Опубликован большой альманах «Искусственный Интеллект» индекс 2021 года.
Я в последние 5 лет смотрю его довольно пристально, тем более, что в позапрошлом году там было упоминание о нас и о нашей победе в «Новаторе Москвы» в номинации «IT и ИИ».
О искусственном интеллекте в профайлинге я здесь писал довольно много, посмотрите по хештегам. И не только хорошего. Но тем не менее факт есть факт: будущее профайлинга во многом связано именно с ИИ. Его значение будет только увеличиваться, в то время как значение других направлений профайлинга так интенсивно развиваться не будут.
Всем, кто интересуется этой темой будет интересно взглянуть отчет. В том числе и в связи с разговорами о том, что наши IT-специалисты уезжают за рубеж. По своему опыту и кругу общения скажу: да, уезжают. Не все конечно, но чувствительно. А между прочим в РФ всего 400 компаний, занимающихся ИИ. Это капля в море по сравнению с Китаем или США и даже с Бразилией. Тоже самое относительно публикаций по ИИ и патентам.
В общем – расти и развиваться есть куда.
#ИИ, #технологии, #BigData, #развитие, #ITгиганты, #прогностика, #аналитика, #BigData, #профайлинг_филатов, #ProProfiling
Я в последние 5 лет смотрю его довольно пристально, тем более, что в позапрошлом году там было упоминание о нас и о нашей победе в «Новаторе Москвы» в номинации «IT и ИИ».
О искусственном интеллекте в профайлинге я здесь писал довольно много, посмотрите по хештегам. И не только хорошего. Но тем не менее факт есть факт: будущее профайлинга во многом связано именно с ИИ. Его значение будет только увеличиваться, в то время как значение других направлений профайлинга так интенсивно развиваться не будут.
Всем, кто интересуется этой темой будет интересно взглянуть отчет. В том числе и в связи с разговорами о том, что наши IT-специалисты уезжают за рубеж. По своему опыту и кругу общения скажу: да, уезжают. Не все конечно, но чувствительно. А между прочим в РФ всего 400 компаний, занимающихся ИИ. Это капля в море по сравнению с Китаем или США и даже с Бразилией. Тоже самое относительно публикаций по ИИ и патентам.
В общем – расти и развиваться есть куда.
#ИИ, #технологии, #BigData, #развитие, #ITгиганты, #прогностика, #аналитика, #BigData, #профайлинг_филатов, #ProProfiling
aireport.ru
Альманах по Искусственному Интеллекту
Альманах по Искусственному Интеллекту. Главная тема первого номера Стратегия - в отчете проводится анализ ситуации в мире, обзор стратегий основных стран в области ИИ и обсуждается возможная стратегия России в области ИИ.
Индекс-ИИ-2021.pdf
8.8 MB
А вот и сам Альманах.
#ИИ, #технологии, #BigData, #развитие, #ITгиганты, #прогностика, #аналитика, #BigData, #профайлинг_филатов, #ProProfiling
#ИИ, #технологии, #BigData, #развитие, #ITгиганты, #прогностика, #аналитика, #BigData, #профайлинг_филатов, #ProProfiling
Если мы, например, читаем метанализ посвященный невербальным признакам обмана, но у нас нет уверенности, что все авторы, которые попали в группу анализа, одинаково понимают, что такое «закрытые жесты» или «строгий голос», то гарантии того, что данные метанализа будут корректными, нет.
После 50-ти лайков этого поста опубликую вторую часть 😉
#анализданных, #аналитика, #BigData, #информация, #статистика, #психотип, #КИ, #мэтры, #профайлинг_филатов, #ProProfiling
После 50-ти лайков этого поста опубликую вторую часть 😉
#анализданных, #аналитика, #BigData, #информация, #статистика, #психотип, #КИ, #мэтры, #профайлинг_филатов, #ProProfiling
Сегодня многие HR-форумы обсуждают покупку известной канадской HR-Tech-компанией Visier активы кадрового стартапа Давида Яна Yva. ai.
Вероятно, - это шаг в сторону ухода с рынка РФ, поскольку, очевидно, наш рынок в ближайшее время будет интенсивно автономизироваться.
Yva использует искусственный интеллект и инструменты аналитики для изучения настроения работников — их самочувствия, удовлетворенности работой, продуктивности и рисков выгорания, а также того, как люди и команды работают вместе. Штаб-квартира стартапа находится в Калифорнии, ее основатель Давид Ян – выходец из РФ, находящийся на 175 месте списка российского Форбс. Давид – известный человек и много сделал в этом направлении.
Yva для оценки пользователя использует данные из корпоративных источников и предоставляет кадровым и управленческим службам аналитику в области оценки персонала и их потенциала. Стартовали они в 2017 году, на год раньше нашей ProfileCenter.
По-сути они предоставляют аналитику для HR, а мы для безопасников. Есть сходства, есть различия. Yva всегда позиционировала себя как «белая и пушистая» аналитика, оценивающая таланты, потенциал и сильные стороны. А мы же, в свою очередь можем определять не только белые и пушистые, хорошие, но и темные стороны пользователя, а также его личностные деструкторы. К тому же мы тоже можем определить и выгорание и спрогнозировать увольнение ключевых сотрудников с высокой долей вероятности. И еще многое чего другого. Нашу аналитику используют крупные компании в целях кадрового и корпоративного профайлига.
Кому интересно, вот примеры стандартной «коробочной» аналитики нашего модуля.
Тема цифрового профилирования со всеми своими плюсами и минусами, сильными и слабыми сторонами - самая интенсивно развивающаяся отрасль в профайлинге. И это в ближайшее время будет только усиливаться.
#профайлинг, #HRTech, #ProfileCenter, #аналитика, #цифровойпрофайлинг, #коллеги, #перспективы, #ProProfiling
Вероятно, - это шаг в сторону ухода с рынка РФ, поскольку, очевидно, наш рынок в ближайшее время будет интенсивно автономизироваться.
Yva использует искусственный интеллект и инструменты аналитики для изучения настроения работников — их самочувствия, удовлетворенности работой, продуктивности и рисков выгорания, а также того, как люди и команды работают вместе. Штаб-квартира стартапа находится в Калифорнии, ее основатель Давид Ян – выходец из РФ, находящийся на 175 месте списка российского Форбс. Давид – известный человек и много сделал в этом направлении.
Yva для оценки пользователя использует данные из корпоративных источников и предоставляет кадровым и управленческим службам аналитику в области оценки персонала и их потенциала. Стартовали они в 2017 году, на год раньше нашей ProfileCenter.
По-сути они предоставляют аналитику для HR, а мы для безопасников. Есть сходства, есть различия. Yva всегда позиционировала себя как «белая и пушистая» аналитика, оценивающая таланты, потенциал и сильные стороны. А мы же, в свою очередь можем определять не только белые и пушистые, хорошие, но и темные стороны пользователя, а также его личностные деструкторы. К тому же мы тоже можем определить и выгорание и спрогнозировать увольнение ключевых сотрудников с высокой долей вероятности. И еще многое чего другого. Нашу аналитику используют крупные компании в целях кадрового и корпоративного профайлига.
Кому интересно, вот примеры стандартной «коробочной» аналитики нашего модуля.
Тема цифрового профилирования со всеми своими плюсами и минусами, сильными и слабыми сторонами - самая интенсивно развивающаяся отрасль в профайлинге. И это в ближайшее время будет только усиливаться.
#профайлинг, #HRTech, #ProfileCenter, #аналитика, #цифровойпрофайлинг, #коллеги, #перспективы, #ProProfiling
Forbes.ru
Канадский разработчик купил выявляющий выгорание сотрудников сервис у создателя ABBYY
Канадская компания Visier купила активы стартапа Yva.ai, который основал входивший в список Forbes бизнесмен Давид Ян. Сервис умеет выявлять выгорание сотрудников и предсказывать их увольнения. Сумма сделки не раскрывается
Темные данные в профайлинге. Часть 2.
Начало здесь.
ТИП 9. Обобщение данных.
Обобщение данных по определению означает отбрасывание деталей.
Если вы учитываете только средние значения любого параметра, то это не дает никакой информации о диапазоне всех данных или об асимметрии их распределения. Среднее значение может скрыть тот факт, что некоторые значения могут очень сильно от него отличаться. В то же время обобщение может скрывать и тот факт, что все значения идентичны.
ТИП 10. Ошибки измерения и неопределенность.
Ошибки измерения изучаемых значений часто приводят к ошибочным выводам. Часто мы изучаем параметры, которые нельзя измерить непосредственно, и приходится пользоваться косвенными или опосредованными вычислениями. Например, при измерении кожно-гальванической реакции при инструментальной детекции лжи низкое качество самого электрода, который используется для фиксации параметров может серьезно исказить результат.
ТИП 11. Искажения обратной связи и уловки.
Этот тип данных возникает, когда собранные значения начинают влиять на исходный процесс. Например, в процессе оценки человека, получив какую-то часть информации, вы уже понимаете, к какому выводу вы, скорее всего, придете. И после этого качество вашего анализа второй половины данных существенно снижается. Или еще один пример – если все говорят, что этот пользователь, например, истероид, то возникает соблазн их послушать и это также снизит качество вашего анализа.
ТИП 12. Информационная асимметрия.
Информационная асимметрия возникает, когда один и тот же набор данных анализируют эксперты с разным уровнем подготовки и информированности.
Понятно, что если одну и ту же информацию анализируют эксперты разной подготовки (не говоря еще о их предвзятостях), то результаты этих анализов будут существенно отличаться.
ТИП 13. Намеренно затемненные данные.
Они наблюдаются, когда люди намеренно скрывают данные или манипулируют ими с целью обмана или введения в заблуждение. Возможностей для примеро здксь огромное количество: мы можем сознательно отбрасывать неугодную для нас информацию или часть данных, для того, чтобы сознать желаемое впечатление от этой информации и повлиять на дальнейшие выводы и поведение.
ТИП 14. Фальшивые и синтетические данные.
Сфальсифицированные или специально созданные данные с целью введения в заблуждение. Однако такие наборы данных создаются не только для мошенничества, но и с исследовательской задачей: существует метод симуляции, когда генерируются искусственные наборы данных, которые могли возникнуть в результате изучаемого процесса, а также другие методы, использующие репликацию данных, например методы бутстреппинга, бустинга и сглаживания. Современные статистические инструменты широко используют такие идеи, но их некачественная репликация может привести к ошибочным выводам.
ТИП 15. Экстраполяция за пределы ваших данных.
Наборы данных всегда конечны. Это означает, что они имеют максимальное и минимальное значения, за пределами которых лежит неизвестность. Заявление о возможных значениях выше максимума или ниже минимума в наборе данных требует выдвижения предположений или получения информации из какого-то другого источника. Более того, экстраполяция имеющихся данных на другой контекст или события имеет свои известные ограничения и требует крайней осторожности.
#анализданных, #аналитика, #BigData, #информация, #статистика, #психотип, #КИ, #мэтры, #профайлинг_филатов, #ProProfiling
Начало здесь.
ТИП 9. Обобщение данных.
Обобщение данных по определению означает отбрасывание деталей.
Если вы учитываете только средние значения любого параметра, то это не дает никакой информации о диапазоне всех данных или об асимметрии их распределения. Среднее значение может скрыть тот факт, что некоторые значения могут очень сильно от него отличаться. В то же время обобщение может скрывать и тот факт, что все значения идентичны.
ТИП 10. Ошибки измерения и неопределенность.
Ошибки измерения изучаемых значений часто приводят к ошибочным выводам. Часто мы изучаем параметры, которые нельзя измерить непосредственно, и приходится пользоваться косвенными или опосредованными вычислениями. Например, при измерении кожно-гальванической реакции при инструментальной детекции лжи низкое качество самого электрода, который используется для фиксации параметров может серьезно исказить результат.
ТИП 11. Искажения обратной связи и уловки.
Этот тип данных возникает, когда собранные значения начинают влиять на исходный процесс. Например, в процессе оценки человека, получив какую-то часть информации, вы уже понимаете, к какому выводу вы, скорее всего, придете. И после этого качество вашего анализа второй половины данных существенно снижается. Или еще один пример – если все говорят, что этот пользователь, например, истероид, то возникает соблазн их послушать и это также снизит качество вашего анализа.
ТИП 12. Информационная асимметрия.
Информационная асимметрия возникает, когда один и тот же набор данных анализируют эксперты с разным уровнем подготовки и информированности.
Понятно, что если одну и ту же информацию анализируют эксперты разной подготовки (не говоря еще о их предвзятостях), то результаты этих анализов будут существенно отличаться.
ТИП 13. Намеренно затемненные данные.
Они наблюдаются, когда люди намеренно скрывают данные или манипулируют ими с целью обмана или введения в заблуждение. Возможностей для примеро здксь огромное количество: мы можем сознательно отбрасывать неугодную для нас информацию или часть данных, для того, чтобы сознать желаемое впечатление от этой информации и повлиять на дальнейшие выводы и поведение.
ТИП 14. Фальшивые и синтетические данные.
Сфальсифицированные или специально созданные данные с целью введения в заблуждение. Однако такие наборы данных создаются не только для мошенничества, но и с исследовательской задачей: существует метод симуляции, когда генерируются искусственные наборы данных, которые могли возникнуть в результате изучаемого процесса, а также другие методы, использующие репликацию данных, например методы бутстреппинга, бустинга и сглаживания. Современные статистические инструменты широко используют такие идеи, но их некачественная репликация может привести к ошибочным выводам.
ТИП 15. Экстраполяция за пределы ваших данных.
Наборы данных всегда конечны. Это означает, что они имеют максимальное и минимальное значения, за пределами которых лежит неизвестность. Заявление о возможных значениях выше максимума или ниже минимума в наборе данных требует выдвижения предположений или получения информации из какого-то другого источника. Более того, экстраполяция имеющихся данных на другой контекст или события имеет свои известные ограничения и требует крайней осторожности.
#анализданных, #аналитика, #BigData, #информация, #статистика, #психотип, #КИ, #мэтры, #профайлинг_филатов, #ProProfiling
Telegram
Профайлинг, нейротехнологии и детекции лжи
Темные данные в профайлинге. Часть 1.
Темные данные – это определение, данное информации, которая не является полной, достоверной и точно относящейся к конкретной интересующей вас теме.
Понятие темных данных возникло из аналогии с другим физическим термином…
Темные данные – это определение, данное информации, которая не является полной, достоверной и точно относящейся к конкретной интересующей вас теме.
Понятие темных данных возникло из аналогии с другим физическим термином…
Прогностика и предиктивная аналитика, часть 2.
Собственно, что почитать на ближайшие праздники и выходные?
Тема сегодняшней подборки - предиктивная аналитика и прогностика: важнейшая и моя любимая ветвь профайлинга.
Я люблю тему прогностики и трендов потому, что такая литература всегда заставляет задать себе вопрос: "а верной ли мы дорогой идем, товарищи? и не повернули ли мы назад?" Как вы понимаете, эти вопросы прямо сейчас актуальны как никогда.
Напоминаю, что на все эти книги у вас скидка 10%.
Подборка книг по эмоциям здесь.
Подборка книг по нейробиологии, часть 1.
Подборка книг по нейробиологии, часть 2.
Подборка книг по предиктивной аналитике и прогностике, часть 1.
Итак: предиктивная аналитика и прогностика, часть 2.
1. Фактологичность. Десять причин наших заблуждений о мире – и почему все не так плохо, как кажется. Анна Рослинг Рённлунд, Ула Рослинг, Ханс Рослинг.
Книга с аннотациями Билла Гейтса и Барака Обамы посвящена тома, как анализировать шумные данные в самых разнообразных ситуациях. Непростая, но содержательная.
2. Почему. Руководство по поиску причин и принятию решений. Саманта Клейнберг.
Содержательная, но для многих непростая книга по определению причинно-следственных и других связей между событиями.
3. Как не ошибаться. Сила математического мышления. Джордан Элленберг
Отличная объемная книга, в которой основной акцент сделан на статистику и теорию вероятности, работу в ситуации неопределенности.
4. Теория игр. Искусство стратегического мышления в бизнесе и жизни. Барри Дж. Нейлбафф, Авинаш Диксит.
Классическая, хоть и довольно древняя (2008) книга о теории вероятностей и игр при принятии решений. Содержательно, объемно и нескучно. В сравнении с другими - просто)).
5. Неизбежно. 12 технологических трендов, которые определяют наше будущее. Кевин Келли.
Большинство книг о трендах содержат довольно много воды и весьма дискуссионные. Эта - одна из лучших по теме. Не бе вопросов, но ОК.
6. 2030. Как современные тренды влияют друг на друга и на наше будущее. Мауро Гильен.
Книга издана в доковидную эпоху и не учитывает этого тренда. Но во всем остальном - сильна и системна.
7. Мегатренды. Как предсказывать грядущие тенденции и видеть то, что упускают другие. Рохит Бхаргава.
Книга на стыке прогностики, креативного мышления и трендологии. Хорошая и содержательная.
8. Будущее быстрее, чем вы думаете. Как технологии меняют бизнес, промышленность и нашу жизнь. Стивен Котлер, Питер Диамандис.
Книга про тренды в бизнесе, промышленности и социальных технологиях. Заставляет задуматься.. Рекомендую ообенно руководителям.
9. Вероятности и неприятности. Математика повседневной жизни. Сергей Самойленко.
Хорошая и совсем недавно вышедшая книга по математическому мышлению и статистике. Но для большинства покажется сложной.
10. Игра случая. Математика и мифология совпадения. Джозеф Мазур.
Самая простая, легенькая и тоненькая из всего этого списка)). Если вы вообще не в теме - то лучше не найти.
Посмотреть весь список можно здесь
#книги, #рекомендации, #новинки, #мэтры, #будущее, #прогностика, #аналитика, #BigData, #профайлинг_филатов, #Proprofiling
Собственно, что почитать на ближайшие праздники и выходные?
Тема сегодняшней подборки - предиктивная аналитика и прогностика: важнейшая и моя любимая ветвь профайлинга.
Я люблю тему прогностики и трендов потому, что такая литература всегда заставляет задать себе вопрос: "а верной ли мы дорогой идем, товарищи? и не повернули ли мы назад?" Как вы понимаете, эти вопросы прямо сейчас актуальны как никогда.
Напоминаю, что на все эти книги у вас скидка 10%.
Подборка книг по эмоциям здесь.
Подборка книг по нейробиологии, часть 1.
Подборка книг по нейробиологии, часть 2.
Подборка книг по предиктивной аналитике и прогностике, часть 1.
Итак: предиктивная аналитика и прогностика, часть 2.
1. Фактологичность. Десять причин наших заблуждений о мире – и почему все не так плохо, как кажется. Анна Рослинг Рённлунд, Ула Рослинг, Ханс Рослинг.
Книга с аннотациями Билла Гейтса и Барака Обамы посвящена тома, как анализировать шумные данные в самых разнообразных ситуациях. Непростая, но содержательная.
2. Почему. Руководство по поиску причин и принятию решений. Саманта Клейнберг.
Содержательная, но для многих непростая книга по определению причинно-следственных и других связей между событиями.
3. Как не ошибаться. Сила математического мышления. Джордан Элленберг
Отличная объемная книга, в которой основной акцент сделан на статистику и теорию вероятности, работу в ситуации неопределенности.
4. Теория игр. Искусство стратегического мышления в бизнесе и жизни. Барри Дж. Нейлбафф, Авинаш Диксит.
Классическая, хоть и довольно древняя (2008) книга о теории вероятностей и игр при принятии решений. Содержательно, объемно и нескучно. В сравнении с другими - просто)).
5. Неизбежно. 12 технологических трендов, которые определяют наше будущее. Кевин Келли.
Большинство книг о трендах содержат довольно много воды и весьма дискуссионные. Эта - одна из лучших по теме. Не бе вопросов, но ОК.
6. 2030. Как современные тренды влияют друг на друга и на наше будущее. Мауро Гильен.
Книга издана в доковидную эпоху и не учитывает этого тренда. Но во всем остальном - сильна и системна.
7. Мегатренды. Как предсказывать грядущие тенденции и видеть то, что упускают другие. Рохит Бхаргава.
Книга на стыке прогностики, креативного мышления и трендологии. Хорошая и содержательная.
8. Будущее быстрее, чем вы думаете. Как технологии меняют бизнес, промышленность и нашу жизнь. Стивен Котлер, Питер Диамандис.
Книга про тренды в бизнесе, промышленности и социальных технологиях. Заставляет задуматься.. Рекомендую ообенно руководителям.
9. Вероятности и неприятности. Математика повседневной жизни. Сергей Самойленко.
Хорошая и совсем недавно вышедшая книга по математическому мышлению и статистике. Но для большинства покажется сложной.
10. Игра случая. Математика и мифология совпадения. Джозеф Мазур.
Самая простая, легенькая и тоненькая из всего этого списка)). Если вы вообще не в теме - то лучше не найти.
Посмотреть весь список можно здесь
#книги, #рекомендации, #новинки, #мэтры, #будущее, #прогностика, #аналитика, #BigData, #профайлинг_филатов, #Proprofiling
Сегодня общался по делам с департаментом безопасности крупного уважаемого банка, и мне сказали, что мол, Алексей, странно, что вы у себя в канале так мало пишите о своем великолепном модуле автоматизированного профайлинга ProfileCenter.
Я посмотрел – и действительно. ОК, тогда напомню. Напомню, что наш модуль профайлинга ProfileCenter – единственный в мире программный комплекс автоматизированного профайлинга, созданный для корпоративных клиентов автоматически создающий подробный психологический портрет на основе анализа цифрового следа. Это позволяет эффективно оценивать риски в области кадровой, экономической и информационной безопасности и при необходимости опережающе реагировать на них.
Наше решение имеет ряд наград и премий, среди наших клиентов – крупнейшие компании РФ, которым наша аналитика позволяет укрепить контур корпоративной безопасности и избежать информационных утечек. А это, как вы скорее всего слышали, сейчас очень актуально.
В этом и заключается моя ежедневная практика профайлинга. И если кто-то на островах или активно ведущий какие-то тренинги говорит, что, мол он практик, а все остальные – нет…. то все скорее наоборот.
На картинках один из образцов нашей аналитики.
#профайлинг, #цифровойпрофайлинг, #кадровыйпрофайлинг, #HRпрофайлинг, #инновации, #искусственныйинтеллект, #ProfileCenter, #аналитика, #безопасность,
#СерчИнформ, #ProProfiling
Я посмотрел – и действительно. ОК, тогда напомню. Напомню, что наш модуль профайлинга ProfileCenter – единственный в мире программный комплекс автоматизированного профайлинга, созданный для корпоративных клиентов автоматически создающий подробный психологический портрет на основе анализа цифрового следа. Это позволяет эффективно оценивать риски в области кадровой, экономической и информационной безопасности и при необходимости опережающе реагировать на них.
Наше решение имеет ряд наград и премий, среди наших клиентов – крупнейшие компании РФ, которым наша аналитика позволяет укрепить контур корпоративной безопасности и избежать информационных утечек. А это, как вы скорее всего слышали, сейчас очень актуально.
В этом и заключается моя ежедневная практика профайлинга. И если кто-то на островах или активно ведущий какие-то тренинги говорит, что, мол он практик, а все остальные – нет…. то все скорее наоборот.
На картинках один из образцов нашей аналитики.
#профайлинг, #цифровойпрофайлинг, #кадровыйпрофайлинг, #HRпрофайлинг, #инновации, #искусственныйинтеллект, #ProfileCenter, #аналитика, #безопасность,
#СерчИнформ, #ProProfiling
На прошлой неделе было довольно много дел, что даже ничего не успевал опубликовать в канале. Исправляюсь.
Сегодня общался по делам с департаментом безопасности крупного уважаемого банка, и мне сказали, что мол, Алексей, странно, что вы у себя в канале так мало пишите о своем великолепном модуле автоматизированного профайлинга ProfileCenter.
Я посмотрел – и действительно. ОК, тогда напомню. Напомню, что наш модуль профайлинга ProfileCenter – единственный в мире программный комплекс автоматизированного профайлинга, созданный для корпоративных клиентов автоматически создающий подробный психологический портрет на основе анализа цифрового следа. Это позволяет эффективно оценивать риски в области кадровой, экономической и информационной безопасности и при необходимости опережающе реагировать на них.
Наше решение имеет ряд наград и премий, среди наших клиентов – крупнейшие компании РФ, которым наша аналитика позволяет укрепить контур корпоративной безопасности и избежать информационных утечек. А это, как вы скорее всего слышали, сейчас очень актуально.
В этом и заключается моя ежедневная практика профайлинга. И если кто-то на островах или активно ведущий какие-то тренинги говорит, что, мол он практик, а все остальные – нет…. то все скорее наоборот.
На картинках один из образцов нашей аналитики.
#профайлинг, #цифровойпрофайлинг, #кадровыйпрофайлинг, #HRпрофайлинг, #инновации, #искусственныйинтеллект, #ProfileCenter, #аналитика, #безопасность,
#СерчИнформ, #ProProfiling
Сегодня общался по делам с департаментом безопасности крупного уважаемого банка, и мне сказали, что мол, Алексей, странно, что вы у себя в канале так мало пишите о своем великолепном модуле автоматизированного профайлинга ProfileCenter.
Я посмотрел – и действительно. ОК, тогда напомню. Напомню, что наш модуль профайлинга ProfileCenter – единственный в мире программный комплекс автоматизированного профайлинга, созданный для корпоративных клиентов автоматически создающий подробный психологический портрет на основе анализа цифрового следа. Это позволяет эффективно оценивать риски в области кадровой, экономической и информационной безопасности и при необходимости опережающе реагировать на них.
Наше решение имеет ряд наград и премий, среди наших клиентов – крупнейшие компании РФ, которым наша аналитика позволяет укрепить контур корпоративной безопасности и избежать информационных утечек. А это, как вы скорее всего слышали, сейчас очень актуально.
В этом и заключается моя ежедневная практика профайлинга. И если кто-то на островах или активно ведущий какие-то тренинги говорит, что, мол он практик, а все остальные – нет…. то все скорее наоборот.
На картинках один из образцов нашей аналитики.
#профайлинг, #цифровойпрофайлинг, #кадровыйпрофайлинг, #HRпрофайлинг, #инновации, #искусственныйинтеллект, #ProfileCenter, #аналитика, #безопасность,
#СерчИнформ, #ProProfiling
Ненадолго вернусь к моей теме на МКС «Инновации в профайлинге и кадровой оценке». Экопси опубликовала новую интересную аналитику касательно этого.
Посмотрите картинки.
Во-первых, появились интересные данные 2023 года, опровергающие знаменитый метаанализ Шмидта 2016 года. В частности, существенно снижены доказательные показатели валидности структурированного интервью (с 0,58 до 0,42), тесты знаний (с 0,48 до 0,4), тесты способностей (с 0,65 до 0,31), опросники благонадежности (с 0,46 до 0,31) и особенно неструктурированного интервью (с 0,58 до драматических 0,19).
Во-вторых, радует хорошие корреляции автоматизированной оценки видео-интервью ИИ с оценкой человека. Уровень корреляции определяется в промежутке между 0,3 до 0,7. Это хорошие показатели и хорошие новости.
В-третьих, большой проблемой признан обман на интервью и при прохождении опросников. В интервью обманывают до 90% интервьюируемых. И рекрутеры этот обман не видят. Я об этом уже писал несколько раз. Знания по профайлингу во многом решает эту задачу.
В-четвертых, доказано, что короткие тесты и исследования – не годятся. Они неточны. Так же как и не годятся длинные и объемные исследования – они просто не добавляют точности. Правда где-то посередине.
#HR, #исследования, #аналитика, #профайлинг
Посмотрите картинки.
Во-первых, появились интересные данные 2023 года, опровергающие знаменитый метаанализ Шмидта 2016 года. В частности, существенно снижены доказательные показатели валидности структурированного интервью (с 0,58 до 0,42), тесты знаний (с 0,48 до 0,4), тесты способностей (с 0,65 до 0,31), опросники благонадежности (с 0,46 до 0,31) и особенно неструктурированного интервью (с 0,58 до драматических 0,19).
Во-вторых, радует хорошие корреляции автоматизированной оценки видео-интервью ИИ с оценкой человека. Уровень корреляции определяется в промежутке между 0,3 до 0,7. Это хорошие показатели и хорошие новости.
В-третьих, большой проблемой признан обман на интервью и при прохождении опросников. В интервью обманывают до 90% интервьюируемых. И рекрутеры этот обман не видят. Я об этом уже писал несколько раз. Знания по профайлингу во многом решает эту задачу.
В-четвертых, доказано, что короткие тесты и исследования – не годятся. Они неточны. Так же как и не годятся длинные и объемные исследования – они просто не добавляют точности. Правда где-то посередине.
#HR, #исследования, #аналитика, #профайлинг
Молодые таланты.pdf
24.5 MB
InForce совместно с АльфаБанком выпустило хорошую аналитику о паттернах поведения, вызовах, привычках и актуальных запросах для развития молодых специалистов.
Посмотрите, если вы занимаетесь кадровой работой или работой с молодыми специалистами.
Основные вопросы на которые отвечает отчет:
Каковы ключевые потребности молодых специалистов?
Ценят человечное лидерство, стремятся работать в удовольствие, искать реализацию своего потенциала и ощущать себя частью команды
Какие рекомендации для привлечения и удержания молодых сотрудников?
Создайте психологически безопасную культуру труда, предлагайте карьерную мобильность, творческие возможности и обеспечьте соответствие внутренней культуры внешнему позиционированию
Какие основные вызовы стоят перед работодателями при работе с молодыми талантами?
Дефицит вакансий, снижение численности молодежи, демографическая яма и необходимость внедрения нестандартных решений
В чем особенности поколения зумеров?
Быстро адаптируются к изменениям, предпочитают гибкие графики работы и часто нуждаются в ментальной поддержке
Как построить win-win отношения с зумерами?
Уделяйте внимание обратной связи, синхронизируйте ожидания, создавайте диалог в команде и поддерживайте на всех этапах карьеры
Как помочь молодым специалистам реализовать свой потенциал? Предоставляйте возможность участвовать в масштабных проектах, регулярно давайте обратную связь и обеспечивайте прозрачность целей и коммуникаций
Какие стереотипы мешают работодателям эффективно работать с молодежью?
Стереотипы о том, что молодым специалистам важны только деньги, они не готовы к долгосрочной работе в компании, и что они работают только на личный бренд
Какую роль играют менторы в карьере молодых сотрудников?
Наставничество значительно увеличивает удержание талантов, помогает молодым сотрудникам адаптироваться и развиваться в компании
Каков внешний контекст, влияющий на рынок труда для молодых специалистов?
Санкции, геополитическая неопределенность, импортозамещение и замедление роста экономики требуют от компаний гибкости и инновационных подходов.
#аналитика, #HR, #кадры, #зумеры, #кадровыйпрофайлинг
Посмотрите, если вы занимаетесь кадровой работой или работой с молодыми специалистами.
Основные вопросы на которые отвечает отчет:
Каковы ключевые потребности молодых специалистов?
Ценят человечное лидерство, стремятся работать в удовольствие, искать реализацию своего потенциала и ощущать себя частью команды
Какие рекомендации для привлечения и удержания молодых сотрудников?
Создайте психологически безопасную культуру труда, предлагайте карьерную мобильность, творческие возможности и обеспечьте соответствие внутренней культуры внешнему позиционированию
Какие основные вызовы стоят перед работодателями при работе с молодыми талантами?
Дефицит вакансий, снижение численности молодежи, демографическая яма и необходимость внедрения нестандартных решений
В чем особенности поколения зумеров?
Быстро адаптируются к изменениям, предпочитают гибкие графики работы и часто нуждаются в ментальной поддержке
Как построить win-win отношения с зумерами?
Уделяйте внимание обратной связи, синхронизируйте ожидания, создавайте диалог в команде и поддерживайте на всех этапах карьеры
Как помочь молодым специалистам реализовать свой потенциал? Предоставляйте возможность участвовать в масштабных проектах, регулярно давайте обратную связь и обеспечивайте прозрачность целей и коммуникаций
Какие стереотипы мешают работодателям эффективно работать с молодежью?
Стереотипы о том, что молодым специалистам важны только деньги, они не готовы к долгосрочной работе в компании, и что они работают только на личный бренд
Какую роль играют менторы в карьере молодых сотрудников?
Наставничество значительно увеличивает удержание талантов, помогает молодым сотрудникам адаптироваться и развиваться в компании
Каков внешний контекст, влияющий на рынок труда для молодых специалистов?
Санкции, геополитическая неопределенность, импортозамещение и замедление роста экономики требуют от компаний гибкости и инновационных подходов.
#аналитика, #HR, #кадры, #зумеры, #кадровыйпрофайлинг
ИИ, предсказывающий преступления
Тематические профессиональные чаты активно обсуждают новости о том, что в Южной Корее представили искусственный интеллект (далее – ИИ), способный предсказывать преступления.
Тема интересная и актуальная, тем более что мы здесь ее уже обсуждали.
Суть простая – система способна анализировать видеозаписи с городских камер и в реальном времени оценивать риски совершения преступлений. Система учится на основе видеозаписей, набора поведенческих факторов и статистики. Также эта статистика учитывает и криминальную составляющую – где, как, сколько, когда и какие были зарегистрированы преступления. Используя набор данных, связанных с прошлыми криминальными записями и статистикой, связанной с преступностью, ИИ Dejaview автоматически анализирует записи видеонаблюдения в реальном времени, чтобы сравнивать и измерять текущие ситуации и их сходства с прошлыми криминальными ситуациями.
ИИ «скормили» почти 33.000 видеозаписей и по ним научили классифицировать криминальное поведение людей на улице. Как только риск того или иного события критически возрастает, система рекомендует направить дежурный отряд полиции в определенное место.
Что я могу сказать на эту тему?
Сегодня это уже не удивительно. Более того, я еще в 2021 году в Израиле тестировал подобную систему, отлично умеющую (еще в 2021 году) классифицировать криминальное поведение на улице, автоматически их фиксировать и сообщать полиции. И, судя по всему, функционал Сorsight до сих пор как минимум не хуже того, что представили корейцы.
Тем не менее, тема с ИИ, как я постоянно и говорю, в том числе и в профайлинге будет расширяться. А такие и подобные системы есть не только в Корее, но и в Израиле, США, Китае (1, 2) и у нас. Это еще конец 10х-начало 20хх и это совсем не секрет. Так что корейцы в этом плане – догоняющие и совсем не первые. Но вот хорошо это или плохо - судите сами).
#технологии, #ИИ, #профайлинг, #BigBrother, #криминалистика, #аналитика
Тематические профессиональные чаты активно обсуждают новости о том, что в Южной Корее представили искусственный интеллект (далее – ИИ), способный предсказывать преступления.
Тема интересная и актуальная, тем более что мы здесь ее уже обсуждали.
Суть простая – система способна анализировать видеозаписи с городских камер и в реальном времени оценивать риски совершения преступлений. Система учится на основе видеозаписей, набора поведенческих факторов и статистики. Также эта статистика учитывает и криминальную составляющую – где, как, сколько, когда и какие были зарегистрированы преступления. Используя набор данных, связанных с прошлыми криминальными записями и статистикой, связанной с преступностью, ИИ Dejaview автоматически анализирует записи видеонаблюдения в реальном времени, чтобы сравнивать и измерять текущие ситуации и их сходства с прошлыми криминальными ситуациями.
ИИ «скормили» почти 33.000 видеозаписей и по ним научили классифицировать криминальное поведение людей на улице. Как только риск того или иного события критически возрастает, система рекомендует направить дежурный отряд полиции в определенное место.
Что я могу сказать на эту тему?
Сегодня это уже не удивительно. Более того, я еще в 2021 году в Израиле тестировал подобную систему, отлично умеющую (еще в 2021 году) классифицировать криминальное поведение на улице, автоматически их фиксировать и сообщать полиции. И, судя по всему, функционал Сorsight до сих пор как минимум не хуже того, что представили корейцы.
Тем не менее, тема с ИИ, как я постоянно и говорю, в том числе и в профайлинге будет расширяться. А такие и подобные системы есть не только в Корее, но и в Израиле, США, Китае (1, 2) и у нас. Это еще конец 10х-начало 20хх и это совсем не секрет. Так что корейцы в этом плане – догоняющие и совсем не первые. Но вот хорошо это или плохо - судите сами).
#технологии, #ИИ, #профайлинг, #BigBrother, #криминалистика, #аналитика
Tech Xplore
Korean researchers develop AI CCTVs to detect, predict criminal activities
A Korean research team has succeeded in developing a technology that can detect and predict signs of criminal activities utilizing real-time CCTVs and AI technology. With this new technology, CCTV is ...
ТИП 8. Неверно определяемые данные.
Различные определения, даже профессиональные могут быть противоречивыми или со временем меняться.
Если мы, например, читаем метанализ посвященный невербальным признакам обмана, но у нас нет уверенности, что все авторы, которые попали в группу анализа, одинаково понимают, что такое «закрытые жесты» или «строгий голос», то гарантии того, что данные метанализа будут корректными, нет.
#анализданных, #аналитика, #BigData, #информация, #статистика, #психотип, #КИ, #мэтры, #профайлинг_филатов, #ProProfiling
Различные определения, даже профессиональные могут быть противоречивыми или со временем меняться.
Если мы, например, читаем метанализ посвященный невербальным признакам обмана, но у нас нет уверенности, что все авторы, которые попали в группу анализа, одинаково понимают, что такое «закрытые жесты» или «строгий голос», то гарантии того, что данные метанализа будут корректными, нет.
#анализданных, #аналитика, #BigData, #информация, #статистика, #психотип, #КИ, #мэтры, #профайлинг_филатов, #ProProfiling
Темные данные в профайлинге. Часть 2.
Продолжение, начало здесь
ТИП 9. Обобщение данных.
Обобщение данных по определению означает отбрасывание деталей.
Если вы учитываете только средние значения любого параметра, то это не дает никакой информации о диапазоне всех данных или об асимметрии их распределения. Среднее значение может скрыть тот факт, что некоторые значения могут очень сильно от него отличаться. В то же время обобщение может скрывать и тот факт, что все значения идентичны.
ТИП 10. Ошибки измерения и неопределенность.
Ошибки измерения изучаемых значений часто приводят к ошибочным выводам. Часто мы изучаем параметры, которые нельзя измерить непосредственно, и приходится пользоваться косвенными или опосредованными вычислениями. Например, при измерении кожно-гальванической реакции при инструментальной детекции лжи низкое качество самого электрода, который используется для фиксации параметров может серьезно исказить результат.
ТИП 11. Искажения обратной связи и уловки.
Этот тип данных возникает, когда собранные значения начинают влиять на исходный процесс. Например, в процессе оценки человека, получив какую-то часть информации, вы уже понимаете, к какому выводу вы, скорее всего, придете. И после этого качество вашего анализа второй половины данных существенно снижается. Или еще один пример – если все говорят, что этот пользователь, например, истероид, то возникает соблазн их послушать и это также снизит качество вашего анализа.
ТИП 12. Информационная асимметрия.
Информационная асимметрия возникает, когда один и тот же набор данных анализируют эксперты с разным уровнем подготовки и информированности.
Понятно, что если одну и ту же информацию анализируют эксперты разной подготовки (не говоря еще о их предвзятостях), то результаты этих анализов будут существенно отличаться.
ТИП 13. Намеренно затемненные данные.
Они наблюдаются, когда люди намеренно скрывают данные или манипулируют ими с целью обмана или введения в заблуждение. Возможностей для примеро здксь огромное количество: мы можем сознательно отбрасывать неугодную для нас информацию или часть данных, для того, чтобы сознать желаемое впечатление от этой информации и повлиять на дальнейшие выводы и поведение.
ТИП 14. Фальшивые и синтетические данные.
Сфальсифицированные или специально созданные данные с целью введения в заблуждение. Однако такие наборы данных создаются не только для мошенничества, но и с исследовательской задачей: существует метод симуляции, когда генерируются искусственные наборы данных, которые могли возникнуть в результате изучаемого процесса, а также другие методы, использующие репликацию данных, например методы бутстреппинга, бустинга и сглаживания. Современные статистические инструменты широко используют такие идеи, но их некачественная репликация может привести к ошибочным выводам.
ТИП 15. Экстраполяция за пределы ваших данных.
Наборы данных всегда конечны. Это означает, что они имеют максимальное и минимальное значения, за пределами которых лежит неизвестность. Заявление о возможных значениях выше максимума или ниже минимума в наборе данных требует выдвижения предположений или получения информации из какого-то другого источника. Более того, экстраполяция имеющихся данных на другой контекст или события имеет свои известные ограничения и требует крайней осторожности.
#анализданных, #аналитика, #BigData, #информация, #статистика, #психотип, #КИ, #мэтры, #профайлинг_филатов, #ProProfiling
Продолжение, начало здесь
ТИП 9. Обобщение данных.
Обобщение данных по определению означает отбрасывание деталей.
Если вы учитываете только средние значения любого параметра, то это не дает никакой информации о диапазоне всех данных или об асимметрии их распределения. Среднее значение может скрыть тот факт, что некоторые значения могут очень сильно от него отличаться. В то же время обобщение может скрывать и тот факт, что все значения идентичны.
ТИП 10. Ошибки измерения и неопределенность.
Ошибки измерения изучаемых значений часто приводят к ошибочным выводам. Часто мы изучаем параметры, которые нельзя измерить непосредственно, и приходится пользоваться косвенными или опосредованными вычислениями. Например, при измерении кожно-гальванической реакции при инструментальной детекции лжи низкое качество самого электрода, который используется для фиксации параметров может серьезно исказить результат.
ТИП 11. Искажения обратной связи и уловки.
Этот тип данных возникает, когда собранные значения начинают влиять на исходный процесс. Например, в процессе оценки человека, получив какую-то часть информации, вы уже понимаете, к какому выводу вы, скорее всего, придете. И после этого качество вашего анализа второй половины данных существенно снижается. Или еще один пример – если все говорят, что этот пользователь, например, истероид, то возникает соблазн их послушать и это также снизит качество вашего анализа.
ТИП 12. Информационная асимметрия.
Информационная асимметрия возникает, когда один и тот же набор данных анализируют эксперты с разным уровнем подготовки и информированности.
Понятно, что если одну и ту же информацию анализируют эксперты разной подготовки (не говоря еще о их предвзятостях), то результаты этих анализов будут существенно отличаться.
ТИП 13. Намеренно затемненные данные.
Они наблюдаются, когда люди намеренно скрывают данные или манипулируют ими с целью обмана или введения в заблуждение. Возможностей для примеро здксь огромное количество: мы можем сознательно отбрасывать неугодную для нас информацию или часть данных, для того, чтобы сознать желаемое впечатление от этой информации и повлиять на дальнейшие выводы и поведение.
ТИП 14. Фальшивые и синтетические данные.
Сфальсифицированные или специально созданные данные с целью введения в заблуждение. Однако такие наборы данных создаются не только для мошенничества, но и с исследовательской задачей: существует метод симуляции, когда генерируются искусственные наборы данных, которые могли возникнуть в результате изучаемого процесса, а также другие методы, использующие репликацию данных, например методы бутстреппинга, бустинга и сглаживания. Современные статистические инструменты широко используют такие идеи, но их некачественная репликация может привести к ошибочным выводам.
ТИП 15. Экстраполяция за пределы ваших данных.
Наборы данных всегда конечны. Это означает, что они имеют максимальное и минимальное значения, за пределами которых лежит неизвестность. Заявление о возможных значениях выше максимума или ниже минимума в наборе данных требует выдвижения предположений или получения информации из какого-то другого источника. Более того, экстраполяция имеющихся данных на другой контекст или события имеет свои известные ограничения и требует крайней осторожности.
#анализданных, #аналитика, #BigData, #информация, #статистика, #психотип, #КИ, #мэтры, #профайлинг_филатов, #ProProfiling