Методы машинного обучения в управлении человеческими ресурсами

1 Введение

Управление человеческими ресурсами (Human Resource Management – HRM) — это разработка систем управления, обеспечивающих эффективное и действенное использование человеческого таланта для достижения целей организации. Система HRM в качестве сферы управления претерпевает значительные изменения. Человеческие ресурсы должны быть важной частью успешной конкуренции на рынке, необходим другой уровень мышления о HRМ. Разработка и реализация конкретных организационных стратегий должны основываться на сильных сторонах организации. Эти сильные стороны, называемые ключевыми компетенциями, являются основой для создания конкурентного преимущества для организации [1]. Ключевая компетенция — это уникальная способность, которая создает высокую ценность и отличает организацию от конкурентов.

Человеческий капитал в организации – это коллективная ценность способностей, знаний, навыков, жизненного опыта и мотивации персонала. Иногда человеческий капитал называют интеллектуальным, чтобы отразить мышление, знания, творчество и принятие решений, которыми обладают люди в организациях. Например, фирмы с высоким интеллектуальным капиталом могут иметь рядовых исполнителей и сотрудников-исследователей, которые предлагают новые биомедицинские устройства, разрабатывают продукты, которые можно запатентовать, создают новое программное обеспечение для специализированных целей.

Более широкое использование новых технологий привело к организационному использованию человеческих ресурсов. Технология служит двум основным целям в организациях.

Первая цель состоит в том, чтобы повысить эффективность, с которой данные о сотрудниках и их деятельности анализируются. Самый простой пример — автоматизация расчета заработной платы. Помимо этого использование информационных систем на базе Интернета позволило отделу кадров в организациях стать более эффективным с административной точки зрения.

Вторая цель использования таких технологий связана со стратегическим планированием. Наличие доступных данных позволяет планировать человеческие ресурсы (Human Resource – HR) и принимать управленческие решения в большей степени на основе информации, а не полагаться на управленческое восприятие и интуицию. Значительные преобразования на уровне экономической организации, технологического потенциала и социальных процессов не могут не отразиться на истории управления человеческими ресурсами.

На современном этапе различные преобразования на уровне экономической организации и технологические процессы не могут не отражаться на управлении человеческими ресурсами. Развитие методов искусственного интеллекта (ИИ) представляет собой одно из таких преобразований со многими последствиями, особенно для таких исследований, как инженерное дело, промышленная организация и управление персоналом. Перспективы ИИ приводят к тому, что автоматизированные устройства, такие как машины, роботы и программные продукты, осуществляют выполнение рутинных задач, которые выполняются людьми. Применительно к практике управления человеческими ресурсами (УЧР) это означает, что ряд действий, например, набор персонала, управление эффективностью, определение вознаграждения, мотивация, обучение и развитие станет предметом обсуждения в ближайшем будущем [2].

Приемы и методы ИИ могут стать ключом к решению актуальных проблем в сфере УЧР. Применение инструментов ИИ в HRM сводится к автоматизации части HR-процессов, позволяющей алгоритмам выполнять как рутинную, так и сложную аналитическую работу. Тем самым высвобождается время специалистов для выполнения стратегических и текущих задач управления персоналом. ИИ имеет применения практически во всех сферах и областях, и УЧР не являются исключением. ИИ в этой сфере открывает глобальные возможности и является важным шагом вперед [3,4].

Область ИИ является междисциплинарной наукой, опираясь на данные из ряда различных сфер, таких как информатика, теория вероятностей, принятие решений, управление и лингвистика. Предполагается, что ИИ сегодня имеет потенциал для имитации человеческого интеллекта, от выполнения повторяющихся ручных задач до путей к более высокому уровню познавательной деятельности, в том числе стремление к пониманию и выбору между альтернативами. Эти достижения получили практическое внедрение с помощью различных технологических новшеств. Каждая из существующих технологий ИИ (машинное зрение, системы распознавания лиц, машинное обучение, робототехника и др.) является мощной по отдельности, но в сочетании они создают уникальные возможности для повышения производительности труда сотрудников организаций.

Цель данной статьи заключается в оценке возможностей ИИ в области УЧР не только с точки зрения обзора существующих на сегодняшний день решений, но и в демонстрации приемов использования технологий ИИ в задачах из сферы управления персоналом. Научная новизна работы заключается в получении практических результатов при решении задачи отбора персонала методами машинного обучения, являющегося составной частью ИИ.

2 Основная часть

2.1 Обзор литературных источников

Использование технологий ИИ в задачах HRM имеет сравнительно недолгую историю, обусловленную недавним появлением новых инструментов ИИ, но, тем не менее, отметим ряд работ, в которых рассматриваются подобные задачи.

Статья Сакка Ф. и др. посвящена анализу внедрения ИИ в область УЧР с трех сторон [2]. Первый аспект отражает перспективу принятия решений с помощью ИИ, который во все большей степени должен освобождать человеческие ресурсы сотрудников от рутинных операций и позволить им сосредоточиться на стратегических заданиях. Второй шаг связан с изменением положения службы управления персоналом в компаниях. Отделы кадров неизбежно станут центрами принятия стратегических решений, и, как следствие, ИИ даст возможность перейти к активной позиции в решении организационных проблем. Третья сторона касается финансовых последствий внедрения решений ИИ, основанных на принципах затрат и выгод, и рассмотрения юридических вопросов.

В работе Блинниковой А.В. и др. приводится обоснование полезности применения организациями инструментов ИИ в УЧР [3]. В статье проанализировано текущее состояние в области УЧР, определены ее основные проблемы. Рассмотрены возможности, которые открывают технологии ИИ в сфере человеческих ресурсов, а также проблемы, с которыми сталкиваются компании при их внедрении.

Интеграция ИИ в методы управления персоналом изучается в работе Висетри В. и др., из которой следует вывод о помощи группам по персоналу сделать лучшие выборы среди кандидатов на вакантные места в организации [4]. Здесь же подчеркивается важность ИИ в области УЧР, проблемы адаптации ИИ и преимущества его внедрения в HRM. В статье рассматривается концепция объединения систем ИИ и УЧР для реализации вспомогательных действий менеджерами по формированию более эффективных решений при наличии большого количества фактов.

В работе Каппелли П. и др. рассматривается разрыв между обещанием и реальностью применения ИИ в области УЧР и предлагаются пути достижения прогресса [5]. Здесь выделено четыре проблемы в использовании методов науки о данных и ИИ для HR-задач:

1) сложность задачи управления ресурсами;

2) ограничения вследствие небольших наборов данных;

3) вопросы подотчетности, связанные с этическими и юридическими ограничениями;

4) возможные неблагоприятные реакции сотрудников на управленческие решения с помощью алгоритмов ИИ.

Цифровизация в УЧР, отмечается в работе Вотто А. и др., привела к тому, что ИИ находит все более широкое распространение в системах управления человеческими ресурсами и информационных системах управления персоналом [6]. В процедурах найма, оценки работы и удовлетворенности сотрудников, анализе преимуществ и передового опыта, системе обучения и развития сотрудников наблюдается рост внедрения ИИ. Для лучшего понимания эволюции технологий в работе анализируется применение ИИ в HRM.

В работе Туффаха М. и др. указывается на ограниченные исследования факторов использования ИИ в HRM [7]. ИИ был внедрен в несколько областей управления персоналом, начиная с кадрового обеспечения до исполнения руководством или вознаграждения. В статье приводится шесть сценариев использования ИИ в HRM. Предложенные варианты реализации включают прогнозирование текучести кадров с помощью искусственных нейронных сетей; отбор кандидатов с помощью поисковых систем, основанных на знаниях; составление реестра сотрудников с помощью генетических алгоритмов; выявление настроений персонала посредством анализа текста; сбор данных из резюме с извлечением информации и самообслуживание сотрудников с интерактивным голосовым ответом.

В заключение этого пункта укажем некоторые отечественные платформы, которые нацелены на работу с персоналом. Прежде всего, отметим, что для включения в категорию ИИ-платформ, программный продукт должен [8]:

· обеспечивать возможность построения интеллектуальных приложений с поддержкой ИИ;

· позволять пользователям создавать алгоритмы машинного обучения или предлагать готовые алгоритмы для создания приложений;

· предоставлять разработчикам возможность подключать к собственным алгоритмам источники данных для обеспечения машинного обучения и адаптации производительности.

Продукт "МояКоманда" разработан в России в ООО Центр Интернет-Технологий "ФАКТ" в 2011 г. [9]. Комплексное решение для повышения эффективности работы с персоналом и развития человеческого капитала в компании. HR-система «МояКоманда» позволяет оцифровать данные персонала и построить эффективные HR-процессы для комплексного управления опытом, оценкой, развитием и адаптацией сотрудников. С помощью встроенных инструментов онлайн-сервис «МояКоманда» позволяет сократить затраты и повысить скорость выполнения рутинных операций HR-специалистами. Платформа предоставляет современный подход к управлению талантами, что позволяет эффективно вовлекать, развивать и удерживать персонал. Онлайн-сервис предназначен для малых и средних предприятий.

В 2015 г. в России был создан продукт Хантфлоу [10], возможности которого сводятся к взятию кандидата на работу по вакансии и проведению его по этапам подбора. Вся история работы по вакансии сохраняется. Здесь можно показывать кандидатов заказчикам прямо в Хантфлоу. При создании нового интервью Хантфлоу автоматически создаст ссылку на видеовстречу в Zoom. Ссылка прикрепится ко встрече в календаре у всех участников и будет добавлена в приглашение кандидату по электронной почте, SMS или в Телеграм. В описании продукта ничего не говорится о применяемых технологиях работы с персоналом, поэтому трудно сказать об использовании инструментов ИИ в этом случае.

Обзор некоторых существующих на рынке решений для автоматизации рекрутинга приведен в [11]. Отметим Talantix —российская CRM-система для рекрутинга с искусственным интеллектом, разработанная HeadHunter. Talantix использует ИИ-технологии для рекомендаций и ранжирования наиболее подходящих соискателей. Система хранит историю общения с кандидатами, уведомляет их о собеседовании по электронной почте и СМС.

Mirapolis Human Capital Management (HCM) — комплексное решение, которое помогает автоматизировать все этапы работы с персоналом — от поиска и адаптации кандидатов на новом месте работы до обучения в удаленном режиме и проверки знаний. Платформа имеет четыре модуля. Два из них — LMS (cистема дистанционного обучения) и Virtual Room (система для проведения видеоконференций, презентаций, вебинаров и виртуальных классов) — самостоятельные продукты, которые являются самыми развитыми, определяющими конкурентоспособность компании решениями. Mirapolis HCM позволяет создать единую базу кандидатов и вакансий, оценивать эффективность работы персонала и развитие потенциала сотрудников.

Experium — программа для автоматизации рекрутмента, включающая три модуля: «Подбор», «Подбор выпускников» и «Автоматизированный массовый подбор». HR могут вести базу данных кандидатов, составлять портфель вакансий компании, собирать аналитику и формировать отчеты. Можно настроить множественные автопоиски, задать правила автообработки откликов, просматривать результаты онлайн. Доступны видеоинтервью, роботизированные обзвоны, онлайн-тестирование, чат-боты.

2.2 Задачи УЧР

Управление персоналом – часть менеджмента, касающаяся работающих сотрудников и их взаимоотношений в рамках предприятия. Его цель состоит в том, чтобы добиваться эффективной работы сотрудников для успеха компании [12]. При выявлении возможностей использования методов ИИ в области УЧР вначале необходимо выявить основные задачи из этой сферы, которые представляются наиболее важными. Разные источники эту проблему трактуют по-разному, например, в [2] выделяют такие задачи:

· приобретение талантов и управление ими;

· оценка производительности сотрудников, так как работники с высоким уровнем эффективности являются источником добавленной стоимости для организации;

· обучение и развитие;

· мотивация и вовлеченность сотрудников.

В [5] перечень выделенных задач состоит из:

· рекрутинга и отбора кандидатов;

· привлечения сотрудника организации на новую вакантную позицию;

· обучения вновь принятых кандидатов;

· продвижения по службе и удержания в организации;

· вознаграждения работникам.

Управление персоналом рассматривается в Грэхем Х.Т. и др. как часть менеджмента, которая занимается [12]:

· привлечением, отбором, переводом, продвижением, разделением, оценкой, подготовкой и развитием кадров;

· мотивацией — разработкой основных должностных обязанностей, системой вознаграждения, построением системы дополнительных льгот, консультациями, участием работников в управлении, переговорами с работниками, соблюдением справедливости;

· социальной защитой.

Проанализировав приведенные выше задачи в области УЧР, и учитывая опыт работы в сфере менеджмента, примем, что основными проблемами, требующими привлечения методов ИИ, являются рекрутинг, отбор и обучение.

Сделаем некоторые пояснения по выбранным направлениям [1, 12].

Рекрутинг становится все более важным по мере изменения рынков труда. Хотя рекрутинг может быть дорогостоящим, следует учитывать концепцию компенсации, связанную с затратами на незаполненные рабочие места. Важно, чтобы рекрутинг рассматривался как часть стратегического кадрового планирования, потому что это ключевой механизм заполнения вакансий, необходимых для выполнения работы. При приеме на работу работодатель должен:

· знать отрасль и области набора квалифицированных сотрудников;

· определить ключи к успеху на рынке труда, в том числе рекрутинговые усилия конкурентов;

· развивать отношения с источниками потенциальных сотрудников;

· продвигать бренд компании, чтобы фирма-работодатель была известна как хорошее место работы.

Рекрутинговые решения могут определять не только виды и количество соискателей, но также и то, насколько сложными или успешными могут быть усилия по набору персонала в зависимости от типа работы. Кроме того, эффективный рекрутинг фокусируется на обнаружении талантов до того, как они потребуются.

Отбор – это процесс селекции лиц с соответствующей квалификацией, которые требуются для заполнения вакансий в организации. Без этих квалифицированных сотрудников предприятие имеет гораздо меньше шансов на успех. Полезный взгляд на отбор основан на двух наблюдениях за персоналом, которые подчеркивают важность эффективного кадрового обеспечения:

· затраты времени и усилий на отбор нужных людей для работы сделают управление ими как работниками менее сложным, потому что устраняются многие проблемы;

· при отборе людей без соответствующих способностей работодатели будут иметь трудности с обучением их выполнению той работы, которая им не подходит.

Конечной целью отбора является трудоустройство человека на нужную работу. Расстановку кадров следует рассматривать, в первую очередь, как процесс согласования требований к работе с умениями работника. То, насколько хорошо сотрудник соответствует работе, может повлиять на объем и качество работы сотрудника, а также на обучение и эксплуатационные расходы, необходимые для подготовки человека к трудовой жизни. Кроме того, моральный дух сотрудников является проблемой, поскольку хорошее соответствие побуждает людей позитивно относиться к своей работе. Действия по отбору и трудоустройству обычно сосредоточены на знаниях, навыках и способностях соискателей, но они также должны быть сосредоточены на степени, с которой кандидаты на работу в целом соответствуют ситуациям на работе и в компании.

Обучение – это процесс, посредством которого люди приобретают способности для выполнения работы. Обучение дает сотрудникам конкретные, идентифицируемые знания и навыки для использования в их текущей работе. Организационное обучение может включать в себя обучение твердым (hard) навыкам, таким как обучение торговых представителей использованию ресурсов сети, менеджеров филиалов — просмотру отчета о прибылях и убытках. Мягкие (soft) навыки имеют решающее значение во многих ситуациях и могут включать общение, наставничество и работу в команде.

Наиболее распространенные темы обучения включают, среди прочего, безопасность, обслуживание клиентов, навыки работы с компьютером, инициативы в области качества и общение. Результаты проведенных исследований показывают, что обучение оценивается как важное или очень важное 94% специалистов по кадрам. Кроме того, преимущества хорошо организованного обучения включают повышение квалификации, большую способность адаптироваться и вводить новшества, лучшее самоуправление и повышение производительности.

2.3 Воздействие искусственного интеллекта на управление персоналом

В литературных источниках, например, Туффаха М. и др., проявление ИИ в управлении персоналом объясняется как функция взаимодействия человека с компьютером, эффективности управления по совершенствованию функционального порядка сбора, ведения и проверки данных сотрудников [7]. ИИ также определяется как форма программного обеспечения HRM, способного генерировать стратегии на основе данных для упрощения управления отдела кадров. Такие данные используются и в тех процедурах, которые были выделены выше: рекрутинге, отборе, обучении как результат внедрения ИИ в HRM.

Паровые машины в первой промышленной революции привели к переходу от ручного производства к машинному производству. Многие ручные сельскохозяйственные работы были заменены машинами. Вторая промышленная революция сделала возможным массовое производство за счет использования электроэнергии и улучшения автоматизации рабочих мест, а третья промышленная революция еще больше улучшила автоматизированное производство за счет использования электроники и информационных технологий. С развитием ИИ и машинного обучения, а также слиянием технологий (таких как Интернет вещей, большие данные, робототехника, виртуальная реальность, трехмерная печать и квантовые вычисления) наступила четвертая промышленная революция. Эти технологии стирают границы между физической, биологической и цифровой сферами. Кроме того, скорость технологических прорывов не имеет исторического прецедента. В первых технологических революциях физическая сила и скорость людей уступали машинам. В четвертой промышленной революции человек не только уступает машинам в физической силе и скорости в определенных работах, но и по когнитивным способностям человека в некоторых областях также превосходит машины [13].

Организации могут воспользоваться преимуществами ИИ при рекрутинге персонала, разработав описание работы, а затем собрав и проанализировав данных кандидатов из нескольких источников. Кроме того, потенциальные кандидаты могут быть связаны для интервью через несколько каналов электронной связи. Приложения ИИ также предлагают возможность проводить видеоинтервью через интернет с потенциальными кандидатами и анализировать внешний вид, стиль коммуникации, полноту ответов, после чего отбирают кандидатов, которые потенциально лучше подходят к потребностям организации.

Искусственный интеллект относится к вычислительным системам, которые способны рассуждать и выполнять классификации, которые обычно требуют человеческого интеллекта. Общие варианты использования ИИ включают распознавание и классификацию изображений, распознавание речи и языковой перевод, машинное зрение и робототехнику [14].

Совсем недавно подход, называемый машинным обучением, стал предпочтительным методом реализации ИИ. Было продемонстрировано, что подмножество машинного обучения, называемое глубоким обучением, чрезвычайно эффективно для определенных типов задач и рабочих нагрузок [15]. Таким образом, на более широком уровне ИИ включает в себя множество подходов, причем машинное обучение и глубокое обучение являются двумя подходами, которые делают возможными современные приложения с поддержкой ИИ.

Машинное обучение — это подобласть ИИ, которая предоставляет системам возможность учиться на данных и совершенствоваться с течением времени без явного программирования. Алгоритмы машинного обучения используют данные для создания и уточнения правил. Затем компьютер решает, как реагировать, основываясь на том, что он узнал из данных.

ИИ может создавать огромные преимущества для организаций, но он также может нести риски, если организации не могут разработать полную структуру для успешного внедрения ИИ. Факторы успеха — это необходимые параметры, ведущие к реализации ИИ на предприятии. Эти факторы играют ключевую роль в повышении вероятности успеха лиц, принимающих решения. Как и в любой другой технологической реализации, можно найти несколько факторов успеха, например, Туффаха М. и др., Боссе Д. и др. [7, 14]:

· совместимость;

· относительное преимущество;

· сложность;

· управленческая поддержка;

· участие правительства;

· партнерство с поставщиками.

Другие факторы также могут влиять на успех внедрения ИИ в контексте управления персоналом. Кратко рассмотрим эти факторы.

Совместимость относится к степени, с которой инновации и технологии способны обеспечить ценность и опыт, удовлетворяя при этом потребности потенциальных пользователей. Относительное преимущество характеризует восприятие технологии как добавление ценности рассматриваемого процесса.

Сложность касается степени, с которой технология воспринимается как относительно трудная для понимания и использования. Роль сложности часто характеризуется как противоположность совместимости и относительного преимущества. И сведя к минимуму сложность технологии ИИ, можно было бы увеличить скорость ее внедрения. Другими словами, в организациях, в которых проще интегрировать ИИ в бизнес-операции, больше вероятность успешного внедрения ИИ. Еще одним ключевым фактором, влияющим на внедрение ИИ, является управленческая поддержка. Такой прием необходим для поощрения принятия технологий, которые представляют собой радикальные изменения для конечных пользователей.

Участие правительства – фактор, играющий жизненно важную роль во внедрении ИИ, так как государственная политика и законодательство могут поощрять распространение ИИ. Кроме того, законодательство может свести к минимуму или даже устранить барьеры для внедрения новых систем ИИ. Принятие новых технологий представляет собой сложный процесс, и политика, установленная правительством, может стать движущей силой снижения сложности.

Партнерство с поставщиком можно объяснить как задачу или действие, которое было назначено поставщику услуг на основании юридического контракта, когда организация не имеет технических навыков. Таким образом, основное назначение партнерства с поставщиками инноваций заключается в снижении затрат на управление и обслуживание технических активов.

2.4 Машинное обучение

Машинное обучение – это подмножество алгоритмов ИИ, которые пытаются обнаружить и вывести скрытые законы в соответствии с историческими данными, а затем предсказать или классифицировать неразмеченные наборы данных [16]. С развитием технологий обработки данных машинное обучение успешно применяется во многих областях науки и техники. Алгоритмы машинного обучения обычно включают алгоритмы обучения с учителем (контролируемое), без учителя (неконтролируемое) и с подкреплением. В алгоритмах обучения с учителем существует два типа моделей: регрессии и классификации. Неконтролируемые алгоритмы обучения, в основном, используются для кластеризации и уменьшения размерности. Обучение с подкреплением также является важной частью машинного обучения, которое может обучаться в интерактивной среде путем проб и ошибок на основе обратной связи.

Выше мы указали, что основными задачами в области УЧР являются рекрутинг, отбор и обучения. Покажем, как решаются подобные задачи методами машинного обучения. Рассмотрим несколько алгоритмов классификации, которые в дальнейшем используем для решения задачи, например, отбора персонала.

Дерево решений (Decision Tree – DT) — это типичный и простой для понимания алгоритм машинного обучения, который представляет собой отношение отображения между различными переменными и может использоваться для регрессии или классификации. Алгоритм DT использует древовидную структуру и слой вывода для принятия окончательного решения о результатах моделирования. Процесс применения DT обычно включает в себя выбор функций, создание и сокращение структуры дерева. Структура DT обычно состоит из трех элементов: корневого узла, внутренних узлов (атрибуты признаков) и конечных узлов (классификация на основе решений). В начале обучения данные, содержащиеся в базе примеров, вводятся в корневой узел. После этого алгоритм DT ищет, какое значение переменной разделяет набор исходных данных таким образом, чтобы минимизировать связанную с этим ошибку. К основным преимуществам DT относятся простая структура алгоритма, высокая интерпретируемость, простота реализации. Однако DT имеет свои недостатки, такие как возможность переобучения и сложная сгенерированная структура DT. Кроме того, единственная модель DT в сильной степени зависит от помехи в исходных данных.

Метод k-ближайших соседей (k-Nearest Neighbors – k-NN) – основан на сходстве переменных в наборе данных. Мера сходства количественно рассчитывается путем нахождения расстояний между данными в многомерном пространстве признаков. Данные, которые достаточно близки, группируются вместе, что позволяет идентифицировать кластеры данных. Как только различные группы определены посредством набора обучающих данных, метод k-NN позволяет прогнозировать класс путем сравнения с k ближайшими соседями в многомерном пространстве признаков. Например, для случая алгоритма классификации при k = 3 рассматриваются три ближайших соседа, и если, по крайней мере, два из трех ближайших соседей принадлежат определенному классу, новый вход классифицируется соответствующим образом.

Метод опорных векторов (Support Vector Machine – SVM) – это контролируемый алгоритм машинного обучения, который разделяет неразмеченные наборы данных на две категории. Процесс применения SVM обычно включает два этапа: во-первых, модель SVM может быть построена путем обучения размеченного набора данных (т. е. результат классификации каждой точки данных известен). После этого обученная модель SVM становится бинарным линейным классификатором. Во-вторых, обученную модель SVM можно использовать для классификации неразмеченных наборов данных, которая сопоставляет новый экземпляр с тем же пространством и прогнозирует его категорию. Преимущество SVM по сравнению с другими алгоритмами заключается в быстром процессе классификации и более высокой точности при ограниченном количестве выборок. В дополнение к классификации линейных наборов данных метод SVM также может использоваться для классификации нелинейных наборов посредством изменения размерности с помощью определенных ядер.

Нейронная сеть (Neural Network – NN) – математическая модель, имитирующая функции биологической нейронной сети. Обучившись на примерах, сеть может выполнять сложные задачи нелинейного моделирования и классифицировать объекты. Каждый нейрон (узел) сети содержит лишь небольшую часть информации, которая распределяется между различными нейронами через их взаимосвязи и передается посредством электрических импульсов. Точно так же алгоритм NN опирается на взаимосвязанные нейроны, каждый из которых хранит только малый фрагмент глобальной информации. Узлы разделены на слои, которые можно считать как входные, выходные или скрытые. Количество узлов во входном слое равно количеству входов модели, число узлов выходного слоя определяется количеством классов (в задаче классификации). Скрытый слой (слои) состоит из n узлов, а число скрытых слоев и узлов для каждого слоя определяются гиперпараметрами, которые необходимо оптимизировать для конкретного случая.

2.4 Результаты

Рассмотрим задачу персонала на менеджера по . Примем, что кандидат в это оценивается по характеристикам: П1- возраст; П2 - пол кандидата; П3 - образование; П4 - опыт работы; П5 - знание специальных программ; П6 - семейное положение; П7 - владение английским языком; П8 - знание нормативных документов; П9 - навыки продаж; П10 - уровень коммуникации с потребителями.

Отметим, что в данной задаче оценки важности признаков не проводилось, хотя анализ выбранных параметров (Feature Analysis) является ключевым шагом после их извлечения. Здесь наша цель – демонстрация возможности применения методов машинного обучения в управлении персоналом.

В работе рассматривается смоделированный набор данных (Toy Dataset), поскольку в машинном обучении важно научиться правильно применять игрушечные наборы данных, так как обучение алгоритма на реальных данных сопряжено с трудностями и может закончиться неудачей [17]. Разыгранные наборы данных играют решающую роль для понимания работы алгоритмов. При наличии простой синтетической выборки данных достаточно просто оценить, обучился алгоритм нужному правилу или нет. На реальных данных получить такую оценку сложно. Разыгранный набор данных состоит из 40 строк (два класса: годный – негодный, по 20 потенциальных кандидатов) и 11 столбцов (десять признаков и наименование класса).

На рис.1 показаны результаты использования четырех указанных выше методов для формирования модели по разыгранным данным в программном продукте Matlab 2021.

Рис.1 Результаты классификации (получено авторами)

Как видно из рис.1, лучшую точность классификации, равную 80%, показали метод опорных векторов и нейронная сеть. Воспользуемся последним методом и покажем некоторые результаты. По умолчанию в программе Matlab классификатор на нейронной сети имеет следующую послойную структуру (рис.2).

Рис.2 Структура нейронной сети (получено авторами)

Как следует из рис.2, представленная сеть относится к классу глубоких нейронных сетей, так как имеет более одного скрытого слоя [15]. Первый слой – входной, на который поступают данные из обучающей выборки. В структуре сети имеются два полносвязных слоя (Fully Connected Layer - FС), которые умножают входные данные или данные после слоя активации на матрицу весов. Между двумя этими слоями находится слой активации ReLu, который выполняет пороговую операцию для каждого элемента входа: любое значение меньше нуля устанавливается равным нулю. Слой SoftmaxLayer является выходом функции активации после последнего полносвязного слоя. И, наконец, последний выходной слой Output формирует метку класса в задаче классификации.

Подав на вход нейронной сети вектор X1 = [21 1 2 5 3 1 5 7 2 5], модель определяет принадлежность данного наблюдения к классу 2 (этот кандидат не подходит):

>> X1 = [21 1 2 5 3 1 5 7 2 5];

>> yfit = trainedModel1.predictFcn(X5)

yfit = 2.

3. Выводы

В указанных в п.2.1 источниках нигде не конкретизируется примененный метод искусственного интеллекта (ИИ). Одной из причин, побудивших авторов сделать данную работу, как раз и явилось отсутствие методики применения инструментов ИИ в области управления человеческими ресурсами (УЧР). В работе показано использование методов машинного обучения с помощью программного продукта MatLab для решения задач из сферы УЧР. Продемонстрирована возможность использования такого подхода в задаче отбора персонала с помощью нейронной глубокой сети. Машинное обучение является составным элементом ИИ, поэтому можно считать, что авторы обратились и показали применение инструментов ИИ в задачах управления персоналом.