Kurzbeschreibung

In diesem Projekt wird ein KI-gestütztes Stellenmatching-System entwickelt, das mithilfe moderner Verfahren des maschinellen Lernens die Passung zwischen arbeitssuchenden Personen und offenen Stellenangeboten verbessert. Grundlage bilden großskalierte Arbeitsmarktdaten mit hochdimensionalen Kompetenzinformationen aus Stellenanzeigen und Personenprofilen, sowie historischen Beschäftigungsmatches. Da in realen Arbeitsmarktdaten lediglich erfolgreiche Übergänge in Beschäftigung beobachtbar sind, wird ein sogenannter Positive-Unlabeled-Learning-Ansatz (PU Learning) eingesetzt. Das System kombiniert Kompetenzprofile, berufliche Anforderungen und weitere Merkmale wie Bildung oder Berufserfahrung, um individuelle Matching-Wahrscheinlichkeiten zwischen Personen und Stellenangeboten vorherzugsagen. Als weiterer Faktor fließt die Qualität eines Matches in Form von Beschäftigungsstabilität und erwarteten Löhnen mit ein. Darüber hinaus werden regionale Arbeitsmarktbedingungen und "Labor-Market-Tightness"-Effekte berücksichtigt, um Konkurrenzsituationen und Überkonzentrationen auf einzelne Stellenangebote zu vermeiden. Dadurch soll ein arbeitsmarktökonomisch effizienteres und realitätsnäheres Empfehlungssystem entstehen.