Esta publicación está coescrita con Stefan Walter de MSG.
Con más de 10,000 expertos en 34 países, machista es tanto un proveedor de software independiente como un integrador de sistemas que opera en industrias altamente reguladas, con más de 40 años de experiencia específica de dominio. Msg.Profilemap es una solución de software como servicio (SaaS) para la gestión de habilidades y competencias. Es un software calificado de AWS Partner disponible en AWS Marketplaceactualmente atiende a más de 7,500 usuarios. Los departamentos de recursos humanos y estrategia utilizan Msg. ProfileMap para el personal de proyectos y las iniciativas de transformación de la fuerza laboral. Al ofrecer una visión centralizada de las habilidades y competencias, Msg.ProfileMap ayuda a las organizaciones a mapear las capacidades de su fuerza laboral, identificar las brechas de habilidades e implementar estrategias de desarrollo específicas. Esto respalda la ejecución de proyectos más efectiva, una mejor alineación del talento para los roles y la planificación de la fuerza laboral a largo plazo.
En esta publicación, compartimos cómo MSG automatizó la armonización de datos para msg.profileMap, utilizando Roca madre de Amazon Para alimentar sus flujos de trabajo de enriquecimiento de datos impulsados por el modelo de lenguaje grande (LLM), lo que resulta en una mayor precisión en la coincidencia de conceptos de recursos humanos, la carga de trabajo manual reducida y la alineación mejorada con los requisitos de cumplimiento bajo la Ley AI de la UE y GDPR.
La importancia de la armonización de datos basada en IA
Los departamentos de recursos humanos enfrentan una presión creciente para operar como organizaciones basadas en datos, pero a menudo están limitados por la naturaleza inconsistente y fragmentada de sus datos. Los documentos críticos de recursos humanos no están estructurados, y los sistemas heredados utilizan formatos no coincidentes y modelos de datos. Esto no solo perjudica la calidad de los datos, sino que también conduce a ineficiencias y puntos ciegos de toma de decisiones. Los datos de recursos humanos precisos y armonizados son fundamentales para actividades clave, como los candidatos que coincidan con los roles, la identificación de oportunidades de movilidad interna, realicen análisis de brechas de habilidades y planifiquen el desarrollo de la fuerza laboral. MSG identificó que sin métodos automatizados y escalables para procesar y unificar estos datos, las organizaciones continuarían luchando con gastos generales manuales y resultados inconsistentes.
Descripción general de la solución
Los datos de recursos humanos generalmente se dispersan en diversas fuentes y formatos, desde bases de datos relacionales hasta archivos de Excel, documentos de palabras y PDF. Además, las entidades como los números de personal o las competencias tienen diferentes identificadores únicos, así como diferentes descripciones de texto, aunque con la misma semántica. MSG abordó este desafío con una arquitectura modular, adaptada a los escenarios de la fuerza laboral de TI. Como se ilustra en el siguiente diagrama, en el núcleo de MSG.ProfilEmap hay una capa de extracción de texto robusta, que transforma las entradas heterogéneas en datos estructurados. Luego se pasa a un motor de armonización con IA que proporciona consistencia entre las fuentes de datos evitando la duplicación y alineando conceptos dispares.
El proceso de armonización utiliza un enfoque de recuperación híbrida que combina similitud semántica basada en vectores y técnicas de correspondencia basadas en cuerdas. Estos métodos alinean los datos entrantes con las entidades existentes en el sistema. Amazon Bedrock se usa para enriquecer semánticamente los datos, mejorando la compatibilidad de código cruzado y la precisión correspondiente. Los datos extraídos y enriquecidos se indexan y almacenan utilizando Servicio de Amazon OpenSearch y Amazon Dynamodbfacilitando la recuperación rápida y precisa, como se muestra en el siguiente diagrama.
El marco está diseñado para ser sin supervisión e independiente del dominio. Aunque está optimizado para los casos de uso de la fuerza laboral de TI, también ha demostrado fuertes capacidades de generalización en otros dominios.
msg.profilemap es una aplicación basada en la nube que utiliza varios servicios de AWS, especialmente Amazon NeptunoAmazon Dynamodb y Amazon Bedrock. El siguiente diagrama ilustra la arquitectura de solución completa.
Resultados y validación técnica
MSG evaluó la efectividad del marco de armonización de datos a través de las pruebas internas en los conceptos de la fuerza laboral y la evaluación comparativa externas en la pista Bio-ML de la Iniciativa de evaluación de alineación de ontología (OAEI), una iniciativa de investigación internacional y financiada por la UE que evalúa las tecnologías de coincidencia de ontología desde 2004.
Durante las pruebas internas, el sistema procesó 2.248 conceptos en múltiples tipos de sugerencias. Las recomendaciones de fusión de alta probabilidad alcanzaron la precisión del 95.5%, que cubrió casi el 60% de todas las entradas. Esto ayudó a MSG a reducir la carga de trabajo de validación manual en más del 70%, mejorando significativamente el tiempo de valor para los equipos de recursos humanos.
Durante OAEI 2024, Msg.ProfilEmap se clasificó en la parte superior del punto de referencia BIO-ML 2024, superando a otros sistemas en múltiples conjuntos de datos biomédicos. En NCIT-Doid, logró un puntaje de 0.918 F1, con hits@1 superiores al 92%, validando la generalización del motor más allá del dominio de la FC. Hay detalles adicionales disponibles en el Resultados de las pruebas oficiales.
Por qué Amazon Bedrock
MSG se basa en LLM para enriquecer semánticamente los datos en tiempo real. Estas cargas de trabajo requieren inferencia de baja latencia, escala flexible y simplicidad operativa. Amazon Bedrock satisfizo estas necesidades al proporcionar una interfaz totalmente administrada y sin servidor a los modelos de base líderes, sin la necesidad de administrar la infraestructura o implementar pilas de aprendizaje automático personalizado.
A diferencia de los modelos de alojamiento en Nube de cómputo elástica de Amazon (Amazon EC2) o Amazon SagemakerAmazon Bedrock Abstracts Away Provisioning, versiones, escala y selección de modelos. Sus precios basados en el consumo se alinean directamente con el modelo de entrega SaaS de MSG: los recursos se utilizan (y se facturan) solo cuando sea necesario. Esta integración simplificada redujo la sobrecarga y ayudó a MSG escalar elásticamente a medida que crecía la demanda de los clientes.
Amazon Bedrock también ayudó a MSG a cumplir con los objetivos de cumplimiento bajo la Ley de AI de la UE y GDPR al permitir interacciones auditables y estrechas con API del modelo, crítica para casos de uso de recursos humanos que manejan datos de fuerza laboral confidenciales.
Conclusión
La integración exitosa de MSG de Amazon Bedrock en MSG.ProfileMap demuestra que la adopción de IA a gran escala no requiere infraestructura compleja o capacitación de modelos especializados. Al combinar el diseño modular, la armonización basada en la ontología y las capacidades LLM totalmente administradas de Amazon Bedrock, MSG entregó una plataforma de inteligencia de fuerza laboral con IA que es precisa, escalable y que cumple con la solución mejorada de concepto mejorado y logró las principales marcas en comparación internacional en comparación con IA International AI, que demuestra lo que es posible cuando la IA generativa se combina con el servicio basado en la nube derecha. Con Amazon Bedrock, MSG ha construido una plataforma que está lista para los desafíos de recursos humanos de hoy, y los de mañana.
msg.profileMap está disponible como una oferta de SaaS en AWS Marketplace. Si está interesado en saber más, puede comunicarse con msg.hcm.backoffice@msg.group.
El contenido y las opiniones en esta publicación de blog son los del autor de terceros y AWS no es responsable del contenido o precisión de esta publicación.
Sobre los autores
Stefan Walter es vicepresidente senior de AI SaaS Solutions en MSG. Con más de 25 años de experiencia en el desarrollo de software de TI, la arquitectura y la consultoría, Stefan Walter lidera con una visión de innovación y excelencia operativa escalable. Como líder de BU en MSG, Stefan ha encabezado iniciativas transformadoras que unen la estrategia comercial con la ejecución de la tecnología, especialmente en entornos complejos de múltiples entidades.
Gianluca Vegetti es un arquitecto empresarial senior en la organización asociada de AWS, alineada con los compromisos de colaboración y gobernanza de la asociación estratégica (SPCG). En su papel, apoya la definición y ejecución de los acuerdos de colaboración estratégica con socios de AWS seleccionados.
Yuriy Bezsonov es un arquitecto de soluciones socio principal en AWS. Con más de 25 años en la tecnología, Yuriy ha progresado de un desarrollador de software a un gerente de ingeniería y un arquitecto de soluciones. Ahora, como arquitecto senior de soluciones en AWS, ayuda a los socios y clientes a desarrollar soluciones en la nube, centrándose en tecnologías de contenedores, Kubernetes, Java, modernización de aplicaciones, SaaS, experiencia de desarrollador y Genai. Yuriy tiene certificaciones de AWS y Kubernetes, y él es un destinatario de la Jacket Golden de AWS y la CNCF Kubestronaut Blue Jacket.