Управление персоналом на основе мягких вычислений

Размещено на http://www.allbest.ru/

Санкт-Петербургский государственный университет аэрокосмического приборостроения

Экономический факультет

Управление персоналом на основе мягких вычислений

Макарова Алина Рифовна

Научный руководитель: Кричевский М.Л.

Санкт-Петербург 2013

План

Введение

1. Нейросетевой отбор персонала

2. Отбор сотрудника после испытательного срока на основе нечеткой логики

3. Постановка и решение задачи на основе нечеткой логики

Выводы

Литература

Введение

Современные организации настолько отличаются от компаний прошлого, что не оставляют надежд на адекватное и эффективное использование инструментов управления, созданных в ХХ столетии. Развитие технологий, распространение знаний, появление новых представлений о качестве и эффективности - основные приметы нашего времени. Сотрудники организации уже не воспринимаются как исполнители, ориентированные на руководящие указания начальников. Компании заняты поиском креативных, мотивированных, стрессоустойчивых специалистов, способных создать конкурентное преимущество и вывести свою компанию на лидерские позиции. управление нейронный менеджер

Подбор кадров (персонала) - одна из подсистем в системе управления персоналом. Начинается с анализа потребностей организации в персонале, заканчивается оформлением кандидата, принятого на испытательный срок.

Конечная цель системы подбора персонала состоит в том, чтобы с минимальными затратами нанять определенное количество работников требуемого качества для удовлетворения потребностей компании в человеческих ресурсах.

Целью данной работы является демонстрация возможностей методов мягких вычислений (МВ) при решении задач менеджмента. Информационные технологии, используемые в МВ, позволяют довести решение задачи до количественного результата, что имеет 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 [1].

Сущность мягких вычислений (Soft Computing) состоит в том, что в отличие от традиционных, жестких вычислений, они нацелены на приспособление к всеобъемлющей неточности реального мира. Руководящим принципом мягких вычислений является: "терпимость к неточности, неопределенности и частичной истинности для достижения удобства манипулирования, робастности, низкой стоимости решения и лучшего согласия с реальностью". Исходной моделью для мягких вычислений служит человеческое мышление.

Мягкие вычисления не являются отдельной методологией. Это, скорее, объединение, партнерство различных направлений. Главными партнерами в этом объединении являются нечеткая логика, нейровычисления, генетические вычисления и вероятностные вычисления с более поздним включением хаотических систем, сетей доверия и разделов теории обучения (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.

В ближайшие годы повсеместное распространение интеллектуальных систем, несомненно, окажет глубокое влияние на сами способы зарождения, конструирования, производства, использования и взаимодействия интеллектуальных систем.

Рисунок 1 Схема мягких вычислений

В данной работе рассмотрим только две технологии: искусственные нейронные сети (ИНС) и нечеткую логику (НЛ) [2-4].

ИНС используются при решении проблем, которые не могут быть точно сформулированы. Слово "нейронные" применяется потому, что многое в теорию ИНС пришло из нейробиологии, хотя в действительности при изучении дисциплины не рассматриваются сети реальных биологических нейронов. В качестве определения нейронных сетей может служить такое: ИНС - параллельно распределенная структура обработки информации, состоящая из отдельных элементов (нейронов), которые соединены между собой связями.

Главная идея нечеткой логики (Fuzzy Logic) состоит в том, что интеллектуальный способ рассуждений, опирающийся на естественный язык общения человека, не может быть описан в рамках традиционных математических формул. Формальному подходу присуща строгая однозначность интерпретации, а все, что связано с применением естественного языка, имеет многозначную интерпретацию. Прилагательное "fuzzy", которое переводится на русский язык как "размытый", "ворсистый", "нечеткий", введено в название новой теории, чтобы разграничить ее с традиционной четкой математикой и аристотелевой логикой, оперирующих с четкими понятиями: "истина - ложь", "включено - не включено".

Первую технологию (ИНС) используем для решения задачи отбора менеджеров объектов в клининговой компании. Вторую технологию (НЛ) - для решения задачи прохождения сотрудника испытательного срока. Решение этих двух задач являются первыми и важными в подборе персонала.

1. Нейросетевой отбор персонала

Кадры решают все. Это не теорема, которую требуется доказывать, скорее это аксиома для любого руководителя, или для почти любого. Если кадры решают все, следовательно, от отношения руководителя к подбору персонала, к самому этому персоналу зависит эффективность деятельности его организации. Каждая компания, а точнее директор или менеджер по персоналу использует свои методы и технологии для отбора сотрудников.

В данной работе продемонстрируем возможности нейросетевого подхода при отборе персонала на начальном этапе, когда сотрудник пришел от кадрового агентства в компанию с резюме на собеседование.

Искусственные НС представляют собой модели, используемые для решения задач нелинейной классификации и регрессии, которые обучаются на основе базы примеров (данных). На рис.2 представлена типичная схема биологического нейрона, состоящего из тела (ядра нейрона), дендритов и аксонов, служащих для приема и передачи сигналов, соответственно.

Рисунок 2 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.

Подбор менеджеров объектов

Для компаний, оказывающих услугу важно, чтобы потребности каждого клиенты были удовлетворены. В клининговой компании к каждому клиенту (отели, бизнес центры, торговые центры) прикрепляется менеджер объекта, который решает все вопросы с клиентом и с сотрудниками на данном объекте. Поэтому подбор такого сотрудника как менеджера объекта не простая задача.

Выполнение данной работы производится с программным пакетом Statistica 6.1, модуль Нейронные сети. ИНС предназначены, в основном, для решения задач классификации и регрессии. В данной работе обучение методам работы с ИНС проводится на примере задачи классификации.

В качестве решателя о приеме на работу используется НС в виде трехлойного персептрона. Входной слой сети содержит количество нейронов, равное числу требований к соискателю:

Х 1. Возраст от 24 до 30 лет.

Х 2. Высшее образование - экономическое или гуманитарное.

Х 3. Опыт работы от 6 месяцев (в управленческой должности).

Х 4. Знание английского языка. Оценивается по шкале: 1 - разговорный уровень; 0,5 - базовый уровень; 0 - нулевой уровень.

Х 5. Знание программы 1С-предприятие. Оценивается по шкале: 1 - знает программу 1С - предприятие; 0,5 - знает 1С базовую программу; 0 - не знает.

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. 1.

Таблица 1 База примеров

На выходе сети выбирается два нейрона, соответствующих двум классам: принять и отказать. В скрытом слое число нейронов выбирается произвольным образом: обычно это делает сама программа.

Выберем НС в виде трехслойного персептрона (рис.3).

Рисунок 3 Архитектура сети

Обучение сети осуществляется методом обратного распространения ошибки. Данная нейронная сеть безошибочно работает на смоделированных данных. Проверить это несложно: на вход сети можно подать любые значения входных данных, и сеть должна классифицировать входные наблюдения. Пример ввода значений пользователя, подаваемых на вход сети, показа на рисунке 4.

Рисунок 4 Ввод значений пользователя

Результаты работы сети показывает, что НС отнесла новые наблюдения, не виденные сетью ранее, к классу "отказать" (рис.5).

Рисунок 5 Прогноз наблюдения пользователя

Таким образом, директор по персоналу сможет быстро и правильно классифицировать кандидатов, и из тех, кого программа выбрала в первый класс (принять) отобрать тех, кто по ее мнению подходит компании по личностным качествам, которые не сможет проверить ни одна технология.

2. Отбор сотрудника после испытательного срока на основе нечеткой логики

На заключительной стадии подбора персонала заключается трудовой договор на время испытательного срока.

Испытательный срок - это период, в который работодатель может определить, подходит ли ему работник, а работник может окончательно решить, устраивает ли его такая работа и такой коллектив. Испытательный срок ничем не отличается от обычного рабочего процесса, за исключением того, что обе стороны рабочих отношений усиленно друг к другу присматриваются. Кроме того, в этот период действует упрощенная процедура увольнения. На этом все различия с обычным трудовым процессом заканчиваются - на работника, проходящего испытательный срок, распространяются те же требования и гарантии, что и на всех остальных сотрудников предприятия, согласно занимаемым должностям, нормам трудового права и внутренним документам предприятия.

В целях подведения итогов адаптации и выработки обоснованных рекомендации по использованию работника в дальнейшей профессиональной деятельности в данной организации по истечении им испытательного срока, отделом персонала проводится аттестация. Она включает в себя различные тесты.

По результатам тестов и личного мнения руководителя принимается решение относительно сотрудника.

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.

Выполнение этой части работы с помощью НЛ производится в программном модуле Fuzzy Logic системы Matlab. Схема работы с этой системой показана на рисунке 6.

Рисунок 6 Схема работы

3. Постановка и решение задачи на основе нечеткой логики

В каждой компании и на каждой должности устанавливается свой испытательный срок. В среднем он длится от одного до двух месяцев.

В компании, рассмотренной выше, после двух месяцев работы сотрудника, директор по персоналу проводит два теста: на компетентность и на работу в команде, которые определяют пригодность работника данной компании и данной должности.

При такой постановке входными переменными являются:

ь результат теста на приверженность. Оценивается по 10 балльной шкале: 0-3 - плохой результат, 4-7 - средний результат, 8-10 - отличный (переменная test1).

ь результат теста на работу в команде. Также оценивается по 10 балльной шкале: 0-3 - плохо, 4-7 - средне, 8-10 - отлично (переменная test2).

ь мнение непосредственного руководителя (нет, да) (переменная boss).

В НЛ выходная переменная - непрерывная величина, диапазон изменения которой установим равным от 0 до 100%. Выберем 3 поддиапазона выходной переменной (fitness), соответствующие следующим вариантам:

ь не подходит - 0-40 %;

ь подходит на другой объект или другую должность- 40-70%;

ь подходит - 70-100%.

Создадим в модуле Fuzzy Logic систему нечеткого вывода с тремя входами и одним выходом (рис.7).

Рисунок 7 Система нечеткого вывода

Для каждой входной и выходной переменных сформируем функции принадлежности (ФП) в соответствии с выбранными градациями и диапазоном изменения. На рис.8 приведена ФП для первой входной переменной.

Рисунок 8 Функция принадлежности для первого входа

На рисунке 9 показана ФП для выходной переменной.

Рисунок 9 Функция принадлежности для выходной переменной

Теперь необходимо создать базу правил (БП), которая устанавливает взаимосвязь между входами и выходом исследуемой задачи. При формировании БП используются опыт разработчика и здравый смысл. Число правил определяется произведением числа градаций входных переменных (в нашем случае 3*3*2 = 18 правил). БП показана на рис.10.

Рисунок 10 База правил

Проведем моделирование работы созданной системы, для чего через меню View -Rules (просмотр правил) выйдем на систему графических окон, расположенных по строкам и по столбцам. Количество строк равно числу правил, а число столбцов - числу входных и выходной переменных. Кроме того, в дополнительном окне отображается суммарное выходное нечеткое множество, из которого путем дефаззификации определяется четкое значение выхода. Путем перемещения мыши по диапазонам входных переменных убедимся в работоспособности системы (рис.11).

а)

б)

Рисунок 11 Результаты моделирования (а - низкая пригодность; б - высокая пригодность)

Как видно из рисунка 11, при разных входных параметрах результатом решения являются отличающиеся значения пригодности, что подтверждает работоспособность системы.

На рис.12 приведен трехмерный график зависимости пригодности от двух входных переменных, который имеет нелинейный характер и подчеркивает сложный вид взаимосвязи между переменными. Такая нетривиальная зависимость лишний раз подчеркивает невозможность решения поставленной задачи подбора персонала обычными, традиционными приемами и правомерность перехода к использованию методов мягких вычислений.

Рисунок 12 Зависимость пригодности от двух входных переменных

Выводы

1. Предложено для решения задач в области управления персоналом использовать методы мягких вычислений.

2. Продемонстрирован способ отбора персонала по ряду выделенных критериев с помощью аппарата искусственных нейронных сетей.

3. Приведено решение задачи об отборе сотрудников после прохождения испытательного срока с использованием нечеткой логики.

Литература

1. Л. Заде Понятие лингвистической переменной и его применение к принятию приближенных решений. - М.: Мир, 1976. - 166с.

2. Кричевский М.Л Интеллектуальные методы в менеджменте. СПб.: Питер, 2005. - 304с.

3. Хайкин С.. Нейронные сети: полный курс. М.: Издат. дом Вильямс, 2006 - 1104с.

4. Пегат А. Нечеткое моделирование и управление. М.: Бином. Лаборатория знаний, 2009. - 798с

Размещено на Allbest.ru