CC BY
16МЕТОДОЛОГИЯ НАУЧНЫХ ИССЛЕДОВАНИЙ В ОБЛАСТИ ТЕОРИИ И МЕТОДИКИ ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ
УДК 04.415.2, 004.9
DOI: 10.24412/2079-9152-2022-55-7-16
ДИДАКТИЧЕСКИЕ ПРИНЦИПЫ «ОБУЧЕНИЯ» НЕЙРОННЫХ СЕТЕЙ НА ПРИМЕРЕ МОДЕЛИРОВАНИЯ ЭКСПЕРТНОЙ СИСТЕМЫ ФОРМИРОВАНИЯ КАДРОВОГО РЕЗЕРВА ОРГАНИЗАЦИИ
Захарова Ольга Алексеевна,
доктор педагогических наук, доцент, e-mail: oz64@mail.ru Ядровская Марина Владимировна, кандидат физ.-мат. наук, доцент, e-mail: marinayadrovskaia@rambler. ru Поркшеян Маркос Витальевич,
аспирант,
e-mail: baron2012marcos@gmail.com ФГБОУ ВО «Донской государственный технический университет»,
г. Ростов-на-Дону, Российская Федерация
%.......£
Аннотация. Статья посвящена актуальной проблеме использования дидактических принципов обучения математике и математическому моделированию, применяемых в образовательном процессе высшей школы, для «обучения» нейронных сетей на примере информационно-аналитической экспертной системы подбора и управления персоналом организации. Представлены структурно-функциональная модель информационно-аналитической системы, описан алгоритм «обучения» нейронной сети с использованием метода обучения Хебба, а также специализированное программное обеспечение обработки и оценки результатов «обучения».
Ключевые слова: дидактические принципы обучения, экспертная система, нейронная сеть, алгоритм обучения, искусственный интеллект, кадровый резерв.
Для цитирования: Захарова О.А. Дидактические принципы «обучения» нейронных сетей на примере моделирования экспертной системы формирования кадрового резерва организации / О.А. Захарова, М.В. Ядровская, М.В. Поркшеян // Дидактика математики: проблемы и исследования: Междунар. сборник научных работ. - 2022. - Вып. 55. - С. 7-16. DOI: 10.24412/2079-9152-2022-55-7-16
Постановка проблемы. Персонал является важной составляющей любой организации, элементом её сложной системы. И, чем сложнее эта система, тем больше внимания требует к себе каждый элемент со стороны управления его потенциалом. Наличие в организации успешно работающей системы управления персоналом - важнейшая цель развития любой организации. Первым шагом на пути к этой цели является разработка модели системы управления персоналом. Основные функции систем управления персоналом часто сводятся к подбору квалифицированных специалистов.
Функционирование указанных систем должно осуществляться с использованием современных информационных технологий и систем искусственного интеллекта [1]. Наиболее перспективной технологией в данном контексте является использование нейронных сетей, «обученных» отбору в соответствии с разработанным алгоритмом, и спроектированных на их основе экспертных систем [4]. Все компоненты системы «обучения» строятся на основе дидактических принципов, перенесенных из области обучения математике и информатике в область разработки элементов искусственного интеллекта.
Анализ актуальных исследований. Считается, что управление персоналом как специализированная функция складывается с начала XIX века. Именно тогда стали появляться предприятия с различными группами работников и соответственно возникли потребности в организации управления производственной деятельностью. В 20-30 годах прошлого столетия появляются теории научного управления, а выполнение функций управления основывается на законах, правилах, принципах, используемых для построения моделей управления [8; 9]. Конец прошлого и начало нового столетия связаны с применением систем автоматизации кадровых операций, позволяющих упростить работу с количествен-
ными характеристиками персонала. В настоящее время постепенно внедряются HRM-системы (Human Resource Management) - системы управления человеческим ресурсом, которые являются автоматизированными комплексными системами управления персоналом и выполняют управление бизнес-процессами; правовой регламентацией взаимоотношений, регулированием человеческого капитала организации [5]. Эти системы обеспечивают автоматизацию таких функций как: ведение моделей компе-тентностей специалистов, управление карьерой сотрудников, оценка, планирование, движение и мотивация персонала, управление обучением, формирование кадрового резерва и др. Особенностью таких систем является не только комплексность, системный подход, но и способность автоматизировать обработку качественной информации, обеспечить обоснование принимаемого решения и организовать оперативную работу персонала с различного рода данными системы через сети в соответствии с общими и личными запросами [7].
Процесс развития науки и техники, основанный на моделировании, требует усовершенствования математических основ, позволяющих: моделировать, разрабатывать алгоритмы, использовать аппарат вычислительной техники, оценивать достоверность моделей при количественной оценке, анализе и оптимизации. Все это означает, что обучение математическому моделированию, основанное на интеграции математической и прикладной науки, в сочетании с цифровыми технологиями, является актуальным направлением развития современного инженерного образования. Актуальной на сегодняшний день является также проблема сближения содержания и формы учебного процесса в электронной среде с содержанием и формой профессиональной деятельности будущих инженеров [10]. Основные содержательные линии по математике развиваются в дисциплинах при-
(D
кладной математики путем разработки и внедрения системы профессионально ориентированных задач, направленных на овладение приемами математического моделирования.
Систему управления персоналом (СУП) рассматривают как совокупность приемов, методов, технологий работы с персоналом. С точки зрения функционирования система управления персоналом
предполагает выполнение управленческими подразделениями управленческого воздействия на работников, рабочие группы, трудовые коллективы с целью достижения набора целей: экономических, научно-технических, коммерческо-производственных, социальных.
На рисунке 1 представлена модель системы управления персоналом.
Fi ЧСКС&СТВЭ
СИСТЕМА ПС Et 1^ЕНЛЯ
ratiwiw-m
СИСТШЛ ClCFWEHtW
даоиентга и 1лстл клд=ое
ОС ;Л I Fl . Пщг
□ С^ЧСШЕ
JDTT
Рисунок 1 - Модель системы управления персоналом
В модели отражена организационная структура СУП как совокупность взаимосвязанных подсистем (подразделений) и должностных лиц, участвующих в выполнении управления. Роль, уровень авторитета зависят от управленческих полномочий подразделений, выполняющих задачи системы, уровня знаний сотрудников, полезности их деятельности. На сегодняшний день в работе системы управления персоналом преобладают аналитические и организационные направления деятельности, а не просто учетные. А в её состав
входят психологи, социологии, специалисты по трудовым отношениям, информационным технологиям и организации обучения. В модель включены функции, как, непосредственно связанные с управляющим воздействием СУП, так и обеспечивающие ее успешную работу: создание условий труда, обеспечение безопасности, здоровья, социального развития и стимулирования. По мнению экспертов, большая доля функций управления трудовыми ресурсами пришла из западной практики [11].
Особенностью представленной модели служит то, что ее система подбора кадров имеет функции для работы с кадровым резервом (см. рис. 1). Кадровый резерв представляет собой группу специалистов и руководителей, которые отобраны, подготовлены и способны осуществлять соответствующую их должности деятельность. В современных условиях наличие такой подсистемы является важным шагом на пути повышения надежности и бесперебойности работы организации и мотивации персонала.
Цель статьи - раскрыть неотъемлемую связь классической дидактики, лежащей в основе обучения математике и математическому моделированию в высшей школе, с инновационными алгоритмами «обучения» нейронных сетей на примере системы формирования кадрового резерва на основе методов искусственного интеллекта.
Изложение основного материала. Важнейшим свойством нейронных сетей является их способность к обучению, что делает нейросетевые модели незаменимыми при решении тех задач, для которых алгоритмизация является невозможной, проблематичной или слишком сложной. Обучение нейронных сетей заключается в изменении внутренних параметров модели таким образом, чтобы на выходе искусственной нейронной сети генерировался вектор значений, совпадающий с результатами примеров обучающей выборки [2]. Изменение параметров нейросетевой модели может выполняться различными способами в соответствии с разными алгоритмами обучения. Парадигма - это исходная концептуальная схема модели, то есть модель постановки проблем и их решений, методов исследования, господствующих в течение определенного исторического периода в научном сообществе. Парадигма обучения определяется доступностью необходимой информации. Выделяют три парадигмы: обучение с учителем (контролируемое обучение); обучение без учителя (неконтролируемое
обучение); смешанное обучение. При обучении с учителем задаются примеры обучающей выборки, которая содержит правильные ответы, соответствующие исходным данным (входам) [12]. В процессе контролируемого обучения синаптические веса настраиваются так, чтобы сеть порождала ответы, наиболее близкие к правильным. Обучение без учителя используют тогда, когда не для всех примеров обучающей выборки известны правильные ответы. В таком случае предпринимаются попытки определения внутренней структуры поступающих в сеть данных с целью распределить образцы по категориям. Обучение по примерам характеризуется тремя свойствами: емкость; сложность образцов; вычислительная сложность. Емкость соответствует количеству образцов, которые может запомнить нейронная сеть. Сложность образцов определяет способность нейронной сети к обучению. При обучении нейронной сети могут возникнуть состояния перетренировки, в которых сеть хорошо функционирует на примерах обучающей выборки, но не справляется с другими новыми примерами [6]. Большое значение для создания систем управления имеют инновационные технологии, такие, как: базы данных. автоматическая обработка данных, видеоанализ, искусственный интеллект, нейронные сети, машинное обучение и др. [10; 12].
Рассмотрим детально подсистему формирования кадрового резерва. Деятельность подсистемы предполагается организовать с использованием интеллектуальной информационной системы, функционирующей на основе информационно-коммуникационной среды организации и обеспечивающей выполнение важнейших информационных процессов.
Основное назначение экспертной информационно-аналитической системы (ИАС) состоит в систематизации данных о достижениях сотрудников, формировании статусов на основании их персональных достижений и построении на основе статусов ранжированных списков сотрудни-
(Т0>
ков. Контент ИАС динамичен, так как базируется на документообороте и постоянно обновляется. ИАС также обеспечивает извлечение необходимых данных из информационных систем внешних сетевых ресурсов [11]. Связи между различными информационными системами должны быть «одобрены» руководством и сформированы администратором. ИАС динамично генерирует статусы сотрудников и актуализирует общий рейтинг. Статусы сотрудников могут быть сгенерированы как по полному списку достижений, так и по отдельно выбранным показателям компетентностных моделей специалистов.
Правила вычисления статуса задаются администратором в зависимости от конкретных задач, а параметры сортировки могут выбираться руководством для каждого отдельного случая оценки. ИАС поддерживает визуализацию накопленных данных и генерацию различных отчетов. Правила генерации отчетов задаются администратором, а сами отчеты запрашиваются руководством.
На рисунке 2 представлена контекстная диаграмма, моделирующая наиболее общим образом информационные потоки подсистемы кадрового резерва.
Рисунок 2 - Контекстная диаграмма подсистемы «Кадровый резерв»
Администратор задаёт первичные алгоритмы работы ИАС, настраивает её в процессе работы и следит за правильной и бесперебойной работой всех подсистем. Система оформления документов и учета кадров предоставляет ИАС данные о сотрудниках организации, используя различные базы данных и электронный документооборот. Система планирования составляет и направляет в ИАС список должностей, на которые могут претендовать попавшие в кадровый резерв сотрудники. Руководство осуществляет запросы к ИАС либо для ознакомления с текущим
состоянием кадрового резерва, либо имея четкую задачу по закрытию той или иной вакансии (рис. 3).
Реализуемые в системе процессы имеют сложную структуру и оперируют огромным количеством разноплановых данных. Решения о тех или иных кадровых перестановках должны приниматься с учетом большого количества всевозможных показателей, характеризующих персонал. Естественно, что руководители не в состоянии принять, проанализировать и обобщить всю необходимую информацию из-за ограниченных возможностей чело-
веческого организма, а, значит, принять своевременно правильное решение. В этом случае для эффективного выполнения си-
стемой важных процессов необходимо привлекать интеллектуальные технологии, например, нейронные сети (рис. 4).
Вывести результаты отбора
Администратор
Руководство
Запрос на отбор кандидатур
а
Вывести отчет о работе
Принятие решения
Результаты отбора
а 5
Заггрисить данные ил ИАС
Запрос на отбор кандидатур
Вывести результаты отбора
Оп редел ит ь алгоритм
□
Ввести алгоритм для ИАС
ИАС
Кадровый резерв"
Передать список должностей
Определить алгоритм
Система планирования
6
Ответить на запрос
к ИАС
т
Результаты отбора
Список должностей
Данные сотрудника
Список должностей
До&авить сотрудника в ИА(
□
Формировать кадровый резерв
Принятие решения
Система оформления документов и учета кадров
Данные сотрудника
Рисунок 3 - DFD-диаграмма подсистемы «Кадровый резерв»
Рисунок 4 - Структурная карта Константайна для интеллектуального модуля ИАС «Кадровыйрезерв»
Нейронная сеть представляет сбой математическую модель организации и функционирования сетей нервных клеток живого организма. Эту модель можно настроить на решение сложных задач обработки информации и принятия решения
практически любой проблемы [3]. Программная реализация такой математической модели позволит ИАС быстро и качественно решать ее задачи формирования кадрового резерва и расстановки персонала.
Кратко рассмотрим параметры нейронной сети для решения рассматриваемой задачи.
Входные данные нейронной сети представляют массив числовых значений параметров сотрудника х = (х1з..., хп), где
х{ е Х1, г = 1 ^ п, имеющих различный формат представления и соответствующих компетентностным моделям специалистов. Для приведения значений к единому формату требуется нормализация данных. Совокупность всех сотрудников организации представляет собой декартово произведение X = Х1 ■ Хп. Количество параметров,
участвующих в отборе, зависит от той задачи, которую предполагается решить. Настройка количества параметров осуществляется в меню блока (управлять задачей интеллектуального отбора). Для получения более точных результатов оценка осуществляется по всему персоналу организации [5].
Основными характеристиками
нейронной сети являются количество слоев, количество нейронов и функция активации нейрона. Входные данные поступают в нейронную сеть, имеющую входной и выходной слои значений и некоторое количество так называемых скрытых слоев, содержащих нейроны. Количество скрытых слоев определяется объемом анализируемых данных. Считается, что любая задача может быть решена с помощью одного скрытого слоя. Учитывая необходимость проводить глубокий анализ, количество скрытых слоев стоит изначально выбрать равным двум, что впоследствии может быть изменено в зависимости от полученных результатов. Количество нейронов берется исходя из количества слоев (в данном случае - два скрытых слоя):
г = 3
к1 = шг2;
к2 = шг,
где к1 - число нейронов в первом скрытом слое, к 2 - число нейронов во втором
скрытом слое, n - число нейронов во входном слое, m - число нейронов в выходном слое
Наиболее подходящей функцией активации нейрона для решаемой задачи является сигмоида. Эта функция используется биологами при моделировании мозговой деятельности. Вид функции:
out (net) = tanhl ^^ 1,
^ a J
где out - выход нейрона, net - взвешенная сумма, a - степень крутизны функции. Параметр a будем принимать равным 1, поскольку его величина не имеет большого значения для рассматриваемой задачи.
Как отмечалось ранее, нейронная сеть - такая модель, которую можно настроить на решение определенной задачи. Настройку нейронной сети называют обучением. Обучение может быть: с учителем, с частичным привлечением учителя, без учителя, с подкреплением [2].
При обучении с учителем необходимо наличие экспертов, формирующих изначально эталонное решение. При этом нейронная сеть при анализе ориентируется на этот эталон. При обучении без учителя нейронная сеть анализирует все данные, из которых ее алгоритм самостоятельно пытается извлечь признаки и зависимости. Обучение с частичным привлечением учителя представляет собой нечто среднее, ориентируется и на эталоны и анализирует не соответствующий эталонам большой набор данных. Обучение с подкреплением состоит в настройке алгоритма анализа с помощью системы поощрений, функционирующей через обратную связь в виде вознаграждений за правильные действия. В данном случае не может быть использовано обучение с учителем, поскольку невозможно подобрать однозначные эталоны, на которых сеть могла бы обучиться. Напротив, стоит задача классификации, значит нужно, чтобы сеть распределяла входные векторы по разным группам, что и достигается при обучении без помощи учителя.
На рисунке 5 представлена реализация
простейшей нейронной сети.
Алгоритм обучения
Количество и
качество параметров
*1
База данных
1при11
1пргЛ2
ЛП
1при1п
VI
I
корректировать вывод
у=1, если 01Л(£Х| Ч|-р);>0 у=-1. если ои1(Ех! v¡-p),=0
регулировать весы
0<К<1
если у=-1 7|=Г(К, у, Х|)
Рисунок 5 - Работа нейронной сети
В модели имеется п модулей ввода с числовыми весами Vl, V2, , Vn, которые соединены с блоком обработки. На стадии инициализации всем весовым коэффициентам присваиваются небольшие случайные значения. Модули ввода хранят значения дескрипторов (параметры сотрудников), обозначенные Xl, ..., хп. Блок обработки характеризуется двумя математическими операциями: оператором фиксированной взвешенной суммы, который вычисляет
vx = Ъ(УгХг - p), где г = и фиксированной функцией активации которая отображает vx
на [-1,1]. Если сеть предполагает, что очередного претендента на отбор следует классифицировать как «цель», она выдает 1. В противном случае она выдает - 1.
Выход модели обозначается у. Параметр к представляет собой коэффициент усиления от 0 до 1, который определяет скорость, с которой модель сходится к
стабильному набору весов. Пороговое значение р фиксировано. В большинстве моделей порог становится параметром, доступным для обучения, посредством следующей процедуры: 1) добавить в модель новую входную единицу хо и зафиксировать ее значение до -1; 2) рассматривать в качестве исходных данных (п + 1)-мерный вектор параметров. При этом р становится еще одним параметром с весом v0, который регулируется, как и все другие веса в модели.
Модель представляет собой реализацию правила обучения Хебба: связь между двумя нейронами должна усиливаться всякий раз, когда оба нейрона срабатывают. В настоящей модели, когда х неправильно классифицируется, алгоритм обучения служит для изменения весов по активным соединениям (где х Ф 0 ) в соответствии с направлением ошибки классификации. Следовательно, веса постоянно изменяются для повышения производительности сети. Таким образом, веса яв-
(Н>
ляются управляемыми данными и представляют собой изменяющиеся элементы механизма сети. Все остальные характеристики сети, топология узлов и функции vx и out(), остаются постоянными на протяжении всей работы сети.
Выводы. В данной работе представлена структурно-функциональная модель экспертной системы формирования кадрового резерва, разработанная с использованием дидактических принципов «обучения» нейронных сетей по классическому алгоритму Хебба. Разработаны структуры базы данных и базы знаний экспертной системы, создано специализированное программное обеспечение обработки результатов «обучения» нейронной сети. Развитие информационных технологий на основе использования нейронных сетей позволяет практически использовать классическую дидактику и системы искусственного интеллекта в управлении различными организациями через автоматизацию сложного процесса подбора персонала.
1. Abdul-Kadar Masum, Loo-See Beh, Abul-Kalam Azad, and Kazi Hoque. Intelligent Human Resource Information System (i- HRIS): A Holistic Decision Support Framework for HR Excellence. International Arab Journal of Information Technology, Vol. 15, No. 1, 2018. URL: https://www. researchgate.
net/publication/322853406_Intelligent_human_re source_information_system_i-ШRIS_A_holistic_ decsion_support_frameworkforHRexcellence (дата обращения: 19.04.2021)
2. AG Farizawani, M Puteh, Y Marina, A Rivaie. A review of artificial neural network learning rulebased on multiple variant of conjugate gradientapproaches. - Journal of Physics: Conference Series. 2020. URL: https://iopscience .iop. org/article/10.1088/1742-596/1529/2/022040/ pdf, (дата обращения: 20.04.2021)
3. Asha Nagendra, Mohit Deshpande. Human Resource Information Systems (HRIS) in HR planning and development in mid to large sized organizations. Social and Behavioral Sciences, 133. 2014. С. 61-67.
4. Li Zhang and Lunqu Yuan. A Study of Intelligent Information Processing in Human Re-
source Management in China. URL: https://link. springer. com/content/pdf/10.1007%2F 978-0-387-75902-9_54.pdf, (дата обращения: 19.04.2021)
5. Mehdi Babaei, Jafar Beikzad. Management information system, challenges and solutions. European Online Journal of Natural and Social Sciences 2013; vol.2, No. 3(s), pp. 374-381. URL:
https://core.ac.uk/download/pdf/230046319.pdf, (дата обращения: 19.04.2021)
6. Shirnon Schocken, Gad Ariav. Neural Networks for Decision Support: Problems and Opportunities. 1991. URL: https://core.ac.uk/ download/pdf/43020613.pdf (дата обращения: 20.04.2021)
7. Горбачевская Е.Н. Модель нейронной сети для рейтинговой оценки компетентности сотрудников / Е.Н. Горбачевская, А.В. Леонидов // Вестник волжского университета им. В.Н. Татищева. - 2015. - №1 (23). - С. 57-71.
8. Дарижапов Б.Д. Обзор зарубежных моделей управления персоналом / Б.Д. Дарижапов // Известия Байкальского государственного университета. 2002. № 1. URL: http://izvestia. bgu. ru/reader/article. aspx?id-=13397 (дата обращения: 20.04.2021)
9. Казарян И.Р. Обзор зарубежнъа моделей управления персоналом / И.Р. Казарян, Е.К.Ткачук // Universum: Экономика и юриспруденция: электрон. научн. журн. 2018. № 7(52). URL: https://7universum.com/ru/economy/ archive/item/6031 (дата обращения: 20.04.2021).
10. Королев М.Е. Математическое моделирование как инструмент инженерного конструирования / М.Е. Королев // Дидактика математики: проблемы и исследования : Междунар. сборн. науч. работ. - 2020. -Вып. 52. - С. 71-77.
11. Обухов А.Д. Нейросетевая архитектура информационных систем / А.Д. Обухов, М.Н. Краснянский //Компьютерные науки. -2019. - Том 29. Вып. 3. - С. 438-455. URL: https://www.researchgate.net/publication/ 337203632_Neural_network_architecture_of_info rmationsystems (дата обращения: 20.04.2021)
12. Скафа Е.И. Технология смешанного обучения математическому и компьютерному моделированию будущих инженеров / Е.И. Скафа, М.Е. Королев // Педагогическая информатика. - 2021. - № 2. - С. 95-104.
DIDACTIC PRINCIPLES OF «LEARLING» NEURAL NETWORKS
ON THE EXAMPLE OF MODELING THE EXPERT SYSTEM
FOR FORMING THE PERSONNEL RESERVE OF THE ORGANIZATION
Zaharova Olga.
The Doctor of Pedagogical Sciences, Associate Professor,
Yadrovskaia Marina.
Candidate of Physics and Mathematics, Associate professor,
Porksheyan Marcos.
Postgraduate Student, Don State Technical University, Rostov-on-Don, Russia
Abstract. The article is devoted to the actual problem of using the didactic principles of teaching mathematics and mathematical modeling, used in the educational process of higher education, to «train» neural networks on the example of an information-analytical expert system for the selection and management of an organization's personnel.
Personnel is an important component of any organization, an element of its complex system. And, the more complex this system is, the more attention each element requires from the management of its potential. The presence of a successful personnel management system in the organization is an important goal of the development of any organization. The first step towards this goal is the development of a model of a personnel management system. The main functions of personnel management systems are often reduced to the selection of qualified specialists. The functioning of these systems should be carried out using modern information technologies and artificial intelligence systems. The most promising technology in this context is the use of neural networks "trained" for selection in accordance with the developed algorithm, and expert systems designed on their basis. All components of the "learning" system are built based on didactic principles transferred from the field of teaching mathematics and informatics to the field of developing elements of artificial intelligence.
A structural-functional model of an information-analytical system is presented, an algorithm for «learning» a neural network using the Hebb learning method, as well as specialized software for processing and evaluating the results of «learning» is described.
Keywords: didactic principles of learning, expert system, neural network, learning algorithm, artificial intelligence, personnel reserve.
For citation: Zaharova O., Yadrovskaia M., Porksheyan M. (2022). Didactic principles of «learling» neural networks on the example of modeling the expert system for forming the personnel reserve of the organization personnel reserve of the organization. Didactics of Mathematics: Problems and Investigations. No. 55, pp. 7-16. (In Russ., abstract in Eng.) DOI: 10.24412/2079-9152-2022-55-7-16
Статья поступила в редакцию 16.04.2022
