Source-img Link
Repo metadata
Quante volte hai avuto l'ansia di essere preso o pure no in uno specifico lavoro? Quante volte ti sei domandato se fossi giusto tu per quel lavoro? Con la fine del proprio percorso di studio ci si pongono tante domande e dubbi se si viene presi in un determinato lavoro oppure no.
Tutto questo sorge perchè dopo diversi anni di studio si vuole avere la sicurezza di essere presi in un determinato lavoro, magari il lavoro dei propri sogni. Sarebbe utile avere un tool in grado di prevedere, attraverso dei dati, se sarai preso.
Io nostro tool pensa proprio a questo, sa dirti con una percentuale ottima le tue probabilità di essere preso relegando l'ansia solo a quando ormai lavori e ci sono scadenze.
Il tutto tramite un algoritmo di Machine Learning che studia dai dataset mondiali tutte le probabilità.
Il machine learning (apprendimento automatico) è una tecnologia dell'intelligenza artificiale che consente alle macchine di imparare dai dati, senza essere esplicitamente programmate. In altre parole, il machine learning si basa sulla costruzione di algoritmi che possono imparare da un insieme di dati e migliorare la loro capacità di risolvere compiti specifici con l'esperienza.
Tramite quindi questa tecnologia riusciamo a ottimizzare e avere una percentuale che sia il più vicina alla realtà possibile. Abbiamo usato inoltre un modello ben preciso, il modello CRISP-DM.
Per progettare una soluzione basata su machine learning bisogna avere un approccio data and software engeneering. Per la creazione di tale software abbiamo utilizzato il modello CRISP-DM (CRISP-DM `e l’acronimo di Cross-Industry Standard Process for Data Mining.), che rappresenta il ciclo di vita di progetti basati su intelligenza artificiale e data science.
Possiamo paragonare il modello CRISP-DM ad un modello a cascata con feedback utilizzato per lo sviluppo di sistemi software tradizionali. Presenta anche un modello non sequenziale in cui le diverse fasi possono essere eseguite un numero illimitato di volte. Tutto rappresentato nel grafico sottostante:
Proprio perchè la macchina viene addestrata attraverso dei dati, potrebbe imparare delle informazioni che non sono moralmente etiche nella società.
Su questi dataset precisi, visti soprattutto nella Documentazione, la macchina poteva imparare che percentuali diverse di gender differenti lavoravano o meno in totale o in specifiche campi.
Come si può notare dall'immagine sovrastante la macchina in questo caso specifico riceveva dei dati dove gli uomini venivano presi di più a lavoro, quando semplicemente non c'erano pari dati tra uomini e donne.
Quindi per equiparare il tutto, e renderlo giusto solo sulla base di conoscenze e esperienze pregresse, abbiamo deciso di fare una macchina totalmente gender-free.
Per quanto riguarda le disabilità, colore della pelle o qualsiasi altra cosa oltre conoscenze, età e esperienza, i dati ne sono privi portandoci quindi a essere il più oggettivi possibile.
Released under MIT by @ShackWove.