Разработка информационной системы Кадровое агентство выпускников (стр. 15 из 21)

Группа качеств	Показатели	Вычисление значение
Эмоциональная стабильность
Умение мобилизовать коллектив на решение поставленных задач
Готовность к риску
Уравновешенность, здравомыслие
Напористость
Педантичность
Организованность
Адекватная самооценка
Креативность
Способность и умение поддерживать дисциплину и отстаивать интересы дела

Рейтинг выпускника считается по формуле (2.1):

Р =Д*Р+(П1*Р+П2*Р+Пn*Р)+(Л1*Р+Л2*Р+…+Л44*Р), (2.1)

где Р – рейтинг выпускника;

Д - баллы из справочника соответствия специальности;

П - сумма оценок по предметам скорректированная на вес принадлежности предмета к определенной области;

Л - баллы за соответствующую характеристику из справочника личных качеств;

В - важность показателя для работодателя.

Алгоритм эффективной информационной технологии профессионального клиринга выпускников с использованием Бизнес-Аналитика на естественном языке можно описать следующим образом (см. таблицу 2.12).

Таблица 2.12 – Алгоритм эффективной информационной технологии профессионального клиринга выпускников с использованием Бизнес-Аналитика

Этап	Содержание работ
1 Работодатель заполняет заявку на вакансию (см. таблицу 2.10) и профессиограмму должности (см. таблицу 2.8).	1.1 Заявка представляет собой стандартную форму для заявки и затруднений в заполнении не вызывает. 1.2 Профессиограмма в этом случае заполняется также, как и при заполнения профессиограммы для автоматизированного подбора, но видоизменяется: в ней работодатель, кроме требований к личностным качествам кандидата, теперь может отмечает для каких именно типовых работ ему требуется специалист.
2 Далее подбор кандидата происходит по следующему алгоритму.	2.1 В зависимости от отмеченных типовых работ формируется набор требований к выпускнику. Эти требования детализируются до знаний, умений, навыков, описываемых рядом предметов, которые он должен освоить. У каждого предмета есть свой вес (значимость) в багаже знаний. Показатели построенных деревьев рассчитывается или с помощью формул, или с применением нейронных сетей, или экспертной оценки в Бизнес-Аналитике. В ходе работы сформировано дерево оценки профпригодности выпускника специальности ИСЭ для разработки АИС (см. рисунки 2.34-2.36 и Приложение Ж).
	2.2 Сформированные деревья базовых показателей со значениями конкретных показателей из таблиц «Профессиональные характеристики выпускников», «Личностные характеристики выпускников» и иных необходимых таблиц для расчета рейтингов экспортируем в АИС «Бизнес – Аналитик».
	2.3 В режиме администратора проектируется структура гибридной экспертной системы и настраиваются методы решения в узлах графа связей задач. При выборе нейросетевого метода решения администратор определяет структуру и параметры
Этап	Содержание работ
сети, формирует обучающую выборку [8, 9, 14, 22]. Для продукционной системы он вербализует показатели и составляет правила продукции. Для формализованных задач – задает формулы.
2.4 В режиме пользователя рассчитывается рейтинги выпускников, показывающий возможности выпускника для выполнения данных типовых задач на основе уже настроенных методов. Полученные рейтинги заносятся в БД «Выпускники».
3 Список отобранных выпускников, ранжированный по уменьшению рейтинга выводится для изучения работодателю

Выбор метода решения в узлах дерева, обозначенного в таблице 2.12 пункте 2.1 зависит от целого ряда факторов, которые делятся на две группы. Во-первых, это характеристики решаемой задачи, во-вторых, это характеристики возможных методов решения, в том числе продукционных экспертных систем и нейронных сетей, и предпочтения пользователя, решающего задачу.

Характеристики задачи в значительной степени влияют на способ и возможность ее решения. Для задач оценки главной характеристикой является сложность ее решения. Определение сложности задачи неоднозначно. На основе анализа подходов к понятию сложности в выделены следующие характеристики задач, по которым определяется их сложность: размерность, доступность информации, динамичность, детерминированность, характер входных показателей.

Аналитические зависимости, или формулы, можно использовать для решения задач малого и среднего размера. Построение формулы для большого количества показателей затруднено. Доступность информации косвенно влияет и на динамику изменения, и на детерминированность связей, поэтому формулы можно применять при решении задач, вся информация о которых легко доступна. Функциональная зависимость может отразить только задачи с определенным (детерминированным) механизмом функционирования

Продукционные экспертные системы могут решать и более сложные задачи. Их тип сложности можно охарактеризовать как разрешимые и трудно разрешимые. Они могут быть использованы и для решения простых задач, однако затраты на создание базы знаний будут не сопоставимы с эффектом.

Экспертные системы лучше использовать для решения задач среднего размера, поскольку при большом числе правил, модификация базы знаний сильно затруднится. Способность экспертных систем к наращиванию базы знаний в процессе эксплуатации позволяет использовать их при решении изменчивых задач. Внесение изменений в базу знаний производится экспертом, что может занять значительное время, поэтому решение нестабильных задач в рамках экспертной системы затруднено. Наличие коэффициентов уверенности внутри системы позволяет решать стохастические задачи, а структура правил базы знаний работать с качественными показателями.

Нейронные сети позволяют решать задачи, для которых нет информации о методах решения, но есть статистический материал. Таким образом, нейронные сети можно использовать для решения трудно разрешимых задач, а при наличии достаточного статистического материала – и неразрешимых. Нейронные сети могут оперировать большим числом показателей. Качественные признаки можно представить для нейронных сетей посредством введения отдельного входного показателя для каждого значения качественного признака и обозначения его наличия/отсутствия через "1" или "0". Нейронные сети легко модифицируются, дообучаются, т.е. пригодны для решения изменчивых и нестабильных задач. Для обучения нейронных сетей задачник может быть построен экспертом на основании предположений и может быть уточнен позже при появлении информации, нейронная сеть в этом случае дообучается по измененному задачнику.

Кроме характеристик задач и методов решения при выборе агрегатов играют роль предпочтения пользователя, например, о степени прозрачности решения.

Для обучения нейронных сетей с учетом совокупного мнения экспертов были предварительно подготовлены обучающие выборки, которые содержат примеры, описывающие состояние объекта исследования, и значения целевого параметра. Обучающую выборку можно составить на основе накопленного опыта за прошлые периоды.

Таким образом процедуру расчета рейтинга выпускника (см. таблицу 2.12 пункты 2.3 и 2.4) можно разбить на две части. Сначала происходит настройка системы на решение конкретной задачи (оценка рейтинга выпускника), а затем ее непосредственное решение и интерпретация результата (рисунок 2.33).

Рисунок 2.33 – Последовательность действий при работе в аналитическом блоке программы

2.3.12 Программа и методика испытаний системы

Испытания системы будут проводиться в 2 этапа. 1 этап – это тестовая эксплуатация на локальном web-сервере кафедры ИСЭ. 2 этап - тестовая эксплуатация на web-сервере АлтГТУ.

На 1 этапе преследуется цель проверить на практике верность концепции проектных решений.

Перечень проверок на этом этапе включает:

- соответствие системы ТЗ;

- комплектность системы;

- комплектность и качество документации;

- комплектность, достаточность состава к качество программных средств и программной документации;

- степень выполнения требований функционального назначения системы.

В испытательную комиссию 1 этапа испытаний входят:

- администратор системы;

- администратор БД системы;

- другие специалисты кафедры ИСЭ, занимающиеся разработкой информационно-аналитической системы профессионального клиринга.