or better

Игровой asdasdJacks or betteadдним иadпные sприaобраdв коdсsdaпары вальтов и лучше.

Natural language processing Wikipedia

Natural Language Processing NLP A Complete Guide

natural language understanding algorithms

By knowing the structure of sentences, we can start trying to understand the meaning of sentences. We start off with the meaning of words being vectors but we can also do this with whole phrases and sentences, where the meaning is also represented as vectors. And if we want to know the relationship of or between sentences, we train a neural network to make those decisions for us. With the Internet of Things and other advanced technologies compiling more data than ever, some data sets are simply too overwhelming for humans to comb through.

From the above output , you can see that for your input review, the model has assigned label 1. Now that your model is trained , you can pass a new review string to model.predict() function and check the output. Now if you have understood how to generate a consecutive word of a sentence, you can similarly generate the required number of words by a loop. This technique of generating new sentences relevant to context is called Text Generation. You can always modify the arguments according to the neccesity of the problem.

What is natural language processing (NLP)? – TechTarget

What is natural language processing (NLP)?.

Posted: Fri, 05 Jan 2024 08:00:00 GMT [source]

As you can see, as the length or size of text data increases, it is difficult to analyse frequency of all tokens. So, you can print the n most common tokens using most_common function of Counter. Once the stop words are removed and lemmatization is done ,the tokens we have can be analysed further for information about the text data. It was developed by HuggingFace and provides state of the art models. It is an advanced library known for the transformer modules, it is currently under active development. Some are centered directly on the models and their outputs, others on second-order concerns, such as who has access to these systems, and how training them impacts the natural world.

What is natural language understanding (NLU)?

In spaCy , the token object has an attribute .lemma_ which allows you to access the lemmatized version of that token.See below example. Let us see an example of how to implement stemming using nltk supported PorterStemmer(). You can observe that there is a significant reduction of tokens.

NLP tutorial is designed for both beginners and professionals. Natural language processing can help customers book tickets, track orders and even recommend similar products on e-commerce websites. Teams can also use data on customer purchases to inform what types of products to stock up on and when to replenish inventories. NLP algorithms can sound like far-fetched concepts, but in reality, with the right directions and the determination to learn, you can easily get started with them.

However, when symbolic and machine learning works together, it leads to better results as it can ensure that models correctly understand a specific passage. Knowledge graphs also play a crucial role in defining concepts of an input language along with the relationship between those concepts. Due to its ability to properly define the concepts and easily understand word contexts, this algorithm helps build XAI. Data processing serves as the first phase, where input text data is prepared and cleaned so that the machine is able to analyze it. The data is processed in such a way that it points out all the features in the input text and makes it suitable for computer algorithms. Basically, the data processing stage prepares the data in a form that the machine can understand.

Machine translation uses computers to translate words, phrases and sentences from one language into another. For example, this can be beneficial if you are looking to translate a book or website into another language. The level at which the machine can understand language is ultimately dependent on the approach you take to training your algorithm.

Context refers to the source text based on whhich we require answers from the model. The tokens or ids of probable successive words will be stored in predictions. If you give a sentence or a phrase to a student, she can develop the sentence into a paragraph based on the context of the phrases. You can notice that in the extractive method, the sentences of the summary are all taken from the original text.

natural language understanding algorithms

NLP bridges the gap of interaction between humans and electronic devices. Natural language processing (NLP) is a field of computer science and artificial intelligence that aims to make computers understand human language. NLP uses computational linguistics, which is the study of how language works, and various models based on statistics, machine learning, and deep learning.

The need for automation is never-ending courtesy of the amount of work required to be done these days. NLP is a very favorable, but aspect when it comes to automated applications. The applications of NLP have led it to be one of the most sought-after methods of implementing machine learning.

It’s a good way to get started (like logistic or linear regression in data science), but it isn’t cutting edge and it is possible to do it way better. Healthcare professionals can develop more efficient workflows with the help of natural language processing. During procedures, doctors can dictate their actions and notes to an app, which produces an accurate transcription. NLP can also scan patient documents to identify patients who would be best suited for certain clinical trials.

They are responsible for assisting the machine to understand the context value of a given input; otherwise, the machine won’t be able to carry out the request. Like humans have brains for processing all the inputs, computers utilize a specialized program that helps them process the input to an understandable output. NLP operates in Chat PG two phases during the conversion, where one is data processing and the other one is algorithm development. Sentiment analysis can be performed on any unstructured text data from comments on your website to reviews on your product pages. It can be used to determine the voice of your customer and to identify areas for improvement.

This is a widely used technology for personal assistants that are used in various business fields/areas. This technology works on the speech provided by the user breaks it down for proper understanding and processes it accordingly. This is a very recent and effective approach due to which it has a really high demand in today’s market. Natural Language Processing is an upcoming field where already many transitions such as compatibility with smart devices, and interactive talks with a human have been made possible. Knowledge representation, logical reasoning, and constraint satisfaction were the emphasis of AI applications in NLP. In the last decade, a significant change in NLP research has resulted in the widespread use of statistical approaches such as machine learning and data mining on a massive scale.

Symbolic, statistical or hybrid algorithms can support your speech recognition software. For instance, rules map out the sequence of words or phrases, neural networks detect speech patterns and together they provide a deep understanding of spoken language. In machine translation done by deep learning algorithms, language is translated by starting with a sentence and generating vector representations that represent it.

They may also have experience with programming languages such as Python, and C++ and be familiar with various NLP libraries and frameworks such as NLTK, spaCy, and OpenNLP. Named entity recognition/extraction aims to extract entities such as people, places, organizations from text. This is useful for applications such as information retrieval, question answering and summarization, among other areas.

Human Resources

Then it starts to generate words in another language that entail the same information. Understanding human language is considered a difficult task due to its complexity. For example, there are an infinite number of different ways to arrange words in a sentence. Also, words can have several meanings and contextual information is necessary to correctly interpret sentences.

Machine translation can also help you understand the meaning of a document even if you cannot understand the language in which it was written. This automatic translation could be particularly effective if you are working with an international client and have files that need to be translated into your native tongue. Symbolic AI uses symbols to represent knowledge and relationships between concepts.

natural language understanding algorithms

Human languages are difficult to understand for machines, as it involves a lot of acronyms, different meanings, sub-meanings, grammatical rules, context, slang, and many other aspects. NLP models face many challenges due to the complexity and diversity of natural language. Some of these challenges include ambiguity, variability, context-dependence, figurative language, domain-specificity, noise, and lack of labeled data. Knowledge graphs help define the concepts of a language as well as the relationships between those concepts so words can be understood in context. These explicit rules and connections enable you to build explainable AI models that offer both transparency and flexibility to change.

From speech recognition, sentiment analysis, and machine translation to text suggestion, statistical algorithms are used for many applications. The main reason behind its widespread usage is that it can work on large data sets. Statistical algorithms can make the job easy for machines by going through texts, understanding each of them, and retrieving the meaning.

Natural language processing (NLP) is an area of computer science and artificial intelligence concerned with the interaction between computers and humans in natural language. The ultimate goal of NLP is to help computers understand language as well as we do. It is the driving force behind things like virtual assistants, speech recognition, sentiment analysis, automatic text summarization, machine translation and much more.

Text summarization

Expert.ai offers access and support through a proven solution.

In this post, we’ll cover the basics of natural language processing, dive into some of its techniques and also learn how NLP has benefited from recent advances in deep learning. Natural language processing (NLP) is an interdisciplinary subfield of computer science and information retrieval. It is primarily concerned with giving computers the ability to support and manipulate human language. The goal is a computer capable of „understanding“[citation needed] the contents of documents, including the contextual nuances of the language within them.

It also includes libraries for implementing capabilities such as semantic reasoning, the ability to reach logical conclusions based on facts extracted from text. The expert.ai Platform leverages a hybrid approach to NLP that enables companies to address their language needs across all industries and use cases. According to a 2019 Deloitte survey, only 18% of companies reported being able to use their unstructured data. This emphasizes the level of difficulty involved in developing an intelligent language model. But while teaching machines how to understand written and spoken language is hard, it is the key to automating processes that are core to your business. While NLP-powered chatbots and callbots are most common in customer service contexts, companies have also relied on natural language processing to power virtual assistants.

It is also considered one of the most beginner-friendly programming languages which makes it ideal for beginners to learn NLP. Python is the best programming language for NLP for its wide range of NLP libraries, ease of use, and community support. However, other programming languages like R and Java are also popular for NLP.

Natural language understanding systems let organizations create products or tools that can both understand words and interpret their meaning. A basic form of NLU is called parsing, which takes written text and converts it into a structured format for computers to understand. Instead of relying on computer language syntax, NLU enables a computer to comprehend and respond to human-written text. Request a demo and begin your natural language understanding journey in AI.

The interpretation ability of computers has evolved so much that machines can even understand the human sentiments and intent behind a text. NLP can also predict upcoming words or sentences coming to a user’s mind when they are writing or speaking. In finance, NLP can be paired with machine learning to generate financial reports based on invoices, statements and other documents. Financial analysts can also employ natural language processing to predict stock market trends by analyzing news articles, social media posts and other online sources for market sentiments. Speech recognition, for example, has gotten very good and works almost flawlessly, but we still lack this kind of proficiency in natural language understanding.

8 Best Natural Language Processing Tools 2024 – eWeek

8 Best Natural Language Processing Tools 2024.

Posted: Thu, 25 Apr 2024 07:00:00 GMT [source]

In the form of chatbots, natural language processing can take some of the weight off customer service teams, promptly responding to online queries and redirecting customers when needed. NLP can also analyze customer surveys and feedback, allowing teams to gather timely intel on how customers feel about a brand and steps they can take to improve customer sentiment. With sentiment analysis we want to determine the attitude (i.e. the sentiment) of a speaker or writer with respect to a document, interaction or event. Therefore it is a natural language processing problem where text needs to be understood in order to predict the underlying intent. The sentiment is mostly categorized into positive, negative and neutral categories. NLP algorithms use a variety of techniques, such as sentiment analysis, keyword extraction, knowledge graphs, word clouds, and text summarization, which we’ll discuss in the next section.

You can foun additiona information about ai customer service and artificial intelligence and NLP. You can use is_stop to identify the stop words and remove them through below code.. In the same text data about a product Alexa, I am going to remove the stop words. Let’s say you have text data on a product Alexa, and you wish to analyze it.

Natural language understanding (NLU) is a subfield of natural language processing (NLP), which involves transforming human language into a machine-readable format. Learn the basics and advanced concepts of natural language processing (NLP) with our complete NLP tutorial and get ready to explore the vast and exciting field of NLP, where technology meets human language. Gathering market intelligence becomes much easier with natural language processing, which can analyze online reviews, social media posts and web forums. Compiling this data can help marketing teams understand what consumers care about and how they perceive a business’ brand.

Syntactic analysis basically assigns a semantic structure to text. This algorithm creates summaries of long texts to make it easier for humans to understand their contents quickly. Businesses can use it to summarize customer feedback or large documents into shorter versions for better analysis. Put in simple terms, these algorithms are like dictionaries that allow machines to make sense of what people are saying without having to understand the intricacies of human language. Natural Language Processing (NLP) is a branch of AI that focuses on developing computer algorithms to understand and process natural language. Text analysis solutions enable machines to automatically understand the content of customer support tickets and route them to the correct departments without employees having to open every single ticket.

NLP algorithms come helpful for various applications, from search engines and IT to finance, marketing, and beyond. Words Cloud is a unique NLP algorithm that involves techniques for data visualization. In this algorithm, the important words are highlighted, and then they are displayed in a table. NLG converts a computer’s machine-readable language into text and can also convert that text into audible speech using text-to-speech technology.

Approaches: Symbolic, statistical, neural networks

Throughout the years various attempts at processing natural language or English-like sentences presented to computers have taken place at varying degrees of complexity. Some attempts have not resulted in systems with deep understanding, but have helped overall system usability. For example, Wayne Ratliff originally developed the Vulcan program with an English-like syntax to mimic the English speaking computer in Star Trek. To summarize, natural language processing in combination with deep learning, is all about vectors that represent words, phrases, etc. and to some degree their meanings. Natural language understanding (NLU) is a branch of artificial intelligence (AI) that uses computer software to understand input in the form of sentences using text or speech. NLU enables human-computer interaction by analyzing language versus just words.

  • It is beneficial for many organizations because it helps in storing, searching, and retrieving content from a substantial unstructured data set.
  • The summary obtained from this method will contain the key-sentences of the original text corpus.
  • They help machines make sense of the data they get from written or spoken words and extract meaning from them.
  • Once you have identified your dataset, you’ll have to prepare the data by cleaning it.
  • This step might require some knowledge of common libraries in Python or packages in R.

It made computer programs capable of understanding different human languages, whether the words are written or spoken. Working in natural language processing (NLP) typically involves using computational techniques to analyze and understand human language. This can include tasks such as language understanding, language generation, and language interaction. Natural language processing brings together linguistics and algorithmic models to analyze written and spoken human language. Based on the content, speaker sentiment and possible intentions, NLP generates an appropriate response.

Syntactic and Semantic Analysis

These tickets can then be routed directly to the relevant agent and prioritized. Before a computer can process unstructured text into a machine-readable format, first machines need to understand https://chat.openai.com/ the peculiarities of the human language. Along with all the techniques, NLP algorithms utilize natural language principles to make the inputs better understandable for the machine.

natural language understanding algorithms

Sometimes the less important things are not even visible on the table. In this article, I’ll discuss NLP and some of the most talked about NLP algorithms. IBM has launched a new open-source toolkit, PrimeQA, to spur progress in multilingual question-answering systems to make it easier for anyone to quickly find information on the web. Visit the IBM Developer’s website to access blogs, articles, newsletters and more. Become an IBM partner and infuse IBM Watson embeddable AI in your commercial solutions today. The Python programing language provides a wide range of tools and libraries for attacking specific NLP tasks.

However, sarcasm, irony, slang, and other factors can make it challenging to determine sentiment accurately. Stop words such as “is”, “an”, and “the”, which do not carry significant meaning, are removed to focus on important words. You should note that the training data you provide to ClassificationModel should contain the text in first coumn and the label in next column. You can classify texts into different groups based on their similarity of context. You can pass the string to .encode() which will converts a string in a sequence of ids, using the tokenizer and vocabulary.

The drawback of these statistical methods is that they rely heavily on feature engineering which is very complex and time-consuming. Learn how to extract and classify text from unstructured data with MonkeyLearn’s no-code, natural language understanding algorithms low-code text analysis tools. With natural language processing and machine learning working behind the scenes, all you need to focus on is using the tools and helping them to improve their natural language understanding.

By focusing on the main benefits and features, it can easily negate the maximum weakness of either approach, which is essential for high accuracy. But many business processes and operations leverage machines and require interaction between machines and humans. Individuals working in NLP may have a background in computer science, linguistics, or a related field.

Transformers library has various pretrained models with weights. At any time ,you can instantiate a pre-trained version of model through .from_pretrained() method. There are different types of models like BERT, GPT, GPT-2, XLM,etc.. Now, let me introduce you to another method of text summarization using Pretrained models available in the transformers library.

This will depend on the business problem you are trying to solve. You can refer to the list of algorithms we discussed earlier for more information. Nonetheless, it’s often used by businesses to gauge customer sentiment about their products or services through customer feedback.

These assistants are a form of conversational AI that can carry on more sophisticated discussions. And if NLP is unable to resolve an issue, it can connect a customer with the appropriate personnel. Syntactic analysis (syntax) and semantic analysis (semantic) are the two primary techniques that lead to the understanding of natural language. Language is a set of valid sentences, but what makes a sentence valid? Another remarkable thing about human language is that it is all about symbols. According to Chris Manning, a machine learning professor at Stanford, it is a discrete, symbolic, categorical signaling system.

Unfortunately, NLP is also the focus of several controversies, and understanding them is also part of being a responsible practitioner. For instance, researchers have found that models will parrot biased language found in their training data, whether they’re counterfactual, racist, or hateful. Moreover, sophisticated language models can be used to generate disinformation. A broader concern is that training large models produces substantial greenhouse gas emissions. Accurately translating text or speech from one language to another is one of the toughest challenges of natural language processing and natural language understanding. A useful business example of NLU is customer service automation.

  • Accurately translating text or speech from one language to another is one of the toughest challenges of natural language processing and natural language understanding.
  • This is useful for consumer products or device features, such as voice assistants and speech to text.
  • NLP powers many applications that use language, such as text translation, voice recognition, text summarization, and chatbots.

Most higher-level NLP applications involve aspects that emulate intelligent behaviour and apparent comprehension of natural language. More broadly speaking, the technical operationalization of increasingly advanced aspects of cognitive behaviour represents one of the developmental trajectories of NLP (see trends among CoNLL shared tasks above). Though natural language processing tasks are closely intertwined, they can be subdivided into categories for convenience. The earliest decision trees, producing systems of hard if–then rules, were still very similar to the old rule-based approaches. Only the introduction of hidden Markov models, applied to part-of-speech tagging, announced the end of the old rule-based approach.

However, NLG can be used with NLP to produce humanlike text in a way that emulates a human writer. This is done by identifying the main topic of a document and then using NLP to determine the most appropriate way to write the document in the user’s native language. In this case, the person’s objective is to purchase tickets, and the ferry is the most likely form of travel as the campground is on an island. Vancouver Island is the named entity, and Aug. 18 is the numeric entity.

Hence, frequency analysis of token is an important method in text processing. The stop words like ‘it’,’was’,’that’,’to’…, so on do not give us much information, especially for models that look at what words are present and how many times they are repeated. NLP is growing increasingly sophisticated, yet much work remains to be done. Current systems are prone to bias and incoherence, and occasionally behave erratically. Despite the challenges, machine learning engineers have many opportunities to apply NLP in ways that are ever more central to a functioning society. Human language is typically difficult for computers to grasp, as it’s filled with complex, subtle and ever-changing meanings.

It produces more accurate results by assigning meanings to words based on context and embedded knowledge to disambiguate language. Now, imagine all the English words in the vocabulary with all their different fixations at the end of them. To store them all would require a huge database containing many words that actually have the same meaning. Popular algorithms for stemming include the Porter stemming algorithm from 1979, which still works well.

natural language understanding algorithms

NLP has its roots connected to the field of linguistics and even helped developers create search engines for the Internet. As technology has advanced with time, its usage of NLP has expanded. The all new enterprise studio that brings together traditional machine learning along with new generative AI capabilities powered by foundation models. The challenge is that the human speech mechanism is difficult to replicate using computers because of the complexity of the process.

As we already established, when performing frequency analysis, stop words need to be removed. NLP is used for a wide variety of language-related tasks, including answering questions, classifying text in a variety of ways, and conversing with users. Both NLP and NLU aim to make sense of unstructured data, but there is a difference between the two. The essential words in the document are printed in larger letters, whereas the least important words are shown in small fonts.

Akční ceny a vnímání cen: Hypermarkety, supermarkety versus lokální obchody

Otázka na úvod: Koho vnímáte jako levnějšího obchodníka? Velký obchodní řetězec (supermarkety a hypermarkety typu Albert, Kaufland, Tesco apod.) nebo lokálního obchodníka – místní řeznictví či pekařství na náměstí, na růžku či ve vaší vesnici?

Od konkrétních akčních slev po všeobecné vnímání „levnějšího“

I ve mně přetrvává mnohdy pocit, že v hypermarketech musí být vše levnější. Vždyť mají pravidelné letákové akce, kde nás zásobují informacemi o bezkonkurenčních cenách. Pravidelně promují akční ceny a hlavně tyto akce hlasitě a viditelně komunikují. Stejně tak dobře propagují různé „garance nejnižších cen“ apod. A pak si člověk najednou uvědomí, že jednotlivé akce zevšeobecňuje na celý obchod.

Srovnání cen v místním řeznictví a v hypermarketu

Před nějakou dobou jsem byl v jednom hypermarketu v Kopřivnici nakoupit pár věcí, které nám chyběly na víkendovou večeři. Už tam mě zarazily místní ceny, na které normálně nehledím. Hned po víkendu jsem se dal do menšího průzkumu. Srovnal ceny s místním Novojičínským řeznictvím a výsledek mě docela zaskočil. Kromě letákové ceny, která se hned po konci akce vrátila na původní cenu, byly věci dražší v hypermarketu, ne v místním řeznictví. V letáku jsem dražší věci promované neviděl. Beru, že pokud budu nakupovat jen podle letáků (kdo to dělá, ať zvedne ruku nebo napíše komentář níže), tak ušetřím. Leták přesto plní významnou roli. Umocňuje ve mně – coby běžném zákazníkovi – pocit, že tento hypermarket je levnější variantou oproti běžnému, místnímu obchodu. Jednotlivé akce totiž vnímám tak, že je zevšeobecňuji na celý sortiment. Rozumíte mi?

Není koblížek jako koblížek

Příběh pokračuje. Předevčírem jsem si šel koupit koblížek do stejnojmenného hypermarketu. Akční cena 5,90 za 50g koblížek mi vrtala v hlavě. Znovu, normálně bych si té ceny nevšiml, ale tentokrát mi to nedalo. Nedalo mi to a včera ráno jsem navštívil malé pekařství u mého baráku. Běžná cena 4,70 Kč za 55g koblížek. Akční koblížek je bezmála o 26 % dražší než ten za běžnou cenu. Jsou to jen mé náhody nebo to takhle vidíte i vy?

Poznámka závěrem

Vše je to o vnímání? O pocitu, jaký z dané věci máme. A platí to naprosto na vše. Rád se svých kamarádů a známých ptám na podobnou otázku, a to totiž: Jak vnímáte počet sebevražd a vražd? Čeho je podle vás více? Většinu mých přátel překvapí fakt, že sebevražd je nepoměrně více oproti vraždám. Tušili jste třeba, že v roce 2002 bylo v České republice 234 vražd a v tom stejném období 1534 sebevražd? Tento trend je globální. Často jsou tímto nepoměrem a naprosto opačným vnímáním počtu vražd a sebevražd zaskočeni. Taky jste čekali, že je více vražd?


Pro Řeznictví Miroslav Stiborek a syn děláme marketingové služby. S celou rodinou Stiborkovou mám velmi blízké a přátelské vztahy. Analýza cen nebyla a není v zadání našich marketingových služeb. Jen jsem si při své práci tohoto propastného rozdílu všiml a už pár týdnů mi pořádně vrtá v hlavě. Jak pojmout komunikaci lokálního řeznictví? „Komunikovat“ stejně jako velké obchodní řetězce nebo znáte lepší cestu, která ale současně všem ve spádové oblasti ukáže, že naše vnímání může být daleko od reality?

Piaget: Product placement ve videoklipech Florence and the Machine

Nedalo se toho nevšimnout. Když jsem minulý týden viděl (mimochodem vynikající) klip Florence and the Machine „Shake It Out“, zaujala mě tato scéna.

Minulý týden Florence and the Machine vypustila do světa nové video „No Light, No Light“, objevily se tam hodinky Piaget znovu.

Pak už jen stačilo na Googlu spojit Florence and the Machine se značkou Piaget dohromady a bylo vše jasné: Hodinky a šperky Piaget nejsou v klipech náhodně. A jsou tam tak výrazné, že by o tom ani člověk neuvažoval. Florence Welch na novém albu „Ceremonials“ spojila síly se značkou Piaget.

Vadí vám osobně takové spojení? Existují pro vás příklady totálně zmršeného product placementu v klipech? Nebo naopak dokonalé symbiózy muziky a reklamy?

Abych nezapomněl. Zde jsou ta videa. Stojí za to.

Svoboda v práci: Realita, utopie nebo někde mezi?

Svoboda v práci je – zdá se – trendy. V posledních dnech vidím „svobodu v práci“ a myšlenky Tomáše Hajzlera a Peoplecomm častěji a častěji. Nevím, jestli je to tím, že jsem si jich dříve tolik nevšímal nebo Tomáš (snad mu můžu takhle říkat, ať to nevypadá, že mi jako člověk není sympatický) v nejlepším slova smyslu rozjel intenzivnější marketingovou kampaň.

Blog Peoplecommu sleduji už několik let. Vždy se mi líbil důraz na lidskou stránku podnikání, zdůrazňování role a vlivu volného času na pracovní efektivitu apod. Poslední vývoj v Peoplecommu mě však trochu zaráží – viz víkendový článek v příloze Hospodářských novin („Svoboda jako experiment“) či třeba toto video:

Svoboda v práci jako buzzword(s)

Nemohu se zbavit pocitu, že „svoboda v práci“ je jen jedním z dalších módních termínů. Termín, který svou líbivostí daleko předběhl skutečný význam tohoto termínu. Líbivost mi v některých diskuzích až přerůstá v ideologizaci a utopičnost celého konceptu.

To, že si na něm někdo založí byznys, mi vůbec nevadí. Opravdu, I swear… Stejně tak mi moc nevadí, že je jen z jiných úhlů „znovuobjevována Amerika“ – viz třeba:

„V knize Svoboda v práci z roku 2009 popisují dva američtí novináři, že tato myšlenka vlastně zpochybňuje model průmyslníka F. W. Taylora z počátku industriální éry, kdy tisíce dělníků prováděly stále stejnou činnost. Výrobní linky a procesy navrhoval někdo jiný, dělníci byli jen „vykonávači“.“ (Svoboda jako experiment, Hospodářské noviny, 5.8.2011)

To, co mi vadí, že je tento trend vnímán jako funkční model a firmy, které na této vlně nejedou, jsou jejími propagátory často vnímány jako zastaralé. Nebo se pletu? Vždyť trendy k humanizaci práce jsou tu už nespočet let. Viz třeba škola Human relations z počátku 20. století jako reakce na příliš technicistní taylorismus, job enrichment, job enlargement apod. Je všem těmto učebnicovým příkladům ku škodě, že jsou prostě jinak nazývány nebo je zastánci svobody v práci ani neznají?

Často jsou ukazovány příklady firem jako Semco, Zappos apod. I kdyby na světě existovalo 100, 200 nebo 1000 „svobodných firem“, stále to pro mě není důkazem obecné funkčnosti modelu „svobodné firmy“ (tak jak jej Peoplecomm prezentuje). Je to imho marginální záležitost, která je schopná existovat právě díky své marginalitě, podobně jako třeba Fair Trade (a věřte, že se mi to nepíše nikdy lehce).

Arthur Rich: Věcně a lidsky přiměřené

Trefně to na Twitteru vystihl Viktor Machek (dovolím si celou citaci, ať jeho myšlenky nevytrhávám z kontextu):

„[Muj] zasadni rozpor s teorii o svobodne firme spociva v tom, ze nevidim jasne danou ekonomiku cele veci. Kdyz uvazim, ze kazdy muze delat co chce, tj. napr reklamni agentura bude diky jednomu zamestnanci zkouset navrhy interieru (v clanku..!), netusim, zda jsou majitele opravdu blazni, nebo uz jsou dostatecne za vodou, aby tyto pokusy zaplatili. Obecne mam pocit, ze koncept je pouze slozen z nekolika neustale dokola omilanych frazi,vcetne nekolika prikladu (ano, Zapos s obratem miliardy si muze dovolit treba postavit dalsi Sputnik a je jim to jedno). Dve firmy, ktere se v CZ ke koncepci jaktakz (Symbio nejde zcela do dusledku, nedivim se) hlasi, me nepresvedcuji, ze je projekt nosny.Ke vsemu cesky clovek, potazmo zamestnanec, velmi tezko prevezme iniciativu (vlastni zkusenost se rizenim pocetnych tymu). Proto si myslim,ze je to pekna utopie,nicmene zavadet ji do fungujici firmy, kde jsou jasne nastavena pravidla, ekonomika, klienti a pod, je pomerne nebezpecne. Ač se to může zdát přehnané, tvrdím, že pokud není za jakoukoliv prací, projektem, akcí především ekonomický výsledek (kromě vyjímek samozřejmě), zaměstnanci nebudou nikdy aktivní…“ (zdroj: Viktor Machek, @kaczer)

Arthur Rich kdysi o přiměřeném (etickém) jednání hovořil jako o lidsky a věcně přiměřeném jednání. Tyto dva body (maximy) musí být naplněny současně, jinak je to dříve či později cesta do pekel. Firma nemůže dávat o 20 % větší částku na dobročinné účely než je její zisk. Dříve nebo později to povede k jejímu bankrotu. Lidsky přiměřené zde není doprovázeno věcnou přiměřeností. Stejně tak naopak. Perfektně a precizně zmáknuté plynové komory (věcná přiměřenost) jasně odporují lidské přiměřenosti (smrti lidí v koncentračních táborech).

Sláva hierarchii, čest interním směrnicím, stop pinkwashingu

Vůbec se zde nechci rozplývat nad smyslem a prospěšností interních směrnic či hierarchie. Interní směrnice jsou naprosto přirozeným důsledkem růstu organizace a jsou jedním z nezbytných nástrojů prosazování ucelené firemní kultury. Jde jen o jejich míru a přiměřenost… o ukočírování toho, co například Robert Merton nazývá ztrátou „utilitárního charakteru“ norem. (Merton, R., 2000). Stejně tak je to s hierarchií. Pokud někomu dělá problém používat termín „hierarchie“, pak ať klidně používá „uspořádání“ nebo „[neexistence] klasické hierarchie“ (Ondřej Kraus, ředitel IKEA Praha – Černý most). Vždy však zůstaneme u jedné a téže skutečnosti – vertikálního uspořádání organizace… a dohadování nad slovíčky bude v lepším případě přihlouplým „slovíčkařením“ a v horším případě „pinkwashingem“.

Přeji všem lidem maximální svobodu v práci, přeji si, aby pracovníky práce bavila, aby pro ně byla vášní, aby v ní viděli něco víc než jen výdělek… a aby si za tuto práci řádně vydělali. Když se svezu na současném legračním Hájkově „virálu“: Nevadí mi „svoboda v práci“, vadí mi onen -ismus, který se kolem toho rodí.

Ať se však debata posouvá dál, měl bych zde pár otázek. Je možné principy svobodné firmy aplikovat na jakékoliv firmě? Pokud ne, kde jsou limity? V jaké ekonomické situaci musí být firma, aby si „svobodu v práci“ mohla dovolit? Budu rád za vaše názory, postřehy a příjemnou diskuzi.

– Keller, J.: Sociologie byrokracie a organizace. Praha, SLON, 1996.
– Merton, R. K.: Studie ze sociologické teorie. Praha, SLON 2000.

O odpovědnosti

Tento týden mě zaskočily hned dvě hlášky, které se dotýkaly odpovědnosti. První hláška byla spíše jen takovým štěkem v jedné z nekonečných diskuzí na internetu, druhá byla pak samostatným článkem. Obě dvě mě zaskočily, vnímání světa z obou dvou tak nějak vybočuje z mého pohledu na svět… a hlavně mého pohledu na osobní odpovědnost každého člověka.

První hláška (už ani nevím, v kterých novinách byla) zazněla:

„Na pracáku [se člověk dočká šikanování] byrokratů, kteří vám práci stejně nenajdou a ve finále si ji musíte sehnat SAMI.“ (sic!)

Beru, že člověk na pracák jde s tím, že hledá práci. Otázkou však je, zda-li přihlášením na pracák přenáším odpovědnost za nalezení práce na nějaký úřad… nebo tato odpovědnost (byť jsem se stal „klientem“ úřadu práce) stále zůstává na mě. Možná se na svět divám divnou optikou, ale přijde mi, že práci si musím především sehnat sám.

Druhá zpráva vyšla na iDNES.cz pod názvem: Američanka nemůže najít práci a žaluje kvůli tomu svou univerzitu.

„Naprosto zklamala,“ tvrdí Thompsonová, která dosud bydlí doma u matky. Školní oddělení pro rozvoj kariéry jí prý nedalo zdaleka takové tipy a rady, jaké slibovalo. (zdroj: iDNES.cz)

Opět jsme u odpovědnosti a u neustálé touhy či potřeby některých přenášet tuto odpovědnost na druhé. Vědět o člověku, který se pustil do takové pře s univerzitou, že se mi hlásí do zaměstnání… tak ho snad automaticky vyřadím z výběru. S lidmi s takovou pošramocenou představou o osobní odpovědnosti prostě nechci spolupracovat. Takové ufňukánky, kteří si myslí, že na něco mají automaticky nárok, nemusím.

Někdy se mi zdá, že někteří lidé mají příliš posunutý práh bolestivosti. Nic nevydrží, příliš brzy se vzdávají, jsou málo houževnatí, málo bojují. Neúspěch, porážky, bolest patří k životu. Nebojte, nevyhledávám je… naopak jsou pro mě dostatečně silným impulsem k tomu, abych je ze svého života eliminoval.

Zdeněk Škromach: Sliby se slibují a blázni se radují

Jsem zatížen na některé veselé postavičky naší politické scény. V TOP10 se už nějaký ten měsíc/rok drží na předních pozicích Zdeněk Škromach (ČSSD). Sekundují mu David Rath, Milan Urban, Jiří Paroubek, Vítězslav Jandák a pomyslný kruh uzavírá Lubomír Zaorálek. Rád vždy s mrazením v zádech pročítám jejich perly… a vždy si vzpomenu na slova docenta Jiřího Novotného z MU ESF Brno: „Co slovo, to perla. Co věta, to soubor perel.“

Zdeněk Škromach se tento týden pochlubil další várkou chabomyslných myšlenek v rozhovoru pro iHNed.cz – viz Zdeněk Škromach vysvětluje, kolik by stály všechny sociální sliby ČSSD. Něco tak veselého a současně mrazivě závažného by mělo být uchováno jako poselství všem budoucím generacím. Věty typu – „Šetření je také, když nebudete dál zvyšovat výdaje.“ nebo „Sliby se slibují a blázni se radují.“ – by prostě neměly zůstat bez povšimnutí a měly by být přinejmenším tesány do kamene. Jakeš ve svém legendárním vystoupení na Červeném Hrádku hadra.

Pravda – byť nechtěně – odhalená v celé své nahotě. Nemohu než nesouhlasit s jedním diskutujícím pod článkem na iHNed.cz: „Proboha, jakou inteligenci musí mít člověk, kterému někdo takový imponuje natolik, že ho volí?“

YouTube a video blogy neslyšících

Setkal jsem se s tím dnes poprvé a mile mě to překvapilo. Na Youtube jsem narazil na několik příspěvků neslyšících, kteří tímto mají možnost komunikovat se světem. Navíc nešlo o nahodilý a jediný příspěvek, ale o cílené vlogy neslyšících. Překvapilo mě to a potěšilo, že Youtube umožňuje lidem s tímto handicapem takhle komunikovat se světem.

A2ZALN1: A2ZALN1’s webcam recorded Video – May 18, 2009, 08:36 AM

UMnet: Video Blog 26

Californiali1y: Deaf Joke

jonLenois: The video clip is for wine and cheese fundraiser at DCC

DeafVideo.TV – prostor pro neslyšící

Při brouzdání internetu kolem tohoto tématu jsem pak narazil na pár zajímavých zdrojů. Aspoň jeden: Jednoduchý web, kde je možné najít videopříspěvky různých neslyšících a další tématická videa najdete na DeafVideo.TV.

Setkali jste už taky někdy s video blogy neslyšících? Znáte nějaký český/slovenský video blog či někoho z neslyšících, kdo publikuje své příspěvky na Youtube? Existuje nějaká taková komunita v ČR/SR?