CC BY
32
УДК 004.8
ИССЛЕДОВАНИЕ ВЛИЯНИЯ НЕДОСТОВЕРНОЙ ИНФОРМАЦИИ В ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ ПОДБОРА ПЕРСОНАЛА
А.Ю. Громов, А.Т. Кежватова, Д.А. Левшин
Исследуется влияние применения интеллектуального анализа данных в задаче отбора кандидатов на вакансии. Предлагается алгоритм анализа информации в области HR-менеджмента с повышением достоверности обрабатываемых данных. В алгоритме используются подходы машинного обучения и актуальные принципы HR-менеджмента. В алгоритме приведены предпосылки использования повышения достоверности обрабатываемой информации на основе технологии blockchain.
Ключевые слова: HR-менеджмент, машинное обучение, интеллектуальные информационные системы, анализ семантической информации.
В настоящее время на рынке HR (Human Resource) происходят революционные изменения, связанные с применением в этой сфере машинного обучения. Технологии машинного обучения используются такими крупными сервисами, как Amazon, HeadHunter, Stafory. Сервисом по поиску работы HeadHunter машинное обучение активно применяется с февраля 2017 года. Благодаря разработанной системе рекомендаций интерес пользователей к предложенным им вакансиям вырос на 25%, что говорит об эффективности использования машинного обучения. Компания Stafory с помощью машинного обучения совершенствует робота, который обзванивает кандидатов на свободные вакансии и проводит собеседования. Все эти примеры говорят о том, что машинное обучение в сфере HR является достаточно актуальным и вызывает интерес многих компаний и сервисов, желающих получить наибольшую выгоду и готовых к внедрению новых технологий ради достижения своих целей.
Примерами систем в области HR, использующих машинное обучение, являются:
- Google People Analytics - определение и снижение количества собеседований с «идеальными» кандидатами с десяти до пяти.
- JetBlue Airlines - поиск подходящего человека на открытую вакансию. Ведется разработка аналитической программы, которая отвечает на правильные вопросы.
- HeadHunter - система рекомендаций вакансий.
- Stafory - развивает робота-рекрутера, который проводит первичный опрос кандидатов соискателей вакансий и проводит с ними скайп-собеседования.
- Skillaz - система автоматически оценивает соискателей с помощью интервью, анкетирования и других инструментов.
- Digital - подбор, обучение и оценка персонала.
131
В соответствии с Приказом Министерства труда и социальной защиты РФ от 9 октября 2015 г. N 717н "Об утверждении профессионального стандарта "Специалист по подбору персонала (рекрутер)" можно выделить следующий алгоритм действий по подбору персонала рекрутером [1]:
- поиск и привлечение кандидатов;
- отбор и оценка кандидатов;
- отбор и анализ информации о потенциальных кандидатах;
- оценка профессиональной квалификации кандидата;
- презентация вакансии кандидату;
- принятие решения о представлении кандидата работодателю;
- проверка рекомендаций с прежних мест работы на отобранных кандидатов.
Технологии машинного обучения в области интеллектуального анализа человеческих ресурсов на данный момент являются передовыми [2]. С их помощью компании, работающие с подбором персонала, способны решать широкий спектр задач как в автоматическом режиме, так и в процессе поддержки принятия решений.
Несмотря на все достоинства применения машинного обучения, оно не может полностью заменить роль человека в процессе подбора персонала. Ошибки, которые возникают при обработке резюме, могут существенно повлиять на результат и повлечь за собой сбои в производстве, затраты на поиск новых кандидатов и другие нежелательные факторы.
Риск возникновения ошибок зависящих от алгоритмов машинного обучения можно корректировать за счет совершенствования моделей обучения, использования современных программных библиотек, специализированных аппаратных средств вычислительной техники и привлечения экспертных оценок, как на этапе обучения системы, так и на этапе принятия окончательных решений. Другой аспект возникновения ошибок связан с достоверностью информации о кандидатах и требованиях предъявляемых к ним со стороны работодателя.
Недостоверность формирует распределение величин отличное от истинного и тем самым вносит ошибки в модель обучения. В таком случае функции стоимости будут производить подстройку по зашумленной информации [3]:
^(0) = -Е(х,у~р (аШ )°£Ртоёе! (У I х), где J (0) - функция стоимости; Е( х,у~р > ) - перекрестная энтропия на основе недостоверного эмпирического распределения; рто(ее1 - моделируемое распределение; У - искомая в задаче обучения величина; х - входной вектор признаков.
При обучении на недостоверных данных с недостоверным эмпирическим распределением использование перекрестной энтропии отдаляет распределение модели рто(е1 от истинного распределения р(аа [3].
В контексте решаемой задачи под недостоверностью подразумевается несоответствие, возникающее из-за ряда человеческих факторов, в том числе стремления кандидатов соответствовать требованиям интересующих их вакансий. Со стороны бизнеса несоответствие может возникать из-за недостаточного анализа компетенций вакантных должностей, стремлением получить специалиста широкого профиля и другим схожим причинам.
В настоящее время получает распространение технология ЫосксЬат, которая впоследствии может быть использована как источник наиболее полной и достоверной информации о кандидатах и компаниях. Кроме того, с учетом развития технологий анализа образов, можно проводить исследование человеческих качеств по почерку, фотографии, видеоданных с собеседования и другой информации служащей источником визуальных и поведенческих характеристик кандидатов.
В рамках данной статьи не рассматриваются технологии реализации концепции ЫосксЬат. Вместо этого будем придерживаться того предположения, что информация полученная из источников, построенных по данной технологии считается достоверной с некоторой погрешностью. Погрешность в данном случае формируется из динамики области бизнеса и изменения знаний, умений и способностей кандидатов.
Настоящая статья посвящена формированию стратегии обработки данных в области ИЯ-менеджмента с использованием актуальных средств повышения достоверности информации используемой в алгоритмах машинного обучения.
Алгоритм подбора персонала с повышением достоверности анализируемых данных
Входные данные алгоритма
В качестве входных данных алгоритма используется семантическая информация, сформированная на основе резюме кандидатов, информации о бизнесе и открытых источников, а так же информация о текущих показателях риска ухода по группам должностей. Информацию по каждому кандидату можно представить в виде вектора признаков х = (х\, Х2,..., хп).
Выходные данные
Результатом алгоритма является решение комплексной задачи обучения в виде модели обучения, позволяющей на основе данных о кандидатах и экспертной оценки (где она требуется) принимать решение о соответствии кандидата предъявляемым требованиям.
Алгоритм
Шаг 1. Выборка компетенций должностей и ранжирование на основе профессиональных стандартов.
Шаг 2. Экспертная оценка компетенций.
Шаг 3. Анализ показателей планирования отдела кадров:
133
РсI -1рс(Х,Гс.),
где рс - вероятность востребованности категории с1 рассчитанная с помощью функции /рс представляющей оценку спроса вакансии; X - множество входных векторов с признаками кандидатов; гс - вектор компетенции категории с1.
Шаг 4. Прогнозирование рисков ухода сотрудников:
Р^ ! = ( Л71/ ) ,
где - функция реализующая задачу прогнозирования потенциала сотрудника на основе машинного обучения; р^щ - вероятность ухода сотрудника И ;; . - вектор параметров сотрудника /?,.
где Нс. - множество сотрудников категории сг; р§с - усредненный показатель вероятности ухода сотрудника категории с,-.
На основе двух оценок рс и р^с формируется общая характеристика м>с категории с,- с точки зрения найма сотрудников. Общая характеристика может использоваться как весовой коэффициент при ранжировании важности компетенций сотрудников.
Шаг 5. Формирование признаков кандидатов на вакансии.
где хс - вектор признаков соискателей вакансий, рассчитываемый функцией /гс на основе компетенций категорий Яс. и весовых коэффициентов
Шаг 6. Анализ качества заполнения резюме. Если хотя бы одна из компонент вектора признаков не может быть оценена, то резюме отбрасывается.
Шаг 7. Обработка визуальных и поведенческих характеристик кандидатов с помощью анализа образов:
ж<') = Л(»('),ву),
где - вектор признаков соискателя, полученный на основе анализа визуальных и поведенческих характеристик г>^; /,, - функций обработки характеристик; ву - параметры модели распознавания.
Шаг 8. Сопоставление полученных результатов с привлечением экспертных оценок в спорных ситуациях:
134
у« = fx(х(),х'(,),Хс ),
где у(/) - вектор результатов анализа кандидата; ^ - функция отображения входных векторов в искомый вектор анализа; х(г) - признаки соискателя из резюме; х,(г) - вектор признаков соискателя, полученный на основе анализа визуальных и поведенческих характеристик; х^ - признаки категории вакансии поданного резюме.
Шаг 9. Проведение интервью с ИЯ-менеджером. Окончательное принятие решения о соответствии вакансии:
УMi = ^(, у(i)),
где yмi оценка соискателя ИЯ-менеджером на основе данных у(г) полученных на предыдущих этапах алгоритма и результатов проведения интер-
(0
вью xview .
Заключение
Результатом проделанной работы является алгоритм анализа компетенций соискателей, бизнес-требований работодателя и показателей рынка труда в области поиска вакансий с целью выбора наиболее подходящих кандидатур. В алгоритме приведены предпосылки использования повышения достоверности обрабатываемой информации на основе технологии ЫосксЬат и сопоставления визуальных и поведенческих характеристик кандидатов на основе анализа образов.
Список литературы
1. Приказ Министерства труда и социальной защиты РФ от 9 октября 2015 г. N 717н "Об утверждении профессионального стандарта "Специалист по подбору персонала (рекрутер)".
2. Петер Флах Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. М.: ДМК ПРЕСС, 2015. 399 с.
3. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / пер. с анг. А. А. Слинкина. - 2-е изд., испр. М.: ДМК Пресс, 2018. 652 с.
Громов Алексей Юрьевич, канд. техн. наук, доц., gromov.a.y@evm.rsreu.т, Россия, Рязань, Рязанский государственный радиотехнический университет,
Кежватова Анна Тимофеевна, студент, kejwatov.al@,vandex.т, Россия, Рязань, Рязанский государственный радиотехнический университет,
Левшин Дмитрий Алексеевич, студент, he.ce6e@yandex.т, Россия, Рязань, Рязанский государственный радиотехнический университет
135
INVESTIGA TION OF INFL UENCE OF UNDEPENDABLE INFORMA TION IN INTELLECTUAL PERSONNEL RECRUITMENT SYSTEMS
A. Y. Gromov, A. T. Kezhvatova, D.A. Levshin
The influence of the application of intellectual data analysis in the task of selection of candidates for vacancies is investigated. An algorithm for analyzing information in the field of HR management is proposed with increasing reliability of the data being processed. The algorithm uses machine learning approaches and actual principles of HR management. The algorithm provides the prerequisites for using the increased reliability of the processed information on the basis of blockchain technology.
Key words: HR-management, machine learning, intellectual information systems, analysis of semantic information
Gromov Aleksey Yurievich, candidate of technical sciences, docent, gromov. a. y@evm. rsreu. ru, Russia, Ryazan, Ryazan State Radioengineering University,
Kezhvatova Anna Timofeevna, student, kejwatov. al@yandex. ru, Russia, Ryazan, Ryazan State Radioengineering University,
Levshin Dmitriy Alexeevich, student, he.ce6e@yandex.ru, Russia, Ryazan, Ryazan State Radioengineering University
УДК 519.8
МАТЕМАТИЧЕСКАЯ МОДЕЛЬ ОПРЕДЕЛЕНИЯ СОСТАВА
И УНИФИКАЦИИ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ
КОМПЛЕКСНЫХ БОРТОВЫХ ИНФОРМАЦИОННЫХ И УПРАВЛЯЮЩИХ СИСТЕМ
О.В. Есиков, С.М. Цыбин, А.В. Петешов
Формализована задача оптимизации выбора состава единого ядра программного обеспечения бортовых информационных управляющих систем. Предложены варианты унификации состава программного обеспечения бортовых средств автоматизации.
Ключевые слова: бортовые информационные и управляющие системы, дискретная оптимизация, роевые алгоритмы.
В настоящее время для повышения эффективности сложных технических комплексов, к которым относятся, например, изделия транспортных отраслей: автомобильной, железнодорожной, аэрокосмической, морской и др., в том числе беспилотные технические системы различного назначения, широко внедряются и эксплуатируются бортовые информационные и управляющие системы (БИУС). Обычно бортовые информационные и управляющие системы, строятся на базе совокупности вычислительных средств (модулей), созданных на единой технологической основе и, объединенных каналами связи [1].В этом случае БИУС являются комплексными.
