Может ли ИИ предсказывать успех сотрудников в проекте?

Традиционные методы оценки работы сотрудников часто зависят от личного мнения руководителя, что может быть предвзято, неточно и несправедливо. Это не только демотивирует персонал, но и мешает компаниям принимать правильные решения, что ведет к провалам проектов.

– Старые подходы к оценке эффективности не учитывают всех нюансов и не позволяют точно прогнозировать будущий успех команды, – объясняет один из авторов работы, профессор гуманитарно-педагогического института ТГУ Светлана Гудкова. – Нашей целью было предложить объективный и надежный инструмент.

Исследователи разработали консолидированную модель построения двухступенчатой информационно-аналитической системы поддержки принятия решений, которая использует связку из двух мощных технологий: бизнес-аналитика помогает собирать и упорядочивать огромные объемы данных (история работы, обучение, демография, контекстные факторы), а интегрированная нейронная сеть затем анализирует эти данные и формирует рекомендации.

Процесс создания такой системы состоит из восьми логических шагов, начиная со сбора и очистки данных на каждого сотрудника и заканчивая «тонкой настройкой» алгоритмов, чтобы добиться максимальной точности предсказаний. Используются такие методы, как «прогнозирующее моделирование» (для предсказания будущих успехов), «обработка естественного языка» (для анализа текстовых отзывов и настроений сотрудников), «кластерный анализ» (для группировки похожих сотрудников).

Новизна в том, что на основе математических моделей предложена структура интеллектуальной информационно-аналитической системы управления согласованным взаимодействием участников инновационного проекта.

В результате проведенной работы учёные создали пошаговую методику обучения нейронной сети для точной оценки стоимости программных проектов. Используя детальные параметры сложности проекта, от удобства пользователя до технических требований, нейронная сеть выдает новый показатель «комплексной оценки стоимости проекта программного обеспечения» (CSPCE). Это позволяет компаниям заранее знать, сколько денег, времени и людей потребуется, во избежание перерасходов и задержек.

Также разработан мониторинг «передаваемой полезности», который постоянно отслеживает и оценивает реальный вклад каждого участника проекта. Для этого система интегрирует данные от SCADA-систем, собирающих информацию о ходе работы в реальном времени, специализированные нейронные сети и теорию «коалиционных игр». Последнее позволяет понять, как сотрудники объединяются в команды, насколько делятся знаниями и как можно справедливо распределить общую прибыль или вознаграждение за командную работу.

– Наша система позволяет не просто оценить индивидуальную эффективность, но и понять сложную динамику работы в команде, – объясняет корреспондирующий автор работы, профессор института финансов, экономики и управления ТГУ Людмила Глухова. – Это дает возможность справедливо вознаграждать каждого, мотивируя сотрудников к более активному сотрудничеству и обмену знаниями.

Разработка учёных ТГУ и ПВГУС предлагает компаниям концепцию эффективного инструмента трансформации подхода к управлению проектами и персоналом. Внедрение такой «умной» системы позволяет принимать более точные решения, опираясь на объективные данные, повышать общую эффективность и продуктивность проектов. При этом – справедливо оценивать вклад каждого сотрудника, создавая тем самым мотивированную и сплоченную команду. И успешно адаптироваться к меняющимся условиям рынка, поскольку система способна постоянно обучаться и совершенствоваться. Искусственный интеллект становится полезным партнером для достижения успеха и стимулирования инноваций.

Работа проведена в рамках реализации федеральной программы государственной поддержки и развития университетов «Приоритет 2030» национального проекта «Молодежь и дети». Готовится заявка на патент по представленной модели. Статья Бизнес-аналитика и машинное обучение для управления проектами – ScienceDirect опубликована в Procedia Computer Science – издании, где размещаются материалы конференций по различным направлениям компьютерных наук.