera gånger för att träna datorns konstiga
intelligens.

20. Om mig
Stig-Arne har erfarenhet som företagsledare med betydande
företagserfarenhet och bakgrund både som geolog och
ingenjör. Dessutom har han stor erfarenhet av att träna och
coacha yrkesverksamma med behov av att integrera sig på
olika områden.
Stig har arbetat som en senior geolog och projektledare för flera
olje- och gasbolag, inklusive serviceföretag. Stig har haft ansvar
för att förvalta inomhus och klientbaserade
geovetenskapsprojekt av olika slag, allt från introduktionsnivå,
ren prospektering till utvecklingsfas från början till slut. Han har
genomgått geologiska utvärderingar och bidragit till
multidisciplinstudier för möjligheter, prospekt och fält, inklusive
planering och genomförande av planering av hela
prospekterings- och reservoar exploaterings program.
Han har lång erfarenhet av projektarbeten av olika skala och
typer och van att vara i kontakt med kunder för att svara på
frågor som uppstår under ett projekt.
Stig har fokus på kunskapsbaserade processer och system, kontraktsuppdrag, tillgångsförhandlingar. Stig-Arne
har haft fokus på rumslig analys med fokus på kunskapsbaserade E & P-processer uppnår affärsmål med hjälp
av prediktiv analys.
Stig är väl känt för användning av industriprogramvara inom geovetenskap, kunskapshantering, affärsanalys,
geospatialanalys osv.
Han fungerar som coach för såväl individer som företag, genom att använda olika kognitiva och konstig
intelligens metoder.