Die NASA hat es sich zum Ziel gesetzt, bis zum Jahr 2024 Menschen auf den Mond und später sogar auf den Mars zu bringen. Noch sind viele Fragen ungeklärt. So hapert es nach einem Bericht des Government Accountability Office (GAO) an der Finanzierung sowie am Equipment. Auch das Ionen-Antriebssystem der Kapsel bereitet den Ingenieuren Kopfzerbrechen. Mit einem Problem geht es der renommierten Raumfahrtbehörde jedoch nicht anders als vielen irdischen Unternehmen: Wo findet sich gut ausgebildetes und motiviertes Personal für die Zukunft?

Knowledge Graph statt Datensilos

Um diese Frage zu beantworten und Schlüsselpositionen der Artemis-2-Mission aus den eigenen Reihen zu besetzen, implementierte die NASA einen Knowledge Graphen. Anders als herkömmliche Datenbanksysteme speichert ein Knowledge Graph nicht einfach nur Daten, sondern versucht das spezifische Wissen eines Unternehmens abzubilden und zugänglich zu machen. Graphdatenbanken bilden den technischen Unterbau für dieses Wissen. Sie speichern neben einzelnen Daten (Knoten) auch die Beziehungen dazwischen (Kanten). Beiden können wiederum beschreibende Eigenschaften (Properties) zugewiesen werden. Es entsteht ein semantischer Kontext, der neue Zusammenhänge aufdeckt und den Grundbaustein für künstliche Intelligenz (KI) bildet.

Das offene Knoten-Kanten-Modell von Graphen macht es einfach, stark vernetzte, heterogene Daten aus unterschiedlichen Quellen in eine Gesamtansicht zusammenzuführen – ein entscheidender Vorteil für die NASA, die wie viele Unternehmen über einen bunten Mix an Systemen und Anwendungen im Personalwesen verfügt. Dazu zählen SAP, ServiceNow und weitere relationale Datenbanken, die sich über die Zeit hinweg zu Datensilos entwickelten. Während die Personaldaten in dem einen System liegen, finden sich Unterlagen zu Trainings und Fortbildungsmaßnahmen auf anderen gespeichert. HR-Manager hatten so nur eine eingeschränkte Sichtweise auf Mitarbeitende und konnten das volle Potential von Arbeitskräften weder erkennen noch fördern.

Eine weitere Besonderheit stellte der große und diverse Talent-Pool der NASA dar, mit weltweit rund 1700 Fachkräften aus den unterschiedlichsten Bereichen. Neben Experten der Luft- und Raumfahrttechnik finden sich in den Personalakten der Behörden Geowissenschaftler, Klimaforscher, Softwareentwickler, Telekommunikationstechniker, Ingenieure, Physiker, Biologen sowie medizinisches Fachpersonal. Erst in einem Knowledge Graph lassen sich diese vielfältigen Expertisen und Fähigkeiten auch in Relation zueinander abbilden.

Taxonomie für das Talent-Mapping

Die NASA machte sich zunächst daran, eine Taxonomie zu entwickeln, um sowohl die umfangreichen Tätigkeitsanforderungen als auch die verschiedenen Personenmerkmale einfach und eindeutig in systematische Kategorien einordnen zu können. Die Data Scientists folgten dabei zum einen der KSAO-Klassifizierung (Knowledge, Skills, Abilities and Other Characteristics). Diese Zusammenfassung von Anforderungen gibt einen Rahmen vor, um potenzielle Kandidaten hinsichtlich ihrer Eignung für eine bestimmte Rolle zu überprüfen. Zum anderen wurde die Datenbank O*NET OnLine des US-Arbeitsministerium (Department of Labor) sowie das Klassifizierungssystem ESCO (European Skills, Competences, Qualifications and Occupations) der EU für die Klassifizierung herangezogen. Anhand der Taxonomie konnte das Team im nächsten Schritt Kategorien für Knoten und Kanten entwickeln, ein Datenmodell für den Knowledge Graph erstellen und alle wichtigen Personaldaten integrieren.

Das Talent-Mapping-Tool der NASA eröffnet neue Sichtweisen auf die Mitarbeitende der Behörde. Dank des semantischen Kontexts lassen sich Kompetenzprofile projektbezogen oder im Zusammenhang mit bestimmten Trainings betrachten. Personalmerkmale sowie spezifische Kombinationen von Fähigkeiten und Kompetenzen können gezielt abgefragt und per Mausklick mit den jeweiligen Tätigkeitsanforderungen einer Position abgeglichen werden. Die Abfragen schließen dabei alle relevanten Informationen und Daten ein und schaffen so einen umfassenden 360-Grad-Blick auf Skills, Kenntnisse und Qualifikationen von Beschäftigten. Theoretisch ist es so auch möglich, Kandidaten zu identifizieren, die bei einer oberflächlichen Prüfung gar nicht in die engere Auswahl gekommen wären.

Zentral bleibt dabei die persönliche Beurteilung sowie die Expertise und Erfahrung durch HR-Manager. Auch die NASA plant im nächsten Schritt die Validierung der Kompetenz- und Stellenprofile durch das Personalwesen. Ziel ist es, bis Ende 2021 entsprechende Modelle zu trainieren und ein Interface aufzubauen, um das Talentmanagement zunehmend zu vereinfachen und zu automatisieren. Die Anwendung soll dabei nicht nur HR-Managern bei der Suche nach qualifizierten Fachkräften und bei der Optimierung von Fortbildungsmaßnahmen helfen. Auch Teammitglieder erhalten zukünftig die Möglichkeit, ihre Karriereoptionen einzusehen und sich für offene Stellen und Schulungen zu bewerben. Damit entwickelt sich das Talent Management langfristig zu einem kollaborativen Ansatz, bei dem Mitarbeitende eine aktive Rolle einnehmen.

NLP-Algorithmen & KI-Standards

Die Implementierung eines Knowledge-Graphen öffnet der NASA zudem die Tür für KI und Machine Learning. Spezielle Graph-Algorithmen erkennen in Daten enthaltene Muster und Zusammenhänge und können die Suche im Knowledge Graphen weiter verfeinern. Richtig eingesetzt helfen die Algorithmen, die Genauigkeit von Machine-Learning-Modellen zu optimieren und das Talentmanagement smart zu machen.

Bereits jetzt setzt die NASA den Natural-Language-Processing-Algorithmus Doc2Vec ein, eine Weiterentwicklung von word2vec. Dieser ermöglicht es, Informationen aus Textdateien (Schulungsunterlagen, Lebensläufe, Bewerbungen) zu extrahieren und Dokumente innerhalb des Knowledge Graphen miteinander zu vergleichen (CV-Parsing). Einmal trainiert, findet das Modell automatisch ein Match zwischen einem Absatz einer Stellenbeschreibung und einer Passage im Anschreiben eines Bewerbers.

Knowledge-Graphen schaffen noch eine weitere wichtige Grundvoraussetzung für KI-Anwendungen: Sie liefern den nötigen Datenkontext, um ethische Standards zu erfüllen. Fehlt dieser Kontext, kann KI kontraproduktiv und sogar gefährlich werden. So musste zum Beispiel Amazon sein KI-gestütztes Recruiting Tool abschalten, nachdem es sich gegenüber weiblichen Bewerbern voreingenommen zeigte. Schuld war ein sehr kleiner Datensatz, in dem sich diskriminierende Praktiken des Unternehmens widerspiegelten, die von den Algorithmen erkannt und verstärkt wurden. Um solche Fehler überhaupt zu erkennen, ist ein größerer Bezugsrahmen erforderlich, der transparent darlegt, wie Millionen von Datenpunkten miteinander verknüpft sind und Zusammenhänge abgefragt werden.

Für die NASA ist das Potential von Knowledge-Graphen für das Human Resource Management noch längst nicht ausgeschöpft. Die zentrale Wissensdatenbank soll weiter wachsen, dafür steht ein Jahresbudget von 150.000 Dollar zur Verfügung. Die Suche nach Experten für die geplante Mondmission 2024 ist dabei nur eine Aufgabe von vielen. Denn auch für andere Projekte sind qualifizierte Fachkräfte gefragt. Knowledge-Graphen in Verbindung mit KI, ML und NLP erlauben HR-Managern hier einen Blick über den Tellerrand hinaus und eröffnen neue, kreativere Wege des Talent Managements.