DEVELOPMENT OF HYBRID INTELLIGENT SYSTEM IN THE FIELD OF PERSONNEL MANAGEMENT

Abstract

Currently, great attention is being paid to making decisions in the field of human resources management of IT organizations. The development and adoption of such decisions are closely related to the processing of information. The higher the effect of the use of personnel information, the more objective decisions will be made by managers on a wide variety of personnel problems. Among the most important problems associated with the use of modern technologies in the information environment of the enterprise, it is necessary to attribute the absence of the necessary theoretical and methodological justification and practical recommendations provided by the latest computer tools in the field of human resource management. Thus, the relevance of the research lies in the need to search for new methods of increasing labor efficiency, including the use of modern information technologies in the field of personnel management.

Full Text

Особенностью структуры и алгоритма функционирования ГИИС является комбинированное взаимодействие составляющих блоков: экспертной системы и нечеткого логического вывода. Разработка ГИИС в области управления персоналом была рассмотрена в [1-2]. Классификация ГИИС представлена в [3]. Цель статьи - разработка принципиальной схемы функционирования гибридной интеллектуальной системы (ГИИС) для управления персоналом ИТ-компании [4-5]. Объектом исследования является Самарский филиал ИТ-компании NetCracker. Внедрение ГИИС в практику компании проводится с целью достижения следующих результатов: возможность регламентирования процедур распределения задач в рамках проектов; централизованное хранение информации о наличии и использовании ресурсов ИТ-проекта; анализ возможностей сотрудника для более рационального решения задач; поддержка использования архива проектов и накопления знаний для корректировки системы распределения. В рамках исследования был произведен анализ существующих подходов к совместному применению экспертных систем и нечеткой логики [6-9]. Были выделены особенности нечеткой логики [10], которые позволят более рационально производить принятие решений в экспертной системе: - возможность оперировать нечеткими входными данными: например, непрерывно изменяющиеся во времени значения (динамические задачи), значения, которые невозможно задать однозначно; - возможность нечеткой формализации критериев оценки и сравнения: оперирование критериями «большинство», «возможно», «преимущественно» и т.д.; - возможность проведения качественных оценок как входных данных, так и выходных результатов; - возможность проведения быстрого моделирования сложных динамических систем и их сравнительный анализ с заданной степенью точности, а также можно оценить разные варианты выходных значений. Разрабатываемая ГИИС предназначена для распределения задач между сотрудниками, подбор сотрудников для проектов в соответствии с их навыками, опытом, загруженностью [7]. Процедура распределения задач включена в процесс планирования персонала (см. рисунок 1), выходом которого является определенное количество назначенных на проект сотрудников, их полномочия, ответственность и обязанности. В рамках разрабатываемой ГИИС экспертная система использована для принятия решений о привлечении сотрудника к проектной деятельности, а также для распределения задач между сотрудниками. Правила, используемые в экспертной системе, учитывают значение критерия, а также важность данного критерия в рамках задачи. Система проводит анализ сотрудников и подбирает наиболее подходящих для рассматриваемой задачи (см. таблицу 1). Рисунок 1. Бизнес-процесс подбора персонала для проекта Таблица 1. Критерии выбора для решаемой задачи Номер сотрудника Знание (Java) Знание (Английский) Задача: обсуждение способа реализации программы с заказчиком из Индии Задача: написание программного кода по предоставленному дизайн-документу №1 продвинутый базовый + - №2 базовый продвинутый - + Таким образом, если рассматривать двоих сотрудников с навыками, представленными в таблице 1, а также две задачи, одна из которых подразумевает обсуждение способа реализации программы с заказчиком из Индии, а вторая - написание программного кода по предоставленному дизайн-документу, то приходим к выводу, что обе эти задачи требуют знания и английского языка, и языка программирования Java. Однако для первой задачи знание английского приоритетнее, чем знание Java. Руководствуясь данной логикой, ГИИС назначит первую задачу на сотрудника №1, а вторую - на сотрудника №2. Коэффициенты важности будут корректироваться после каждого использования программы в рамках контроля за результатами. В дальнейшем от этого контроля можно будет отказаться. Рисунок 2. Принципиальная схема функционирования ГИИС В ГИИС используется продукционный метод представления знаний в базе знаний. Принципиальная схема функционирования ГИИС представлена на рисунке 2. Для приведенного выше примера правило вывода запишется следующим образом: - если «Тип задачи = Обсуждение», то «Английский язык: приоритет - высокий, Java: приоритет - низкий»; - если «Тип задачи = Разработка», то «Английский язык: приоритет - низкий, Java: приоритет - высокий». Система позволяет задавать новые правила для каждой конкретной задачи, что делает ее более гибкой для применения, поскольку требования заказчиков изменяются от проекта к проекту. Также требования заказчика зачастую носят нечеткий характер. Для рационального анализа критериев целесообразно задавать их нечеткими множествами (см. рисунок 3). Нечеткая логика в рамках разрабатываемой ГИИС подразумевает в первую очередь возможность нечеткой формализации критериев оценки и сравнения. При прохождении тренинга, сотрудник получает запись о полученном навыке, однако количество правильных ответов и количество вопросов в итоговом тесте могут быть абсолютно разными для разных тренингов. Поэтому принято решение использовать нечеткую логику, а именно категории прохождения тренинга «Не пройден», «Пройден на базовом уровне», «Пройден на продвинутом уровне». При передаче данных из модуля тестирования, система анализирует количество правильных ответов и в соответствии с заданными критериями, присваивает уровень навыка сотруднику для дальнейшего анализа экспертной системой. Данный подход позволит максимально объективно оценивать навыки сотрудников для более эффективного распределения задач. Критерии представлены в виде трапециевидного графика, что это позволяет выделять нескольких кандидатов на выполнение задачи, в то время как использование треугольного графика позволяет выбирать только одного, полностью удовлетворяющего условиям критерия. Выводы Основным критерием эффективности распределения задач в компании является время, затрачиваемое на выполнение процессов анализа навыков и знаний сотрудников. Поскольку система самостоятельно анализирует навыки и опыт сотрудников, время, затрачиваемое на принятие решения о назначении задачи может быть сведено к минимуму, именно поэтому внедрение ГИИС в процесс управления персоналом ИТ-компании целесообразно. Рисунок 3. Представление критерия отбора сотрудников на проект
×

About the authors

Evgenia Ivanovna Gorozhanina

Povolzhsky State University of Telecommunications and Informatics

Email: zhdanova63@gmail.com

References

  1. Жданова Е.И. Моделирующий алгоритм процесса распределения работников линейно-кабельного отдела региональной инфокоммуникационной компании // Инфокоммуникационные технологии. - 2009. - Т.6. - №1. - С. 60-63.
  2. Димов Э.М., Жданова Е.И. К применению имитационного моделирования и нейросетевых технологий для управления бизнес-процессами // Телекоммуникации. - 2009. - №6. - С. 6-10.
  3. Аверкин А.Н., Прокопчина С.В. Мягкие вычисления и измерения // Интеллектуальные системы. - 1997. - Т.2. - № 1-4. - С. 93-114.
  4. Генкин Б.М., Кононова Г.А., Кочетов В.И. и др. Основы управления персоналом. М.: Высшая школа, 1996. - 386 с.
  5. Маслов Е.В. Управление персоналом предприятия. М.: ИНФРА-М; Новосибирск: НГАЭиУ, 1999. - 312 с.
  6. Горожанина Е.И., Варфоломеев А.А. Анализ возможности применения гибридной интеллектуальной системы для обучения персонала // Материалы XIV МНПК «Татищевские чтения: актуальные проблемы науки и практики», 2017. - С. 89-92.
  7. Горожанина Е.И., Варфоломеев А.А. Проектирование гибридной интеллектуальной системы для планирования персонала // Материалы XV МНПК «Татищевские чтения: актуальные проблемы науки и практики», 2018. - С. 60-63.
  8. Усков А.А., Кузьмин А.В. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика. М.: Горячая линия-Телеком, 2004. - 143 с.
  9. Березовская Е.А. Интеллектуальные информационные системы поддержки принятия решений при оценке эффективности инвестиционных проектов. Дис. к.э.н. Ростов-на-Дону, 2004. - 167 c.
  10. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. М.: Горячая линия-Телеком, 2004. - 452 с.

Statistics

Views

Abstract: 48

PDF (Russian): 20

Dimensions

Article Metrics

Metrics Loading ...

PlumX


Copyright (c) 2018 Gorozhanina E.I.

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

This website uses cookies

You consent to our cookies if you continue to use our website.

About Cookies