ارائه یک سیستم خبره جهت کاریابی برای افراد بیکار

چکیده :

این مقاله یک ES را برای ارزیابی افراد بیکار در خصوص پستهای معین نشان می دهد این خبره از تکنیکهای Neuro –Fuzry برای تجزیه و تحلیل یک پایگاه داده ها از افرادبیکار و بنگاهههای کاریابی  استفاده می کنند فرآیند انطباق یک فرد بیکار با یک کار پیشنهاد شده انجام می شود از طریق یک ...........از سیستم Neuro –Fuzry مجموعه های ازمایشات گسترده تاریخچه ای از داده های افراد بیکار (که متعلق به یک کلاس اجتماعی هستند) پستهای متعددی را می پذیرند یا رد می کنند.

{ آزمایشات گسترده نشان می دهند که مجموعه های افراد بیکار (که به یک کلاس اجتماعی تعلق دارند)  پستهای متعددی را می پذیرند یا رد می کنند.} که در این پروژه استفاده می شود جهت تعیین اوزان پارامتر های سیستم.

مثالهای جدید از Case هایی رسیده از قبول یا رد یک موقعیت بعنوان یک بخش  از مجموعه آموزشی در نظر گرفته می شوند. آزمایشات مجدد بعد از دستیابی به یک میزان استاندارد از حالتهای از حالتهای جدید موجود بدست می آید .

خروجی سیستم یک میزانی از مناسب بودن هر فرد بیکار جهت یک کار معین می  باشد.

1.      معرفی :

یکپارچه سازی شبکه های عصبی و فازی منطقی سبب بوجود آمدن یکسری از سیستم  ها تصمیم گیری خبره بسیار قوی شده است. در سالهای اخیر، دامنه مورد مطالعه از فرآیند شبکه های عصبی بصورت گسترده و قابل توجه ای در حال افزایش می باشد. بعلاوه یک میزان موفقیت در استفاده از سیستم های خبره  تلفیق بصورت قابل  ملاحظه ای افزایش یافته است در بسیاری از زمینه ها مانند طرح ها، درک زبان عصبی، روباتیک ، تشخیص ها بیماری، تشخیص عیب یابی ابزار آلات صنعتی، آموزش، توصیه یابی و بازیابی  اطلاعات. بهر حال در مورد کاریابی خبره[1] ادبیات موضوعی مشخصی در گذشته وجود ندارد. فرآیند انطباق یک فرد بیکار با یک شغل مشخص بندرت احتیاج به مطالعات ساختاری بسیار عمیق و هدف یابی  کامل نسبت به یک روش Boolean matchin metchal  که استفاده می کنند از یک صفحه web مانند A beater tast Europ's career market on the   ) انتخاب جداگانه افراد واجد شرایط برای پستهای مختلف یک کار بسیار مشکل می باشد چه در شرکتهای بزرگ چه در شرکت های کوچک و نیاز به سیستمهای تصمیم گیری خبره دارد. نرم افزارSkills Analyzer tod  (labate & Meds keys 1993)  طراحی شده است برای حل مسائل مدیریتی که کلاس بندی کارمندان به گروههای مختلف را محور کار خود قرار می دهد و ترکیبی از شبکه های عصبی و آنالیزهایی برمبنای قانون را به منظور تقسیم کارمندان شرکت به گروههای کاری مختلف مورد استفاده قرار می دهد.

سیستم فوق یک سیستم خبره است هر چند تکنیک های تلفیقی مورد استفاده آن قدیمی تر می باشند.

تکنیکهای collaboration filtering در نرم افزار Casper (1) جهت بوجود آمدن موتور جستجوی مبتنی بر هوش مصنوعی بوجود آمد.         سیستم Casper  بر روی زیر سیستمهایی که ذیلا آورده می شوند تمرکز می نماید

1- یک سیستم مشخصه کاربر که یک پایگاه داده از مشخصات رفتاری فرد را بوجود می آورد درون سایت کاریابی که شامل یک موتور فیلترینگ مکانیزه توصیه سرویس ها و یک موتور برای جستجوی فردی می باشد.

2- تکنولوژی سرویس متحرک (2) که بعنوان  EMA شناخته می شود یک سرویس توصیه فعال شمرده می شود و در جهت بوجودآوری اطلاعات بر اساس نیاز یا جایی که توجه به کارهای مرتبط می شود برای یک کاربر خاص استفاده می گردد.

متدهایی که بوسیله Casper  و EMA استفاده شده است در زمینه توصیه و پدیدآوری اطلاعات می تواند بسیار با موفقیت زیادی در پدیدآوری اطلاعات استفاده شود.

هر چند چنین سیستم هایی خبره نیستند و هیچ مورد واقعی ای در زمینه کاریابی خبره به حساب نمی آیند. آموزش مجدد بر اساس رد نهایی و یا قبول نهایی استفاده کاربر بوسیله بنگاه ها یک نکته حساس می باشد و نمی بایست نادیده گرفته شود. کم نیستند موردهای توصیه شده که با درصدهای بالا یا متوسط توصیه شده اند ولی در یک مصاحبه معمولی رد شده اند توصیه گرهای خبره و سیستمهای پدید آوری آموزش را تضمین نمی کنند و باید بعنوان یک پایگاه داده اطلاعات کار در نظر گرفته شوند نه به عنوان یک کاریابی واقعی ساختار کنونی مقاله  که در قسمت 2 آورده می شود معماری ساختار سیستم را نیز تحلیل می کند در قسمت 3 هر یک مطالعه موردی که در یک مثال واقعی کارهای انجام گرفته را بررسی می نماییم.

نتیجه گیری در قسمت 4 انجام گرفته است در ضمیمه 1 مباحث آماری را مورد بررسی دقیق قرار می دهیم.

2.      تعریف سیستم :

سیستم ما در این مقاله شامل 4 مشخصه می باشد.

1-    ارتباط با یک پایگاه داده فعال که شامل اطلاعات افراد بیکار شاغل و اطلاعات پیشنهاد شده می باشد.

2-  استفاده از تکنیکهای فازی- عصبی برای آموزش استنتاجی پیچیدگی فازی واژگان فازی این واژگان استفاده می شوند برای ارزیابی داده ها و فاز و تصمیم گیری نهایی

3-     آموزش مجدد سرپرستی شبکه های فازی – عصبی هر کجا که توسط Aolminstartel توصیه گردد.

4-     مدل های فازی که طراحی و گسترش می دهد موتور استنتاج فازی

5-    بوجود آوری ترکیبی از عناصر فازی برای ارزیابی نهایی یک داده.

6-    بوجود آوری یک برنامه werfrindly و قابل انعطاف (توسط فرم های ورودی ویژوال بیسیک)

سیستم ما مبتنی بر مفاهیم شخصی می باشد (مطابق شکل1)  که نیاز به یکپارچه سازی به یک سیستم خبره برای دستیابی به خروج نهایی دارد (یعنی برای ارزیابی یک فرد بیکار برای شغل مناسب  ) تابع هدف ارزیابی بر مبنای پارامتر که در زیر می آیند فرموله شده اند (شکل 2)

1-سن

2- تحصیلات

3- آموزش های مرتبط

4- تجربه کاری مرتبط

5- زبان های خارجی

6- تسلط بر سیستمهای کامپیوتر

به طور کلی تابع هدف از دو قسمت تشکیل گردیده است. قسمت مقطعی و قسمت احتمالی (تقریبی) قسمت قطعی شامل صدهای صفر و یک در نظر گرفته می شود که فرد متقاضی حتما در یک شغل قرار گیرد.

در احتمالی که چندین محدودیت  وجود دارد پایگاه داده بگونه ای فیلتر می شود که تابع هدف بصورت فاز در می آید و باز خود را بصورت  که در مقاله sngeno (3) آمده است می آید.

خروجی Fis یک میزان ارزیابی از فرد متقاضی بیکار است که برای یک شغل معین در نظر گرفته می شود. ( یعنی تا چه اندازه فرد متقاضی برای شغل مورد نظر مناسب است)

این مسئله یک مسئله ریاضی احتمالی است با ورودی های پیوسته بدین معنی که شکل انتخاب سرپرست کار را تا اندازه ای حل می نماید.

ما از داده های ارزیابی قبلی به منظور پارامترهای ورودی FIS استفاده می نماییم

1.2 . Rule های مبتنی بر سیستم

در اینجا ما از یک قانون تازی برای کلیه شغل هایی که باید ویزیت شوند استفاده می کنیم بصورت زیر:

Candidate X matches Cnterion

در حالیکه  x می تواند فقط یک محموله  فازی را شامل شوند (سن – تحصیلات- آموزش- تجربه – زبان و کامپیوتر) مجموعه کلیه قانون های فوق ، قانون کلی سیستم را شامل می شود (جدول 1)

2.2 فازی سازی و قوانین ارزشیابی :

در متن های زیر با متدهای فازی سازی رشته های مرتبط را  در تابع هدف فرمول می کنیم در این مقاله استفاده بسیاری از ارتباطات فازی می شود. ارتباطات فازی صفر و یک مجموعه ای از فازی هستند که در موقعیت هر عنصر در x,y را به یک عنصر جامعه امتیاز صفر و یک مشخص می نمایند بصورت دقیق تر : اگر x,y دو عنصر مجموعه باشند داریم:

تساوی فرق یک ارتباط فازی صفر و یک از X_n,Y می باشد هر گاه x,y گسسته باشند  می توانیم ارتباط فازی با استفاده از ماتریس زیر تعریف کنیم.

 جائیکه  یک عنصر عددی از i,j است.

برای فازی سازی ، تعطیلات و آموزش های اضافی و تجربه های کاری مرتبط، ما یک ارتباط فازی بین پارامترها گوناگون برقرار می کنیم . ارتباط فازی نشان دهنده روابط بین پارامترهای مختلف می باشد مقدار عددی هر عنصر مجموعه بعد ار چندین مصاحبه با آژانس های کاریابی در خصوص ارتباط بین پراامترهای مختلف تعیین می گردد. ارزش نهایی هر پارامتر میانگین میزان هایی است که از طریق فوق بدست می اید.

سپس یک ماتریس ارتباط که ماتریس عناصر  نامیده می شود بوجود می آید که شامل دامنه مختلفی  از یک طبقه است بوجود می آید مانند مکانیک ها،  مهندسین )

می توانیم از کدهایی جهت تعریف طبقات و زیر طبقات هر شکل استفاده نماییم. بعنوان مثاال در جدول 2 کد 45 نشان دهنده طبقه اصلی سازندگان و 4513  و 4514 و4590 ویژگیهای یک شغل خاص در زمینه ساخت و تولید را نشان می دهند .

1-2-2- سن

تابع عضویت سن ب مبنای اطلاعات کارمندان می تواند تهیه شود که در آن حد مجاز و مناسب برای هر شکل مشخص می گردد مانند (20-30-25-35-…) بدین منظور ما تابع  عضویت فازی برای سنین تعریف می نماییم بگونه ای که محدودیت های از پیش تعیین شده برای حدود مختلف را ارضا نماید. (شکل 3)

در این راه، کاندیدهایی که مقدار سن بدست آمده برای آنها در محدوده نباشند بطور کلی از دور خارج نمی گردند بنابراین s را میزان قدرت این rule می نامیم داریم

Candidate's Age matches Criterion

که بوسیله میزان داده شده توسط فرمول ریاضی بدست می آید.

2-2-2 تحصیلات :

تحصیلات متقاضی در سه رشته ثبت خواهد گردید:

تحصیلات ابتدایی، مدرک و تحصیلات پس از فراغت از تحصیل (تحصیلات تکمیلی) این ویژگیهای بصورت کدهای کاری با یک روش  لاینگ عمومی ثبت  می شوند.

قانون مربوطه بصورت زیر است :

Candidates Education matches Education criterion.

که  بصورت یک ارتباط فازی بین رشته تحصیلی فرد کاندید شده و نیز شغل تقاضا شده می باششد (جدول 3)

قانون قدرت (S2) بیانگر محصول انطباق تحصیلات با میزان تبحر عضو است.

3-2-2- آموزش های اضافی

در این شاخه ما تحصیلات اضافی متقاضی در شغل های معینی را ثبت می کنیم این شاخه فقط می تواند دو مقدار بگیرد. (1 و0)

قانون قدرت (SY) این rule عبارتست از

Candidates training matches training Criterion

که بصورت حاصل ارزیابی آموزش با تبحر فرد می باشد (1و0)

4-2-2- تجربه :

بصورت مشابه ، تجربه قبل فرد به سد قسمت تقسیم می گردد با همان نحوه لدینگ و می تواند تنها دو مقدار صفر و یک (1و0) را بگیرد.

قانون S3 بصورت زیر بیان می شود.

Candidates Experience matches Experience Criterion

که حاصل به صورت {0.1} با توجه به توانایی فرد داده می شود.

5-2-2- تبحر در زبان خارجی – اطلاعات کامپیوتری:

زبان خارجی و اطلاعات کامپیوتری بوسیله واژگان فازی مرتبط با سطح های (متوسط، خوب ، خیلی خوب، و عالی) ثبت می گردند (جدول 4) .

قانون S₆, S₅ در این زمینه  عبارتند از :

Candidates f. language matches  F.language Criterion .

C. knowledge . C .Knowledge  Criterion 

3-2 آموزش

تمامی قوانین دارای یک سیستم در تصیمم گیری نهایی که بوسیله یک وزن مانند wi برای شاخه ناو در نظر گرفته می شوند.

این اوزن بین (0,1) می باشند بگونه ای که  صفر بیانگر کمترین میزان و یا بیانگر بزرگترین میزان می باشد. این اوزان بوسیله الگوریتم های ماشین تغییر می کنند.

نحوه استفاده از اوزان در این مقاله درست مشابه نحوه استفاده از آنها در موارد قبلی بنگاههای کاریابی می باشد اگر یک شغل قدیمی واقعا پذیرفته باشد آنگاه بعنوان یک نمونه مثبت در نظر گرفته می شود و در غیر اینصورت بعنوان یک نمونه منفی .

عناصری که بوجود آمده در یک فایل جاگذاری می کگردند (در یک فایل فاری- عصبی)

 این داده ها (ورودی، خروجی) بصورت پشت سر  هم در داخل  فرمت شبکه های فاری عصبی  با توجه به اوزان شان قرار می گیرند.

عملکرد سیستم سپس از طریق یک مجموعه داده ها و بوسیله یک شغل داده های  مشخص تست می گردد.

هر نمونه اموزشی شامل داده های ورودی و خروجی بهمراه توضیح داده های خروجی می باشد.

در خلال پروسه آموزش  اوزان شبکه از طریق آموزش تطبیق داده می شوند بگونه ای که خطای ریشه دوم بین واقعیت  و خروجی کاهش یابد.

در انتهای آموزش سیستم شبکه باید قارد به تحلیل  کامل یک داده باشد.

برای توضیح بیشتر اگر (                     )                      داده های آموزشی باشند ، جائیکه  (                     )                          معیار پذیرش برای آموزش حالت      باشد و                 1 باشد اگر شغل خاصی قبلاً برای حالت ناپذیرفته شده باشد و در غیر اینصورت صفر باشد .

اهداف آموزشی در یافتن یک بردار وزنی        نامیده می شود که           خطای ریشه دوم را کاهش می دهد  داریم :

در حالتیکه         حد پایین اوزان       و      حد بالای آن می باشد، آموزش بگونه ای انجام می گیرد