> For the complete documentation index, see [llms.txt](https://docs.tabiya.org/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.tabiya.org/tabiya-documentation/deutsch/unser-technologie-stack/livelihoods-classifier/faqs.md). # FAQs #### **Allgemeine Verwendung** **1. Was ist der Tabiya Livelihoods Classifier?**\ Der Tabiya Livelihoods Classifier ist ein Tool, das fortschrittliche transformerbasierte neuronale Netze nutzt, um wichtige Entitäten aus Stellenbeschreibungen zu extrahieren und zu kategorisieren. Er unterstützt Aufgaben wie die Klassifizierung von Berufen und Fähigkeiten mithilfe von Frameworks wie ESCO. **2. Wer kann von der Verwendung dieses Tools profitieren?**\ Es ist für HR-Fachleute, Recruiter, Karriereberater, Arbeitsmarktforscher und Entwickler konzipiert, die an Job-Matching-Technologien oder Workforce-Analytics arbeiten. **3. Welche Arten von Entitäten kann das Tool extrahieren?**\ Der Klassifikator identifiziert und kategorisiert fünf Entitätstypen: Beruf, Fähigkeit, Qualifikation, Erfahrung und Bereich. **4. Ist dieses Tool mit bestimmten Standards oder Frameworks kompatibel?**\ Ja, es ruft ESCO-bezogene Einträge für Berufe und Fähigkeiten ab und orientiert sich an weit verbreiteten europäischen Berufsklassifikationssystemen. Mit wenig Aufwand könnten andere Taxonomien wie O\*Net integriert werden. *** #### **Technische Funktionalität** **5. Wie funktioniert der Tabiya Livelihoods Classifier?**\ Der Prozess umfasst zwei Hauptschritte: 1. **Entitätsextraktion**: Identifiziert relevante Entitäten in Stellenbeschreibungen. 2. **Ähnlichkeitsvektorsuche**: Ordnet extrahierte Entitäten Einträgen in vordefinierten Frameworks oder Datensätzen zu. **6. Verwendet das Tool Machine-Learning-Modelle?**\ Ja, es nutzt transformerbasierte Modelle, die den aktuellen Stand der Technik in der Verarbeitung natürlicher Sprache darstellen. **7. Kann ich den Klassifikator für bestimmte Branchen oder Datensätze anpassen?**\ Das Tool unterstützt Anpassungen und ermöglicht es Nutzern, die Ähnlichkeitssuche zu modifizieren oder benutzerdefinierte Datensätze zu integrieren, um spezifischen Domänen und Anwendungsfällen gerecht zu werden. **8. Was ist der Unterschied zwischen Entitätsextraktion und Ähnlichkeitsvektorsuche?**\ Die Entitätsextraktion identifiziert relevante Entitäten aus Text, etwa eine Berufsbezeichnung oder Fähigkeit. Die Ähnlichkeitsvektorsuche ordnet diese Entitäten dann verwandten Einträgen in einer Wissensdatenbank wie ESCO zu, um sie zu standardisieren. **9. Wo finde ich weitere technische Details zu den verwendeten Methoden?**\ Für eine ausführlichere Erklärung der zugrunde liegenden Techniken, des Modelldesigns und der Evaluationsmethodik siehe den [Forschungsartikel](https://arxiv.org/abs/2512.03195) *Enhancing Job Matching: Occupation, Skill and Qualification Linking with the ESCO and EQF taxonomies* (Saroglou *et al*., 2025). *** #### **Integration und Einrichtung** **10. Wie installiere und verwende ich den Klassifikator?**\ Detaillierte Anweisungen zur Installation und Einrichtung finden Sie im [Benutzerhandbuch](/tabiya-documentation/deutsch/unser-technologie-stack/livelihoods-classifier/getting-started.md#quickstart-guide). **11. Kann der Klassifikator in bestehende HR-Systeme integriert werden?**\ Ja, er ist so konzipiert, dass er sich über APIs oder Bibliotheksfunktionen leicht in Workflows oder Systeme integrieren lässt. **12. Gibt es Voraussetzungen für die Verwendung dieses Tools?**\ Für Einrichtung und Integration werden grundlegende Python-Kenntnisse empfohlen. Vertrautheit mit Konzepten der Verarbeitung natürlicher Sprache ist hilfreich, aber nicht zwingend erforderlich. *** #### **Leistung und Einschränkungen** **13. Wie genau ist die Entitätsklassifizierung?**\ Der Klassifikator erreicht erstklassige Ergebnisse bei der Entitätenerkennung auf der Grundlage des von [Green et al](https://aclanthology.org/2022.lrec-1.128/)veröffentlichten Datensatzes. Allerdings ist der Entity Linker wie jedes Machine-Learning-Modell nicht perfekt. Wenn Sie auf Fehler oder ungeeignete Anwendungsfälle stoßen, eröffnen Sie bitte ein Issue auf [GitHub](https://github.com/tabiya-tech/tabiya-livelihoods-classifier/issues)! **14. Unterstützt das Tool mehrsprachige Stellenbeschreibungen?**\ Wir arbeiten derzeit an der Entwicklung einer Methode, um die Funktionen des Tools auf mehrere Sprachen auszuweiten. Derzeit unterstützt das Tool nur die englische und französische Sprache. **15. Gibt es Beschränkungen für die Größe des Eingabetexts?**\ Das Modell verwendet die [NLTK-Sentenz-Tokenizer](https://www.nltk.org/api/nltk.tokenize.sent_tokenize.html) Funktion, um große Texte zu verarbeiten, sodass es theoretisch keine Begrenzung für die Größe des Eingabetexts gibt. In der aktuellen Version haben die für die Entitätsextraktion verwendeten BERT-basierten Modelle eine Begrenzung von 128 Token (etwa 100 Wörter). Sie können das[ Trainingsskript](/tabiya-documentation/deutsch/unser-technologie-stack/livelihoods-classifier/training.md#train-an-entity-extraction-model) verwenden, um das Modell neu zu trainieren und an Ihre Bedürfnisse anzupassen. *** #### **Support und Anpassung** **16. Kann ich zum Tool beitragen oder es erweitern?**\ Ja, Entwickler sind herzlich eingeladen, das Tool anzupassen und zu erweitern. Weitere Hinweise finden Sie im Mitwirkenden-Leitfaden der Dokumentation. **17. Wo finde ich Support oder melde Probleme?**\ Support ist über das offizielle Repository oder die Kundenservice-Kanäle verfügbar. Probleme können auf der [GitHub-Issue-Seite](https://github.com/tabiya-tech/tabiya-livelihoods-classifier/issues) oder per E-Mail gemeldet werden. **18. Sind Updates und neue Funktionen geplant?**\ Ja, das Tool wird aktiv gepflegt, und auf Grundlage des Nutzerfeedbacks sind zusätzliche Funktionen und verbesserte Integrationen geplant. --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation by asking a question. Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters: ``` GET https://docs.tabiya.org/tabiya-documentation/deutsch/unser-technologie-stack/livelihoods-classifier/faqs.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.