Разработка интеллектуальной ИС для поиска, оценки, найма и адаптации персонала.

Введение

В начале 90-х годов прошлого века руководители крупных компаний столкнулись с ситуацией, когда спрос на высококвалифицированных работников стал явно превышать предложение. Этот факт привел к созданию такого направления деятельности как «Управление персоналом». В широком смысле управление персоналом подразумевает совокупность бизнес-процессов компании, направленных на поиск, привлечение, мотивацию и дальнейшее развитие человеческого потенциала.
Имеются две очевидные стратегии получения высококвалифицированного работника в штат компании. Первая стратегия состоит в поиске и привлечении специалистов со стороны. Вторая стратегия делает ставку на выращивание специалистов внутри самой компании. Каждая стратегия имеет свои достоинства, но также связана со специфическими трудностями.
В условиях конкуренции компаний высококвалифицированных работников, специалистов придется переманивать из других фирм. Этот процесс получил название «хедхантинг». Переманивание сотрудников из других компаний связано не только с большими материальными затратами, но и требует от HR-менеджеров глубоких знаний в области психологии.
С другой стороны, компания может делать ставку на развитие собственных человеческих ресурсов. В этом случае очевидной трудностью, с которой придется столкнуться руководителям, является скрупулёзный отбор кандидатов на дальнейшее продвижение, однако данная стратегия, при указанном условии, является менее затратной по сравнению с первой.


1. Поиск, оценка, найм и адаптация персонала с точки зрения математического моделирования

На сегодняшний день известно, что методы поиска кандидатов довольно хорошо разработаны, создано большое количество теорий, описывающих процесс привлечения работников. Однако самым сложным, затратным по времени и неоднозначным по результату остается этап, на котором непосредственно принимается решение о найме сотрудника. Проведение собеседований и просмотр резюме HR-менеджерами всегда связаны с человеческой субъективностью. Кроме того, не так-то просто найти менеджера по персоналу, обладающего достаточным профессиональным опытом, удержать его, замотивировать и т. д.
Самым пригодным для моделирования является процесс принятия решения о найме кандидата на должность, или, если речь идет о рекрутинговом агентстве, рекомендации его клиенту. Математическое моделирование принятия решений является разделом дисциплины под названием «Исследование операций», в которой для обоснования решений в различных областях человеческой деятельности применяются количественные методы.
Под операцией понимается всякая система действий, объединенных единым замыслом и направленных на достижение той или иной цели. Определение конкретных параметров операции, в данном контексте, будет являться принятием решения.
Целью исследования операций является количественное обоснование решений, в соответствии с некоторым показателем эффективности [1]. Важно подчеркнуть, что само принятие решений является прерогативой управленца, ответственного лица, поэтому, использование количественных методов в процессе подбора персонала может составить систему поддержки принятия решения.
Далее будем рассматривать процесс подбора персонала с позиции HR-менеджера кадрового агентства, перед которым стоит задача отбора из общей массы кандидатов тех, кого агентство впоследствии рекомендует фирме-клиенту.
Известно, что на услуги подбора персонала предоставляется своего рода гарантия: в случае, если предложенный работник не проходит испытательного срока, сумма выставляемого счета может быть существенно уменьшена. В некоторых случаях эта сумма может составлять до 50 % гонорара рекрутингового агентства, либо, если в течение испытательного срока соискатель и работодатель захотят расстаться, агентство производит равноценную замену [2]. В любом случае неудовлетворенность клиента подбором будет стоить агентству не только репутации, поэтому внутренняя отчетность кадровой компании всегда содержит информацию о тех кандидатах, которые не прошли испытательный срок, а, значит, их резюме можно легко извлечь из базы.
Первый подход к применению количественных методов в деле подбора персонала, предлагаемый в исследовании, основан на оценке вероятности прохождения испытательного срока работником. Далее, зная вероятность прохождения и установив некий порог, менеджер может принимать решение о рекомендации работника клиенту, основываясь на результатах, предсказанных моделью.
Математическая постановка задачи подбора персонала в этом случае выглядит следующим образом: пусть имеется вектор факторов X̅, отражающий информацию, представленную в резюме работника, который оказывает влияние на зависимую переменную 𝑌, которая, в свою очередь, принимает только два значения: 1 – если работник прошел испытательный срок и 0 – в противном случае. Тогда вероятность того, что 𝑌=1, необходимо выразить как функцию от факторов по формуле (1):
𝑃(𝑌=1|𝑋̅)=𝐹(𝑋) (1)
Как правило, в качестве функции F используются некоторые интегральные функции распределений [3], а в качестве аргумента берётся взвешенная сумма значений факторов, где весовые коэффициенты являются параметрами модели.
Второй подход к моделированию рекрутинга предполагает рассмотрение действий HR-менеджера как задачи классификации.
Задачи классификации представляют собой формализованные задачи, в которых множество объектов разделено некоторым образом на классы. С одной стороны, имеется множество объектов, для которых известны их классы. С другой стороны, имеется множество объектов, принадлежность к классам которых неизвестна. Задача состоит в том, чтобы построить алгоритм, который будет осуществлять классификацию произвольного объекта из второго множества. Такие задачи, как правило, решаются с помощью искусственных нейронных сетей.
Если рассматривать задачу рекрутера как задачу классификации, то совершенно очевидно, что классов будет всего два – «хороший» кандидат, в котором можно быть уверенным, что он пройдет испытательный срок и принесет пользу организации, и «плохой» кандидат, который, соответственно, испытательный срок не пройдет

.
Математическая постановка задачи в таком виде будет выглядеть следующим образом: каждому кандидату, с которым работает рекрутинговое агентство, поставим в соответствие признаковое описание, построенное на информации, извлеченной из его резюме. Множество кандидатов разделено на два класса: те работники, что прошли испытательный срок у компании клиента, и те, кто его не прошел.
Итак, имеется множество описаний кандидатов X и множество наименований классов, состоящее, соответственно, из двух элементов – 0, если работник не прошел Y испытательный срок у компании-клиента, и 1, если работник прошел испытательный срок. Значения целевой зависимости 𝐹:𝑋→𝑌 известны на объектах обучающей выборки {(𝑥1,𝑦1),…(𝑥𝑛,𝑦𝑛)} (как уже было сказано выше, любая рекрутинговая компания располагает информацией о прохождении испытательного срока, предложенными клиентам работниками). Требуется построить алгоритм 𝑘:𝑋→𝑌, способный осуществлять классификацию произвольного кандидата.
Теперь необходимо выделить факторы, которые будут включены в соответствующую модель. Очень многое о кандидате можно почерпнуть из информации, указанной в резюме. Одной из трудностей, с которыми сталкиваются эконометристы при оценке параметров моделей, являются пропуски данных в статистике. Решить эту проблему можно следующими способами [4]:
удалить записи с пропусками данных;
заменить отсутствующие значения на моду (данный способ хорошо работает в случае, если отсутствующих данных мало; сначала нужно вычислить распределение параметра, после чего заменить отсутствующие значения на его моду);
отсутствующие данные можно смоделировать, например, как в предыдущем случае, вычислив по имеющимся данным распределение параметра и проведя случайный эксперимент;
также можно заменить отсутствующие строки линейной комбинацией других строк.
Впрочем, если речь идет о резюме, присылаемых кадровому агентству, то данная проблема не должна иметь широкого распространения, так как все резюме заполняются типовым образом. К тому же, в случае с оценкой резюме, даже отсутствующие данные могут что-то сказать о кандидате.


2. Использование искусственных нейронных сетей для построения интеллектуальной ИС

Решение задачи классификации предполагает отнесение имеющихся образцов к определенным классам. Каждому образцу поставлено в соответствие признаковое описание - вектор, компоненты которого представляют собой различные количественные и качественные характеристики, описанные выше. Количество компонент этого вектора определяет размерность так называемого «пространства входов», разбитое на классы. Задачей алгоритма классификации, таким образом, является отнесение произвольного объекта к одному из классов. Благодаря своей исключительной способности моделировать нелинейные зависимости в данной области получили широкое распространение искусственные нейронные сети.
Искусственная нейронная сеть (далее - ИНС) представляет собой математическую модель и её программную реализацию, построенные по принципу организации и функционирования сетей нейронов головного мозга живого организма [5]. Данное понятие возникло во время исследования процессов, протекающих в мозге, и при первых попытках моделирования данного процесса. Первые результаты были получены У. Маккалоком и У. Питтсом. В дальнейшем, после того как были разработаны алгоритмы обучения, такие модели стали применять на практике для решения задач прогнозирования, распознания, классификации, задач управления и др.
Искусственная нейронная сеть представляет собой систему взаимосвязанных и взаимодействующих простых процессоров – искусственных нейронов. Каждый нейрон получает и передает сигналы другим нейронам. Будучи соединенными в достаточно большую сеть, такие локально простые операторы могут решать довольно сложные задачи.
Нейронная сеть, с точки зрения машинного обучения, является частным случаем методов распознавания образов, методов кластеризации, дискриминантного анализа. С точки зрения математики, задача обучения ИНС является задачей многопараметрической нелинейной оптимизации.
Далее, рассмотрим, какие нейросетевые модели могут быть наилучшим образом применены для решения поставленной задачи. Простейшим и исторически первым искусственным нейроном является предложенный в 1943 году У. Маккаллоком и У. Питтсом бинарный элемент [6]. Такой нейрон вычисляет взвешенную сумму с n входных сигналов и формирует единичный сигнал на выходе, если взвешенная сумма превышает некий порог (в противном случае значение на выходе равно нулю).
Модель нейрона Маккаллока-Питтса выглядит следующим образом (2):
(2)
где 𝑦𝑖 – выход j-го нейрона, 𝑥𝑖 – i-й вход нейрона, 𝑤𝑖𝑗 – синаптический вес j-го нейрона на i-м входе. Функция F называется активационной функцией нейрона.
Графически, нейрон представлен на рисунке 1.

Рисунок 1. Модель нейрона

Одиночный нейрон способен выполнять лишь простейшие процедуры классификации, в то время как для более универсальных вычислений необходима система из нескольких параллельно функционирующих нейронов. Такая система будет представлять собой простейший вид ИНС – однослойную нейронную сеть, схематично представленную на рисунке 2.

Рисунок 2. Однослойная ИНС

Элементы-круги слева служат только для распределения входных сигналов и не выполняют каких-либо вычислений, отчего не будут считаться слоем. Квадратные элементы представляют собой искусственные нейроны, устройство которых описано выше. Каждый элемент множества входов соединен с каждым нейроном через так называемую синаптическую связь