CC BY
10ОТБОР ПЕРСОНАЛА С ИСПОЛЬЗОВАНИЕМ МЛГКИХ ВыЧИСЛЕНИй
SELECTION OF THE STAFF WITH THE USE OF SOFT COMPUTING
ПОЛУЧЕНО 09.10.17 ОДОБРЕНО 19.10.17 ОПУБЛИКОВАНО 25.12.17 УДК 331.1 DOI 10.12737/article_5a4624634bb683.14483599
КРИЧЕВСКИй М.Л.
Д-р техн. наук, профессор, профессор Санкт-Петербургского государственного университета аэрокосмического приборостроения, г. Санкт-Петербург
KRICHEVSKY M.L.
Doctor of Technical Sciences, Professor, Saint Petersburg State University of Aerospace Instrumentation, Saint Petersburg
e-mail: mkrichevsky@mail.ru
В условиях изменяющейся среды и неточности информации трудно получить однозначный ответ о качестве кандидата на должность, основываясь только на результатах просмотра анкет соискателя. Вследствие этого в последнее время при отборе персонала появляется тенденция использования методов мягких вычислений, включающих нейронные сети, нечеткую логику и эволюционные вычисления. В статье приводится решение задачи по отбору персонала для фирмы, разрабатывающей программное обеспечение, с помощью мягких вычислений. В качестве входных переменных соискателе на должность в такой организации выбраны следующие: возраст, образование, опыт работы, знание иностранного языка, обладание специальными навыками в программировании, умение работать в команде.
Для количественной оценки качества кандидата используется нейронечеткая система типа ANFIS (Adaptive Network-Based Fuzzy Inference System). Идея нейронечетких систем заключается в определении параметров нечетких систем посредством методов обучения, применяемых в нейронных сетях. Самое важное достоинство этой системы заключается в автоматическом создании базы правил. После завершения обучения формируется оценка качества кандидата в виде балльной оценки по 10-балльной шкале. Кроме этого, выводится уравнение регрессии, которое связывает качество кандидата с входными переменными. Данные о степени годности соискателя, полученные по уравнению регрессию, достаточно близки к результатам, найденным с помощью системы ANFIS, поэтому для экспресс-оценки можно применять такое уравнение.
Ключевые слова: отбор персонала, мягкие вычисления, нейронные сети, нечеткая логика, нейронечеткие системы. Abstract
In a changing environment and inaccurate information, it is difficult to get an unambiguous answer about the quality of the candidate for the position, based only on the results of viewing the applicant's questionnaires. As a consequence, recently there has been a trend towards the use of soft computing (neural networks, fuzzy logic and evolutionary computations) in tasks personnel's selection. The article presents the solution of such a problem using the methods of soft computing for a software company.
We use a neural-fuzzy system such as the ANFIS (Adaptive Network-Based Fuzzy Inference System) to quantify the candidate's quality. The idea of neural-fuzzy systems is to determine the parameters of fuzzy systems through training methods used in neural networks. The most important advantage of this system lies in the automatic creation of the rules base. After completing the training, we receive an assessment of the quality of the candidate in the form of a scoring on a 10-point scale. In addition, we derive a regression equation that relates the candidate's quality with the input variables.
Keywords: selection of personnel, soft computing, neural networks, fuzzy logic, neural-fuzzy system.
Для каждого предприятия залогом успешного функционирования являются ресурсы, включающие финансы, сырье, оборудование и персонал. Исследователи в области управления человеческими ресурсами считают, что качество персонала является стратегическим решением, поскольку оно влияет на эффективность организации, например, на удовлетворение потребностей клиентов, инновации, прибыльность и конкурентоспособность компании.
Целью процедуры подбора персонала является выбор наилучшего кандидата для заполнения вакантной должности. Разработаны различные подходы, которые помогают фирмам принимать решения о правильном размещении людей на требуемых позициях. Некоторые фирмы выбирают лучшего кандидата, используя строгие процедуры отбора, в то время как другие решают быстро заполнить позиции, основываясь только на заявленной в анкетах информации.
Следует учесть, что в условиях изменяющейся внешней среды, неточности получаемой информации у лиц, принимающих решения по приему кандидатов, возникают трудности с формированием четких однозначных ответов в качестве критериев оценки, поэтому в среде специалистов по управ-
лению человеческими ресурсами намечается тенденция к использованию для отбора персонала методов, которые основаны на мягких вычислениях.
Статья структурирована следующим образом. Вначале приводятся сведения о современных методах подбора персонала, выявляются наиболее часто встречающиеся признаки кандидатов. Далее кратко анализируются мягкие вычисления, их состав, принципы использования. Затем приводится решение задачи отбора персонала через нейро-нечеткую систему типа ANFIS, позволяющую получить количественную оценку годности (качества) кандидата. В заключение обсуждаются полученные результаты и указываются направления дальнейших исследований в этой области.
сущность мягких вычислений
Вероятно, Х. Мюнстерберг (HugoMйnsterberg) — индустриальный и прикладной психолог — был первым, применившим тестирование навыков и умений в процессе отбора персонала для работы машиниста электропоезда [1]. С началом Первой мировой войны в армии США начинают ис-
пользовать методы отбора среди военнослужащих путем проверки их способностей. Первое групповое тестирование интеллекта под названием «Альфа-тест» было разработано благодаря усилиям группы психологов, возглавляемой Р. Йерксом (Robert Yerkes), и более 1,7 млн тестов было выполнено для призывников в течение Первой мировой войны. Следовательно, проблема подбора кадров как область науки существует целый век.
В настоящее время при подборе персонала применяют различные сложные методы, в частности, многокритериальный метод принятия решений (multi criteria decision making — MCDM), аналитический иерархический процесс (analytic hierarchy process — AHP), метод упорядоченного предпочтения по сходству с идеальными решениями (technique for order preference by similarity to ideal solutions — TOPSIS), экспертные системы (expert systems — ES), искусственные нейронные сети (artificial neural networks — ANN), нечеткую логику (fuzzy logic — FL) [2-4].
Анализ литературных данных в области подбора персонала позволяет выявить наиболее характерные признаки кандидатов на конкретную позицию. Несмотря на разные сферы применения, можно выявить определенную тенденцию. В табл. 1 приведены различные наборы характеристик кандидатов.
Таблица 1
Признаки кандидатов на конкретные позиции
Сфера использования Признаки Источник, год
Инженер системного анализа Эмоциональная уравновешенность, навыки устной коммуникации, личность, прошлый опыт, уверенность в себе [5], (2000)
Оценка управленческих способностей Характеристика способностей, личностные черты, мотивация, компетенции, навыки общения, технический уровень [6], (2004)
Исследования и разработки (R&D) Эффективность работы, образование, профессиональная подготовка, опыт работы, наличие степеней и званий, возраст, инновационный потенциал, лояльность [7], (2009)
Инженер на производстве Эмоциональная уравновешенность, лидерство, уверенность в себе, навыки общения, личный профиль, прошлый опыт, общие способности, понимание задач [8], (2010)
Академический персонал Уверенность в себе, возраст, командная работа, академический опыт, техническая информация, написание научных статей, устная презентация, степень бакалавра, иностранный язык [9], (2013)
Как видно из табл. 1, чаще всего работодатели обращают внимание на возраст, образование, опыт работы, знание иностранного языка, навыки работы с компьютером и специфические требования, обусловленные областью использования кандидата на должность.
Примем, что фирма занимается, в основном, разработкой программного обеспечения. Тогда в качестве характеристик, которыми должен обладать кандидат на вакантное место в этой фирме, выберем следующие: Х1 — возраст (Age); Х2 — образование (Edu); Х3 — опыт (Exp); Х4 — знание иностранного языка (Eng); Х5 — обладание специальными навыками в программировании (Spe); Х6 — умение работать в команде (Com).
Для отбора кандидатов на вакантные должности воспользуемся методами, относящимися к так называемым мягким вычислениям. Последнее словосочетание означает совокупность неточных, приближенных методов решения задач. Мягкие вычисления — это не какая-то отдельная методология. Руководящим принципом таких вычислений является: «...терпимость к неточности, неопределенности и частич-
ной истинности для достижения удобства манипулирования, робастности, низкой стоимости решения и лучшего согласия с реальностью» [10]. В мягких вычислениях основными компонентами являются нечеткая логика, нейронные сети, эволюционные вычисления.
Далее рассмотрим только две технологии: нейронные сети (НС) и нечеткую логику (НЛ), которые являются средствами моделирования. Они работают одинаково после стадии обучения (в случае НС) или извлечения человеческих знаний (в ситуации с НЛ). Однако между ними существует и принципиальное различие.
НС представляет собой «черный ящик», отражающий ситуацию, при которой процесс полностью неизвестен, но в наличии имеются примеры наблюдений, записей, регистра-ций, выборочных данных. Здесь известны входы и выход, но требуется база примеров, по которой обучается сеть.
В системах с НЛ решение проблемы известно в виде структурированных человеческих знаний, опыта, эвристики, интуиции о рассматриваемом процессе. Такая ситуация пред-ставима в виде «белого ящика». При таком подходе разработчик составляет базу правил, по которой обучается система.
НЕйРОНЕЧЕТКАя СИСТЕМА
Нейросетевой подход обеспечивает классификацию кандидатов на вакантную должность, присваивая очередному соискателю метку класса. Оценить качество кандидата по какой-либо шкале, формируя для него количественную оценку годности, таким способом не удается. Здесь может быть применен способ, основанный на НЛ. Выход нечеткой системы как раз и дает количественную оценку качества соискателя. Однако такой ситуации присуще одно, но важное ограничение, связанное с количеством входных сигналов. Дело в том, что число правил, необходимых для использования в нечеткой системе, растет чрезвычайно быстро: количество правил равно произведению числа градаций каждой входной переменной. Предположим, что каждая из шести указанных выше входных переменных имеет только по 2 градации. Но и в этом случае полная база правил состоит из 26 = 64 правил. Составить такие правила, основываясь на здравом смысле и понимании работы системы, довольно трудно. Выходом из создавшейся ситуации становится использование нейронечеткой системы, объединяющей в себе лучшие свойства нейронных сетей и нечеткой логики. Самое главное достоинство такой системы заключается в том, что база правил, какой бы значительной она ни была, формируется автоматически.
Далее применим гибридную нейронную сеть типа ANFIS (Adaptive Network-Based Fuzzy Inference System), схема которой показана на рис. 1 [11].
Система ANFIS является одной из первой схем гибридных нейронечетких сетей — нейронной сети прямого распространения сигнала особого типа. Идея нейронечетких систем заключается в определении параметров нечетких систем посредством методов обучения, используемых в нейронных сетях. Таким образом, метод ANFIS имеет все преимущества, присущие системам нечеткого вывода и нейронным сетям.
Механизм нечеткой логики может быть реализован с использованием алгоритма типа Э. Мамдани (Ebrahim Mamdani) или М. Сугено (Michio Sugeno). Основное различие между системами вывода Э. Мамдани и М. Сугено заключается в способе получения четкого выхода. В алгоритме Э. Мам-дани четкое значение выхода получается посредством де-фаззификации (переход от нечеткости к четкости) выходного нечеткого множества. В алгоритме М. Сугено на выходе
Рис. 1. Гибридная нейронная сеть типа ANFIS
формируется взвешенное среднее значение. ANFIS реализует систему нечеткого вывода Сугено в виде пятислойной нейронной сети прямого распространения сигнала.
Применение гибридных систем в управлении персоналом рассматривалось в [12—14], но в данной работе сделаем еще один шаг вперед, получив уравнение регрессии, которое связывает качество кандидата с характеризующими его признаками.
При использовании системы ANFIS необходима база примеров, которую создадим методом статистических испытаний. При формировании такой базы учтем размерность и диапазон изменения каждой переменной. Например, возраст и опыт работы измеряются в годах, остальные — в баллах по 10-балльной шкале; диапазон изменения переменной Age составит от 18 до 45 лет (класс годных кандидатов имеет возраст от 25 до 35 лет). Число разыгранных случаев для каждого класса составляет 10. Фрагмент базы примеров приведен в табл. 2 (первые 6 столбцов).
Для оценки качества кандидата на должность воспользуемся сетью ANFIS и табл. 2. Разыгранные данные дополнены столбцом 7, в котором экспертом выставлена оценка годности смоделированных работников. Решение задачи выполняется в программе MatLabR 2012b.
При работе в системе ANFIS разделим исходные данные на две группы: № 1—14 — для обучения; № 15—20 — для
тестирования. Загрузив в программу все данные, сгенерируем систему нечеткого вывода, используя опцию разделения данных на сетке (Gridpartition).
В системе используем гауссовы функции принадлежности для каждой из шести входных переменных. Параметры этих функций настраиваются с использованием алгоритма обратного распространения ошибок. Числа градаций для входных переменных установим следующим образом: 2; 2; 3; 2; 2; 3, т.е. первый вход имеет 2 градации, второй — также 2 и т.д. Общее число правил, которые в сети ANFIS формируются автоматически, составляет 144. В выходном слое применяется линейная функции принадлежности.
Структура сформированной системы ANFIS показана на рис. 2. Промежуток между вторым и третьим слоями
Таблица 2
Фрагмент смоделированной базы примеров
Age Edu Exp Eng Spe Com Expert ANFIS EqReg
1 2 3 4 5 6 7 8 9
28,8 7,5 4,4 9,3 7,5 7,7 7,0 6,3 6,2
26,0 6,2 3,9 9,0 7,4 6,0 6,0 4,0 4,1
31,0 6,5 4,9 8,0 7,9 9,5 7,0 7,0 6,9
34,0 6,3 3,8 9,4 7,5 9,4 6,0 7,1 7,1
33,8 8,4 3,8 8,5 9,6 7,2 9,0 9,4 9,4
Рис. 2. Структура системы ANFIS
Н Rule Viewer: Untitled
File Edit View Options
inputl = 29 input2 = 7 4 1 1 1 ~~ - 1 input3 = 4 input4 = 9 inputs = 8 inputs = 8 output = 6.33
3 ^^^ | Г29 7 - 9 S- S- | -1 —i i -—i i ———i i ~T~!
Рис. 3. Оценка качества посредством ANFIS
Рис. 4. Исходные данные и результаты ANFIS
практически зачернен вследствие большого количества созданных правил: 144.
После завершения обучения можно получить оценку качества кандидата, если воспользоваться опцией просмотра правил и ввести в окно ввода характеристики соискателя. Например, введя первую строку исходных данных из табл. 2, получим, что оценка годности (качества) этого кандидата составляет 6,33 балла по 10-балльной шкале. Фрагмент работы системы ANFIS представлен на рис. 3.
Повторив такую процедуру для всех строк табл. 2, получим оценку годности сотрудников, которые использовались в качестве обучающей выборки. В табл. 2 приведены оценки качества сотрудников, определенные с помощью системы ANFIS (столбец 8).
Те же результаты можно увидеть на рис. 4, где указаны исходные данные, используемые для обучения, и итог применения системы ANFIS.
Уравнение, связывающее выход с входными переменными, получается с использованием табличного процессора Excel и данных, которые приведены в табл. 2.
Найденное уравнение имеет вид
Y = -22,5 + 0,42*Age + 0,35* Edu + 1,08* Exp + + 0,45*X4 + 0,82*X5 - 0,14*Com.
Регрессионные статистики этого уравнения приведены в табл. 3.
Таблица 3
Регрессионные статистики
Множественный R 0,965255907
R-квадрат 0,931718966
Нормированный R-квадрат 0,863437932
Стандартная ошибка 0,927986814
Коэффициент детерминации имеет величину, равную 0,93, что свидетельствует о высокой степени адекватности полученного уравнения данным, использованным при его выводе. Рассчитанные по этому уравнению значения качества
приведены в столбце 9 табл. 2. Как следует из сопоставления столбцов 8 и 9 табл. 2, приведенные в них данные достаточно близки друг другу, учитывая небольшой объем обучающей выборки.
ЗАКЛЮЧЕНИЕ
Показано, что для оценки качества персонала можно использовать нейронечеткую систему ANFIS, позволяющую получить количественную оценку качества кандидата на должность. Кроме того, продемонстрирована возможность применения уравнения регрессии, при выводе которого в качестве выходной переменной взята оценка, найденная системой ANFIS. Поскольку процедура расчета посредством ANFIS достаточно трудоемка, то для ориентировочной оценки качества сотрудников может использоваться регрессионная оценка.
Последующие работы в данном направлении могут включать генетические алгоритмы для оптимизации различных методов подбора персонала. Кроме того, объединение в одну структуру нейронных сетей, нечеткой логики и генетических алгоритмов, по всей вероятности, позволит улучшить качество подбора соискателей в штат организации.
ЛИТЕРАТУРА
1. Khorami M., Ehsani R. Application of Multi Criteria Decision Making approaches for personnel selection problem: A survey. Int. Journ. of Engineering Research and Applications, 2015, vol. 5, no. 5, pp. 14-29.
2. Afshari A., Nikoli M., Сoсkalo D. Applications of fuzzy decision making for personnel selection problem — a review. Journ. of Engineering Management and Competitiveness, 2014, vol. 4, no. 2, pp. 68-77.
3. Drigas A., Kouremenos S., Vrettos S. An expert system for job matching of the unemployed. Expert Systems with Applications, 2004, vol. 26, pp. 217-224.
4. Kaynak S., Evirgen H., Kaynak B. Adaptive neuro-fuzzy inference system in predicting the success of student's in a particular course. Int. Journ. of Computer Theory and Engineering, 2015, vol. 7, no. 1, pp. 34-39.
5. Chen C.T. Extensions of the TOPSIS for group decisionmaking under fuzzy environment. Fuzzy Sets and Systems, 2000, vol. 114, no.1, pp. 1-9.
6. HuangL.C., HuangK.S., HuangH.P., JawB.S., 2004. Applying fuzzy neural network in human resource selection system. IEEE Annual Meeting of the Fuzzy Information. Processing NAFIPS '04, 2004, vol. 1, рр. 108-116.
7. Dejiang W. Extension of TOPSIS Method for R and D Personnel Selection Problem with Interval Grey Number. Proceedings of the MASS '09 International Conference on Management and Service Science, 2009, Wuhan, China, pp. 1-4.
8. Dursun M., KarsakE. A fuzzy MCDM approach for personnel selection. Expert Systems with Applications, 2010, vol. 37, no. 6, pp. 4324-4330.
9. Rouyendegh B.D., Erkan T.E. An application of the fuzzy ELECTRE method for academic staff selection. Human Factors and Ergonomics in Manufacturing and Service Industries, 2013, vol. 23, no.2, pp. 107-115.
10. ЗадеЛ.А. Роль мягких вычислений и нечеткой логики в понимании, конструировании и развитии информационных интеллектуальных систем [Текст] / Л.А. Заде // Новости искусственного интеллекта. — 2001. — № 2-3. — С. 7-11.
11. Jang J-S. R., Sun C-T., Mizutani E. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Prentice-Hall, 1997, 640 p.
12. Mewada K.M., Sinhal A., Verma B. Adaptive neuro-fuzzy inference system (ANFIS) based software evaluation. Int. Journ. of Computer Science Issues, 2013, vol. 10, no. 1, pp. 244-250.
13. Abbasi A., Asgari M. Supplier selection using adaptive neuro-fuzzy inference system and fuzzy delphi. Int. Journ. of Operations and Logistics Management, 2014, vol. 3, no.4, pp. 351-371.
14. SaghatiA., Zadkarim S., EmariH. Employee commitment prediction in civil projects using adaptive neuro-fuzzy inference system. Journ. of Current Research in Science, 2016, vol. 2, pp. 326-337.
REFERENCES
1. Khorami M., Ehsani R. Application of Multi Criteria Decision Making approaches for personnel selection problem: A survey. Int. Journ. of Engineering Research and Applications, 2015. vol. 5, no. 5, pp. 14-29.
2. Afshari A., Nikoli M., Soskalo D. Applications of fuzzy decision making for personnel selection problem — a review. Journ.
of Engineering Management and Competitiveness, 2014, vol. 4, no. 2, pp.68—77.
3. Drigas A., Kouremenos S., Vrettos S. An expert system for job matching of the unemployed. Expert Systems with Applications, 2004, vol. 26, pp. 217-224.
4. Kaynak S., Evirgen H., Kaynak B. Adaptive neuro-fuzzy inference system in predicting the success of student's in a particular course. Int. Journ. of Computer Theory and Engineering, 2015, vol. 7, no. 1, pp. 34-39.
5. Chen C.T. Extensions of the TOPSIS for group decisionmaking under fuzzy environment. Fuzzy Sets and Systems, 2000, vol. 114, no. 1, pp. 1-9.
6. Huang L.C., Huang K.S., Huang H.P., Jaw B.S., 2004. Applying fuzzy neural network in human resource selection system. IEEE Annual Meeting of the Fuzzy Information. Processing NAFIPS '04, 2004, vol. 1, rr. 108-116.
7. Dejiang W., Extension of TOPSIS Method for R and D Personnel Selection Problem with Interval Grey Number. Proceedings of the MASS '09 International Conference on Management and Service Science, 2009, Wuhan, China, pp. 1-4.
8. Dursun M., Karsak E. A fuzzy MCDM approach for personnel selection. Expert Systems with Applications, 2010, vol. 37, no. 6, pp. 4324-4330.
9. Rouyendegh B.D., Erkan T.E. An application of the fuzzy ELECTRE method for academic staff selection. Human Factors and Ergonomics in Manufacturing and Service Industries, 2013, vol. 23, no. 2, pp. 107-115.
10. Zade L.A. Rol' myagkikh vychisleniy i nechetkoy logiki v ponimanii, konstruirovanii i razvitii informatsionnykh intellektual'nykh system [The role of soft computing and fuzzy logic in understanding, designing and developing information intellectual systems]. Novosti iskusstvennogo intellekta [News of artificial intelligence]. 2001, I. 2-3, pp. 7-11.
11. Jang J-S. R., Sun C-T., Mizutani E. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Prentice-Hall, 1997, 640 p.
12. Mewada K.M., Sinhal A., Verma B. Adaptive neuro-fuzzy inference system (ANFIS) based software evaluation. Int. Journ. of Computer Science Issues, 2013, vol. 10, no. 1, pp. 244-250.
13. Abbasi A., Asgari M. Supplier selection using adaptive neuro-fuzzy inference system and fuzzy delphi. Int. Journ. of Operations and Logistics Management, 2014, vol. 3, no. 4, pp. 351-371.
14. Saghati A., Zadkarim S., Emari H. Employee commitment prediction in civil projects using adaptive neuro-fuzzy inference system. Journ. of Current Research in Science, 2016, vol. 2, pp. 326-337.
Михеев А.
50 секретов найма, управления и мотивации. практичные инструменты, которые сделаю вашу команду сильнее
М.: Омега-Л, 2018. 360 с.
Если, будучи руководителем или собственником бизнеса, вы испытываете дефицит профессиональных кадров; если вас огорчает равнодушие и безответственность вашего персонала; вы ждете от него такой же отдачи, как от самого себя, а вместо этого ежедневно боретесь с авралами и стараетесь все сделать самостоятельно; если вы замечаете, что ваши кадровые решения не всегда попадают в «десятку», а проблемы с людьми нарастают как снежный ком, то эта книга для вас. В ней вы найдете 50 ответов на самые насущные вопросы найма, управления и мотивации подчиненных. Она поможет по-новому взглянуть на человеческий ресурс в компании. Рекомендации, описанные в книге, помогут в течение ближайших трех недель наладить работу с сотрудниками и повысить их мотивацию.
Книга будет полезна собственникам малого и среднего бизкнига руководителям отдела продаж, проектным менеджерам, HR-специалистам и всем, кто заинтересован в эффективной работе персонала.
