CC BY
0
The problem of detecting changes in the behavior of a dynamic object with nonlinear properties is studied. A method is proposed based on identifying the novelty of the input-output cross-correlation function using a neural network autoencoder. Experiments are carried out with various input signals, demonstrating the ability to diagnose mode changes in a dynamic system.
Key words: functional diagnostics, cross-correlation function, dynamic object, dynamic mode of operation, neural network autoencoder, novelty detection, disorder.
Wang Xuechun, postgraduate, vansiuech@mpei. ru, Russia, Moscow, National Research University «Moscow Power Engineering Institute»,
Eliseev Vladimir Leonidovich, candidate of technical sciences, docent, vlad-eliseev@mail. ru, Russia, Moscow, National Research University «Moscow Power Engineering Institute»
УДК 004.032.26
Б01: 10.24412/2071-6168-2024-3-56-57
ОПТИМИЗАЦИЯ РЕКРУТИНГОВЫХ ПРОЦЕССОВ ПУТЕМ ВНЕДРЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ
ТЕХНОЛОГИЙ АНАЛИЗА ДАННЫХ
Е.В. Ляпунцова, А.Н. Семенюта
В статье рассмотрен метод повышения эффективности процессов рекрутинга в области подбора кандидатов на стажировку, а именно этапа видеоинтервью, с помощью искусственных нейронных сетей, которые помогают автоматизировать рутинную работу сотрудников, а также рассмотрены проблемы, с которыми может столкнуться компания при внедрении такой технологии.
Ключевые слова: рекрутинг, нейронная сеть, интеллектуальные технологии, видеоинтервью.
В современном мире прогресс неумолимо наступает, заставляя компании стремиться к цифровой трансформации своих бизнес-процессов. Это позволяет сделать рабочие процессы более удобными и эффективными как для себя, так и для своих клиентов. Данная тенденция затрагивает все сферы деятельности человека, включая в том числе и процесс подбора персонала.
Отбор молодых специалистов является критически важным процессом для всех отраслей промышленности, включая машиностроение, металлургию, электроэнергетику и многие другие по следующим причинам [1]:
1. Инновации и развитие: Молодые специалисты часто вносят свежие идеи, инновации и энергию в организацию, способствуя ее развитию и конкурентоспособности на рынке.
2. Обновление кадров: Приток молодых специалистов позволяет компании обновлять кадровый резерв, заполнять вакансии и замещать уходящий персонал, обеспечивая стабильность и непрерывность бизнес-процессов.
3. Мультипликативный эффект: Обучение и развитие молодых специалистов сегодня может привести к появлению квалифицированных специалистов в будущем, обеспечивая долгосрочные перспективы для предприятия.
4. Актуализация знаний и технологий: Молодые специалисты, особенно выпускники современных образовательных учреждений, часто обладают свежими знаниями и умениями, что позволяет компании быть в курсе последних тенденций и технологических новшеств.
5. Конкурентное преимущество: Компании, способные эффективно привлекать и удерживать талантливых молодых специалистов, могут получить значительное конкурентное преимущество на рынке труда и в своей отрасли.
В связи с этим для успешного отбора кандидатов отделы управления человеческими ресурсами переходят на новый уровень - модель "ИЯ 3.0". Она способствует повышению эффективности и скорости решения задач по найму, удержанию и развитию персонала благодаря инновационным технологиям [2]. Цифровой рекрутинг становится заменой традиционному подбору персонала, открывая новые возможности для эффективного отбора кандидатов (рис. 1).
В традиционном понимании процесса отбора на работу каждый кандидат оценивается рекрутером, который вносит свою субъективную оценку в способности кандидата как теоретические, так и практические. Однако, стоит задать себе вопрос о честности такой оценки и о том, насколько личные предпочтения ИЯ-специалиста могут повлиять на окончательное решение о найме будущего сотрудника, а также подумать о том, сколько времени уходит на анализ информации о кандидатах на первом этапе отбора, когда их мотивация и подход к работодателю еще не ясны.
Рассмотрим, как интеллектуальные технологии могут повысить эффективность отбора молодых специалистов на стажировки и лидерские программы. Некоторые отборы на программы различных компаний проводятся ежегодно, успешность таких проектов растет, и поэтому количество желающих принять участие в них активно увеличивается. В связи с этим для компаний все острее стоит вопрос автоматизации бизнес-процессов, в том числе одним из таких процессов, подход к которому нужно срочно изменять, является этап анализа видеоинтервью кандидатов на вакансию на платформе VCV (сайт для автоматизированного отбора соискателей) после прохождения первоначального отсеивания потенциальных работников по формальным критериям. Однако, для того чтобы просмотреть все видеозаписи и оценить их по заданным критериям, требуется большое количество рабочего времени рекрутеров, несмотря на то что это лишь один из начальных этапов отбора, на котором у нас имеется еще очень большое количество нерелевантных кандидатов [3].
Системный анализ, управление и обработка информации
Направления цифрового рекрупшнга
В связи с этим перед компаниями встала задача по созданию нового способа скрининга кандидатов, и как следствие, повышение эффективности данного бизнес-процесса. Был предложен метод внедрения интеллектуальных алгоритмов анализа видеоинформации, а именно нейронной сети.
Нейронные сети — это вид машинного обучения, который моделирует работу человеческого мозга. В отличие от мозга, который состоит из нейронов и синапсов, передающих сигналы, искусственные нейроны в нейронных сетях созданы для обработки информации. Нейронные сети широко применяются в различных сферах, таких как распознавание лиц, диагностика заболеваний, голосовые помощники. В бизнесе они также находят применение для оценки производительности сотрудников, выдачи кредитов, использования чат-ботов и управления колл-центрами. [4].
Для осуществления рассматриваемого проекта, по мнению автора, необходимо создать две нейронные сети, так как исходную задачу нужно разбить на две более простые подзадачи. Первая подзадача состоит в том, чтобы преобразовать аудио информацию в текст, что является распространенной задачей. Существуют готовые решения для этого, но необходимо выбирать их с учетом датасета, на котором обучалась нейронная сеть, чтобы выбрать подходящее решение, адаптированное к русскоязычной аудитории и соответствующее тематике вакансии [5]. Вторая нейронная сеть сталкивается с более сложной задачей - проведением анализа текста, полученного от первой сети по каждому кандидату, и выставлением оценок от 1 до 5 в соответствии с критериями, предоставленными заказчиком проекта. Создание и обучение второй сети потребует индивидуальной работы под данный проект и использование готового датасета, каким может быть база интервью и результатов их оценки по предыдущим проектам. После обучения и тестирования на конкретных примерах нейронную сеть можно будет использовать в рамках проекта. Такая система может заменить рутинную работу рекрутера, ускорить процесс отбора кандидатов, сделать его более технологичным и объективным, и уберечь от субъективности в оценке потенциальных работников.
Вопреки относительной простоте предложенного плана внедрения нейронной сети в рабочие процессы организации, возникает целый ряд проблем, требующих разрешения перед преступлением к реализации. Одной из основных проблем является сложность переобучения нейронных сетей, когда они склонны к запоминанию конкретных ответов вместо обобщения закономерностей в данных. Это приводит к необходимости создания уникальных нейронных сетей с заданными параметрами для каждого нового проекта, использующего данную технологию [6]. Тем не менее, для регулярно повторяющихся проектов можно будет модифицировать исходную нейросеть, добавляя новые данные, что снизит вероятность ошибок и упростит процесс работы. Во-вторых, столкновение с большим объемом данных для обучения нейронной сети является еще одной сложностью. Рассматривая видеоинтервью, требуется значительное количество материала для корректного выставления оценок кандидатам, что может достигать тысяч. Поэтому в начальной стадии такой подход может применяться только в рамках существующих проектов с обширными данными за предыдущие годы [7]. В противном случае необходимо будет создавать этот массив информации самостоятельно, что займет гораздо больше времени, чем анализ видеоинтервью рекрутером без привлечения современных технологий [8]. Наконец, еще одной проблемой работы с нейронными сетями является их характер типа "черный ящик". Помимо окончательного результата, у нас нет доступа к внутренним процессам сети или статистическим данным, трудно понять, каким образом принимаются решения, исключением являются сверточные нейронные сети в области распознавания, где определенные промежуточные слои имеют смысл карт признаков, что позволяет отслеживать активность отдельных нейронов. [9]. В рассмотренном проекте такой вид сетей применяться не будет, поэтому отследить логику проставления баллов по результат интервью кандидатов не приходится возможным, соответственно, при необходимости аргументировать ту или иную выставленную оценку будет возможно только в частном порядке, путём проверки записи рекрутером вручную [10]. Также стоит отметить важность набора данных, на котором будет обучаться вторая нейронная сеть, поскольку этот датасет сформирован на основе данных прошлогодних видеоинтервью, оцененных людьми, исходные данные уже содержат субъективные оценки рекруте-ров предыдущих лет, из-за этого созданная система не сможет дать полностью объективные оценки кандидатов. Тем не менее, учитывая удовлетворительные результаты прошлогодних исследований по требованиям клиентов, применение данной технологии все же позволит достичь необходимых показателей [11].
Таким образом, внедрение системы искусственных нейронных сетей в операции организации позволит автоматизировать внутренние бизнес-процессы, ускорив их ход и снизив уровень субъективизма, присущего оценкам между людьми. Однако, важно помнить об ограничениях, которые могут ограничивать область применения интеллектуальных систем, даже если выбранный инструмент оценки видеоинтервью упрощает процесс принятия решений. Рекомендуется использовать его на более ранних этапах отбора кандидатов, когда словесные и невербальные коммуникативные способности не являются главными критериями.
Список литературы
1.Будник Ю.А. Рекрутинг как важнейший этап в системе управления персоналом // Молодой ученый. 2019. № 8 (246). С. 68-77.
2.Нестеренко Н.А., Хохлова О.А. Управление талантами как инновационная технология управления человеческими ресурсами: проблемы и направления совершенствования // Сб. статей по материалам Всероссийской научно-практической конференции «Саратовская область: традиции, инновации, стратегии лидерства», посвященная 80- летию Саратовской области (6-7 апреля). Саратов: ПИУ, 2020. 208 с.
3.Подбор персонала в цифровую эпоху. [Электронный ресурс] URL: https://www2.deloitte.com/content/dam/Deloitte/bv/Documents/human-capital/podbor-personala-v-cifrovuvu-ehpohu.pdf (дата доступа: 18.03.2024).
4.Что происходит с автоматизацией подбора персонала. [Электронный ресурс] URL: https://hhcdn.ru/file/16861694.pdf (дата доступа: 18.03.2024).
5. Будущее HR. [Электронный ресурс] URL: https://assets.kpmg/content/dam/kpmg/ru/pdf/2019/04/ruru-future-of-hr-2019.pdf (дата доступа: 18.03.2024).
6. Автоматизируйте подбор персонала. Возьмите в помощники искусственный интеллект // Журнал «Директор по персоналу» / Тематическое приложение к журналу «Подбор персонала: проверенные временем методики и новые инструменты». 2019. № 3. С. 23 - 34.
7. Калиновская И.Н. Тенденции развития искусственного интеллекта и применение интеллектуальных диалоговых систем, построенных на принципах машинного обучения // 52 международная научно-техническая конференция преподавателей и студентов УО «ВГТУ»: материалы докладов, апрель 2019. УО ВГТУ: Витебск. 2019. С. 217-220.
8.Будаева А.А. Оптимизация технологий многокритериального ранжирования объектов // Теория операторов, комплексный анализ и математическое моделирование тезисы докладов международной научной конференции. Южный математический институт Владикавказского научного центра Российской академии наук и Правительства Республики Северная Осетия-Алания. 2022. С. 166-167.
9.Осипов Г.С. Оптимизация одноканальных систем массового обслуживания с неограниченной очередью // Бюллетень науки и практики. 2021. № 9 (10). С. 63-71.
10. Геловани В.А., Башлыков А.А., Бритков В.Б., Вязилов Е.Д. Интеллектуальные системы поддержки принятия решений в нештатных ситуациях с использованием информации о состоянии окружающей среды. М.: Эди-ториал УРСС, 2021. 304 с.
11. Беленко П. Хедхантинг: принципы и технологии. СПб.: Питер, 2022. 115 с.
Ляпунцова Елена Вячеславовна, д-р техн. наук, профессор, [email protected], Россия, Москва, Московский Государственный технический университет имени Н.Э. Баумана,
Семенюта Александра Николаевна, магистрант, [email protected], Россия, Москва, Московский Государственный технический университет имени Н.Э. Баумана
OPTIMIZATION OF RECRUITMENT PROCESSES THROUGH THE IMPLEMENTATION OF INTELLECTUAL DATA ANALYSIS TECHNOLOGIES
E.V. Lyapuntsova, A.N. Semenyuta
The article discusses a method to improve the efficiency of recruitment processes in the selection of internship candidates, specifically focusing on the video interview stage, using artificial neural networks that help automate the routine work of employees. The article also addresses the challenges a company may face when implementing such technology.
Key words: recruitment, neural network, intellectual technologies, video interview.
Lyapuntsova Elena Vyacheslavovna, doctor of technical sciences, professor, lev86@bmstu. ru, Russia, Moscow, Bauman Moscow State Technical University,
Semenyuta Alexandra Nikolaevna, undergraduate, [email protected], Russia, Moscow, Bauman Moscow State Technical University
