ВВЕДЕНИЕ

Кадровые агентства представляют собой специализированный социальный институт. Существует ряд социальных факторов, способс- твующих активному внедрению данного инсти- тута в систему функционирования рынка труда. Это связано, прежде всего, с коммуникативно- информационной, организационной и регуля- тивной функциями кадровых агентств.

Условно весь рекрутинговый бизнес можно представить в виде пирамиды. Верхнюю часть занимают агентства, специализирующиеся на прямом поиске известных топ менеджеров и обращение к ним с предложением о смене мес- та работы. Среднюю часть пирамиды составля- ют агентства, подбирающие специалистов: бухгалтеров, менеджеров, финансовых специ- алистов, IT специалистов и т. д. Данные компа- нии используют в основном технологию стан- дартного поиска, предполагающую: анализ предыдущих заказов на аналогичные вакансии; поиск кандидатов в компьютерной базе данных; размещение информации о вакансии в прессе, размещение информации на сайте агентства или других сайтах; отбор соискателей посредством собеседований. В основании пирамиды нахо- дятся в основном молодые агентства, подбира- ющие персонал на низшие позиции.

© Азарнова Т. В., Терновых И. Н., 2009

Процедура отбора в механизме стандартно- го поиска обычно состоит из нескольких ступе- ней, которые следует пройти соискателям: бе- седа; заполнение специального бланка-анкеты; этап тестирования, в каждом конкретном случае разрабатывается специальная программа тес- тирования; проверка рекомендаций. Каждый из описанных этапов направлен на получение некоторой входной информации о соискателе, в последствии, в силу того, что кадровые агент- ства отслеживают работу рекомендованных ими кандидатов, появляется информация об удов- летворенности предприятия-заказчика работой предоставленных кадровым агентством сотруд- ников, как правило, состоящая из оценки кри- териев успешности выполнения работы. Вся эта информация хранится в базе данных кадрового агентства. Правильное структурирование, об- работка и обобщение данной информации средствами новейших ориентированных на маркетинг информационных технологии поз- волит существенно повысить эффективность деятельности кадровых агентств.

Деятельность кадровых агентств ориентиро- вана на потребителей рабочей силы — работо- дателей. Потенциальный рынок, на котором выражают свой определенный спрос работода- тели и конкретизируют свое предложение на- емные работники, состоит из ряда отдельных сегментов. Применительно к рынку труда его

сегментирование представляет собой процесс разбивки предложения рабочей силы и спроса на нее на группы, выражающие совокупности, которые одинаково реагируют на один и тот же побудительный мотив занятости. Каждый из них характеризуется схожими потребностями со стороны потребителей, одноименными свойс- твами рабочей силы или однотипным поведе- нием наемных работников. В нашем дальней- шем исследовании сегмент рынка труда с пози- ций работодателей будет считаться известным, предложенные модели касаются оценки соот- ветствия кадров требованиям работодателей из данного сегмента.

ОБСУЖДЕНИЕ РЕЗУЛЬТАТОВ

Формально механизм оценки соответствия кандидата требованиям различных сегментов рынка труда и занятости можно представить как механизм распознавания, насколько построен- ный вектор характеристик кандидата X = (x1,x2,...,xn ) воспроизводит усредненный образ Y = (y1,y2,...,ym ) требований работодате- лей из определенного сегмента рынка труда (величины yk k = 1,m могут измеряться в специальныхрейтинговыхшкалахили yk Œ [0,1] k = 1,m и отражать степень выраженности оп- ределенного требования) и в целом обобщенный показатель m Œ [0,1] удовлетворенности рабо- тодателя данным кандидатом. Вектор характе- ристик кандидата включает весь спектр данных, полученных на всех этапах стандартного отбора. Многие из этих качеств отражают анализ содер- жания работы. Анализ содержания работы осуществляется на основании специальных опросных листов.

Для измерения характеристик кандидатов используются апробированные методы измере- ния, в частности, применяются специальные тесты. Сложность заключается в том, что всегда не до конца решенным остается вопрос о валид- ности метода отбора, т.е о качестве измерения и об оптимальности именно данного набора ха- рактеристик для выяснения соответствия дан- ной позиции. Любая измерительная система должна измерять именно то, для чего она пред- назначена. Требования работодателей отражают определенные критерии успешности выполне- ния работы. Релевантность критериев выпол- нения работы определяется степенью, до кото- рой ее использование в качестве индекса успе- ха соотносится с действительным успехом в

любом данном виде деятельности. Традиционно критерии выполнения работы классифициру- ются на три основных типа, отражая показатель производственного процесса, оценочные дан- ные и сведения о персонале. К сожалению, ра- ботодатели очень часто не могут четко сформу- лировать требования, возможно, их интересуют даже не отдельные компетенции, а комбинации компетенций, работодателю легче в целом оце- нить степень соответствия сотрудника опреде- ленной позиции уже после того как он порабо- тал на данной позиции. Кадровые агентства отслеживают судьбу рекомендованных ими кандидатов, и знают оценку работы данных людей со стороны работодателей. Оценку соот- ветствия требованиям работодатель производит на основании своих ощущений и опыта работы на данном сегмента рынка труда и занятости. Для формализации процесса оценки разраба- тываются специальные поведенческие шкалы, например, рейтинговые.

Интерес представляет построение формали- зованного механизма распознавания степени соответствия кандидата требованиям работода- телей, способного некоторым образом обучать- ся, т.е. воспроизводить и обобщать опыт рабо- тодателей. Сама постановка задачи подводит к тому, что в основу разработки подобных меха- низмов могут быть положены нейросетевые технологии. Проведем краткие рассуждения, лежащие в основе искусственных нейронных сетей [ 1]. Эти рассуждения дают некоторое обоснование для использования нейросетевых механизмов при решении описанной выше задачи.

Люди решают сложные задачи распознава- ния образов, классификации, принятия реше- ний с обескураживающей легкостью. Это осу- ществляется нервной системой. Нервная сис- тема состоит из совокупности клеток — нейро- нов, которые контактируют друг с другом при помощи отростков — дендритов и аксонов. Нейроны — специализированные клетки, спо- собные принимать, обрабатывать, кодировать, передавать и хранить информацию, организо- вывать реакции на раздражения, устанавливать контакты с другими нейронами, клетками ор- ганов.

Искусственные нейронные сети состоят из искусственных нейронов, функциональные возможности которых аналогичны большинству элементарных функций биологического нейро-

на. Эти элементы организуются по способу, который в какой-то мере может соответствовать анатомии мозга. Несмотря на поверхностное сходство, искусственные нейронные сети де- монстрируют удивительное число свойств, присущих мозгу. Например, они обучаются на основе опыта, обобщают предыдущие прецеден- ты на новые случаи и извлекают существенные свойства из поступающей информации, содер- жащей излишние данные. Искусственные ней- ронные сети могут менять свое поведение в за- висимости от внешней среды. После предъяв- ления входных сигналов (возможно, вместе с требуемыми выходами) они самонастраивают- ся (обучаются), чтобы обеспечивать требуемую реакцию. Было разработано множество обуча- ющих алгоритмов, каждый со своими сильными и слабыми сторонами. Отклик сети после обу- чения может быть до некоторой степени нечувс- твителен к небольшим изменениям входных сигналов. Эта внутренне присущая способность видеть образ сквозь шум и искажения жизнен- но важна для распознавания образов в реаль- ном мире.

Вопрос о возможности построения на базе нейронных сетей формализованного механизма распознавания степени соответствия кандидата требованиям работодателей сводится к проблеме возможности точного представления или ап- проксимации с помощью нейронной сети отоб- ражения, которое входному вектору характерис- тик кандидата X = (x1,x2,...,xn ) ставит в соот- ветствие усредненный образ Y = (y1,y2,...,ym ) соответствия требованиям работодателей из определенного сегмента рынка труда и занятос- ти или (и) в целом обобщенный показатель m Œ [0,1] удовлетворенности работодателя.

Говоря о нейронных сетях, речь идет о при- ближении функций многих переменных с по- мощью линейных операций и суперпозиций функций одного переменного. Каждая сеть состоит из формальных нейронов. Нейрон по- лучает на входе вектор сигналов x , вычисляет его скалярное произведение на вектор весов и применяет некоторую функцию одного пере- менного. Результат рассылается на входы дру- гих нейронов или передается на выход. Таким образом, нейронные сети вычисляют суперпо- зиции простых функций одного переменного и их линейных комбинаций.

Следующее утверждение является теорети- ческой основой для построения требуемых по

постановке рассматриваемой задачи функций на базе нейронных сетей.

Теорема 1 [2]. Для любого множества пар входных-выходных векторов произвольной размерности (Xk ,Y k ), k = 1,K существует двух- слойная однородная нейронная сеть с последо- вательными связями, с сигмоидальными

Ê	1		ˆ
Á f(s) =			˜	активационными функциями
	1 + e	-as
Ë		¯

и с конечным числом нейронов, которая для каждого входного вектора Xk формирует соот- ветствующий ему выходной вектор Y k .

Таким образом, для представления много- мерных функций многих переменных может быть использована двухслойная однородная нейронная сеть с сигмоидальными активацион- ными функциями.

Для оценки числа нейронов в скрытых сло- ях однородных нейронных сетей можно вос- пользоваться формулой для оценки необходи- мого числа синаптических весов Nw в много- слойной сети с сигмоидальными передаточными

функциями:
			NyNp			£ Nw	£
	1 + log2(Np )
	Ê Np ˆ
£	Ny Á			˜ ◊ (NX	+ Ny + 1)			+ Ny ,

Ë Nx ¯

где Ny — размерность выходного сигнала;

Np — число элементов обучающей выборки;

NX — размерность входного сигнала. Оценив

необходимое число весов, можно рассчитать число нейронов в срытых слоях. Например, число нейронов в двухслойной сети составит:

N = Nw , Nx + Ny

аналогично можно рассчитать число нейронов в сетях с большим числом слоев.

Если определено количество скрытых слоев и количество нейронов в каждом слое, то прежде чем применить сеть для решения задачи про- гнозирования соответствия кандидатов требо- ваниям работодателей из рассматриваемого сегмента рынка труда, необходимо задать опти- мальные значения весовых коэффициентов для каждого нейрона, на каждом слое сети. Форми- рование таких оптимальных весов называется процессом обучения нейронной сети. Обучение опирается на некоторые эталонные сигнал-век- торы или эталонную выборку (когда известно, какой сигнал подается на вход нейронной сети

и какой должен получиться на выходе). Такой процесс обучения называется обучением с учи- телем или обучением по эталону. В рассматри- ваемой в данной статье задаче роль эталонной выборки будет играть выборка пар наборов характеристик кандидатов X = (x1,x2,...,xn ) и критериев успешности выполнения работы Y = (y1,y2,...,ym ), которые хранятся в базе данных кадрового агентства.

Для решения задачи предлагается использовать однородную многослойную сеть прямого распространения без обратных связей, обучение которой будет осуществляться по алгоритму обратного распространения (Back-Propagation Algorithm). Схема работы такой сети приведена на рис. 1.

ЗАКЛЮЧЕНИЕ

Приведем общую схему предложенного нейросетевого механизма (рис. 2) и сделаем некоторые практически актуальные замечания. Отметим следующее:

—работоспособность предложенного ней- росетевого механизма зависит от того насколь- ко: правильно выделен сегмент рынка труда; правильно подобраны входные параметры кан- дидатов; валидны и надежны механизмы изме- рения входных параметров; релевантны пара- метры успеха.

—можно строить нейросетевые механизмы,

выходом которых для новых кандидатов явля- ется скалярная величина m Œ [0,1] общей удов- летворенности работодателя; можно строить

композиции нейронных сетей, выходом первой нейросети является многомерный вектор Y = (y1,y2,...,ym ), затем данный вектор как входной подается на вход второй нейросети, выходом которой является величина m Œ [0,1] .

— аналогичные нейросетевые механизмы с успехом могут использоваться во внутренней аналитической деятельности кадровых агентств, например, они как и специальные статистичес- кие методы могут решать проблемы валидности и надежности используемых методов измере-

ния, проблемы релевантности критериев успеха профессиональной деятельности.

— можно организовать нейросетевой меха- низм по методике Т.П. Зинченко, автор разра- ботал универсальный опросник, который по его мнению позволяет выявить профессионально- важные качества по любой специальности.

СПИСОК ЛИТЕРАТУРЫ

1.Уоссермен Ф. Нейрокомпьютерная техника: теория и практика / Ф. Уоссермен — М.: Мир, 1992. — 380 с.

2.Горбань А. Н. Обучение нейронных сетей. — М.: СП “ПараГраф”, 1990. — 160 с.

Азарнова Т.В. — к. ф.-м. н., доц. каф. мате- матических методов исследования операций, Воронежский государственный университет.

Терновых И.Н. — каф. математических методов исследования операций, Воронежский государственный университет.

Azarnova T.A. — Candidate of physics-math. Sciences, Associate Professor, the dept. of the Mathematical Methods of Operation Research, Voronezh State University.

Ternovih I.N. — the dept. of the Mathematical Methods of Operation Research, Voronezh State University.