Мягкие вычисления в задачах управления персоналом

Размещено на http://www.allbest.ru/

Санкт-Петербургский государственный университет аэрокосмического приборостроения

Экономический факультет

Мягкие вычисления в задачах управления персоналом

Осипова Виктория Дмитриевна

Направление: "Менеджмент"

5 курс

Научный руководитель:

Кричевский Михаил Лейзерович,

д.т.н., профессор

Санкт-Петербург

2011

Введение

вычисление мягкий соискатель работа

Целью работы является демонстрация возможностей методов мягких вычислений (МВ) при решении задач менеджмента. К типичным проблемам в этой сфере относятся задачи оценки различных видов риска, финансового состояния предприятия, прогнозирования временных зависимостей и др. Привлечение информационных технологий, используемых в МВ, позволяет довести решение задачи до количественного результата, что имеет гораздо более ценный характер для менеджера, совершающего определенное управленческое действие.

Мягкие вычисления -- словосочетание, введенное основателем нечеткой логики Л. Заде, которое обозначает совокупность неточных, приближенных методов решения задач. Такие задачи возникают в биологии, технике, экономике. Мягкие вычисления - это не какая-то отдельная методология. Сущность мягких вычислений состоит в том, что в отличие от традиционных, жестких вычислений, они нацелены на приспособление к неточности реального мира. Руководящим принципом таких вычислений является: "терпимость к неточности, неопределенности и частичной истинности для достижения удобства манипулирования, робастности, низкой стоимости решения и лучшего согласия с реальностью" [1]. Мягкие вычисления представляют собой набор вычислительных методологий, которые коллективно обеспечивают основы для понимания, конструирования и развития интеллектуальных систем. В этом объединении основными компонентами являются нечеткая логика (НЛ), нейронные сети (НС), эволюционные вычисления (ЭВ), вероятностный вывод (ВВ) (рис. 1). На схеме этого рисунка показаны и формируемые из выделенных составляющих гибридные технологии, в частности, на основе объединения НС и НЛ: нейронно-нечеткие и нечетко-нейронные системы; в результате совместного действия НЛ и ЭВ: генетические нечеткие системы и нечеткие эволюционные алгоритмы; итог НС, ЭВ и ВВ: генетические байесовские сети.

Среди указанных методов выделим такие, которые могут адаптироваться, т.е. обучаться под воздействием указаний, получаемых извне, например, это может быть "учитель" в нейросетевой технологии, набор правил в приемах нечеткой логики, законы эволюции при использовании генетических алгоритмов [2].

Рис. 1. Схема мягких вычислений

Далее рассмотрим только две технологии: нейронные сети (НС) и нечеткую логику (НЛ) для использования в задачах менеджмента, в частности, подбора персонала.

Нейронные сети и нечеткая логика являются средствами моделирования. Они работают практически одинаково после стадии обучения (в случае НС) или извлечения человеческих знаний (в ситуации с НЛ). По существу, эти технологии представляют собой обе стороны одной медали. Использование той или иной модели для решения рассматриваемой проблемы зависит от доступности предыдущих знаний о системе или количества наблюдений. Между ними существует принципиальное различие, которое иллюстрируется схемой на рис. 2.

Находящаяся на одном из полюсов НС представляет собой "черный ящик", отражающий ситуацию, при которой процесс полностью неизвестен, но в наличии имеются примеры наблюдений, записей, регистраций, выборочных данных. При использовании НС никаких предыдущих знаний не требуется, нужны только данные наблюдений. Здесь известны входы и выход, но требуется база примеров, по которой обучается сеть.

Рис. 2. Представление НС в виде "черного" ящика (а) и НЛ в виде "белого" ящика (б)

На другом полюсе с НЛ решение проблемы известно в виде структурированных человеческих знаний, опыта, эвристики, интуиции о рассматриваемом процессе. Такая ситуация представима в виде "белого ящика". При таком подходе разработчик составляет базу правил, по которой обучается система.

В работе рассматривается проблема, относящаяся к управлению персоналом, но с различных позиций: со стороны соискателя работы и со стороны кадровой службы предприятия.

1. Выбор работы соискателем

Успешное трудоустройство решает не только проблему эффективного приложения своих знаний и умений, но и закладывает основу для профессионального совершенствования и карьерного роста. Еще недавно основным источником размещения объявлений о вакансиях считались газеты, однако теперь многие предпочитают искать работу через Интернет. Люди, приступающие к поиску работы, как правило, основное внимание уделяют заработной плате, месту расположения организации и удобному графику, меньше придавая значение форме объявления, профессиональным требованиям и характеру предлагаемой работы.

Спрос на востребованные вакансии очень высокий, и, следовательно, велика конкуренция. Высокие требования к кандидату обязывают его подойти к задаче поиска серьезно и в высшей степени ответственно.

Принятие решения - это процесс решения проблемы, результатом которого является действие. Выбор решения играет огромную роль в бизнесе, менеджменте, экономике.

Это сложный процесс из-за таких факторов как неполная и неточная информация, субъективность, что проявляется в реальных ситуациях в большей или меньшей степени. Указанные факторы показывают, что процесс принятия решения осуществляется в условиях неопределенности. Одним из возможных подходов к решению такой задачи заключается в пересечении целей и ограничений, описанных нечеткими множествами.

В НЛ основным элементом является нечеткое множество (НМ), под которым понимается множество без четких, определенных границ. Такое множество может содержать элементы только с частичной степенью принадлежности.

Оценка степени указывается функцией принадлежности (ФП), определяющей уровень принадлежности элемента x множеству A.

Рассмотрим простую модель принятия решения, состоящую из цели, описанную НМ G с ФП , и ограничения, в виде НМ С с ФП , где x - элемент четкого множества альтернатив .

Решение - это НМ D с ФП , выраженное как пересечение G и C, т.е.

(1)

Это составное решение основывается на выборе четкого множества из множества альтернатив ; показывает степень, с которой любое принадлежит решению D. Схематическое представление показано на рис.3, где кроме того, нечеткие множества G и C имеют монотонные непрерывные ФП.

Рис. 3. Схематическое представление решения

Используя ФП и операцию пересечения, получим

(2)

Операция пересечения является коммуникативной, следовательно, цель и ограничение можно формально переставить, т.е. D = G . На самом деле есть реальные ситуации, в которых цель может рассматриваться как ограничение и наоборот. Иногда нет необходимости устанавливать цель и ограничения; мы просто называем их объектами или аспектами проблемы.

При формировании решения необходимо получить четкий результат, т.е. такое значение среди элементов множества , которое в наилучшей мере представляет НМ D. Это приводит к необходимости дефаззификации (приведения к четкости) множества D. Естественно, что величина x из выбранного множества будет обладать наивысшей степенью принадлежности множеству D. Такая величина x, максимизирующая называется максимизированным решением (рис.3), что выражается следующим образом:

. (3)

Процесс принятия решения представлен на рис. 4.

Рис. 4. Процесс принятия решения путем пересечения

Формулы можно обобщить для моделей принятия решения со многими целями и ограничениями.

Для n целей , i=1,…,n и m ограничений , j=1, …, m, решение будет иметь вид

,

функция принадлежности множества D

и максимизированное решение определяется как

.

2. Стратегия выбора работы на основе нечеткой логики

Профессионалу предлагают работу в нескольких компаниях которые формируют множество альтернатив . Зарплаты различаются, но соискатель, помимо хорошей зарплаты, также учитывает следующее: интересная работа, расстояние от дома, компания с будущим и т.д. Эти требования могут считаться ограничениями.

Соискатель определяет цель в получении высокой зарплаты множеством G с ФП , которая постоянно возрастает в некотором множестве зарплат, измеряемом в рублях. Претендент составляет также множество ограничений на множестве альтернатив , присваивая каждой компании значения ФП в соответствии со своими представлениями. Здесь цель определена на положительной шкале R+, в то время как ограничения определены на множестве компаний , следовательно, необходима корректировка.

Множество зарплат может быть преобразовано в множество, находящееся в . Для этой цели зарплаты s1, …, sn, предлагаемые компаниями с1, …, сn ,соответственно, подставляются в , а значения , присвоенные компаниям c1, …, cn, формируют множество зарплат на множестве альтернатив :

.

Предположим, что соискатель должен выбрать одну из трех работ, предложенных ему тремя разными компаниями, отсюда множество альтернатив =. Зарплаты в рублях в месяц приведены в табл. 1.

Таблица 1

Зарплаты в разных компаниях

При желании получать высокую зарплату нужно учитывать следующие ограничения:

1) интересная работа;

2) работа недалеко от дома;

3)компания с будущим.

Соискатель использует свои субъективные суждения и знания, чтобы определить цель с учетом ограничений, которые описываются дискретными нечеткими множествами

,

,

,

на множестве альтернатив. В то же время цель G - высокая зарплата описывается непрерывной функцией принадлежности

на универсальном множестве зарплат R+ .

Для того чтобы использовать формулу принятия решения соискателю придется иметь дело с одним универсальным множеством, состоящим из альтернатив. Для этой цели определяются значения ФП путем подстановки в зарплат, соответствующие альтернативам:

.

Как следствие, нечеткое целевое множество G на универсуме R+ теперь заменяется нечетким целевым множеством на множестве альтернатив, т.е.

.

Искомое решение получается в следующем виде:

.

Максимальное значение ФП на множестве D равно 0,5, следовательно, соискателю нужно согласиться на работу в компании с2 для достижения лучших целей.

3. Нейросетевой подбор сотрудников

В рекрутинговых агенствах и кадровых службах часто используются автоматизированные системы подбора сотрудников, например, E-Staff Рекрутер - система полного цикла, автоматизирующая большинство рутинных операций в рекрутинге. Функциональные возможности этого программного продукта:

· учет структурных подразделений (для компаний) и клиентов (для рекрутинговых агентств). Комбинированный учет клиентов и подразделений для холдинговых структур с единой кадровой службой;

· учет вакансий и заявок на подбор сотрудников;

· автоматическое распознавание ключевой информации в резюме (ФИО, дата рождения, адрес, телефон, уровень зарплаты) и т.д.

Среди аналогичных программ:

HR System Express - бесплатная версия системы управления подбором персонала позволит автоматизировать часть бизнес-процессов кадровых (рекрутинговых) агентств, агентств по трудоустройству, кадровых служб. Возможно использование для ведения персональной или корпоративной базы данных в локальной сети.

Астерикс - простая в использовании компьютерная программа, предназначенная специально для автоматического размещения в интернете объявлений о Ваших вакансиях. Как заправский секретарь, Астерикс не только размещает вакансии на наиболее популярных работных сайтах, но также сохраняет историю всех размещений и напоминает об истечении сроков хранения вакансий на сайтах.

В работе продемонстрируем возможности нейросетевого подхода при подборе персонала.

Искусственные НС представляют собой модели, используемые для решения задач нелинейной классификации и регрессии, которые обучаются на основе базы примеров (данных). На рис.3 представлена типичная схема биологического нейрона, состоящего из тела (ядра нейрона), дендритов и аксонов, служащих для приема и передачи сигналов, соответственно.

Рис. 5. Схема биологического нейрона

Показанные синапсы определяют промежуток (щель), который электризуется и проводит сигналы от соседних нейронов. Характер возбуждения этого синапса - нелинейный, и в целом нейрон становится активным и передает сигналы соседним нейронам в случае превышения суммы входящих сигналов некоторой пороговой величины. Нейронные сети инспирированы структурой и поведением биологических нейронов и нервной системы человека. В настоящее время описано около 50 типов НС, которые используются при решении различных задач. Нейронные сети состоят из многих вычислительных элементов, обычно называемых нейронами. Сила связи (соединений) между двумя нейронами определяет вес. Значения весов представляют собой те параметры сетей, которые являются субъектами обучения в нейросетевой технологии.

4. Постановка и решение задачи

Задача ставится следующим образом. В качестве решателя о приеме на работу используется НС в виде трехслойного персептрона. Входной слой сети содержит количество нейронов, равное числу требований, предъявляемых к соискателю. На выходе сети выбирается два нейрона, соответствующих двум классам: принять на работу не принять. Иногда в выходном слое находится один бинарный нейрон, принимающий значения: 0 и 1. В скрытом слое число нейронов выбирается произвольным образом: обычно это делает сама программа.

На вход обученной сети подаются признаки соискателя, и сеть выносит решение о приеме (не приеме) очередного соискателя на работу.

Кандидаты, соответствующие требованиям и критериям отбора, проходят его; претенденты же, не удовлетворяющие этим критериям, продолжают поиск работы.

Конкретизируем задачу. Положим, что подбираем претендента на должность "помощник кондитера". В качестве входных данных выбираем:

Х1 - возраст, год; Х2 - стаж работы по специальности, год; Х3 - обучаемость, 10 баллов. Проанализируем эти переменные.

Х1 - возраст: для данной позиции существуют возрастные ограничения, поэтому целесообразно установить диапазон 20-26 лет как приемлемый для соискателя.

Х2 - стаж работы по специальности: кандидат, имеющий стаж работы от 1 года до 3 лет, подходит данной фирме.

Х3 - обучаемость: желательно, чтобы по этому параметру кандидат набирал не менее 7 баллов.

При использовании НС обязательным условием является наличие базы примеров для обучения сети.

Для формирования этой базы воспользуемся методом Монте-Карло с учетом указанных выше требований к входным переменным.

Разыгранная база примеров приведена в табл. 2.

Таблица 2

База примеров

Выберем НС в виде трехслойного персептрона, показанного на рис. 6.

Рис. 6. Архитектура сети

Обучение сети осуществляется методом обратного распространения ошибки, а результаты обучения показаны в табл.3, где приведена классификационная матрица, сформированная по разыгранным значениям.

Таблица 3

Результаты обучения

Как видно из табл.3, нейронная сеть безошибочно работает на смоделированных данных.

В рабочем режиме на вход сети можно подать любые значения входных данных х1, х2, х3, и обученная сеть должна классифицировать входные наблюдения. Пример ввода значений пользователя, подаваемых на вход сети, показан на рис. 7.

Рис. 7. Ввод значений пользователя

Результат работы сети показан на рис. 8, откуда видно, что НС отнесла новые наблюдения, не "виденные" сетью ранее, к классу 1 (принимаемый кандидат).

Рис. 8. Прогноз наблюдения пользователя

Выводы

1. Показана возможность применения методов мягких вычислений в задаче управления персоналом.

2. С использованием нечеткой логики приведено решение задачи о выборе работы соискателем с учетом определенных ограничений с его стороны.

3. Применяя аппарат нейронных сетей и соответствующий программный продукт, продемонстрирован способ подбора персонала по ряду выделенных критериев.

Использованные источники

1. Кричевский М.Л Интеллектуальные методы в менеджменте. - СПб.: Питер, 2005 г.

2. Международный центр дистанционного обучения "Управление персоналом" книга 3. Эффективный менеджмент.

3. Майкл Армстронг. Практика управления человеческими ресурсами. 8-е издание. Питер 2008 г.

4. О.М. Хотяшева. Инновационный менеджмент 2-е издание СПб, Питер 2006 г.

Размещено на Allbest.ru