Wstęp

W artykule przedstawiono system informatyczny wspomagający ocenę wiedzy pracowników, który został opracowany w odpowiedzi na potrzeby zdefiniowane w dziale serwisowym przedsiębiorstwa produkcyjnego. System składa się z następujących modułów: gromadzenie wiedzy w postaci instrukcji serwisowych, pozyskiwanie i konwersja zapisu wypowiedzi opisujących przebiegi realizacji procedur serwisowych oraz porównywanie tego zapisu do procedur uznanych za wzorcowe. Omawiane rozwiązanie wykorzystuje opracowaną ontologię dziedzinową, która umożliwia zarówno formalną reprezentację wiedzy wzorcowej jak i zapisu pozyskanego z wypowiedzi pracowników realizujących procedury serwisowe (serwisantów). Ocena wiedzy serwisanta jest możliwa dzięki porównaniu zapisu jego wypowiedzi do procedur wzorcowych za pomocą zaimplementowanego dwuetapowego klasyfikatora neuronowego.

Obecnie, w gospodarce opartej na wiedzy zarządy przedsiębiorstw postrzegają pracowników jako jeden z najważniejszych zasobów przedsiębiorstwa. Odpowiednie zarządzanie tym zasobem może doprowadzić do uzyskania przewagi konkurencyjnej na rynku. Ważnym aspektem w procesie zarządzania pracownikami jest dokonywanie oceny ich pracy. Przeprowadzanie okresowej oceny pracowników może być elementem procesu motywowania i stymulowania pracowników do zwiększania ich wydajności oraz rozwoju. Aby proces oceniania pracy pełnił funkcję motywującą powinien m.in. opierać się na wspólnych kryteriach dla danej grupy pracowników oraz powinien służyć poprawie wyników i budowaniu postawy prorozwojowej (Lewicka, 2010, s. 188; Forsyth, 2004, s. 107-109; Rozkwitalska, Dancewicz, Szmidt, s. 148). Trudnym zagadnieniem w procesie oceny pracowników jest aspekt oceny ich wiedzy. Ta wiedza jest definiowana jako wiedza ukryta (obok dostępnej w przedsiębiorstwie wiedzy jawnej), która jest ściśle związana z pracownikiem, z jego wykształceniem, umiejętnościami oraz doświadczeniem.

W niniejszym artykule autorzy zaprezentowali system informatyczny wspomagający ocenę wiedzy pracowników w dziale serwisowym w przedsiębiorstwie produkcyjnym. Proponowane podejście składa się z następujących elementów: (1) zgromadzenie wiedzy jawnej w przedsiębiorstwie w postaci procedur serwisowych, (2) pozyskanie zapisu audio lub video wykonywanych czynności przez pracowników w trakcie realizacji danej procedury serwisowej, (3) porównanie otrzymanego zapisu do wzorcowych procedur serwisowych przy pomocy sieci neuronowej. Aby możliwe było zrealizowanie zaproponowanej koncepcji zbudowano ontologię dla zgromadzonych procedur serwisowych oraz dokonano konwersji zapisu pozyskanej wiedzy wyrażonej w języku naturalnym do postaci zgodnej z przyjętą w ontologii. Następnie, przy zastosowaniu sieci neuronowej, dokonano oceny wiedzy serwisanta na podstawie porównania zapisu wykonanych przez niego czynności do wzorcowych procedur przyjętych w przedsiębiorstwie.

W rozdziale drugim niniejszego artykułu zaprezentowano przykłady metod stosowanych w procesie oceny pracy, jak również metody pozwalające na ocenę wiedzy pozyskanej i składowanej w przedsiębiorstwie, Następnie, w rozdziale trzecim, zaprezentowano model oceny wiedzy pracowników w dziale serwisowym. W rozdziale czwartym zaprezentowano implementację modelu w postaci narzędzia informatycznego. W podsumowaniu pokazano kierunki dalszych prac autorów.

Metody oceny pracy

W literaturze przedmiotu można wyróżnić m.in. następujące metody oceny pracowników: metoda 360o, porównywanie parami, rankingi, technika wymuszonego rozkładu, portfolio personalne, listy kontrole, arkusze oceniania, metoda wydarzeń, metoda porównywania z wzorcami, skala ocen (Janowska, 2002; Pawlak, 2011). Metoda oceny 360o polega na wyodrębnieniu w danym przedsiębiorstwie grup kompetencji w odniesieniu do ocenianych stanowisk. W metodzie tej wykorzystywane są kwestionariusze, arkusze oceny i wywiady indywidualne, których zastosowanie pozwoli uzyskać ocenę pracy pracownika. Metoda porównywania parami należy do metod relatywnych, która polega na dokonaniu na podstawie przyjętego kryterium porównania każdego pracownika z każdym z pozostałych. Oceniani łączeni są w pary i każdy oceniany jest jako lepszy lub gorszy pracownik. Zastosowanie rankingów polega na uszeregowaniu pracowników, od najlepszego do najgorszego, zgodnie z przyjętymi wcześniej kryteriami (Król, Ludwiczyński, 2006, s. 298).

Arkusze oceniania to metoda opierająca się na zastosowaniu zarówno arkusza samooceny, jak również arkusza oceny przez bezpośredniego przełożonego. W celu pozyskania obiektywnych wyników oceny pracy należy przypisać odpowiednią wagę każdemu parametrowi zawartemu w arkuszu aby ocena miała charakter ilościowy i mogła być porównywana z innymi (Ziemski, 2017, s. 579).

Metoda wydarzeń polega na rejestrowaniu przez kierownictwo nietypowych zachowań pracowników, które mogą być traktowane zarówno jako osiągnięcia, jak i porażki dotyczące wykonywanej pracy. Metoda porównywania z wzorcami polega na porównaniu wykonywanej pracy z przyjętymi standardami w firmie. Metoda skala ocen służy do mierzenia natężenia czynników uznawanych w firmie za kluczowe.

Obecnie stosowaną metodą oceny pracy jest również metoda Assessment Center (Wąsowska-Bąk, Górecka, Mazur, 2012), która polega na wykonywaniu przez pracownika zestawów zadań w warunkach symulujących rzeczywiste.

Metody oceny wiedzy w przedsiębiorstwie

Ocena wiedzy w przedsiębiorstwie może być prowadzona w oparciu o zastosowanie metod wspierających jej klasyfikację, m.in.: metody drzewa decyzyjnego, metody k-najbliższych sąsiadów, sieci Bayes'a, algorytmów genetycznych, metody GMDH czy też sztucznych sieci neuronowych (Quinlan, 1996, s. 77-90; Marciniak, Korbicz, 2002, s. 520; Goldberg, 1995; Farlow, 1984; Witkowski, 2002; Patan, Korbicz, Mrugalski, 2002, s. 315).

Drzewa decyzyjne wykorzystują drzewa, których poszczególne wierzchołki odpowiadają testom na poszczególnych atrybutach. Wybór atrybutu, w oparciu o który dokonywany jest podział wpływa na ostateczny kształt i złożoność obliczeniową. Do najpowszechniej stosowanych algorytmów budowy drzew decyzyjnych zaliczyć można algorytm oznaczony jako C4,5 (Quinlan, 1996, s. 77-90). Drzewa decyzyjne pozwalają budować czytelną reprezentację graficzną procesu klasyfikacji wiedzy, ale z drugiej strony cechują się dużą złożonością obliczeniową na etapie budowy oraz skomplikowanym procesem modyfikacji atrybutów. Dzięki zastosowaniu tej metody można uzyskać ocenę sformalizowanej wiedzy (StatSoft, 2006).

Metoda kNN (k najbliższych sąsiadów) sąsiadów wymaga wyliczenia odległości pomiędzy klasyfikowanym obiektem, a w wcześniej znanymi, przy wykorzystaniu wybranej miary podobieństwa. Na tej podstawie poszukiwany jest taki obiekt spośród wcześniej sklasyfikowanych, który jest najbliższy klasyfikowanemu. Ostatecznie ten nowy przypadek zostaje sklasyfikowany jako należący do tej samej klasy, co ten obiekt. W praktyce oznacza to, że klasyfikowany obiekt jest zaliczany do tej z wcześniej znanych klas, do której należy najwięcej najbliższych mu wcześniej sklasyfikowanych obiektów (Marciniak, Korbicz, 2002, s. 520). W kontekście oceny wiedzy, stosując opisaną metodę, można uzyskać wyniki dotyczące podobieństwa wyznaczonych charakterystyk wiedzy do wcześniej znanych wzorców.

Klasyfikatory wykorzystujące twierdzenie Bayesa o prawdopodobieństwie warunkowym, wyznaczają prawdopodobieństwo przynależności klasyfikowanego obiektu do wybranej klasy. W przypadku, gdy atrybuty opisujące klasyfikowany obiekt są warunkowo niezależne, można zastosować tzw. naiwny klasyfikator Bayesa (Larose, 2008), jeśli natomiast warunek ten nie jest spełniony stosowane mogą być tzw. sieci przekonań Bayesa. Zastosowanie tej metody pozwala na wyznaczenie określonych poziomów sformalizowanej wiedzy.

Algorytmy genetyczne to metody, których działanie można opiera się na szeregu kroków: inicjacja populacji, wyznaczenie dopasowania każdego osobnika z populacji do założonego celu (oceny), reprodukcję wybranych osobników, krzyżowanie i mutacja na nowej populacji, ostatecznie przeprowadzenie oceny (Goldberg, 1995). W kontekście oceny wiedzy zastosowanie algorytmów genetycznych umożliwi określenie dopasowania pozyskanej i sformalizowanej wiedzy do przyjętej postaci funkcji reprezentującej posiadaną już wiedzę w przedsiębiorstwie.

Algorytm GMDH może być traktowany jako algorytm genetyczny przy następującej interpretacji: chromosomem jest pojedynczy wielomian postaci: A+Bx+Cy+Dx2+Ey2+Fxy, populacją jest zbiór wielomianów rozpatrywanych w aktualnej iteracji, funkcją ewaluacji (dopasowania) jest kryterium regularności (Farlow, 1984). Wyznaczenie struktury wiedzy za pomocą algorytmu GMDH polega na iteracyjnym powtarzaniu określonej sekwencji operacji prowadzących do ewolucyjnej struktury wynikowej. Proces ten kończony jest, gdy zostanie osiągnięty optymalny stopień złożoności (Farlow, 1984; Witkowski, 2002). Wynikiem działania algorytmu jest wielomian będący modelem obiektu.

Wykorzystanie sztucznych siec neuronowych jako klasyfikatorów wynika z samej idei ich działania. Klasyfikacja nowego wzorca (np. wiedzy) przez sieć neuronową bazuje na "wyuczonych" przez nią rekcjach dla przypadków podobnych. Uczenie to polega na przedstawianiu sieci wartości ze zbioru uczącego na podstawie prawidłowości charakteryzujących przyjęte wzorce. Następnie zapamiętywane są one w postaci zmodyfikowanych wartości wag na wejściach poszczególnych neuronów ją tworzących (Bartos, 2012, s. 19). Wśród wielu architektur sieci neuronowych do najpopularniejszych należy tzw. perceptron wielowarstwowy, w którym wyróżnić można warstwę wejściową, jedną lub więcej warstw ukrytych oraz warstwę wyjściową (Patan, Korbicz, Mrugalski, 2002, s. 315). Zastosowanie sieci neuronowych do oceny wiedzy jest możliwe poprzez przyjęcie odpowiedniej metody kodowania danych dla warstwy wejściowej.

Proponowany model oceny wiedzy pracowników na przykładzie działu serwisowego jest próbą znalezienia rozwiązania pozwalającego na dokonanie oceny pracy na podstawie oceny wiedzy pracownika dotyczącej wykonywanych zadań.

Model oceny wiedzy pracowników na przykładzie działu serwisowego

Proponowany model składa się następujących elementów (Rysunek 1):

1. Zgromadzenie wiedzy jawnej działu serwisowego w postaci procedur serwisowych

W rozważanym przypadku pracownicy działu serwisowego, pod nadzorem kierownika realizują procedury serwisowe. Wiedza o sposobie prawidłowego ich wykonania została zgromadzona w postaci procedur serwisowych. Zaprezentowano procedurę wymiany łożyska (dalej procedura 1), w przypadku hamulca bębnowego na osi tylnej, wleczonej pojazdu samochodowego, dla przypadku łożyska zintegrowanego z piastą.

1. Umieszczenie pojazdu na podnośniku
2. Podniesienie pojazdu.
3. Wykręcenie śrub koła.
4. Zdemontowanie koła.
5. Odkręcenie śruby mocującej bęben hamulcowy.
6. Zdjęcie bębna hamulcowego.
7. Zdjęcie dekla piasty.
8. Odkręcenie nakrętki piasty.
9. Demontaż piasty koła.
10. Montaż piasty hamulcowej.
11. Zakręcenie nakrętki piasty.
12. Montaż dekla piasty.
13. Czyszczenie piasty
14. Montaż bębna hamulcowego.
15. Wkręcenie śruby mocującej bęben hamulcowy.
16. Montaż koła.
17. Przykręcenie śrub koła.
18. Opuszczenie pojazdu na podnośniku.
19. Dokręcenie śrub koła.

2. Opracowanie ontologii dziedzinowej

Celem dokonania formalnego zapisu prawidłowych przebiegów procedur serwisowych zbudowano ontologię dziedzinową, w której procedura serwisowa wyrażona jest jako sekwencja kroków. Każdy z kroków jest opisywany przy pomocy następujących charakterystyk:

• Uogólniona nazwa czynności - czp.
• Nazwa wykonywanej czynności - cz.
• Nazwy obsługiwanych podzespołów - p.
• Nazwy użytych elementów łączących - l.
• Nazwy wykorzystanych narzędzi - n.
• Nazwy wykorzystanych materiałów eksploatacyjnych - m.

Zatem każdy krok w procedurze serwisowej można przedstawić w postaci wzoru (wzór 1):

K = {czp,cz,p,l,n,m} (1)

3. Sformalizowanie wiedzy jawnej w postaci wzorców

Do wyrażenia charakterystyk poszczególnych kroków wykorzystywane są pojęcia (nazwy) zgromadzone w skończonym słowniku wyrazów (SSW), przygotowanym dla prezentowanej ontologii dziedzinowej. Ze względu na problem wieloznaczności występującej w języku polskim wszystkie nazwy czynności występujące w słowniku SSW podzielono na grupy, rozróżniając je w oparciu o skutki ich wykonania (np. wkręcanie, wykręcanie). Ostatecznie wykonywana w danym kroku czynność jest określana za pomocą nazwy czynności podstawowej oraz nazwy czynności uogólnionej.

Zważywszy na fakt, iż w poszczególnych krokach nie istnieje konieczność wykorzystywania wszystkich elementów charakterystyk, jako minimalny zbiór cech opisujących krok można uznać jedną z 3 par pojęć (rysunek 2):

• nazwa czynności + nazwa podzespołu
• nazwa czynności + nazwa elementu łączącego
• nazwa czynności + nazwa materiału eksploatacyjnego

Przedstawioną procedurę 1 zaprezentowano na Rysunku 2 w postaci schematu.

4. Pozyskanie zapisu dotyczącego realizacji procedury serwisowej

Proponowany model oceny wiedzy bazuje na założeniu, iż pracownicy, których wiedza podlegać ma ocenie komentują wykonywane czynności. Wypowiedź ta jest rejestrowana, a następnie przetwarzana przy wykorzystaniu narzędzi ASR (automatycznego rozpoznawania mowy). Proponuje się tutaj wykorzystanie biblioteki Google Cloud Speech-to-Text, udostępnianej jako bezpłatna usługa dla systemu operacyjnego Android, lub jako usługa internetowa - Google Web Speech API. Dzięki temu możliwe jest pozyskanie słownego zapisu wypowiedzi w naturalnym języku polskim, który cechuje się fleksyjnością i wieloznacznością. Zaprezentowano fragment zarejestrowanej wypowiedzi ze wskazaniem wystąpień poszczególnych form fleksyjnych.

... warto przeczyścić (1) drucianą szczotką (2) zacisk (3) oraz jarzmo (4) usuwamy (5) sprężynę zabezpieczającą (6) klocek hamulcowy (7) przy użyciu (8) kombinerek (9) usunąłem (10) zaślepki (11) sworzni (12) zacisku (13) śrubokrętem (14) i odkręcamy (15) te sworznie (16) grzechotką z imbusem (17)

gdzie:

(1) - forma bezokolicznikowa, (2) - narzędnik l.p., (3) - biernik l.p., (4) - biernik l.p., (5) - 1 os. l.m., czas teraźniejszy, tryb oznajmujący, (6) - biernik l.p., (7) - bienik l.p., (8) - miejscownik l.p. rzeczownika odczasownikowego, (9) - dopełniacz l.p., (10) - 1 os l.p. czas przeszły dokonany, (11) - mianownik l.m., (12) - dopełniacz l.m., (13) - dopełniacz l.p., (14) - narzędnik l.p., (15) - 1 os. l.m., czas teraźniejszy, tryb oznajmujący, (16) - biernik l.p., (17) - narzędnik l.p.

5. Konwersja pozyskanego zapisu do postaci zgodnej z ontologią

Aby słownik SSW mógł być wykorzystany do reprezentacji wypowiedzi koniecznym było wprowadzanie do niego zbiorów synonimów dla każdego z pojęć podstawowych zdefiniowanych w ontologii oraz rozszerzenie ich o zbiory form fleksyjnych (przypadki i liczby dla rzeczowników, osoby, tryby oraz czasy dla każdego z czasowników). Wykorzystując tak przygotowany słownik możliwa jest analiza morfologiczna wypowiedzi. Jest ona realizowana przy wykorzystaniu autorskiego parsera, zaimplementowanego przy użyciu ObjectPascal, który pozwala przekształcić zaprezentowaną wypowiedź do następującej postaci:

... warto czyścić (czp) szczotka druciana ręczna (n) zacisk hamulcowy (p) oraz jarzmo zacisku (p) usunąć (czp) sprężyna zabezpieczająca klocek hamulcowy (p) przy użyciu kombinerki uniwersalne (n) usunąć (czp) zaślepka (l) sworzeń (l) zacisk (p) śrubokręt płaski (n) i wykręcać (czp) te sworzeń (l) grzechotka standardowa (n) z klucz imbusowy (n) ...

Na podstawie tak przekształconej wypowiedzi, możliwe jest wyodrębnienie w niej charakterystyk poszczególnych kroków, opisywanych zgodnie z przyjętą ontologią. Proces ten jest również realizowany przy użyciu autorskiego, dedykowanego rozwiązania, zaimplementowanego w ObjectPascal. W analizowanym fragmencie można wyodrębniono charakterystyki 4 kroków:

K1 = {czyścić, czyszczenie, zacisk hamulcowy jarzmo zacisku , , szczotka druciana ręczna, ,}
K2 = {usunąć, usuwanie, sprężyna zabezpieczająca klocek hamulcowy, , kombinerki uniwersalne, ,}
K3 = {usunąć, usuwanie, zacisk, zaślepka sworzeń, śrubokręt płaski, ,}
K4 = {wykręcać, wykręcanie, , sworzeń, grzechotka standardowa klucz imbusowy, ,}

6. Ocena wiedzy serwisanta na podstawie porównania zapisu do wzorca

W proponowanym modelu porównanie zapisu realizacji procedury serwisowej względem procedur wzorcowych realizowane jest w dwóch etapach. Każdy z tych etapów klasyfikacji wykorzystuje perceptron z jedną warstwą ukrytą. Każda z tych sieci neuronowych uczona jest przy wykorzystaniu algorytmu wstecznej propagacji błędu (Patan, Korbicz, Mrugalski, 2002, s. 315). Etap pierwszy polega na klasyfikacji charakterystyk kroków procedury serwisowej, które zostały wyodrębnione z nagrania wykonania procedury przez serwisanta. Charakterystyki te są klasyfikowane zgodnie ze stopniem ich podobieństwa do charakterystyk kroków wzorcowych zdefiniowanych w ontologii. Etap ten jest powtarzany wielokrotnie dla każdej z wyznaczonych charakterystyk. W wyniku działania sieci otrzymywana jest sekwencja kroków, które są najbardziej zbliżone do opisanych w ontologii.

Etap drugi polega na klasyfikacji wyznaczonej na etapie pierwszym sekwencji kroków, stanowiących procedurę serwisową. Sekwencja ta jest klasyfikowana zgodnie ze stopniem ich podobieństwa do procedur serwisowych zdefiniowanych w ontologii.

Do reprezentacji kroku na warstwie wejściowej klasyfikatora neuronowego etapu I wykorzystywany jest wektor cech, odpowiadający wszystkim formom podstawowym pojęć ze słownika SSW oraz uogólnieniom czynności, które zostały wykorzystane do opisu kroków wzorcowych. Wektor taki może być przedstawiony w postaci wzoru (wzór 2)

X_we = [czp₁, … , czp_max(a), cz₁, … , czp_max(a'), p₁, … , p_max(b)), l₁, … , l_max(c), n₁, … , n_max(d), m, … , m_max(e)] (2)

gdzie:

X_we - warstwa wejściowa klasyfikatora neuronowego poziomu 1
max(a) - liczba nazw czynności podstawowych zdefiniowanych w ontologii, które zostały wykorzystane przynajmniej 1 raz z jakiejkolwiek z charakterystyk kroków wzorcowych, a ∈ N
max(a') - liczba uogólnień dla czynności zdefiniowanych w ontologii, które zostały wykorzystane przynajmniej jeden raz w jakiejkolwiek z charakterystyk kroków wzorcowych, a' ∈ N
max(b), max(c), max(d), max(e) - liczba odpowiednich nazw podzespołów, elementów łączących, narzędzi oraz materiałów eksploatacyjnych, zdefiniowanych w ontologii, które zostały wykorzystane przynajmniej jeden raz w jakiejkolwiek z charakterystyk kroków wzorcowych, b,c,d,e ∈ N

Wystąpienie każdej z pozycji ze słownika SSW w opisie kroku jest reprezentowane przez wartość 1.0 na odpowiadającym mu neuronie warstwy wejściowej. Liczba neuronów warstwy wejściowej sieci etapu pierwszego wynosi 116 i odpowiada liczbie pojęć ze słownika SSW wykorzystanych do opisu kroków wzorcowych. Aby ustalić rozmiar warstwy ukrytej przeprowadzono szereg eksperymentów, w których badano zależność czasu oraz liczba epok uczenia niezbędnych do osiągnięcia przez sieć, założonego docelowego błędu kwadratowego (0,0005) od liczby neuronów tworzących warstwę ukrytą. Na podstawie wyników tych eksperymentów ustalono liczbę neuronów warstwy ukrytej na poziomie 110, dla którego liczba epok uczenia oraz czas jego trwania są najniższe. Liczba neuronów warstwy wyjściowej odpowiada liczbie neuronów warstwy wejściowej, a wartości wyjściowe mieszczą się w zakresie od 0 do 1.0. Interpretacja wyniku działania sieci przeprowadzana jest poprzez wyznaczenie różnicy pomiędzy uzyskanym, a oczekiwanym wyjściem. Ostatecznym wynikiem tej interpretacji jest identyfikator kroku, który jest najbardziej zbliżony do klasyfikowanej charakterystyki.

Jako wektory uczące sieci etapu pierwszego, wykorzystywane są wszystkie warianty kroków wzorcowych. Dla 126 różnych kroków oznacza to 420 wzorców uczących. Charakterystykę wybranego kroku: X_we w reprezentacji odpowiadającej wektorowi wejściowemu sieci 1 etapu można przedstawić w postaci zapisu:

X_we = [czp₁=0, … , czp₂₅=1 (wkręcać), czp₂₆=0, … , czp_max(a)=0 | cz₁=0, … , cz₁₄=1 (wkręcanie), cz₁₅=0, … , cz_max(a')=0 | p₁=0, … , p₃₃=1 (jarzmo zacisku), p₃₄=0, … , p_max(b)=0 | l₁=0, l₂=1 (grzechotka standardowa), l₃=0, … , l_max(c)=0 | n₁=0, … , n₂₄=1, n₂₅=0, … , n₂₉=1 (nakładka nasadowa), n₃₀=0, … , n_max(d)=0 | m₁=0, … , m_max(e)=0]

X_we = [0, … , 1, 0, … , 0 | 0, … , 1, 0, … , 0 | 0, … ,1, 0, … , 0 | 0, 1, 0, … , 0 | 0, … ,1,0, … ,1, 0, … , 0 | 0, … , 0]

Zadaniem etapu drugiego jest klasyfikacja sekwencji wyznaczonych na etapie pierwszym identyfikatorów kroków. Warstwa wejściowa tej sieci odpowiada przebiegowi całej procedury serwisowej. Na poszczególnych jej neuronach kodowana jest sekwencja kroków. Każde wejście reprezentuje pojedynczy krok, który kodowany jest jako wartość w zakresie od 0 do 1.0. Warstwę wejściową sieci etapu drugiego można przedstawić w postaci wzoru (wzór 3):

Y_we = [nrk₁, nrk₂, nrk, … , nrk_m] (3)

gdzie:

Y_we - wektor opisujący warstwę wejściową klasyfikatora neuronowego II poziomu
m - liczba kroków tworzących najdłuższą procedurę zdefiniowaną w ontologii, m ∈ N
nrk_m - wartość na m-tym wejściu sieci neuronowej, nrk_m ∈ R, 0 ≤ nrk_m<1

Liczba neuronów warstwy wejściowej sieci etapu drugiego wynosi 64 i odpowiada liczbie kroków najdłuższej wzorcowej procedury serwisowej. Również w przypadku sieci etapu drugiego przeprowadzono szereg eksperymentów celem wyznaczenie rozmiaru warstwy ukrytej, co pozwoliło ustalić go na poziomie 256 neuronów, przy której liczba epok uczenia oraz czas jego trwania są najniższe. Podobnie jak w przypadku sieci etapu pierwszego, liczba neuronów warstwy wyjściowej odpowiada liczbie neuronów warstwy wejściowej, a wartości wyjściowe mieszczą się w zakresie od 0 do 1. Również tutaj, interpretacja wyniku działania sieci przeprowadzana jest poprzez wyznaczenie różnicy pomiędzy uzyskanym, a oczekiwanym wyjściem. Ostatecznym wynikiem tej interpretacji jest identyfikator procedury, która jest najbardziej zbliżona do klasyfikowanej sekwencji kroków.

Jako wektory uczące sieci etapu drugiego wykorzystywane są wszystkie warianty procedur wzorcowych, co oznacza 406 wzorców uczących.

Wartości wektora wejściowego Y_we dla przykładowej procedury serwisowej przedstawiono w postaci zapisu:

Y_we = [0,008130 | 0,01626 | 0,024390 | 0,032520 | 0,056910 | 0,065040 | 0,073170 | 0,008130 | 0,016260 | 0,024390 | 0,032520 | 0,056910 | 0,065040 | 0,073170 | 0,081300 | 0,089430 | 0,097560 | 0,105691 | 0,113821 | 0,121951 | 0,170731 | 1 | 0,146341 | 0,146341 | 0,097560 | 0,105691 | 0,154471 | 0,162601 | 0,512195 | 0,528455 | 0,528455 | 0,536585 | 0,504065 | 0,552845 | 0,560975 | 0,569105 | 0,577235 |0,585365 | 0,593495]

Poszczególne elementy wektora wejściowego Ywe, odseparowane symbolem |, odpowiadają znormalizowanym identyfikatorom kroków od 0 do 1.0.

Skuteczność proponowanego modelu oceny wiedzy pracownika w dziale serwisowym zweryfikowano na podstawie przeprowadzonych eksperymentów badawczych. W tym celu przygotowano 117 różnych wariantów procedur odpowiadającym proce-durom wzorcowym w dziale serwisowym. W wariantach tych celowo wprowadzono zmiany względem przebiegów uznanych za całkowicie poprawne. Zmiany te dotyczyły: modyfikacji kolejności występowania różnej liczby kroków, usunięcia różnej liczby kroków oraz sposobu formułowania wypowiedzi. Następnie porównano uzyskane wyniki działania klasyfikatora neuronowego z ocenami tych wypowiedzi przez ekspertów. Analizując uzyskane wyniki, można stwierdzić, iż na 117 wykonanych testów 81 dało wynik zgodny, a 36 dało wynik niezgodny z oczekiwanym. Oznacza to, że w przypadku wykorzystanego zbioru testowego skuteczność zaproponowanego kształtuje się na poziomie 69%.

Dzięki zastosowaniu proponowanego modelu w rozważanym przypadku możliwe jest uzyskanie oceny wiedzy pracownika serwisu dotyczącej know-how wykonania danej procedury serwisowej. Wynik pokazuje w jaki stopniu (w %) pracownik prawidłowo wykonał procedurę w porównaniu do przyjętej w firmie wzorcowej procedury. Na tej podstawie kierownik serwisu może dokonać obiektywnej oceny pracy każdego serwisanta i przypisać określone oceny wg przyjętej skali ocen:

prawidłowe wykonanie procedury w stopniu 90%-100% w porównaniu do wzorcowej procedury - ocena 5 pkt,
prawidłowe wykonanie procedury w stopniu 80%-89% w porównaniu do wzorcowej procedury - ocena 4 pkt,
prawidłowe wykonanie procedury w stopniu 70%-79% w porównaniu do wzorcowej procedury - ocena 3 pkt,
prawidłowe wykonanie procedury w stopniu poniżej 70% w porównaniu do wzorcowej procedury - ocena 2 pkt lub ocena 5 pkt jeżeli błędny sposób wykonania procedury zostanie zakwalifikowany jako nowa wiedza dotycząca innej możliwości realizacji wzorcowej procedury.

Przykład tablicy oceny wiedzy pracownika serwisu zaprezentowano w tabeli nr 1:

System informatyczny oceny wiedzy pracowników na przykładzie działu serwisowego w przedsiębiorstwie produkcyjnym

Zaprezentowany model oceny wiedzy pracowników w dziale serwisowym, a w konsekwencji oceny ich pracy został zaimplementowany w postaci narzędzi informatycznego. Wiedza jawna dostępna w dziale serwisowym w postaci procedur serwisowych została zgromadzona w bazie danych w postaci ontologicznej. Jej fragment zaprezentowano na Rysunku 3.

Następnie otrzymane zapisy audio wykonywanych czynności przez pracowników w trakcie realizacji danej procedury serwisowej (element 2 modelu) są zapisywane w postaci tekstu przy pomocy technik automatycznego rozpoznawania mowy. Na Rysunku 4 zaprezentowano okno aplikacji ułatwiające zarządzanie zgromadzonymi zapisami.

Dzięki zastosowaniu sieci neuronowej możliwe jest dokonanie porównania otrzymanego zapisu do wzorcowych procedur serwisowych (Rysunek 5):

Dzięki otrzymanym wynikom (Rysunek 6) kierownik serwisu otrzymuje informację dotyczącą stopnia poprawności wykonania procedury serwisowej w stosunku do przyjętych instrukcji w przedsiębiorstwie. Otrzymuje zapisy dla każdego pracownika oraz zapis dotyczący zmian, które wystąpiły w trakcie realizacji czynności. Wyniki te zostają zapisane w postaci tablicy do oceny pracy (tabela nr 1).

Proponowany system informatyczny oceny wiedzy został zaprojektowany i zbudowany w odpowiedzi na potrzeby działu serwisowego przedsiębiorstwa produkcyjnego. Należy podkreślić trudność realizacji takiego rozwiązania informatycznego w obszarze zapisu formalnego pozyskanej wiedzy ukrytej od pracowników serwisu i dokonania jej oceny. W pierwszej kolejności otrzymane nagranie z wykonania danej procedury serwisowej jest zapisywane w postaci tradycyjnego nagrania audio. Aby pozyskana wiedza ukryta od pracownika działu serwisowego mogła być analizowana konieczne jest przekształcenie otrzymanego zapisu audio do zapisu tekstowego. Uzyskano taki zapis dzięki zastosowaniu technik automatycznego rozpoznawania mowy (Automatic Speech Recognition technology - ASR), przy wykorzystaniu Google Web Speech API. Następnie, aby otrzymany zapis został automatycznie porównany z procedurami wzorcowymi zgromadzonymi w przedsiębiorstwie w formie instrukcji, została zbudowana przez autorów ontologia przy wsparciu ekspertów z działu serwisowego. W ontologii zostały zapisane wybrane procedury serwisowe w postaci sekwencji kroków. Każdy krok został następnie opisany za pomocą następujących charakterystyk:

• nazwy narzędzi wykorzystywanych w serwisie (np. śrubokręt płaski, klucz dynamometryczny),
• nazwy podzespołów występujących w układach pojazdu objętych dziedziną ontologii (np. tarcza hamulcowa, piasta),
• nazwy elementów łączących i mocujących (np. śruba, sworzeń),
• nazwy materiałów eksploatacyjnych i środków smarnych (np. smar do łożysk, płyn hamulcowy),
• nazwy czynności podstawowych (np. wbijanie, wciskanie, wsuwanie, wysuwanie).

Integralnym elementem ontologii umożliwiającej sformalizowany opis procedury serwisowej jest zbiór słowników wyrazów i pojęć, które tworzą tzw. skończony słownik wyrazów (SSW). Słownik ten obejmuje 200 podstawowych form wyrazów, 400 synonimów i ponad 11000 form fleksyjnych.

Ostatecznie w ontologii:

• procedura opisywana jest za pomocą kroków,
• każdy z kroków opisany jest za pomocą charakterystyk,
• do wyrażenia charakterystyk kroku używane są pojęcia ze słownika SSW.

Następnie dzięki zastosowaniu sieci neuronowej możliwe jest dokonanie porównania każdego kroku realizowanej procedury przez serwisanta do procedury wzorcowej (instrukcji przyjętej w przedsiębiorstwie).

Proponowany system informatyczny jest systemem wspomagającym ocenę wiedzy pracowników na przykładzie działu serwisowego. W stosunku do tradycyjnych metod oceny pracy czy też oceny wiedzy pracowników, zaprezentowanych w rozdziale obejmującym analizę literatury, proponowane podejście pokazuje możliwość dokonania obiektywnej oceny wiedzy specjalistów, dzięki jednoznacznym wynikom podobieństwa wykonanej pracy do procedur wzorcowych (instrukcji) przyjętych w przedsiębiorstwie. Szczególne ważne znaczenie ma zastosowanie tego narzędzia przy ocenie pracy nowych pracowników. Kierownik działu serwisowego potrzebuje rozwiązania wspomagającego zatrudnianie nowych osób. Proponowany system ułatwia kierownikowi podjęcie decyzji o zatrudnieniu nowego pracownika z uwagi na otrzymane wyniki oceny jego wiedzy.

Przedstawiony system informatyczny został wdrożony testowo w dziale serwisowym przedsiębiorstwa produkującego naczepy. Kierownik działu otrzymał narzędzie, dzięki któremu mógł obiektywnie ocenić pracę nowych pracowników i podjąć decyzję o ich zatrudnieniu.

Podsumowanie

Proponowany system informatyczny oceny wiedzy pracowników, a w konsekwencji system oceny pracy jest obiektywny, opiera się na wyznaczonym i jawnym kryterium: poprawność wykonania procedury serwisowej. Zastosowanie proponowanego modelu pozwala kierownikowi działu serwisowego dokonać oceny wiedzy danego serwisanta na podstawie wyniku o poprawności realizacji procedury, otrzymanego dzięki działaniu sieci neuronowej. Zbudowany system informatyczny stanowi dobre narzędzie wspomagające podejmowanie decyzji o zatrudnianiu nowych pracowników.

Bibliografia

• Bartos, K. (2012). Wykorzystanie sztucznych sieci neuronowych w badaniach zachowań konsumentów, Szczecin: Wydawnictwo Naukowe Uniwersytetu Szczecińskiego.
• Farlow, S.J. (1984). Self-organizing Methods in Modelling: GMDH-type Algorithms, New York: Marcel Dekker Inc.
• Forsyth, P. (2004). Jak motywować ludzi, Warszawa: Helion.
• Goldberg, D.E. (1995). Algorytmy genetyczne i ich zastosowania, Warszawa: Wydawnictwa Naukowo-Techniczne.
• Janowska, Z. (2002). Zarządzanie zasobami ludzkimi, Warszawa: PWE.
• Król, H., Ludwiczyński, A. (2006). Zarządzanie zasobami ludzkimi, Warszawa: Wydawnictwo PWN.
• Larose, D.T. (2008). Metody i modele eksploracji danych, Warszawa: Wydawnictwo Naukowe PWN.
• Lewicka, D. (2010). Zarządzanie kapitałem ludzkim w polskich przedsiębiorstwach, Warszawa: PWN.
• Marciniak, A., Korbicz, J. (2002). Metody rozpoznawania obrazów w diagnostyce. W: J. Korbicz, J.M. Kościalny, Z. Kowalczuk, W. Cholewa (red.), Diagnostyka procesów, Warszawa: Wydawnictwo Naukowo Techniczne.
• Patan, J., Korbicz, J., Mrugalski, J. (2002). Sztuczne sieci neuronowe w układach diagnostyki. W: J. Korbicz, J.M. Kościalny, Z. Kowalczuk, W. Cholewa (red.), Diagnostyka procesów, Wydawnictwo Naukowo Techniczne 2002.
• Pawlak, Z. (2011). Zarządzanie zasobami ludzkimi w przedsiębiorstwie, Warszawa: POLTEXT.
• Quinlan, J.R. (1996). Improved use of continues attributes in C4.5, Journal of Artificial Intelligence Research 1996.
• Rozkwitalska, M., Dancewicz, B., Szmidt, H. (2013). Przewodnik praktycznego zarządzania, Warszawa: Difin.
• StatSoft, Elektroniczny Podręcznik Statystyki, Kraków 2006, www.statsoft.pl/textbook/stathome.html.
• Wąsowska-Bąk, K., Górecka, D., Mazur, M. (2012). Assessment/Development Center. Poznaj najskuteczniejszą metodę oceny kompetencji pracowników i kandydatów do pracy, Gliwice: Helion.
• Witkowski, T. (2002). Sztuczna inteligencja w zarządzaniu produkcją, Konferencja -Współczesne problemy zarządzania. W: Współczesne problemy zarządzania, Warszawa: Mazowiecka Wyższa Szkoła Humanistyczno-Pedagogiczna.
• Ziemski, W. (2017). Charakterystyka oceny okresowej nauczycieli akademickich na przykładzie Politechniki Śląskiej, z. 100, 575-587, Politechnika Śląska.