JP6943062B2 - 機械学習集団行列因子分解フレームワークを使った作業者適性の予測 - Google Patents
機械学習集団行列因子分解フレームワークを使った作業者適性の予測 Download PDFInfo
- Publication number
- JP6943062B2 JP6943062B2 JP2017153964A JP2017153964A JP6943062B2 JP 6943062 B2 JP6943062 B2 JP 6943062B2 JP 2017153964 A JP2017153964 A JP 2017153964A JP 2017153964 A JP2017153964 A JP 2017153964A JP 6943062 B2 JP6943062 B2 JP 6943062B2
- Authority
- JP
- Japan
- Prior art keywords
- worker
- matrix
- task
- tool
- filled
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Description
・Tが、ツール=[D1,D2,…,Dn]によって定義されるツールの集合によって完了されることのできるタスクであるとする。
・Gが作業者W=[W1,W2,…,Wd3]からなる群であるとする。
・αがそのタスクについて許容される合計時間であるとする。
・α1,α2,…,αd3が、そのタスクを完了するための個々の作業者の時間制約条件を表わすとする。
・可能な制約条件が、α1+α2,…+αd3≦αというものであってもよい。
・各ツールおよび作業者は、分類法ベクトルTP=[TP1,TP2,…,TPd1]に沿って特徴付けられてもよい。
・X1=[xij (1)]が分類法パラメータ(エンティティE1)とツール(エンティティE1)との間の関係、すなわち、d2個のツール全部にわたる、d1 TPについての多くの作業者にわたる平均レーティングを記述するとする。
・X2=[xij (2)]が作業者とツールとの間の関係、すなわち、d2個のツールについての、d3人の作業者の選好レーティングを記述するとする。
・X3=[xij (3)]が作業者(エンティティE3)と分類法パラメータ(エンティティE1)との間の関係、すなわち、d1個の分類法パラメータについてのd3人の作業者の個々のレーティングを記述するとする。
・こうして、三つのエンティティ集合E={E1=TP,E2=ツール,E3=作業者}があり、上述したように次元deをもつ三つの関係行列がある。
・タスクTがD1,D2,…,Dnによって与えられるツールの集合によって完了されることができるとする。
・機械学習集団的行列因子分解フレームワーク108が、各ツールがその独自の分類法パラメータ(TP: taxonomy parameter)の集合によって特徴付けられることを保証する。
・よって、
D1=[TP1 1,TP2 1,…,TPd1 1], D2=[TP1 2,TP2 2,…,TPd1 2], Dn=[TP1 n,TP2 n,…,TPd1 n]
・タスクTを、その分類法パラメータを用いた単一のTPベクトルによって特徴付ける。
・これを得る際、当該TPに基づき適切なマージ方式が用いられてもよい:
・たとえば、TPがツールの学習複雑さに関係している場合には、すべてのツールの間での複雑さの最大値が選ばれてもよい(最大満足方式);
・他方、TPが作業者の学習複雑さに関係している場合には、すべてのツールの間での最小値が選ばれてもよい(最小忍耐方式);
・曖昧さのない場合には、すべてのツールにわたる平均値が選ばれてもよい(平均方式)。
・TPに沿って特徴付けられたタスクT=[TP1 T,TP2 T,…,TPd1 T]
・作業者からなる群W=[W1,W2,…,Wd3]
・前記群の構成員は、個々のTPおよび時間制約条件によって特徴付けられる。よって、
W1=時間制約条件α1をもつ作業者1についてのTP値のベクトル、
W2=時間制約条件α2をもつ作業者2についてのTP値のベクトル、
など。
・こうして、問題は、次を解くことに帰着する:
・アルファに対する時間制約条件のもとでT=α1W1+α2W2+α3W3+…αd3Wd3 。これは凸最適化フレームワーク124を使って解いてもよく、結果として作業者選択および作業者毎の時間割り当て126を与える。
・作業品質――タスクについて完了される仕事がある要件を満たし、よい品質であることを保証するために、タスクαを完了するための合計時間が区間[t1<α<t2]内であるよう制約条件が追加されることができる。これは、タスクの完了が速すぎるためにタスクが低品質であることを回避するとともに、完了までに時間がかかりすぎるためにタスクが非効率的な仕方で完了されることを回避する助けになりうる。
・作業者協働――一部の作業者は一緒に仕事をすることになじまないため、あるいは一部の作業者は常に一緒に作業することを望むため、それぞれα1>0ならα2=0(および逆にα2>0ならα1=0)、あるいはα1>0ならα2>0(および逆にα2>0ならα1>0)といった条件を選ぶことによって制約条件を組み込むことができる。α1>0ならα2>0(および逆にα2>0ならα1>0)という制約条件は非凸であり、よって解くためには非凸の数値的推定法を必要とすることを注意しておく。これを解くのは、凸最適化問題への解よりも達成するのが難しいことがある。
・各関係行列Xmが低い階数の表現によって次のように近似されてもよい:
・どのXにも対応しないブロックが未観測(ブランク)のままにされるよう大きな単一の行列YがすべてのXmを含んでいてもよく、対応する一つの大きなエンティティ集合をもって構築される。ここで、d=EΣdeである。
・モデルは次いで、次のように対称行列因子分解として定式化できる:
Y=UUT+ε
ここで、
・因子行列Ueのk番目の列が二つのエンティティ型rmおよびcmを除いてみなヌルである場合、そのことは、k番目の因子が関係mについてプライベートな因子であることを含意しうる。これらプライベートな因子の自動生成を許容するために、クラミ論文において開示されているように、Ueの列に対する群疎事前分布(group sparse priors)が課されてもよい。
・モデルが投影(projections)についてのガウシアン尤度(Gaussian likelihood)およびガンマ事前分布(Gamma priors)を指定することによって
・エンティティ集合eの変動をモデル化するためには必要とされないことがありうる因子kについての大きな精度値αekを学習することによって、uについての事前分布は各因子についてそれがアクティブである行列の集合を自動的に選択する。
・クラミ論文に開示されるようにモデル・パラメータを学習するために変分ベイズ近似が使われる。
(付記1)
作業者適性を予測するための動作をシステムに実行させるよう構成されたコンピュータ実行可能命令を含む非一時的なコンピュータ可読記憶媒体であって、前記動作は:
複数の作業者、複数のツールおよび複数の分類法パラメータを同定する段階と;
前記分類法パラメータと前記ツールの間の関係を表わす値の部分的に満たされた第一の行列であって、欠けている各値は前記ツールのうち前記分類法パラメータの値が未知であるものを表わす、第一の行列と、前記作業者と前記ツールの間の関係を表わす値の部分的に満たされた第二の行列であって、欠けている各値は前記ツールのうち前記作業者のスキルが未知であるものを表わす、第二の行列と、前記作業者と前記分類法パラメータとの間の関係を表わす値の部分的に満たされた第三の行列であって、欠けている各値は前記分類法パラメータのうち前記作業者の習熟度が未知であるものを表わす、第三の行列とを同定する段階と;
前記部分的に満たされた第一、第二および第三の行列に対して機械学習集団的行列因子分解フレームワークを用いて前記部分的に満たされた第一、第二および第三の行列の欠けている値を予測し、満たされた第一、第二および第三の行列を生じる段階であって、満たされた第一の行列のそれぞれの予測された値は前記ツールの前記分類法パラメータの値を表わし、満たされた第二の行列のそれぞれの予測された値は前記作業者が前記ツールのスキルを習得する適性を表わし、満たされた第三の行列のそれぞれの予測された値は前記作業者の前記分類法パラメータに習熟する適性を表わす、段階と;
ツール要求および時間制約条件を同定する段階と;
各作業者についての時間利用可能性を同定する段階と;
そのタスクのツール要求、そのタスクの時間制約条件および各作業者についての時間利用可能性に基づいて、そのタスクを実行するための前記作業者の最適な部分集合を予測するとともに、そのタスクに作業者の該最適な部分集合の各作業者が割くべき時間の最適な量を予測するために、満たされた第一、第二および第三の行列に対して凸最適化フレームワークを用いる段階とを含む、
非一時的なコンピュータ可読記憶媒体。
(付記2)
前記ツールがソフトウェア開発ツールであり、前記タスクがソフトウェア開発タスクである、付記1記載の非一時的なコンピュータ可読記憶媒体。
(付記3)
前記分類法パラメータが、学習の複雑さ、学習時間、使いやすさ、抽象化レベル、活用レベルもしくは協働スタイルまたはそれらの何らかの組み合わせを含む、付記2記載の非一時的なコンピュータ可読記憶媒体。
(付記4)
前記部分的に満たされたおよび前記満たされた第一、第二および第三の行列における値が0から1までの間の値である、付記3記載の非一時的なコンピュータ可読記憶媒体。
(付記5)
そのタスクを実行するための前記作業者の最適な部分集合を予測するとともに、そのタスクに作業者の該最適な部分集合の各作業者が割くべき時間の最適な量を予測するために、満たされた第一、第二および第三の行列に対して凸最適化フレームワークを用いる前記段階がさらに、最小時間期間から最大時間期間までの間に制約された、そのタスクを完了するための合計時間を含む作業品質制約条件に基づく、付記1記載の非一時的なコンピュータ可読記憶媒体。
(付記6)
そのタスクを実行するための前記作業者の最適な部分集合を予測するとともに、そのタスクに作業者の該最適な部分集合の各作業者が割くべき時間の最適な量を予測するために、満たされた第一、第二および第三の行列に対して凸最適化フレームワークを用いる前記段階がさらに、前記作業者のうちの相性がいい二人を作業者の前記最適な部分集合に含ませることを含む、あるいは前記作業者のうちの相性がよくない二人の両方は作業者の前記最適な部分集合に含ませないことを含む作業者協働制約条件に基づく、付記1記載の非一時的なコンピュータ可読記憶媒体。
(付記7)
前記動作がさらに、前記タスクに関連するハードウェアおよび/またはソフトウェア資源へのアクセスを、前記作業者の前記最適な部分集合の各作業者に対して承認することを含む、付記1記載の非一時的なコンピュータ可読記憶媒体。
(付記8)
作業者適性を予測するためのコンピュータ実装される方法であって:
複数の作業者、複数のツールおよび複数の分類法パラメータを同定する段階と;
前記分類法パラメータと前記ツールの間の関係を表わす値の部分的に満たされた第一の行列であって、欠けている各値は前記ツールのうち前記分類法パラメータの値が未知であるものを表わす、第一の行列と、前記作業者と前記ツールの間の関係を表わす値の部分的に満たされた第二の行列であって、欠けている各値は前記ツールのうち前記作業者のスキルが未知であるものを表わす、第二の行列と、前記作業者と前記分類法パラメータとの間の関係を表わす値の部分的に満たされた第三の行列であって、欠けている各値は前記分類法パラメータのうち前記作業者の習熟度が未知であるものを表わす、第三の行列とを同定する段階と;
前記部分的に満たされた第一、第二および第三の行列に対して機械学習集団的行列因子分解フレームワークを用いて前記部分的に満たされた第一、第二および第三の行列の欠けている値を予測し、満たされた第一、第二および第三の行列を生じる段階であって、満たされた第一の行列のそれぞれの予測された値は前記ツールの前記分類法パラメータの値を表わし、満たされた第二の行列のそれぞれの予測された値は前記作業者が前記ツールのスキルを習得する適性を表わし、満たされた第三の行列のそれぞれの予測された値は前記作業者の前記分類法パラメータに習熟する適性を表わす、段階と;
ツール要求および時間制約条件を同定する段階と;
各作業者についての時間利用可能性を同定する段階と;
そのタスクのツール要求、そのタスクの時間制約条件および各作業者についての時間利用可能性に基づいて、そのタスクを実行するための前記作業者の最適な部分集合を予測するとともに、そのタスクに作業者の該最適な部分集合の各作業者が割くべき時間の最適な量を予測するために、満たされた第一、第二および第三の行列に対して凸最適化フレームワークを用いる段階とを含む、
コンピュータ実装される方法。
(付記9)
前記ツールがソフトウェア開発ツールであり、前記タスクがソフトウェア開発タスクである、付記8記載のコンピュータ実装される方法。
(付記10)
前記分類法パラメータが、学習の複雑さ、学習時間、使いやすさ、抽象化レベル、活用レベルもしくは協働スタイルまたはそれらの何らかの組み合わせを含む、付記9記載のコンピュータ実装される方法。
(付記11)
前記部分的に満たされたおよび前記満たされた第一、第二および第三の行列における値が0から1までの間の値である、付記10記載のコンピュータ実装される方法。
(付記12)
そのタスクを実行するための前記作業者の最適な部分集合を予測するとともに、そのタスクに作業者の該最適な部分集合の各作業者が割くべき時間の最適な量を予測するために、満たされた第一、第二および第三の行列に対して凸最適化フレームワークを用いる前記段階がさらに、最小時間期間から最大時間期間までの間に制約された、そのタスクを完了するための合計時間を含む作業品質制約条件に基づく、付記8記載のコンピュータ実装される方法。
(付記13)
そのタスクを実行するための前記作業者の最適な部分集合を予測するとともに、そのタスクに作業者の該最適な部分集合の各作業者が割くべき時間の最適な量を予測するために、満たされた第一、第二および第三の行列に対して凸最適化フレームワークを用いる前記段階がさらに、前記作業者のうちの相性がいい二人を作業者の前記最適な部分集合に含ませることを含む、あるいは前記作業者のうちの相性がよくない二人の両方は作業者の前記最適な部分集合に含ませないことを含む作業者協働制約条件に基づく、付記8記載のコンピュータ実装される方法。
(付記14)
前記タスクに関連するハードウェアおよび/またはソフトウェア資源へのアクセスを、前記作業者の前記最適な部分集合の各作業者に対して承認する段階をさらに含む、付記8記載のコンピュータ実装される方法。
(付記15)
前記機械学習集団的行列因子分解フレームワークが疎な群埋め込みを用いる、付記8記載のコンピュータ実装される方法。
(付記16)
作業者適性を予測するためのコンピュータ実装される方法であって:
複数の作業者、複数のツールおよび複数の分類法パラメータを同定する段階と;
前記分類法パラメータと前記ツールの間の関係を表わす値の部分的に満たされた第一の行列であって、欠けている各値は前記ツールのうち前記分類法パラメータの値が未知であるものを表わす、第一の行列と、前記作業者と前記ツールの間の関係を表わす値の部分的に満たされた第二の行列であって、欠けている各値は前記ツールのうち前記作業者のスキルが未知であるものを表わす、第二の行列と、前記作業者と前記分類法パラメータとの間の関係を表わす値の部分的に満たされた第三の行列であって、欠けている各値は前記分類法パラメータのうち前記作業者の習熟度が未知であるものを表わす、第三の行列とを同定する段階と;
前記部分的に満たされた第一、第二および第三の行列に対して機械学習集団的行列因子分解フレームワークを用いて前記部分的に満たされた第一、第二および第三の行列の欠けている値を予測し、満たされた第一、第二および第三の行列を生じる段階であって、満たされた第一の行列のそれぞれの予測された値は前記ツールの前記分類法パラメータの値を表わし、満たされた第二の行列のそれぞれの予測された値は前記作業者が前記ツールのスキルを習得する適性を表わし、満たされた第三の行列のそれぞれの予測された値は前記作業者の前記分類法パラメータに習熟する適性を表わす、段階とを含む、
コンピュータ実装される方法。
(付記17)
前記ツールがソフトウェア開発ツールである、付記16記載のコンピュータ実装される方法。
(付記18)
前記分類法パラメータが、学習の複雑さ、学習時間、使いやすさ、抽象化レベル、活用レベルもしくは協働スタイルまたはそれらの何らかの組み合わせを含む、付記17記載のコンピュータ実装される方法。
(付記19)
前記部分的に満たされたおよび前記満たされた第一、第二および第三の行列における値が0から1までの間の値である、付記18記載のコンピュータ実装される方法。
(付記20)
前記機械学習集団的行列因子分解フレームワークが疎な群埋め込みを用いる、付記16記載のコンピュータ実装される方法。
116 制約条件
118 作業者時間利用可能性
120 タスク・ツール要求
122 タスク時間制約条件
124 凸最適化フレームワーク
126 作業者選択および作業者毎の時間割り当て
302 複数の作業者、複数のツールおよび複数の分類法パラメータを同定
304 分類法パラメータとツールの間の関係を表わす値の部分的に満たされた第一の行列、作業者とツールの間の関係を表わす値の部分的に満たされた値の第二の行列および作業者と分類法パラメータの間の関係を表わす値の部分的に満たされた第三の行列を同定
306 部分的に満たされた第一、第二および第三の行列に対して機械学習集団的行列因子分解フレームワークを用いて、部分的に満たされた第一、第二および第三の行列の欠けている値を予測し、満たされた第一、第二および第三の行列を生じる
308 ツール要求および時間制約条件を含むタスクを同定
310 各作業者の時間利用可能性を同定
312 そのタスクのツール要求、そのタスクの時間制約条件および各作業者の時間利用可能性に基づいて、そのタスクを実行するための前記作業者の最適な部分集合を予測するとともに、そのタスクに作業者の該最適な部分集合の各作業者が割くべき時間の最適な量を予測するために、満たされた第一、第二および第三の行列に対して凸最適化フレームワークを用いる
Claims (20)
- 作業者適性を予測するための動作をシステムに実行させるよう構成されたコンピュータ実行可能命令を含む非一時的なコンピュータ可読記憶媒体であって、前記動作は:
複数の作業者、複数のツールおよび複数の分類法パラメータを同定する段階と;
前記分類法パラメータと前記ツールの間の関係を表わす値の部分的に満たされた第一の行列であって、欠けている各値は前記ツールのうち前記分類法パラメータの値が未知であるものを表わす、第一の行列と、前記作業者と前記ツールの間の関係を表わす値の部分的に満たされた第二の行列であって、欠けている各値は前記ツールのうち前記作業者のスキルが未知であるものを表わす、第二の行列と、前記作業者と前記分類法パラメータとの間の関係を表わす値の部分的に満たされた第三の行列であって、欠けている各値は前記分類法パラメータのうち前記作業者の習熟度が未知であるものを表わす、第三の行列とを同定する段階と;
前記部分的に満たされた第一、第二および第三の行列に対して機械学習集団的行列因子分解フレームワークを用いて前記部分的に満たされた第一、第二および第三の行列の欠けている値を予測し、満たされた第一、第二および第三の行列を生じる段階であって、満たされた第一の行列のそれぞれの予測された値は前記ツールの前記分類法パラメータの値を表わし、満たされた第二の行列のそれぞれの予測された値は前記作業者が前記ツールのスキルを習得する適性を表わし、満たされた第三の行列のそれぞれの予測された値は前記作業者の前記分類法パラメータに習熟する適性を表わす、段階と;
ツール要求および時間制約条件を含むタスクを同定する段階と;
各作業者についての時間利用可能性を同定する段階と;
前記タスクのツール要求、前記タスクの時間制約条件および各作業者についての時間利用可能性に基づいて、前記タスクを実行するための前記作業者の最適な部分集合を予測するとともに、前記タスクに作業者の該最適な部分集合の各作業者が割くべき時間の最適な量を予測するために、満たされた第一、第二および第三の行列に対して凸最適化フレームワークを用いる段階とを含む、
非一時的なコンピュータ可読記憶媒体。 - 前記ツールがソフトウェア開発ツールであり、前記タスクがソフトウェア開発タスクである、請求項1記載の非一時的なコンピュータ可読記憶媒体。
- 前記分類法パラメータが、学習の複雑さ、学習時間、使いやすさ、抽象化レベル、活用レベルもしくは協働スタイルまたはそれらの何らかの組み合わせを含む、請求項2記載の非一時的なコンピュータ可読記憶媒体。
- 前記部分的に満たされたおよび前記満たされた第一、第二および第三の行列における値が0から1までの間の値である、請求項3記載の非一時的なコンピュータ可読記憶媒体。
- 前記タスクを実行するための前記作業者の最適な部分集合を予測するとともに、前記タスクに作業者の該最適な部分集合の各作業者が割くべき時間の最適な量を予測するために、満たされた第一、第二および第三の行列に対して凸最適化フレームワークを用いる前記段階がさらに、最小時間期間から最大時間期間までの間に制約された、前記タスクを完了するための合計時間を含む作業品質制約条件に基づく、請求項1記載の非一時的なコンピュータ可読記憶媒体。
- 前記タスクを実行するための前記作業者の最適な部分集合を予測するとともに、前記タスクに作業者の該最適な部分集合の各作業者が割くべき時間の最適な量を予測するために、満たされた第一、第二および第三の行列に対して凸最適化フレームワークを用いる前記段階がさらに、前記作業者のうちの相性がいい二人を作業者の前記最適な部分集合に含ませることを含む、あるいは前記作業者のうちの相性がよくない二人の両方は作業者の前記最適な部分集合に含ませないことを含む作業者協働制約条件に基づく、請求項1記載の非一時的なコンピュータ可読記憶媒体。
- 前記動作がさらに、前記タスクに関連するハードウェアおよび/またはソフトウェア資源へのアクセスを、前記作業者の前記最適な部分集合の各作業者に対して承認することを含む、請求項1記載の非一時的なコンピュータ可読記憶媒体。
- 作業者適性を予測するためのコンピュータ実装される方法であって:
複数の作業者、複数のツールおよび複数の分類法パラメータを同定する段階と;
前記分類法パラメータと前記ツールの間の関係を表わす値の部分的に満たされた第一の行列であって、欠けている各値は前記ツールのうち前記分類法パラメータの値が未知であるものを表わす、第一の行列と、前記作業者と前記ツールの間の関係を表わす値の部分的に満たされた第二の行列であって、欠けている各値は前記ツールのうち前記作業者のスキルが未知であるものを表わす、第二の行列と、前記作業者と前記分類法パラメータとの間の関係を表わす値の部分的に満たされた第三の行列であって、欠けている各値は前記分類法パラメータのうち前記作業者の習熟度が未知であるものを表わす、第三の行列とを同定する段階と;
前記部分的に満たされた第一、第二および第三の行列に対して機械学習集団的行列因子分解フレームワークを用いて前記部分的に満たされた第一、第二および第三の行列の欠けている値を予測し、満たされた第一、第二および第三の行列を生じる段階であって、満たされた第一の行列のそれぞれの予測された値は前記ツールの前記分類法パラメータの値を表わし、満たされた第二の行列のそれぞれの予測された値は前記作業者が前記ツールのスキルを習得する適性を表わし、満たされた第三の行列のそれぞれの予測された値は前記作業者の前記分類法パラメータに習熟する適性を表わす、段階と;
ツール要求および時間制約条件を含むタスクを同定する段階と;
各作業者についての時間利用可能性を同定する段階と;
前記タスクのツール要求、前記タスクの時間制約条件および各作業者についての時間利用可能性に基づいて、前記タスクを実行するための前記作業者の最適な部分集合を予測するとともに、前記タスクに作業者の該最適な部分集合の各作業者が割くべき時間の最適な量を予測するために、満たされた第一、第二および第三の行列に対して凸最適化フレームワークを用いる段階とを含む、
コンピュータ実装される方法。 - 前記ツールがソフトウェア開発ツールであり、前記タスクがソフトウェア開発タスクである、請求項8記載のコンピュータ実装される方法。
- 前記分類法パラメータが、学習の複雑さ、学習時間、使いやすさ、抽象化レベル、活用レベルもしくは協働スタイルまたはそれらの何らかの組み合わせを含む、請求項9記載のコンピュータ実装される方法。
- 前記部分的に満たされたおよび前記満たされた第一、第二および第三の行列における値が0から1までの間の値である、請求項10記載のコンピュータ実装される方法。
- 前記タスクを実行するための前記作業者の最適な部分集合を予測するとともに、前記タスクに作業者の該最適な部分集合の各作業者が割くべき時間の最適な量を予測するために、満たされた第一、第二および第三の行列に対して凸最適化フレームワークを用いる前記段階がさらに、最小時間期間から最大時間期間までの間に制約された、前記タスクを完了するための合計時間を含む作業品質制約条件に基づく、請求項8記載のコンピュータ実装される方法。
- 前記タスクを実行するための前記作業者の最適な部分集合を予測するとともに、前記タスクに作業者の該最適な部分集合の各作業者が割くべき時間の最適な量を予測するために、満たされた第一、第二および第三の行列に対して凸最適化フレームワークを用いる前記段階がさらに、前記作業者のうちの相性がいい二人を作業者の前記最適な部分集合に含ませることを含む、あるいは前記作業者のうちの相性がよくない二人の両方は作業者の前記最適な部分集合に含ませないことを含む作業者協働制約条件に基づく、請求項8記載のコンピュータ実装される方法。
- 前記タスクに関連するハードウェアおよび/またはソフトウェア資源へのアクセスを、前記作業者の前記最適な部分集合の各作業者に対して承認する段階をさらに含む、請求項8記載のコンピュータ実装される方法。
- 前記機械学習集団的行列因子分解フレームワークが疎な群埋め込みを用いる、請求項8記載のコンピュータ実装される方法。
- 作業者適性を予測するためのコンピュータ実装される方法であって:
複数の作業者、複数のツールおよび複数の分類法パラメータを同定する段階と;
前記分類法パラメータと前記ツールの間の関係を表わす値の部分的に満たされた第一の行列であって、欠けている各値は前記ツールのうち前記分類法パラメータの値が未知であるものを表わす、第一の行列と、前記作業者と前記ツールの間の関係を表わす値の部分的に満たされた第二の行列であって、欠けている各値は前記ツールのうち前記作業者のスキルが未知であるものを表わす、第二の行列と、前記作業者と前記分類法パラメータとの間の関係を表わす値の部分的に満たされた第三の行列であって、欠けている各値は前記分類法パラメータのうち前記作業者の習熟度が未知であるものを表わす、第三の行列とを同定する段階と;
前記部分的に満たされた第一、第二および第三の行列に対して機械学習集団的行列因子分解フレームワークを用いて前記部分的に満たされた第一、第二および第三の行列の欠けている値を予測し、満たされた第一、第二および第三の行列を生じる段階であって、満たされた第一の行列のそれぞれの予測された値は前記ツールの前記分類法パラメータの値を表わし、満たされた第二の行列のそれぞれの予測された値は前記作業者が前記ツールのスキルを習得する適性を表わし、満たされた第三の行列のそれぞれの予測された値は前記作業者の前記分類法パラメータに習熟する適性を表わす、段階とを含む、
コンピュータ実装される方法。 - 前記ツールがソフトウェア開発ツールである、請求項16記載のコンピュータ実装される方法。
- 前記分類法パラメータが、学習の複雑さ、学習時間、使いやすさ、抽象化レベル、活用レベルもしくは協働スタイルまたはそれらの何らかの組み合わせを含む、請求項17記載のコンピュータ実装される方法。
- 前記部分的に満たされたおよび前記満たされた第一、第二および第三の行列における値が0から1までの間の値である、請求項18記載のコンピュータ実装される方法。
- 前記機械学習集団的行列因子分解フレームワークが疎な群埋め込みを用いる、請求項16記載のコンピュータ実装される方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/387,605 US20180173501A1 (en) | 2016-12-21 | 2016-12-21 | Forecasting worker aptitude using a machine learning collective matrix factorization framework |
US15/387,605 | 2016-12-21 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018101399A JP2018101399A (ja) | 2018-06-28 |
JP6943062B2 true JP6943062B2 (ja) | 2021-09-29 |
Family
ID=62561652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017153964A Active JP6943062B2 (ja) | 2016-12-21 | 2017-08-09 | 機械学習集団行列因子分解フレームワークを使った作業者適性の予測 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20180173501A1 (ja) |
JP (1) | JP6943062B2 (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10977574B2 (en) * | 2017-02-14 | 2021-04-13 | Cisco Technology, Inc. | Prediction of network device control plane instabilities |
US10915850B2 (en) * | 2018-02-22 | 2021-02-09 | International Business Machines Corporation | Objective evidence-based worker skill profiling and training activation |
US20200302363A1 (en) * | 2018-06-18 | 2020-09-24 | Necf | Systems and methods for generating an architecture for production of goods and services |
CN109766481B (zh) * | 2019-01-11 | 2021-06-08 | 西安电子科技大学 | 基于协同矩阵分解的在线哈希跨模态信息检索方法 |
US11900284B2 (en) * | 2021-03-18 | 2024-02-13 | Intuit Inc. | Dynamic scheduling system with performance- based access |
US20230132465A1 (en) * | 2021-10-31 | 2023-05-04 | Bmc Software, Inc. | Automated skill discovery, skill level computation, and intelligent matching using generated hierarchical skill paths |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09259178A (ja) * | 1996-03-25 | 1997-10-03 | Hitachi Ltd | 工程管理システム |
JP2009289056A (ja) * | 2008-05-29 | 2009-12-10 | Renesas Technology Corp | 人員配置計画支援装置 |
US8930882B2 (en) * | 2012-12-11 | 2015-01-06 | American Express Travel Related Services Company, Inc. | Method, system, and computer program product for efficient resource allocation |
-
2016
- 2016-12-21 US US15/387,605 patent/US20180173501A1/en not_active Abandoned
-
2017
- 2017-08-09 JP JP2017153964A patent/JP6943062B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
US20180173501A1 (en) | 2018-06-21 |
JP2018101399A (ja) | 2018-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6943062B2 (ja) | 機械学習集団行列因子分解フレームワークを使った作業者適性の予測 | |
Hines et al. | Building foresight capacity: toward a foresight competency model | |
KR102206256B1 (ko) | 온라인 강의 시스템에서 강사를 추천하는 방법 | |
Hiyassat et al. | Factors affecting construction labour productivity: a case study of Jordan | |
Aminudin et al. | The family hope program using AHP method | |
Ottinger | Buckets of resistance: Standards and the effectiveness of citizen science | |
Becker et al. | NMC horizon report: 2017 library edition | |
Singh et al. | Three-level AHP-based heuristic approach for a multi-objective facility layout problem | |
Adams Becker et al. | NMC horizon report: 2017 library edition | |
Tezcan-Unal et al. | Learning-oriented quality assurance in higher education institutions | |
Mukaddes et al. | The application of quality function deployment to improve the teaching techniques in higher education | |
Adelle et al. | New development: Regulatory impact assessment in developing countries—tales from the road to good governance | |
Degeling et al. | A scoping review of metamodeling applications and opportunities for advanced health economic analyses | |
Zhuang et al. | Value-driven design process: A systematic decision-making framework considering different attribute preferences from multiple stakeholders | |
Vishwanatha et al. | Community perspectives on AI/ML and health equity: AIM-AHEAD nationwide stakeholder listening sessions | |
Wang et al. | Renewal of classics: database technology for all business majors | |
Tavana | A priority assessment multi-criteria decision model for human spaceflight mission planning at NASA | |
Horn et al. | Strategic workforce planning for the Australian Defence Force | |
Townsend-Nicholson | Educating and engaging new communities of practice with high performance computing through the integration of teaching and research | |
Rautenberg et al. | Methods to construct a step-by-step beginner’s guide to decision analytic cost-effectiveness modeling | |
US20200294167A1 (en) | Systems and methods for aiding higher education administration using machine learning models | |
Srisawasdi et al. | Emerging pedagogies for computer-based learning | |
Budgell | Alternative Approaches to Vocational Education and Training | |
Demchenko et al. | Data Scientist Professional Revisited: Competences Definition and Assessment, Curriculum and Education Path Design | |
Nolan | Artificial intelligence in science: Challenges, opportunities and the future of research |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200514 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210426 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210525 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210624 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210810 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210823 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6943062 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |