Мы в BIOCAD работаем на стыке нескольких областей: от биохимии до компьютерных наук. Нашим сотрудникам нужны специфические навыки, которыми выпускники вузов в большинстве случаев не обладают. Мы планируем обучать их с помощью когнитивных карт. Рассказываем подробнее.
Кадровый голод
В IT-индустрии наблюдается дисбаланс спроса и предложения. Кадровики говорят, что закрыть технологическую вакансию сложнее, чем любую другую. По данным АПКИТ, российский бизнес ежегодно ищет более 220 тыс. разработчиков, инженеров и сисадминов. К 2024 году эта цифра вырастет до 290–300 тыс. Однако более 45% работодателей не могут закрыть необходимые позиции.
Нехватка квалифицированных специалистов тормозит технологическое развитие компаний и внедрение инноваций — некоторые даже теряют конкурентное преимущество на рынке. Пандемия только усугубила ситуацию: в начале кризиса бизнесу пришлось в срочном порядке внедрять системы цифровизации — например, настраивать VPN и облако для удаленной работы, однако организациям с «неукомплектованными» IT-отделами сделать это было гораздо сложнее, и проблема до сих пор присутствует. Найти выход из ситуации с нехваткой инженеров пытаются вузы, которые медленно, но все же выпускают профильных специалистов. Регуляторы даже предлагают увеличить количество бюджетных мест, чтобы быстрее готовить кадры для технологического сектора. Но такой подход не всегда эффективен в контексте мультидисциплинарных сфер.
Мы в BIOCAD ведем разработки на стыке компьютерных наук, биологии, химии и физики. Наши инженеры должны уметь программировать алгоритмы для ПЛК, разбираться в тонкостях frontend- и backend-разработки, иметь познания в фармакологии и биоинформатике. Найти специалиста, обладающего всеми этими навыками, на рынке достаточно сложно. Что касается выпускников университетов, то их, так или иначе, нужно адаптировать к полноценной работе. Однако это не означает, что взаимодействовать с вузами по этому направлению не стоит.
Как можно работать с вузами
К подготовке кадров в университетах вполне возможно подойти со стороны модели train-the-trainer. В этом случае компании организуют курсы повышения квалификации для преподавателей, где рассказывают о последних достижениях в своей области, как с ними работать. Но пожалуй, наиболее очевидный способ — это профильные образовательные программы. Например, в этом году мы запустили направление «Вычислительная биология и биоинформатика» совместно с Высшей школой экономики. Программа рассчитана на два года, за это время студенты научатся работать со структурами биологических молекул, предсказывать условия их сборки и обращаться со сложными динамическими системами. По сути, выпускник программы получит базовые знания, необходимые для решения задач биологии и фармакологии. Когда такой специалист придет на работу в BIOCAD, на добор компетенций ему потребуется значительно меньше времени и ресурсов.
В рамках профильных образовательных программ стоит делать упор на методологию STEM. Она объединяет естественные и технические науки, которые преподают в контексте решения реальных технологических задач. Некоторые вузы проверяют мультидисциплинарные знания даже во время приемных кампаний. Так, крупные вузы проводят конкурсы, позволяющие поступить в университет без экзаменов, в рамках которых абитуриенты должны показать проекты, затрагивающие научные, технологические и математические области. В итоге студенты STEM-направлений получают многогранный опыт и могут гибко подходить к решению задач в мультидисциплинарных сферах. Это — одна из причин, по которой в ближайшие десять лет таких специалистов будут нанимать на 76% чаще.
Но насколько эффективными бы ни были комплексные программы обучения, достаточно очевидно, что их нельзя подстроить под каждого студента и конкретную вакансию. Даже если допустить такую возможность, учащиеся этих направлений были бы частично подвержены «адаптационным рискам» в силу специфических навыков, которые нужны далеко не всегда и не везде. По этой причине даже студенты профильных вузовских программ часто получают некоторые усредненные познания, дающие базу для старта, но компаниям все равно приходится доучивать молодого специалиста в боевом режиме.
Мы решили упростить эту задачу и разрабатываем систему, которая будет автоматически сравнивать компетенции соискателя с требованиями рабочего места. Она станет ориентиром для студентов — они смогут понять, какую экспертизу необходимо добрать [самостоятельно или в рамках вузовского обучения], чтобы строить карьеру в BIOCAD.
Помогут ли когнитивные карты
В основу своего решения мы положили когнитивные карты — для соискателя и рабочего места. Они представляют собой интерфейс, сопоставляющий навыки инженера с задачами, которые тот будет решать. На основании карт мы планируем составлять roadmap дообучения специалиста. Вся необходимая для этого информация есть в нашей базе знаний. Она долгое время пополнялась материалами, которые генерировали отдельные подразделения.
Если говорить о наполнении когнитивных карт, то карта специалиста учитывает все пройденные учебные программы и курсы повышения квалификации. Онтологию этих компетенций мы строим исходя из текстов учебных программ, а также терминов и определений в области программирования. В частности, обобщённую онтологию можно описать в виде совокупности: O = (C, R, A), где С — множество входящих в онтологию концептов, R — отношения между ними, A — закономерности и аксиомы, описывающие принципы существования концептов.
Если говорить о графическом представлении, то онтологию можно изобразить в виде дерева. Для этого необходимо перейти от терминов образовательных программ и курсов к связанному с ними тезаурусу, описывающему конкретные навыки, знания и умения соискателя. В итоге онтология, характеризующая его когнитивную карту, может выглядеть так:
Что касается когнитивной карты рабочего места, то её составление — более сложная задача. Она включает описания конкретных бизнес-процессов, которые могут затрагивать инженерную, фармацевтическую, управленческую, финансовую и другие сферы. Чтобы связать эти процессы в единое целое, мы придумали специальный онтологический редактор, строящий комплексное дерево требований к компетенциям из разных предметных областей.
В основу редактора положен контекстный подход. Мы составляем онтологию по корпоративным документам. Система учитывает смысловое содержание того или иного слова, распределенное по лексемам. Местоположение терминов в онтологии определяет контекст. Чем чаще они оказываются на расстоянии 3–5 слов друг от друга, тем с большей вероятностью будут связаны в результирующей когнитивной карте. Чтобы исключить влияние общеупотребительных слов (понизить их «вес») в анализируемых текстах, редактор использует метрику IDF — Inverse Document Frequency. Это — логарифм инверсии частоты, с которой термин предметной области встречается в документах.
После анализа документов система строит иерархическую структуру, на нижнем уровне которой прописаны требования к указанному рабочему месту. Выглядеть это может следующим образом:
Здесь важно отметить, что тезаурус документов, характеризующих бизнес-процессы компании, чаще всего не будет совпадать с когнитивной картой навыков соискателя (особенно в тех случаях, когда инженеры переходят из «неайтишных» компаний). Чтобы выделить несовпадающий набор концептов в когнитивных картах рабочего места и соискателя, мы используем модификацию меры Жаккара для конечных множеств. На выходе мы получаем данные, необходимые для составления программы дообучения. Эта информация может быть полезна и вузам, чтобы корректировать образовательные программы, которые престали отвечать требованиям работодателей.
Пока рано говорить об эффективности нового решения, так как мы ведем его разработку. Но в перспективе оно позволит отойти от классического подхода к набору персонала, когда HR-специалисты вручную просматривают резюме и приглашают соискателей на трехмесячную стажировку и по её результатам составляют программы развития. Когнитивные карты позволят автоматизировать этот процесс. Более того, они могут стать основой для создания единой технологии управления знаниями компании и подстегнуть переход в индустрию 4.0.
О чем еще мы пишем в блоге BIOCAD на Хабре:
Как мы запускали собственную систему управления биореакторами BioGain
Как мы собираем данные для аналитики с помощью Apache NiFi
