به‌كارگيري سيستم بهينه استنتاج فازي- عصبي تطبيقي به منظور پيش‌بيني كارايي كاركنان

Applying Optimized Adaptive Neuro-fuzzy Inference System to Predict the Personnel Efficiency

ابهام و عدم قطعيت موجود در ماهيت و محدوديت‌ شناختي ذهن انسان، همواره پيش‌بيني رفتار و مشخصات ناشناخته سيستم‌هايي را كه با انسان سروكار دارند، دشوار مي‌سازد. درنتيجه پيش‌بيني در اين حوزه، نيازمند ساخت مدل‌هايي است كه ابهام را به عنوان بخشي از سيستم در نظر گرفته و مدلسازي كند. هدف از اين مقاله بهره‌گيري از هوش مصنوعي و الگوريتم‌هاي بهينه‌سازي پيشرفته براي مدلسازي كارايي كاركنان است كه در اين بررسي از متغيرهاي هوش هيجاني و ويژگي‌هاي فردي به عنوان ورودي و از سه بعد وظيفه‌شناسي، دقت در كار و سرعت در كار به عنوان خروجي مدل پيش‌بيني كارايي امدادگران و گازبانان شركت گاز استفاده شده است. درنهايت به منظور مدلسازي كارايي، با تركيب الگوريتم ژنتيك و روش تجزيه مقادير منفرد با سيستم استنتاج فازي عصبي، سيستم بهينه استنتاج عصبي- فازي تطبيقي بر‌اساس داده‌هاي واقعي به كار گرفته شد. اين سيستم قادر است با وجود پيچيدگي و ناشناخته بودن رفتار در حوزه منابع انساني، كارايي كاركنان را با حداقل خطاي آموزش، حداقل خطاي پيش‌بيني و حداكثر انطباق‌پذيري با كارايي واقعي پيش‌بيني كند، به طوري كه بر‌اساس الگوريتم معرفي شده، درمورد 84 تا 96 درصد از ركوردهاي مورد بررسي، ابعاد كارايي به طور دقيق برابر با مقدار واقعي پيش‌بيني مي‌شوند.

Inherent ambiguity and uncertainty in the nature of human mind’s bounded rationality and cognitive limitations always make difficult to predict behaviors of such complex system. Thus, predicting in this area necessitates modeling the approaches to model ambiguity as part of the system. The purpose of this study is to apply artificial intelligence and advance optimization algorithms to modeling the personnel efficiency. To do so, it uses “Emotional Quotient (EQ)” and “individual characteristics” as input variables, and “responsibility”, “work speed” and “work accuracy” as output variables. In order to model the personnel efficiency, an Adaptive Neuro-fuzzy Inference Optimized System (ANFIS) is introduced. This system utilizes Genetic Algorithm (GA) and Singular Value Decomposition (SVD). It can predict the personnel efficiency with minimum training error, minimum predicting error and maximum adaptability to the real efficiency. It is worth mentioning that, for 84 to 96% of the records, the extracted models are the same as the real efficiency.