CC BY
301
УДК: 004.896
ББК: 32.973.2
Горбачевская Е.Н., Леонидов А.В.
МОДЕЛЬ НЕЙРОННОЙ СЕТИ ДЛЯ РЕЙТИНГОВОЙ ОЦЕНКИ КОМПЕТЕНТНОСТИ СОТРУДНИКОВ
Gorbachevskaya E.N., Leonidov A.V.
NEURAL NETWORK MODEL TO-RATED COMPETENCE OF THE EMPLOYEES
Ключевые слова: рейтинговая система оценки сотрудников, компетенции специалистов, нейронные сети, программный продукт MATLAB.
Keywords: rating system staff competence professionals, neural networks, software MATLAB.
Аннотация: рассмотрены проблемы проектирования рейтинговой системы оценки сотрудников. Предложены компетенции специалистов в качестве входных данных нейронной сети и характеристики готовности специалиста к работе на месте в качестве выходных данных. Разработана и обучена модель нейронной сети на основе программного продукта MATLAB с библиотекой Neural Networks. Проведен эмпирический подбор параметров нейронной сети. Проверка готовности сети проведена на входных тестовых данных. Сформулированы выводы.
Abstract: the problem of designing a rating system staff estimates. Proposed the skill of an input neural network and expert characteristic readiness to work in the workplace as output data. Developed and trained neural network model based on MATLAB software library Neural Networks. An empirical selection of the parameters of the neural network. Readiness Checks carried out on the network input test data. Formulated conclusions.
Для принятия управленческих решений важен анализ дифференциации уровня заработной платы в зависимости от квалификации сотрудников с целью выяснения материальной заинтересованности работников в выполнении своих профессиональных обязанностей.
Необходимость рейтинговой оценки обусловлена различными причинами - поэтому она может быть организована в различных формах и быть рассчитана на различные сроки.
Управление процессом рейтинговой оценки профессионализма работников на производстве связано с определением масштабов охвата им работников на основании результатов анализа различий в фактической и необходимой квалификационных структурах рабочей силы, с выбором форм, видов и сроков повышения квалификации исходя из желаемых результатов.
Разработать объективную, точную и в то же время понятную сотрудникам систему оценки персонала очень сложно, тем более что спектр задач, которые призвана решать такая оценка, непрерывно расширяется.
Для достижения необходимых результатов в работе человек должен демонстрировать определенное поведение. Современное отражение этот подход нашел в построении оценки на основе моделей компетенций. Сегодня внутренние специалисты организации чаще всего решают задачу оценки стоимости работника с помощью средневзвешенной суммы показателей либо, решая локальные задачи, вообще не выходят на уровень обобщения ценности сотрудников для компании в целом. Построение рейтингов дает знания о ценности сотрудников и может использоваться при определении интеллектуального капитала, потребности в новых сотрудниках и прогнозировании динамики развития компании.
Большинство менеджеров компаний при приеме на работу нового сотрудника сталкиваются с необходимостью оценки стоимости работника для организации. Дискуссия между работодателем и нанимаемым сотрудником обычно сводится к предложению определяемого штатным расписанием вознаграждения и оговариваемых дополнительных бонусов и
компенсаций. В обоих случаях исчисление вознаграждения формируется исходя из субъективных представлений руководителя о значимости данной работы или перспективах данного работника, стоимости прежнего работника на данном месте или представления о том, сколько уже стоят сотрудники данного уровня в организации.
В помощь руководителю обычно предлагаются либо различного рода обзоры рынка труда, мотивации персонала, эффективности работы менеджеров, либо построение внутреннего рейтинга сотрудников компании, с которым кандидата и предлагается сравнивать. Регулярно подготавливаемые различными организациями обзоры и аналитические материалы можно заказать на внешнем рынке, а можно и посмотреть в Интернете. Однако построение рейтинга сотрудников с помощью внешних консультантов сопряжено с опасностью столкновения с "охотниками за головами" или специалистами прямого поиска.
Информационно-технологический под-ход открывает новые возможности для освоения различных областей рейтинговой оценки сотрудников, в том числе производственной деятельности и социальной действительности.
Актуальна разработка такой системы оценивания производственных результатов сотрудников, которая может:
- устранить противоречия между функциями рейтинговой оценки и существующей системой оплаты;
- связать рейтинговую оценку с индивидуальным приращением производственных результатов сотрудника и создать условия, в которых сотрудник получает опыт планирования и реализации процесса собственного обучения;
- ввести в практику оценку новых результатов.
Разработать систему оценки компетенции персонала, одинаково сбалансированную с точки зрения точности, объективности, простоты и понятности, очень сложно, поскольку спектр задач, которые призвана решать такая оценка, непрерывно расширяется, видоизменяется и прогрессирует.
Структура разработанных компетенций включает теоретические, производственные, практические, стратегические знания. Они составляют интеллект организации, основанный на информационных технологиях, технологиях решений и скорости восприятия нововведений. Интеллектуальная организация извлекает информацию, выстраивает умозаключения и генерирует новые знания с целью добавить новое качество выпускаемым изделиям для удовлетворения интересов потребителя.
Несомненно, такая организационная форма позволит обеспечить наиболее гибкое управление компанией, наиболее быстрое и эффективное решение большинства текущих вопросов.
Для непредвзятого определения компетентности сотрудника необходимо использовать информационный продукт. Одним из инструментов реализации информационного продукта оценки компетенций сотрудника являются нейронные сети. В качестве инструмента для реализации модели нейронной сети определения рейтинговой оценки сотрудников предприятия будет использоваться программный продукт MATLAB с библиотекой Neural Networks.
В MATLAB нейронные сети (NN - Neural Networks) широко используются для решения разнообразных задач. Среди развивающихся областей применения NN - обработка аналоговых и цифровых сигналов, синтез и идентификация электронных цепей и систем. Основы теории и технологии применения NN широко представлены в пакете MATLAB. В этой связи особо следует отметить последнюю версию пакета - MATLAB, где впервые представлен GUI (Graphical User Interface - графический интерфейс пользователя) для NN - NNTool.
Определены группы компетенций рейтинговой оценки сотрудников:
- теоретические компетенции - общие для всех специалистов данной категории;
- производственные компетенции специалиста - конкретизированные для производственного рабочего места;
- информационные компетенции - как интеграция профессиональной деятельности и
современных требований автоматизации производства;
- мотивационные или стратегические компетенции - стремление совершенствоваться в своей специальности как в области саморазвития, так и в карьерном росте.
Разработана схема входных данных нейронной сети (рисунок 1). Каждый элемент входа соответствует одной из компетенций групп компетенций.
Рисунок 1 - Компетенции специалистов (входные данные) для модели рейтинговой оценки сотрудниковДанная модель компетенций предназначена для решения кадровых задач:
1. Отбор при найме персонала (экспертиза вакансии).
2. Отбор в кадровый резерв.
3. Оценка потребности в обучении и развитии персонала.
4. Оценка при формировании компенсационного пакета.
Задачи использования модели определяют ее выходные компоненты (рисунок 2).
При оценивании входных и выходных данных необходимо в первую очередь уточнить цель оценивания и задачи оценивания.
Компетенции сегодня являются одним из ключевых инструментов управления эффективностью человеческих ресурсов. Они незаменимы для крупных предприятий - если в маленьких компаниях руководители могут просто договориться о стандартах менеджмента и требованиях к сотрудникам, то для крупных предприятий необходима четкая система управления человеческими ресурсами, и именно корпоративная модель компетенций становится основой этой системы.
Рисунок 2 - Входные характеристики готовности специалиста к работе на рабочем месте для модели рейтинговой оценки сотрудников
Алгоритмы обучения нейронных сетей делятся на два вида: «обучение с учителем» и «обучение без учителя».
При «обучении с учителем» сети предъявляются значения как входных, так и желательных выходных сигналов, и она по некоторому внутреннему алгоритму подстраивает веса своих синаптических связей. При «обучении без учителя» выходы нейронной сети формируются самостоятельно, а веса изменяются по алгоритму, учитывающему только входные и производные от них сигналы.
После определения алгоритма обучения наступает фаза подготовки обучающей выборки, которую можно разбить на несколько этапов (рисунок 3). Качество работы нейронной сети сильно зависит от предъявляемого ей в процессе обучения набора учебных данных. Данные обучающей выборки должны быть типичны для поставленной задачи и соответствовать практическому набору работы предметной области. К набору учебных данных предъявляются определенные требования.
Формирование обучающей выборки нейронной сети для задач прогнозирования
Этап сбора и подготовки данных: - оценивание данных; - объединение и очищение данных; - отбор данных; - преобразование данных.
< >
Этап построение модели обучения
Ч.....ь-
Этап формирования частей выборки под модель обучения: - формирование обучающей части; - формирование тестирующей части; - формирование контрольной части.
Рисунок 3 - Этапы формирования обучающей выборки При построении модели нейросети обратного распространения погрешности в MatLab в первую очередь подключаем функцию nnstаrt, запускающую графический интерфейс библиотеки Neural Networks (рисунок 4).
Рисунок 4 - Окно командной строки MatLab 7.0.
При этом открывается окно выбора иейросетей по областям применения (рисунок 5).
Рисунок 5 - Окно MatLab выбора типа нейросети при проектировании Для проектирования нейросети обратного распространения погрешности наиболее подходит раздел Input-output and curve fitting. Описание сетей данного раздела отображается после выбора кнопки Fiting Tool (рисунок 6).
¿¡«окчМиив й^коЛ»
Рисунок 6 - Окно MatLab описания выбранной нейросети Далее необходимо настроить обучающую выборку (рисунок 7) на входные данные (Inputs) и выходные данные (Targets). Данные обучающей выборки формируются в текстовом файле (программный продукт Блокнот), расширение файла меняется на dat. Строка содержит обучающие данные для одного нейрона.
Рисунок 7 - Окно настройки обучающей выборки
При выборе кнопки Next формируется матрица обучения для входных и выходных данных отдельно.
Определяем топологию сети. Программный продукт MatLab с библиотекой Neural Networks Tools позволяет выбрать количество нейронов скрытого слоя. Окно с выбранным количеством нейронов в скрытом слое представлено на рисунке 8.
Рисунок 8 - Окно итога настройки входных данных обучающей выборки На рисунке 9 показан итог настройки выходных данных обучающей выборки. После настройки входных и выходных данных обучающей выборки МайаЬ позволяет выбрать количество слоев сети (рисунок 10).
После внесения данных по обучающей выборке и определения расположения матрицы выбираем кнопку рисунка 11 и появляется возможность настройки обучающей выборки с указанием соотношения проверки данных и тестирования (рисунок 12).
Итоги настройки обучающей выборки на рисунке 13. После нажатия кнопки (рисунок 14) происходит запуск обработки данных обучения. Окно результатов обработки - на рисунке 15.
После нажатия кнопки (рисунок 16) происходит обучение нейросети. Нейронная сеть начинает обучаться. После обучения появляется окно с результатами обучения (рисунок 17).
Рисунок 9 - Окно итога настройки выходных данных обучающей выборки
Рисунок 10 - Окно выбора нейронов скрытого слоя
Рисунок 11 - Кнопка начала обучения нейросети
Рисунок 12 - Окно выбора параметров данных обучающей выборки Выбранная архитектура сети - нейросеть обратного распространения погрешности, следовательно, корректировка весовых коэффициентов будет происходить и по выходным данным. После обучения МаЛаЬ формирует внутренную модель сети с указанием параметров обучения и наборами данных (рисунок 18).
На рисунке 19 отображены откорректированные выходные данные согласно обучению. Результаты обучения модно просмотреть в сформированных отчетах (рисунки 20 - 24). Результатом построения сети является модель нейросети (рисунок 25).
I ф w___
Ш-И II •■ I ] жа «Mm • «м ПК^^П I
Рисунок 13 - Окно итога настройки входных данных обучающей выборки Train using Levenberg-Marquardt backpropagation. trainlmi
4j Train
Рисунок 14 - Кнопка запуска обработки данных нейросети
Рисунок 15 - Окно результата обработки данных обучающей выборки
Рисунок 16 - Кнопка запуска обучения нейросети
Рисунок 17 - Окно итогов обучения сети
Рисунок 18 - Окно итогов внутренней модели сети с указанием параметров обучения
и наборами данных
Рисунок 19 - Окно откорректированных выходных данных после обучения
Рисунок 20 - Отклонения значений от среднего (величина ошибки)
Рисунок 21 - Отклонения значений обучения по эпохам обучения
Рисунок 22 - Отклонения значений всех трех групп обучения от среднего в виде
гистограммы
Рисунок 23 - Отклонения значений всех трех групп обучения от среднего в виде
линейных графиков
Рисунок 24 - Отклонения значений входных и выходных данных (с указанием
ошибок)
Рисунок 25 - Результат построения- модель нейросети Для эмпирического подбора параметров нейронной сети используется библиотека NNTools.
Программный продукт MatLab с библиотекой Neural Networks Tools позволяет вызвать графический интерфейс редактирования и модификации существующей архитектуры сети. Для этого в командную строку вносим название функции nntool (рисунок 26).
Рисунок 26 - Окно командной строки MatLab 7.0.
Открывается окно подключения параметров нейросети (рисунок 27). Через кнопку Import подключаем сохраненную модель с предыдущими настройками, результатами обучения (рисунок 28).
Выбираем связи с матрицами данных сформированными в предыдущем пункте работы (рисунок 29).
— *-
I i iiwmm i i i— лги i Им*
(_*•—»j i о »« ;
Рисунок 27 - Окно выбора связи с матрицами данных построенной нейросети
Получение результатов работы модели. Сформировано 5 примеров для каждой группы сотрудников. В заранее созданную, обученную и оттестированную сеть (рисунок 28) подключим тестовые наборы (рисунок 29).
tram | Simulate 1 Adapt | «алаМш Weqht* VMwLda wvaigh*«
HMd«n Uni Oul|Ml Ujr»»
Input ■K .) - OiKpill
[ ытШ] »1 w ^a i
10
ю i -
Рисунок 28 - Окно параметров сети
# Ма»«чиЛ/0*Па Mai
§T flute Щ .......... -fl
>Pv« M TMU TMA
Ф Г -»(H (la*л Д »и-. С»-*.
jomp»<
- t liwul Oat*, hdn i DW, KIIK
Si—
Рисунок 29 - Окно создания сети с тестовым набором
мИ1** '»i*1
«•«*«• iimmI • J Imm
Рисунок 30 - Окно выбора тестового набора После запуска кнопки Simulate Network формируется результат и сохраняется в окне Output Date (рисунок 30). Двойным щелчком по появившемуся набору мы можем просмотреть результат работы нейросети (исунок 31).
Рисунок 31 - Результаты тестирования нейросети
При подборе входных тестовых данных была выбрана группа с высокой степенью пригодности. В результате работы сети получили адекватные данные (таблица 1).
Таблица 1 - Результаты тестирования нейросети
Тестовый набор данных
Результат
Общие компетенции специалистов
е
ы
н
н
е
в
тя си дч О о в
зм ио он рл Ср 0 „ G 64
и н а н
СП
в о к и
н
д
у
урт
о с
и т с о н н а з я б о
н а н
СП
я и н а в о б е
ерт
е
ы
н
н
о
и ц
а к и
и л а в
«
Производственны е компетенции специалистов
х
ы н ь л а н о
и ц
к н
е т ас ке и м
й s д
ууч нй р
ее нт лс
X
о н т
е р
ак в зн ья
со
о н в о
ото
u
х м
ые ни тн се сон нс
I s § *
д м
н
ет £2b
оое ппе
ыс
ë S
сок ну
H s тон
u s
Информационн ые
компетенции
е
етс
е
х
ы н н о
им ц
ам е
мч
фа нр
яе s о нв ас на
з н е
ае Парте
а
атс
е
во ог ре уч яо
а нр
о г е о в с
(L)
a
ы в о п
ь т с о н б е
Пф
н и
и
и ц
а
ази
т
Мотивационные или
стратегические компетенции
н
ая ви он за ав ро
Ю g
оа р
ЙЮ т
с о нм
ï о оП
н е
л
a
ы
я и н а в о з ь л о
п м
св и о
н i се
2 s ну
бр ет
ои
с
в о т е т
и р
о
и р
п а к в о н а т
я и н е
•a
е р
е р
о
сра ыв
я и
ар
нп
ь
л
и
в
а
арП
в т с т е в
вто
о с
о г о н ь
н о и с с
е ф
о р
п ь н е в
о р
и т с а л б о
и к в о
ото
г д
о п ь
ьтс
о м
и д
о х б о е
д
0,9
а
атс
и л а
5 s
ци
с з зи
р о
к в о т
о гф
дн о
пи
ь и ьт Ö 8 о g мб
ио g «
х б о е
Д
2,8
6
7
6
6
7
2
6
5
6
5
Данная модель позволит проводить имитационные исследования подготовки
сотрудников к производственной деятельности.
К технико-экономическим показа-телям разработки относятся:
- накопление знаний по данным рейтинга;
- сокращение времени и затрат на подготовку рекомендаций;
- повышение уровня готовности сотрудников к выполнению своих профессиональных обязанностей.
Модель может использоваться с пользовательским интерфейсом, без внесения каких-либо опасных изменений. Модель полностью выполняет поставленные задачи.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Горбачевская, Е.Н. Интеллектуальная составляющая модели рейтинговой оценки сотрудников // Вестник Волжского университета имени В.Н. Татищева. Серия «Информатика». Вып. 14. - Тольятти: ВУиТ, 2009.
2. Горбачевская, Е.Н. Классификация нейронных сетей // Вестник Волжского университета имени В.Н. Татищева. Серия «Информатика». Вып. 19. - Тольятти: ВУиТ, 2012.
3. Горбачевская, Е.Н., Леонидов, А.В. Представление знаний и разработка информационных систем, основанных на знаниях / 9-я Международная научно-практическая конференция: «Прогрессивные технологии развития». - Тамбов, 2012.
4. Горбачевская, Е.Н. Модель нейронной сети в системе определения эффективности работы предприятия // Вестник Волжского университета имени В.Н. Татищева. Серия «Информатика». Вып. 18. - Тольятти: ВУиТ, 2011.
5. Горбачевская, Е.Н. Обучение искусственной нейронной сети для задач прогнозирования // Вестник Волжского университета имени В.Н. Татищева. Серия «Информатика». Вып. 19. - Тольятти: ВУиТ, 2012.
