Анализ и прогнозирование процесса трудоустройства молодых специалистов с помощью мультиагентной имитационной модели

Аннотация

Разработана агентно-ориентированная модель, которая реалистично отражает поведение людей и предприятий при поиске работы в зависимости от социальных и профессиональных факторов, делегированных членам искусственных обществ модели государственной системы трудоустройства.

Введение

Качественная подготовка и трудоустройство всех выпускников университетов – это одна из самых серьезных проблем любого государства. С позиции теории управления процесс обучения является динамичным и характеризуется большой инерционностью. Последствия изменения одного из факторов можно узнать только по окончанию обучения студентов, т.е. через 4–6 лет. Поэтому актуальным, как в экономическом, так и в социальном плане, является разработка моделей, позволяющих своевременно оптимизировать затраты на образование и прогнозировать результаты инновационных преобразований в подготовке кадров. Однако формально (математически) описать процесс обучения и трудоустройства не представляется возможным. В этом случае целесообразно разрабатывать имитационную модель, которая может с достаточной точностью обеспечить проведение необходимых исследований по этой проблеме. Безусловно, это будет сложная динамическая модель, которая в общем случае должна включать в себя подмодели юридических субъектов макроуровня (министерство образования, ВУЗ, фирмы) и подмодели микроуровня (молодые специалисты – выпускники ВУЗа) (рисунок 1).

Таким образом, в системе подготовки и трудоустройства молодых специалистов можно выделить следующие элементы: молодые специалисты, учебное заведение, министерство образования и фирмы (предприятия). Перечисленные элементы системы территориально удалены друг от друга, неоднородны по структуре и их деятельность интеллектуальна по своей природе. Все вместе они образуют сложную распределенную систему, в рамках которой решаются известные задачи по подготовке кадров.

Рисунок 1. Общая структура агентно‑ориентированной модели процессов подготовки молодых специалистов и их трудоустройства

Эти особенности обуславливают целесообразность применения теории интеллектуальных агентов к разработке имитационной модели для анализа и управления процессами подготовки кадров и их трудоустройства. При этом возникает сложная, но очень актуальная задача формализации поведения людей на основе принципа ограниченной рациональности, который в настоящее время открывает новые перспективы в создании качественных моделей социально‑экономических систем.

Заключительным этапом обучения в ВУЗе является процесс трудоустройства выпускников на фирмы в соответствии с полученной специальностью. В этом процессе одна сторона (фирма) заинтересована в подборе лучших выпускников, а другая сторона (выпускник) выбирает фирму по социально‑экономической привлекательности (зарплате, условиям труда, возможности профессионального роста и т.д.). Этот процесс является сложным и важным как для его непосредственных участников, так и для государства в целом.

Поэтому целью данной работы является выявление с помощью моделирования проблем, связанных с оценкой качества подготовки молодых специалистов и их трудоустройством в условиях реального спроса и предложений на рынке труда.

Разработка мультиагентной модели

Как известно, прием на работу молодых специалистов осуществляется предприятием или фирмой, исходя из их потребностей в кадрах. Молодой специалист при поиске работы проходит собеседование на фирме и(или) выполняет тестовые задания, по результатам которых соискателя принимают или не принимают на имеющуюся вакансию. В то же время выпускник может отказаться от предлагаемой должности, если его не устраивают предложенные фирмой условия труда, и продолжить поиски.

Фирма при собеседовании дает выпускнику анкету, в которую он заносит данные о себе и выполняет тестовые задания, после чего фирма оценивает анкету и ответы соискателя. Выпускник в то же время получает информацию о требованиях к соискателям, условиях работы и формирует для себя субъективную оценку о привлекательности фирмы. После завершения этих процессов фирма и выпускник должны принять общее соглашение о заключении или не заключении трудового договора.

Исходя из схемы диалога во время собеседования выпускника с представителем фирмы, была построена структура агентно‑ориентированной модели (рисунок 2). Эта модель состоит из двух типов искусственных (программных) агентов: агента фирмы и агента выпускника. Взаимодействие агентов начинается с того, что агент фирмы рассылает условия заданий всем агентам выпускников. Агенты выпускников решают полученные задания и возвращают свои решения (ответ) фирме, которая прислала им задание. Далее, если агент фирмы принял решение о том, что некоторый агент выпускник удовлетворяет требованиям фирмы, то отправляет ему сообщение с предложением принять участие в конкурсе на имеющуюся вакансию на предлагаемых условиях труда. Если этот агент выпускника побеждает в конкурсе с другими отобранными агентами и его устраивают условия труда на фирме, то заключается трудовой договор. В противном случае трудовой договор между ними не заключается и агент продолжает поиски работы на других фирмах.

При построении искусственных агентов была выбрана нейросетевая архитектура. Поскольку речь идет об имитации поведения множества людей, то применяемые модели должны иметь возможность обучаться на данных реально проводимых персональных опросов нескольких десятков выпускников и представителей фирм. Как известно, достоинство нейронных сетей состоит в возможности их обучения. Поэтому нейронные сети, обученные на большом количестве наблюдений, будут хорошо отражать реальные ситуации.

Доказано, что нейронная сеть, обладающая необходимыми представляющими свойствами, способна в ходе ее обучения выявлять скрытые закономерности и, в конечном счете, аппроксимировать любую обнаруженную непрерывную функциональную зависимость между входными и выходными переменными.

Рисунок 2. Структура модели собеседования при трудоустройстве выпускника на фирму

Эти достоинства нейросетей и наличие информации о ролевых действиях сущностей системы трудоустройства позволили успешно использовать нейросетевую архитектуру агентов для реализации передаваемых им интеллектуальных полномочий, не выходящих за рамки ограниченной рациональности. В частности, интеллектуальными задачами, которые решаются нейросетевым способом, являются: оценивание выпускником условий труда на фирме, решение студентом типовых заданий по профилю фирмы, оценивание фирмой ответов выпускника на тестовые задания. С этими задачами успешно справляется трехслойный персептрон с нелинейной функцией активации. На рисунке 3 из ансамбля нейронных сетей, принадлежащих агенту Выпускник, показана одна, которая настроена на решение тестовых заданий фирмы по ее профилю (например, по разработке интеллектуальных систем, баз данных и т. п.).

В качестве примера рассмотрим идею построения обучающего множества для настройки нейросети агента Выпускник. Для передачи профессиональных навыков от молодого специалиста (источника знаний) к нейросетевому программному агенту использовались коммуникативные методы извлечения знаний из реальных студентов‑выпускников и алгоритм настройки нейросети по стратегии обучение с учителем.

Рисунок 3. Структура нейронной сети, реализующая определенную ролевую функцию агента Выпускник

В качестве входного сигнала нейросети использовался вектор X, который бинарно кодировал тестовое задание, отправляемое фирмой студенту‑выпускнику. Компоненты вектора делятся на две логические части: первая часть кодирует направление профессиональной деятельности фирмы, а вторая часть – определяет конкретное тестовое задание. По коду направления профессиональной деятельности фирмы определяется соответствующая нейросеть из ансамбля нейросетей агента выпускника, которая настроена на решение заданий по данному разделу программной инженерии. Выходным сигналом нейросети является вектор Y. Его компоненты соответствуют номерам в списках знаний и умений, относящихся к одному из разделов программной инженерии, которые необходимо применить для выполнения контрольного задания. Значения выходных сигналов Y нейросети варьируются от 0 до 1 и обозначают субъективное мнение выпускника по целесообразности применения того или иного знания и умения в процентах. Чем ближе значение некоторого компонента вектора Y к 0, тем меньшую роль играет соответствующее знание или умение в решении предложенного задания, и наоборот.

Для извлечения знаний из выпускников были составлены опросные анкеты по каждому разделу программной инженерии (например, Системы искусственного интеллекта, Базы данных и т. д.), из которых формировались обучающие множества для нейросетей. В анкету входил набор типовых заданий по каждому из намеченных разделов учебного плана специальности и правильные ответы к ним в виде номеров необходимых знаний и умений из предлагаемого списка для их решения. На рисунке 4 показаны некоторые задания, вошедшие в анкету, и схема получения обучающих пар для настройки нейросети агента соискателя.

Рисунок 4. Схема извлечения знаний для обучения нейронной сети агента выпускника ВУЗа

Многоагентная система моделирования разработана в инструментальной среде MadKit. Архитектура платформы MadKit основана на AGR (Agent/Group/Role) модели, которая базируется на трех ключевых понятиях: агент, группа и роль. Взаимодействие агентов в MadKit осуществляется с помощью асинхронной передачи сообщений.

Заключение

Рассмотрим один из экспериментов, посвященный моделированию процесса трудоустройства выпускников с низким уровнем профессиональной подготовки. В эксперименте запланировано участие 3‑х фирм, у которых имеется определенное количество вакансий: первый агент фирмы (company‑1) имеет 2 вакансии, второй (company‑2) – 4 и третий (company‑3) – 1. В качестве кандидатов на работу в этих фирмах запланировано участие 15 выпускников ВУЗа с низким уровнем знаний по профилю данных фирм. Условия труда, которые предлагают фирмы в данном эксперименте, оценивались выпускниками по 8 показателям: заработная плата, предоставление жилья, форма собственности и т. д.

Динамика процесса визуализируется с помощью специальных окон (рисунок 5), в которых на каждом шаге моделирования отображается состояние трудоустройства, т.е. сколько и кого уже отобрала каждая фирма, какие выпускники еще проходят собеседование и т. д.

Рисунок 5. Конечное состояние моделирования трудоустройства

С помощью данной модели были проведены и другие эксперименты, соответствующие реальным проблемным ситуациям при трудоустройстве выпускников ВУЗа. Исследования показали, что разработанная агентно‑ориентированная программная модель системы трудоустройства выпускников работает правдоподобно и может быть использована для анализа определенных проблем подготовки кадров и прогнозирования перспектив в трудоустройстве студентов старших курсов университета.