JP7388250B2 - 出力プログラム，情報処理装置及び出力方法 - Google Patents

出力プログラム，情報処理装置及び出力方法 Download PDF

Info

Publication number
JP7388250B2
JP7388250B2 JP2020039208A JP2020039208A JP7388250B2 JP 7388250 B2 JP7388250 B2 JP 7388250B2 JP 2020039208 A JP2020039208 A JP 2020039208A JP 2020039208 A JP2020039208 A JP 2020039208A JP 7388250 B2 JP7388250 B2 JP 7388250B2
Authority
JP
Japan
Prior art keywords
prediction result
alert
output
outputting
learning model
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
Application number
JP2020039208A
Other languages
English (en)
Other versions
JP2021140600A (ja
Inventor
昌之 古田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to JP2020039208A priority Critical patent/JP7388250B2/ja
Publication of JP2021140600A publication Critical patent/JP2021140600A/ja
Application granted granted Critical
Publication of JP7388250B2 publication Critical patent/JP7388250B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は、出力技術に関する。
企業において、人工知能（ＡＩ）システムによる従業員の休職の予測結果を定期的にチェックすることにより、従業員のケアを行なうことがある。
図１は、企業における従業員のケア方法を例示する図である。従業員７１の勤怠データ６１が蓄積されると、ダッシュボード画面６２において、ＡＩ６２１によって勤怠データ６１に基づき休職が予測される従業員７１の一覧が抽出される。人材担当スタッフ７２は、従業員７１の休職の予測結果に基づき、声かけ等、従業員７１へのケアを行なう（符号Ａ１参照）。
ここで、ＡＩシステム６２１は、休職者の予測のための補助ツールであり、完全な予測結果を提供するものではない。人材担当スタッフ７２は、予測結果からアラート対象の従業員７１を絞り込み、最終的には人対人のケアが必要となる。
国際公開第２０１９／０２２０８５号 特開２０１７－０１０５７７号公報 国際公開第２０１７／０１０１０３号
図２は、人材担当スタッフによるアラート検出結果に対する処理を説明する図である。従来のＡＩシステムは、予測結果をそのまま一様に出力する。一例を挙げると、人材担当スタッフ７２は、第１回のＡＩ予測結果が示すアラート対象の２０人と面談を行なってチェックを行ない、第２回のＡＩ予測結果が示すアラート対象の２５人と面談を行なってチェックを行なう。このように、人材担当スタッフ７２はＡＩシステムによって一様に出力された予測結果が示すアラート対象の従業員７１全員をチェックしてケアすることになり、人材担当スタッフ７２の負荷の増大や休職の潜在要因の見落としが発生するおそれがある。つまり、従来のＡＩシステムは、予測結果を効率的に利用できる態様で出力していない。
１つの側面では、ＡＩシステムが予測結果を効率的に利用できる態様で出力することを目的とする。
１つの側面では、予測プログラムは、第１のデータの入力に応じて機械学習モデルが出力した第１の予測結果を取得し、特定のイベントが検知された場合に、前記第１の予測結果を出力し、前記特定のイベントが検知されなかった場合に、前記第１のデータよりも古い第２のデータの入力に応じて前記機械学習モデルが出力した第２の予測結果に対してユーザが入力した情報に基づき前記第１の予測結果を変更して得られた第３の予測結果を出力する。
１つの側面では、ＡＩシステムによる予測結果が効率的に利用できる態様で出力される。
企業における従業員のケア方法を例示する図である。 人材担当スタッフによるアラート検出結果に対する処理を説明する図である。 実施形態の一例における情報処理装置のハードウェア構成例を模式的に示すブロック図である。 図３に示した情報処理装置のソフトウェア構成例を模式的に示す図である。 図３に示した情報処理装置におけるダッシュボード画面の表示例を示す図である。 図３に示した情報処理装置における変遷テーブルを例示する図である。 図３に示した情報処理装置における重要因子を説明する図である。 図３に示した情報処理装置におけるＡＩの予測結果の第１の例を示す図である。 図８に示したＡＩの予測結果によるアラート変遷を例示する図である。 図３に示した情報処理装置におけるＡＩの予測結果の第２の例を示す図である。 図１０に示したＡＩの予測結果によるアラート変遷を例示する図である。 図３に示した情報処理装置におけるＡＩの予測結果の第３の例を示す図である。 図１２に示したＡＩの予測結果によるアラート変遷を例示する図である。 図３に示した情報処理装置における休職者の予測処理を説明するフローチャートである。 図１４のステップＳ６，Ｓ７にそれぞれ示したアラート変遷処理及び可視化情報処理の詳細を説明するフローチャートである。 図１４のステップＳ８に示した状態フラグ制御処理の詳細を説明するフローチャートである。
以下、図面を参照して一実施の形態を説明する。ただし、以下に示す実施形態はあくまでも例示に過ぎず、実施形態で明示しない種々の変形例や技術の適用を排除する意図はない。すなわち、本実施形態を、その趣旨を逸脱しない範囲で種々変形して実施することができる。また、各図は、図中に示す構成要素のみを備えるという趣旨ではなく、他の機能等を含むことができる。以下、図中において、同一の各符号は同様の部分を示しているので、その説明は省略する。
図３は、実施形態の一例における情報処理装置１のハードウェア構成例を模式的に示すブロック図である。
図３に示すように、情報処理装置１は、Central Processing Unit（ＣＰＵ）１１，メモリ部１２，表示制御部１３，記憶装置１４，入力Interface（ＩＦ）１５，外部記録媒体処理部１６及び通信ＩＦ１７を備える。
メモリ部１２は、記憶部の一例であり、例示的に、Read Only Memory（ＲＯＭ）及びRandom Access Memory（ＲＡＭ）などである。メモリ部１２のＲＯＭには、Basic Input/Output System（ＢＩＯＳ）等のプログラムが書き込まれてよい。メモリ部１２のソフトウェアプログラムは、ＣＰＵ１１に適宜に読み込まれて実行されてよい。また、メモリ部１２のＲＡＭは、一時記録メモリあるいはワーキングメモリとして利用されてよい。
表示制御部１３は、表示装置１３０と接続され、表示装置１３０を制御する。表示装置１３０は、液晶ディスプレイやOrganic Light-Emitting Diode（ＯＬＥＤ）ディスプレイ，Cathode Ray Tube（ＣＲＴ），電子ペーパーディスプレイ等であり、オペレータ等に対する各種情報を表示する。表示装置１３０は、入力装置と組み合わされたものでもよく、例えば、タッチパネルでもよい。
記憶装置１４は、高Input Output（ＩＯ）性能の記憶装置であり、例えば、Dynamic Random Access Memory（ＤＲＡＭ）やSolid State Drive（ＳＳＤ），Storage Class Memory（ＳＣＭ），Hard Disk Drive（ＨＤＤ）が用いられてよい。
入力ＩＦ１５は、マウス１５１やキーボード１５２等の入力装置と接続され、マウス１５１やキーボード１５２等の入力装置を制御してよい。マウス１５１やキーボード１５２は、入力装置の一例であり、これらの入力装置を介して、オペレータが各種の入力操作を行なう。
外部記録媒体処理部１６は、記録媒体１６０が装着可能に構成される。外部記録媒体処理部１６は、記録媒体１６０が装着された状態において、記録媒体１６０に記録されている情報を読み取り可能に構成される。本例では、記録媒体１６０は、可搬性を有する。例えば、記録媒体１６０は、フレキシブルディスク、光ディスク、磁気ディスク、光磁気ディスク、又は、半導体メモリ等である。
通信ＩＦ１７は、外部装置との通信を可能にするためのインタフェースである。
ＣＰＵ１１は、種々の制御や演算を行なう処理装置であり、メモリ１２部に格納されたOperating System（ＯＳ）やプログラムを実行することにより、種々の機能を実現する。
情報処理装置１全体の動作を制御するための装置は、ＣＰＵ１１に限定されず、例えば、ＭＰＵやＤＳＰ，ＡＳＩＣ，ＰＬＤ，ＦＰＧＡのいずれか１つであってもよい。また、情報処理装置１全体の動作を制御するための装置は、ＣＰＵ，ＭＰＵ，ＤＳＰ，ＡＳＩＣ，ＰＬＤ及びＦＰＧＡのうちの２種類以上の組み合わせであってもよい。なお、ＭＰＵはMicro Processing Unitの略称であり、ＤＳＰはDigital Signal Processorの略称であり、ＡＳＩＣはApplication Specific Integrated Circuitの略称である。また、ＰＬＤはProgrammable Logic Deviceの略称であり、ＦＰＧＡはField Programmable Gate Arrayの略称である。
図４は、図３に示した情報処理装置１のソフトウェア構成例を模式的に示す図である。情報処理装置１は、ＡＩ実行制御部１１１，アラート変遷処理部１１２，可視化制御部１１３及び状態フラグ制御部１１４として機能する。また、情報処理装置１は、勤怠データ１４１，ＡＩ１０１，予測結果１０２及び重要因子１０３に関する情報を記憶装置１４に記憶する。
実施形態の一例における休職予測では、ＡＩ１０１による予測結果１０２（別言すれば、アラート対象者の出力）及び重要因子１０３の出力に加えて、ＡＩ１０１のモデル更新や重要因子１０３の変更等を検出し、対象の従業員のケアの見直しの必要性を判定する。
ＡＩ１０１のモデル更新や重要因子１０３の変更等が無い場合には、前回の人材担当スタッフの判断と今回のＡＩ１０１の予測結果１０２（別言すれば、アラート）とが合わせて提示される。
一方、ＡＩ１０１のモデル更新や重要因子１０３の変更等が有る場合には、前回の人材担当スタッフの判断とＡＩ１０１の予測結果１０２とに加えて、人材担当スタッフによる予測結果１０２の見直しが必要であることが提示される。
勤怠データ１４１は、従業員の出勤時刻や退勤時刻，出張記録等を含む。
ＡＩ実行制御部１１１は、ＡＩ１０１に対して、機械学習や推論の指示を行なう。ＡＩ実行制御部１１１は、ＡＩ１０１の機械学習モデルを更新した際には、アラート変遷処理部１１２に対して、モデル更新情報として、機械学習有りの場合は“1”を通知し、機械学習無しの場合は“0”を通知する。
ＡＩ１０１は、学習モデルを用いて、勤怠データ１４１から、休職者の予測結果１０２を出力すると共に、予測結果１０２の出力のための重要因子１０３を出力する。
アラート変遷処理部１１２は、予測結果１０２，重要因子１０３及びモデル更新情報に基づき、アラート変遷処理を行なう。なお、アラート変遷処理の詳細は、図５～図１３等を用いて後述する。
別言すれば、アラート変遷処理部１１２は、第１の勤怠データ１４１の入力に応じてＡＩ１０１が出力した第１の予測結果１０２を取得する取得部の一例として機能する。
可視化制御部１１３は、アラート変遷処理の結果を可視化して、表示装置１３０のダッシュボード画面１３１に出力する。なお、可視化処理の詳細は、図５～図１３等を用いて後述する。
別言すれば、可視化制御部１１３は、特定のイベントが検知された場合に、第１の予測結果１０２を出力する第１出力部の一例として機能する。また、可視化制御部１１３は、特定のイベントが検知されなかった場合に、第２の予測結果１０２に対してユーザが入力した情報に基づき第１の予測結果１０２を変更して得られた第３の予測結果１０２を出力する。ここで、第２の予測結果１０２は、第１の勤怠データ１４１よりも古い第２の勤怠データ１４１の入力に応じてＡＩ１０１が出力したものである。また、可視化制御部１１３は、第３の予測結果１０２と合わせて第１の予測結果１０２を出力してよい。
特定のイベントは、ＡＩ１０１の学習モデルの更新であってよい。また、特定のイベントは、第１の予測結果１０２の出力のための重要因子１０３の変更であってよい。更に、特定のイベントは、同一の予測結果１０２が所定回数以上連続して出力されることであってよい。
可視化制御部１１３は、第１の予測結果１０２と第３の予測結果１０２とを、異なる配色によって出力してよい。
状態フラグ制御部１１４は、アラート変遷処理部１１２による設定に基づき、状態フラグ設定を行なう。また、状態フラグ制御部１１４は、ユーザからの設定に基づき、状態フラグの設定を行ない、設定結果をアラート変遷処理部１１２に取り込ませる。なお、状態フラグ設定処理の詳細は、図５～図１３等を用いて後述する。
図５は、図３に示した情報処理装置１におけるダッシュボード画面１３１の表示例を示す図である。ダッシュボード画面１３１には、符号Ｂ１で示すＡＩ予測結果ボタンと、符号Ｂ２で示すAlert変遷表ボタンと、符号Ｂ３で示す状態更新ボタンとが含まれる。符号Ｂ２に示すAlert変遷表ボタンは、図６を用いて後述する変遷テーブルを表示させるためのボタンである。符号Ｂ３に示す状態更新ボタンは、各従業員の状態が“静観”であるのか“要注意”であるのかを設定するためのボタンである。
符号Ｂ１に示すＡＩ予測結果ボタンが押されると、符号Ｂ４に示す範囲が表示される。ＡＩ予測結果の画面には、例えば、７回分のアラート検出結果（“無し”又は“Alert”）が表示される。符号Ｂ４に示す範囲は、ウィンドウ幅と称されてもよい。ウィンドウ幅は、予測期間／更新間隔によって算出される。例えば、予測期間を９０日とし、更新期間を２週間（別言すれば、１４日間）とする場合には、ウィンドウ幅は９０／１４≒６．４で小数点以下を繰り上げて７回分となる。
符号Ｂ５に示すように、第７回のアラート検出のタイミングでは、第１回～第７回のアラート検出結果がウィンドウに表示される。また、符号Ｂ６に示すように、第８回のアラート検出のタイミングでは、第２回～第８回のアラート検出結果がウィンドウに表示される。更に、符号Ｂ７に示すように、第９回のアラート検出のタイミングでは、第３回～第９回のアラート検出結果がウィンドウに表示される。
このように、アラート検出のタイミングの度に、符号Ｂ４に示すウィンドウの範囲が紙面右方向に順次スライドしていく。なお、第１回～第６回のアラート検出のタイミングでは、７回分のＡＩ予測結果が揃っていないため、当該のアラート検出のタイミングまでに取得されているＡＩ予測結果が符号Ｂ４に示すウィンドウの範囲に表示される。
図６は、図３に示した情報処理装置１における変遷テーブルを例示する図である。変遷テーブルでは、「今回ＡＩ検出予測結果」と「前回フラグ」と「過去３ヶ月以内の検出」と「３ヶ月連続検出」と「表示」と「状態フラグ設定」との組み合わせが定義されている。
「今回ＡＩ検出予測結果」は、ＡＩによる今回のアラート検出のタイミングにおける予測結果１０２であり、要注意を示す“Alert”と通常状態を示す“normal”とが設定される。「前回フラグ」は、前回のアラート検出のタイミングにおいて設定された状態フラグであり、“0”又は“1”が設定される。
「過去３ヶ月以内の検出」は、過去３ヶ月以内に“Alert”が検出されたか否かを示し、「今回ＡＩ検出予測結果」が“Alert”の場合に、“有り”又は“無し”が設定される。「３ヶ月連続検出」は、３ヶ月連続して“Alert”が検出されたか否かを示し、「今回ＡＩ検出予測結果」が“normal”の場合に、“連続”又は“非連続”が設定される。
「表示」は、「今回ＡＩ検出予測結果」と「前回フラグ」と「過去３ヶ月以内の検出」と「３ヶ月連続検出」とに基づいたダッシュボード画面１３１における表示内容を示す。「今回ＡＩ検出結果」が“Alert”であり、「前回フラグ」が“0”であり、「過去３ヶ月以内の検出」が“無し”の場合に、“Alert（桃）”が表示される。「今回ＡＩ検出結果」が“Alert”であり、「前回フラグ」が“0”であり、「過去３ヶ月以内の検出」が“有り”の場合に、“Alert（緑）”が表示される。「今回ＡＩ検出結果」が“Alert”であり、「前回フラグ」が“1”であり、「過去３ヶ月以内の検出」が“有り”の場合に、“Alert（黄）”が表示される。
「今回ＡＩ検出結果」が“normal”であり、「前回フラグ」が“0”である場合に、アラートは非表示となる。「今回ＡＩ検出結果」が“normal”であり、「前回フラグ」が“1”であり、「３ヶ月連続検出」が“連続”である場合に、アラートは非表示となる。「今回ＡＩ検出結果」が“normal”であり、「前回フラグ」が“1”であり、「３ヶ月連続検出」が“非連続”である場合に、“Alert（黄）”が表示される。なお、“（桃）”，“（緑）”，“（黄）”は、ダッシュボード画面１３１において“Alert”の文字又はその背景が桃色，緑色，黄色でそれぞれ表されることを示す。
「状態フラグ設定」は、従業員のケアの必要性の有無を示し、ケアが必要な場合には“0”が設定され、ケアが不要な場合には“1”が設定される。「状態フラグ設定」には、「表示」が“Alert（桃）”の場合にはユーザによって任意の値（“1”又は“0”）が設定され、「表示」が“Alert（緑）”又は“非表示”の場合には“0”が設定され、「表示」が“Alert（黄）”の場合には“1”が設定される。
なお、ユーザによる任意の値は、人材担当スタッフと対象の従業員との面談結果等に基づいたケアの必要性の有無に応じて、人材担当スタッフによって入力される。
図７は、図３に示した情報処理装置１における重要因子１０３を説明する図である。ＡＩ１０１が出力した重要因子１０３は、ＩＤ単位で、ＡＩ予測結果に対する寄与度に基づいて降順にソートされる。
符号Ｃ１に示すＩＤ毎の重要度変数のトップ要因が、符号Ｃ２に示すように重要因子１０３としてまとめてリスト化して管理される。重要度変数は、例えば、勤務時間や残業時間，出張回数である。
ＩＤ毎に、前回のトップ要因と今回のトップ要因とが比較され、トップ要因に変化があれば、人材担当スタッフに予測結果１０２の見直しが求められる。なお、第１回の休業予測処理においては、前回のトップ要因がNull（空）であるため、トップ要因に変化があると判断される。
図８は、図３に示した情報処理装置１におけるＡＩの予測結果１０２の第１の例を示す図である。図９は、図８に示したＡＩの予測結果１０２によるアラート変遷を例示する図である。図８には、従業員Ａさんについての第１回～第９回のＡＩ１０１の予測結果１０２が例示されている。第１回の予測結果１０２はAlert無しであり、第２回～第９回の予測結果１０２はAlert有りである。
ここで、符号Ｄ１に示すように、第５回の予測の際にＡＩ１０１の学習モデルがモデル＃１からモデル＃２に更新されたものとする。また、符号Ｄ２に示すように、第８回の予測の際にＡさんの重要因子１０３が重要因子＃１から重要因子＃２に変化したものとする。
図９では、第７回～第９回でダッシュボード画面１３１におけるAlertの検出の有無と状態フラグとが示されている。状態フラグは、各Alertの有無の表示の紙面右下において、各Alertの有無の表示に対応付けて表示されている。図９において、点線枠は初回Alert又はモデル更新・重要因子変化があったことを示し、一点鎖線枠は対象の従業員を静観することを示し、二点鎖線枠は対象の従業員を要注意に設定することを示す。
符号Ｅ１に示す例では、第２回のタイミングで初めてAlertが検出され、人材担当スタッフと該当の従業員との面談を行なったが、インフルエンザによる長期休暇があったものの、メンタル要因での問題は無かったものとする。そこで、人材担当スタッフは、Ａさんについての第２回の状態フラグを“0”に設定する。
符号Ｅ２に示すように、第３回～第４回では、Alertが検出されるものの、第２回における人材担当スタッフによる状態フラグの設定が維持されて、機械によって状態フラグが“0”に設定される。これにより、第３回～第４回の間では、Ａさんについて、人材担当スタッフはケアしない。
符号Ｅ３に示す例では、第５回のタイミングでモデル更新が行なわれたことにより再度の面談が行なわれ、人材担当スタッフがＡさんの様子がおかしいと判断したものとする。これにより、人材担当スタッフは、第５回の状態フラグを“1”に設定する。また、第６回～第７回のAlert検出と状態フラグ“1”の設定が機械によって行なわれる。
符号Ｅ４に示すように、第８回のタイミングでＡさんの重要因子１０３が変化すると、人材担当スタッフは、再度手動にて状態フラグ“1”を設定する。
図１０は、図３に示した情報処理装置１におけるＡＩの予測結果１０２の第２の例を示す図である。図１１は、図１０に示したＡＩの予測結果１０２によるアラート変遷を例示する図である。図１０には、従業員Ｂさんについての第１回～第９回のＡＩ１０１の予測結果１０２が例示されている。第１回及び第３回の予測結果１０２はAlert無しであり、第２回及び第４回～第９回の予測結果１０２はAlert有りである。
ここで、符号Ｆ１に示すように、第５回の予測の際にＡＩ１０１の学習モデルがモデル＃１からモデル＃２に更新されたものとする。また、符号Ｆ２に示すように、第８回の予測の際にＢさんの重要因子１０３が重要因子＃１から重要因子＃２に変化したものとする。
図１１では、第７回～第９回でダッシュボード画面１３１におけるAlertの検出の有無と状態フラグとが示されている。状態フラグは、各Alertの有無の表示の紙面右下において、各Alertの有無の表示に対応付けて表示されている。図１１において、点線枠は初回Alert又はモデル更新・重要因子変化があったことを示し、一点鎖線枠は対象の従業員を静観することを示し、二点鎖線枠は対象の従業員を要注意に設定することを示す。
符号Ｇ１に示す例では、第２回のタイミングで初めてAlertが検出され、人材担当スタッフと該当の従業員との面談を行なったが、インフルエンザによる長期休暇があったものの、メンタル要因での問題は無かったものとする。そこで、人材担当スタッフは、Ｂさんについての第２回の状態フラグを“0”に設定する。
符号Ｇ２に示すように、第３回では、Alertが検出されなかったため、第２回における人材担当スタッフによる状態フラグの設定が維持されて、機械によって状態フラグが“0”に設定される。これにより、第３回～第４回の間では、Ｂさんについて、人材担当スタッフはケアしない。
符号Ｇ３に示す例では、第５回のタイミングでモデル更新が行なわれたことにより再度の面談が行なわれ、人材担当スタッフがＢさんの様子がおかしいと判断したものとする。これにより、人材担当スタッフは、第５回の状態フラグを“1”に設定する。また、第６回～第７回のAlert検出と状態フラグ“1”の設定が機械によって行なわれる。
符号Ｇ４に示すように、第８回のタイミングでＢさんの重要因子１０３が変化すると、人材担当スタッフは、再度手動にて状態フラグ“1”を設定する。
図１２は、図３に示した情報処理装置１におけるＡＩの予測結果１０２の第３の例を示す図である。図１３は、図１２に示したＡＩの予測結果１０２によるアラート変遷を例示する図である。図１２には、従業員Ｃさんについての第１回～第９回のＡＩ１０１の予測結果１０２が例示されている。第１回及び第３回～第９回の予測結果１０２はAlert無しであり、第２回の予測結果１０２はAlert有りである。
ここで、第１回～第９回の間において、モデル及び重要因子１０３の変更は行なわれておらず、それぞれモデル＃１及び重要因子＃１のままであるものとする。
図１３では、第７回～第９回でダッシュボード画面１３１におけるAlertの検出の有無と状態フラグとが示されている。状態フラグは、各Alertの有無の表示の紙面右下において、各Alertの有無の表示に対応付けて表示されている。図１３において、点線枠は初回Alert又はモデル更新・重要因子変化があったことを示し、二点鎖線枠は対象の従業員を要注意に設定することを示す。
符号Ｈ１に示す例では、第２回のタイミングで初めてAlertが検出され、人材担当スタッフと該当の従業員との面談を行なったところ、仕事について悩みを抱えているようだった。そこで、人材担当スタッフは、Ｃさんについての第２回の状態フラグを“1”に設定する。
符号Ｈ２に示すように、第３回～第８回では、機械によって、自動的にAlertが表示され、状態フラグが“1”に設定される。これにより、人材担当スタッフの面談によって要注意と判断された従業員については、例えば３ヶ月間は人材担当スタッフの見落としをカバーすることができる。例えば、第２回のタイミングまでに年次休暇を使い切ってしまって休みたいが仕方なく出勤している場合には、勤怠データ１４１上は問題ないとＡＩ１０１が判断する。しかしながら、このような従業員は突然欠勤してしまうおそれがあるため、所定期間はAlertを出力し続けるものとする。
符号Ｈ３に示す例では、所定期間（例えば、７回の検出タイミング）が経過し、Ｃさんのメンタルヘルスが改善し、ＡＩ１０１によるAlertの検出もなかったため、機械によりダッシュボード画面１３１でのAlertの表示が無くなっている。また、機械により状態フラグも“0”に設定される。
図３に示した情報処理装置１における休職者の予測処理を、図１４に示すフローチャート（ステップＳ１～Ｓ９）を用いて説明する。アラート変遷処理部１１２は、ＡＩ１０１による出力のための重要因子１０３を取り込む（ステップＳ１）。アラート変遷処理部１１２は、ＡＩ１０１によって出力された予測結果１０２を取り込む（ステップＳ２）。アラート変遷処理部１１２は、ＡＩ実行制御部１１１からのモデル更新情報を取り込む（ステップＳ３）。アラート変遷処理部１１２は、状態フラグ制御部１１４から前回のタイミングにおける状態フラグ情報を取り込む（ステップＳ４）。アラート変遷処理部１１２は、休職予測処理の対象である従業員のＩＤリストを作成する（ステップＳ５）。
以下のステップＳ６～Ｓ８における処理は、従業員のＩＤ毎に繰り返し実行される。アラート変遷処理部１１２は、アラート変遷処理を実行する（ステップＳ６）。なお、アラート変遷処理の詳細は、図１５を用いて後述する。可視化制御部１１３は、可視化情報処理を実行する（ステップＳ７）。なお、可視化情報処理の詳細は、図１５を用いて後述する。状態フラグ制御部１１４は、状態フラグ制御処理を実行する（ステップＳ８）。なお、状態フラグ制御処理の詳細は、図１６を用いて後述する。可視化制御部１１３は、休職者の予測の結果をダッシュボード画面１３１に反映（別言すれば、可視化）し（ステップＳ９）、休職者の予測処理は終了する。
次に、図１４のステップＳ６，Ｓ７にそれぞれ示したアラート変遷処理及び可視化情報処理の詳細を、図１５に示すフローチャート（ステップＳ６１～Ｓ６６）を用いて説明する。アラート変遷処理部１１２は、ＡＩ１０１からのアラートを検出したかを判定する（ステップＳ６１）。アラートが検出された場合には（ステップＳ６１のＹＥＳルート参照）、アラート変遷処理部１１２は、学習モデル及び重要因子１０３に変化が有るかを判定する（ステップＳ６２）。
学習モデル又は重要因子１０３に変化が有る場合には（ステップＳ６２のＹＥＳルート参照）、可視化制御部１１３は、学習モデルを又は重要因子１０３の変化による対象者のケアが必要なためAlertを表示する。そして、アラート変遷処理及び可視化情報処理は終了する。一方、学習モデル及び重要因子１０３に変化が無い場合には（ステップＳ６２のＮＯルート参照）、アラート変遷処理部１１２は、前回の状態フラグが“0”であるかを判定する（ステップＳ６３）。
前回の状態フラグが“0”でない（別言すれば、“1”である）場合には（ステップＳ６３のＮＯルート参照）、可視化制御部１１３は、引き続きのケアが必要であるとして、Alertを表示する。そして、アラート変遷処理及び可視化情報処理は終了する。一方、前回の状態フラグが“0”である場合には（ステップＳ６３のＹＥＳルート参照）、アラート変遷処理部１１２は、過去３ヶ月以内にアラートの検出があったかを判定する。
過去３ヶ月以内にアラートの検出が無かった場合には（ステップＳ６４のＮＯルート参照）、可視化制御部１１３は、対象者のケアが必要なためAlertを表示する。そして、アラート変遷処理及び可視化情報処理は終了する。一方、過去３ヶ月以内にアラートの検出が有った場合には（ステップＳ６４のＹＥＳルート参照）、可視化制御部１１３は、静観のためのAlertを表示する。そして、アラート変遷処理及び可視化情報処理は終了する。
ステップＳ６１において、アラート検出がされなかった場合には（ステップＳ６１のＮＯルート参照）、アラート変遷処理部１１２は、前回の状態フラグが“1”であるかを判定する（ステップＳ６５）。
前回の状態フラグが“1”でない（別言すれば、“0”である）場合には（ステップＳ６５のＮＯルート参照）、可視化制御部１１３は、対象の従業員が通常状態であるとして、Alertを非表示にする。そして、アラート変遷処理及び可視化情報処理は終了する。一方、前回の状態フラグが“1”である場合には（ステップＳ６５のＹＥＳルート参照）、アラート変遷処理部１１２は、３ヶ月連続でアラートが検出されているかを判定する（ステップＳ６６）。
３ヶ月間でアラートが検出されていないタイミングが有る場合には（ステップＳ６６のＮＯルート参照）、可視化制御部１１３は、引き続きのケアが必要であるとして、Alertを表示する。そして、アラート変遷処理及び可視化情報処理は終了する。
一方、３ヶ月連続でアラートが検出されている場合には（ステップＳ６６のＹＥＳルート参照）、可視化制御部１１３は、対象の従業員が通常状態であるとして、Alertを非表示にする。そして、アラート変遷処理及び可視化情報処理は終了する。
次に、図１４のステップＳ８に示した状態フラグ制御処理の詳細を、図１６に示すフローチャート（ステップＳ８１～Ｓ８５）を用いて説明する。学習モデルを又は重要因子１０３の変化による対象者のケアが必要なためのAlertを表示がされた場合には、人材担当スタッフは、状態フラグを入力する（ステップＳ８１）。状態フラグ制御部１１４は、状態フラグを設定し（ステップＳ８２）、状態フラグ制御処理は終了する。静観のためのAlertが表示された場合には、状態フラグ制御部１１４は、状態フラグを“0”に設定し（ステップＳ８３）、状態フラグ制御処理は終了する。引き続きのケアが必要であるとしてAlertが表示された場合には、状態フラグ制御部１１４は、状態フラグを“1”に設定し（ステップＳ８４）、状態フラグ制御処理は終了する。対象の従業員が通常状態であるとしてAlertが非表示にされている場合には、状態フラグ制御部１１４は、状態フラグを“0”に設定し（ステップＳ８５）、状態フラグ制御処理は終了する。
アラート変遷処理部１１２は、第１の勤怠データ１４１の入力に応じてＡＩ１０１が出力した第１の予測結果１０２を取得する。可視化制御部１１３は、特定のイベントが検知された場合に、第１の予測結果１０２を出力する。可視化制御部１１３は、特定のイベントが検知されなかった場合に、第１のデータよりも古い第２のデータの入力に応じて機械学習モデルが出力した第２の予測結果１０２に対してユーザが入力した情報に基づき第１の予測結果１０２を変更して得られた第３の予測結果１０２を出力する。
これにより、ＡＩ１０１による予測結果１０２を効率的に利用できる。具体的には、休職者の予測において、アラート検出の度に毎回全ての従業員について、人材担当スタッフが面談等のケアを行なう必要がなくなる。また、従業員と人材担当スタッフとによるインタラクティブな面談結果が予測結果１０２に継続して反映されるため、ＡＩ１０１では検出できない従業員の潜在的なメンタル状態に基づいた休職予測が可能になる。
特定のイベントは、機械学習モデルの更新処理、第１の予測結果１０２の出力のための重要因子１０３の変更処理、機械学習モデルによる所定回数以上連続する同一の予測結果１０２の出力処理のうち少なくとも１つを含む。これにより、学習モデルが更新された場合における従業員のケア漏れを防ぐことができる。また、従業員の勤務スタイルが、出張が多いパターンから残業が多いパターンに変わった場合等の重要因子１０３が変更されたに場合おいても、従業員のケア漏れを防ぐことができる。更に、ＡＩ１０１によって長期間アラートが出力されない場合には、アラートの出力を無くすことができ、人材担当スタッフのチェック負荷を減らすことができる。
第３の予測結果１０２を出力する処理は、第３の予測結果１０２と合わせて第１の予測結果１０２を出力する処理を含む。これにより、人材担当スタッフは、第１の予測結果１０２と第３の予測結果１０２とを一覧的に見ることができる。
可視化制御部１１３は、第１の予測結果１０２と第３の予測結果１０２とは異なる配色によって出力される。これにより、人材担当スタッフによるダッシュボード画面１３１の確認が容易になる。
開示の技術は上述した実施形態に限定されるものではなく、本実施形態の趣旨を逸脱しない範囲で種々変形して実施することができる。本実施形態の各構成及び各処理は、必要に応じて取捨選択することができ、あるいは適宜組み合わせてもよい。
以上の実施形態に関し、更に以下の付記を開示する。
（付記１）
第１のデータの入力に応じて機械学習モデルが出力した第１の予測結果を取得し、
特定のイベントが検知された場合に、前記第１の予測結果を出力し、
前記特定のイベントが検知されなかった場合に、前記第１のデータよりも古い第２のデータの入力に応じて前記機械学習モデルが出力した第２の予測結果に対してユーザが入力した情報に基づき前記第１の予測結果を変更して得られた第３の予測結果を出力する、
処理をコンピュータに実行させることを特徴とする出力プログラム。
（付記２）
前記特定のイベントは、前記機械学習モデルの更新処理、前記第１の予測結果の出力のための重要因子の変更処理、前記機械学習モデルによる所定回数以上連続する同一の予測結果の出力処理のうち少なくとも１つを含む、
ことを特徴とする付記１に記載の出力プログラム。
（付記３）
前記第３の予測結果を出力する処理は、前記第３の予測結果と合わせて前記第１の予測結果を出力する処理を含む、
ことを特徴とする付記１又は２に記載の出力プログラム。
（付記４）
前記第１の予測結果と前記第３の予測結果とは異なる配色によって出力される、
ことを特徴とする付記１～３のいずれか１項に記載の出力プログラム。
（付記５）
第１のデータの入力に応じて機械学習モデルが出力した第１の予測結果を取得し、
特定のイベントが検知された場合に、前記第１の予測結果を出力し、
前記特定のイベントが検知されなかった場合に、前記第１のデータよりも古い第２のデータの入力に応じて前記機械学習モデルが出力した第２の予測結果に対してユーザが入力した情報に基づき前記第１の予測結果を変更して得られた第３の予測結果を出力する、
処理を実行する制御部を備えることを特徴とする情報処理装置。
（付記６）
前記特定のイベントは、前記機械学習モデルの更新処理、前記第１の予測結果の出力のための重要因子の変更処理、前記機械学習モデルによる所定回数以上連続する同一の予測結果の出力処理のうち少なくとも１つを含む、
ことを特徴とする付記５に記載の情報処理装置。
（付記７）
前記第３の予測結果を出力する処理は、前記第３の予測結果と合わせて前記第１の予測結果を出力する処理を含む、
ことを特徴とする付記５又は６に記載の情報処理装置。
（付記８）
前記第１の予測結果と前記第３の予測結果とは異なる配色によって出力される、
ことを特徴とする付記５～７のいずれか１項に記載の情報処理装置。
（付記９）
第１のデータの入力に応じて機械学習モデルが出力した第１の予測結果を取得し、
特定のイベントが検知された場合に、前記第１の予測結果を出力し、
前記特定のイベントが検知されなかった場合に、前記第１のデータよりも古い第２のデータの入力に応じて前記機械学習モデルが出力した第２の予測結果に対してユーザが入力した情報に基づき前記第１の予測結果を変更して得られた第３の予測結果を出力する、
処理をコンピュータが実行することを特徴とする出力方法。
（付記１０）
前記特定のイベントは、前記機械学習モデルの更新処理、前記第１の予測結果の出力のための重要因子の変更処理、前記機械学習モデルによる所定回数以上連続する同一の予測結果の出力処理のうち少なくとも１つを含む、
ことを特徴とする付記９に記載の出力方法。
（付記１１）
前記第３の予測結果を出力する処理は、前記第３の予測結果と合わせて前記第１の予測結果を出力する処理を含む、
ことを特徴とする付記９又は１０に記載の出力方法。
（付記１２）
前記第１の予測結果と前記第３の予測結果とは異なる配色によって出力される、
ことを特徴とする付記９～１１のいずれか１項に記載の出力方法。
１ ：情報処理装置
１０１ ：ＡＩ
１０２ ：予測結果
１０３ ：重要因子
１１ ：ＣＰＵ
１１１ ：ＡＩ実行制御部
１１２ ：アラート変遷処理部
１１３ ：可視化制御部
１１４ ：状態フラグ制御部
１２ ：メモリ部
１３ ：表示制御部
１３０ ：表示装置
１３１，６２：ダッシュボード画面
１４ ：記憶装置
１４１，６１：勤怠データ
１５ ：入力ＩＦ
１５１ ：マウス
１５２ ：キーボード
１６ ：外部記録媒体処理部
１６０ ：記録媒体
１７ ：通信ＩＦ
７１ ：従業員
７２ ：人材担当スタッフ

Claims (6)

  1. 第１のデータの入力に応じて機械学習モデルが出力した第１の予測結果を取得し、
    特定のイベントが検知された場合に、前記第１の予測結果を出力し、
    前記特定のイベントが検知されなかった場合に、前記第１のデータよりも古い第２のデータの入力に応じて前記機械学習モデルが出力した第２の予測結果に対してユーザが入力した情報に基づき前記第１の予測結果を変更して得られた第３の予測結果を出力する、
    処理をコンピュータに実行させることを特徴とする出力プログラム。
  2. 前記特定のイベントは、前記機械学習モデルの更新処理、前記第１の予測結果の出力のための重要因子の変更処理、前記機械学習モデルによる所定回数以上連続する同一の予測結果の出力処理のうち少なくとも１つを含む、
    ことを特徴とする請求項１に記載の出力プログラム。
  3. 前記第３の予測結果を出力する処理は、前記第３の予測結果と合わせて前記第１の予測結果を出力する処理を含む、
    ことを特徴とする請求項１又は２に記載の出力プログラム。
  4. 前記第１の予測結果と前記第３の予測結果とは異なる配色によって出力される、
    ことを特徴とする請求項１～３のいずれか１項に記載の出力プログラム。
  5. 第１のデータの入力に応じて機械学習モデルが出力した第１の予測結果を取得し、
    特定のイベントが検知された場合に、前記第１の予測結果を出力し、
    前記特定のイベントが検知されなかった場合に、前記第１のデータよりも古い第２のデータの入力に応じて前記機械学習モデルが出力した第２の予測結果に対してユーザが入力した情報に基づき前記第１の予測結果を変更して得られた第３の予測結果を出力する、
    処理を実行する制御部を備えることを特徴とする情報処理装置。
  6. 第１のデータの入力に応じて機械学習モデルが出力した第１の予測結果を取得し、
    特定のイベントが検知された場合に、前記第１の予測結果を出力し、
    前記特定のイベントが検知されなかった場合に、前記第１のデータよりも古い第２のデータの入力に応じて前記機械学習モデルが出力した第２の予測結果に対してユーザが入力した情報に基づき前記第１の予測結果を変更して得られた第３の予測結果を出力する、
    処理をコンピュータが実行することを特徴とする出力方法。
JP2020039208A 2020-03-06 2020-03-06 出力プログラム，情報処理装置及び出力方法 Active JP7388250B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020039208A JP7388250B2 (ja) 2020-03-06 2020-03-06 出力プログラム，情報処理装置及び出力方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020039208A JP7388250B2 (ja) 2020-03-06 2020-03-06 出力プログラム，情報処理装置及び出力方法

Publications (2)

Publication Number Publication Date
JP2021140600A JP2021140600A (ja) 2021-09-16
JP7388250B2 true JP7388250B2 (ja) 2023-11-29

Family

ID=77668801

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020039208A Active JP7388250B2 (ja) 2020-03-06 2020-03-06 出力プログラム，情報処理装置及び出力方法

Country Status (1)

Country Link
JP (1) JP7388250B2 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7079882B1 (ja) 2021-08-12 2022-06-02 株式会社エクサウィザーズ 情報処理方法、コンピュータプログラム及び情報処理装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013228994A (ja) 2012-03-30 2013-11-07 Nec Corp 情報処理装置、情報処理方法、およびプログラム
JP2016126587A (ja) 2015-01-06 2016-07-11 株式会社リコー 面談システム、サーバシステム、サーバ装置、情報端末、面談方法、情報処理方法及びプログラム
JP2017224268A (ja) 2016-06-09 2017-12-21 株式会社日立製作所 データ予測システムおよびデータ予測方法
JP2019204484A (ja) 2017-07-24 2019-11-28 アクシオンリサーチ株式会社 対象システムの内部状態を推定する支援システム
JP2020035309A (ja) 2018-08-31 2020-03-05 カシオ計算機株式会社 情報処理装置及びプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013228994A (ja) 2012-03-30 2013-11-07 Nec Corp 情報処理装置、情報処理方法、およびプログラム
JP2016126587A (ja) 2015-01-06 2016-07-11 株式会社リコー 面談システム、サーバシステム、サーバ装置、情報端末、面談方法、情報処理方法及びプログラム
JP2017224268A (ja) 2016-06-09 2017-12-21 株式会社日立製作所 データ予測システムおよびデータ予測方法
JP2019204484A (ja) 2017-07-24 2019-11-28 アクシオンリサーチ株式会社 対象システムの内部状態を推定する支援システム
JP2020035309A (ja) 2018-08-31 2020-03-05 カシオ計算機株式会社 情報処理装置及びプログラム

Also Published As

Publication number Publication date
JP2021140600A (ja) 2021-09-16

Similar Documents

Publication Publication Date Title
Sendak et al. " The human body is a black box" supporting clinical decision-making with deep learning
Zhang et al. Nurses’ job insecurity and emotional exhaustion: the mediating effect of presenteeism and the moderating effect of supervisor support
JP7347616B2 (ja) 情報処理装置及びプログラム
US10990359B2 (en) Use and advancements of assistive technology in automation for the visually-impaired workforce
US12034602B2 (en) Management of computing devices via reference to linked employee records
JP7388250B2 (ja) 出力プログラム，情報処理装置及び出力方法
Karkhanis et al. Improving the effectiveness of root cause analysis in hospitals
Harper et al. Increasing situation awareness in healthcare through real-time simulation
JP7404623B2 (ja) 情報処理装置及びプログラム
US10949754B2 (en) Decision support tool with interactive sliders
Moyal-Smith et al. Embedding equity into the Hospital Incident Command System: a narrative review
JP7081397B2 (ja) 情報処理装置及びプログラム
US20180018615A1 (en) System and Method for Management of Variable Staffing and Productivity
US11431573B1 (en) Management of computing devices via reference to linked employee records
Takefuji Policy analysis and data mining tools for controlling COVID-19 policies
US20170255605A1 (en) Annotations and Issue Tracking for Graphical Data
JP2006215798A (ja) 業務分析・経営支援管理装置、業務分析・経営支援管理方法、及び業務分析・経営支援管理プログラム
Santos et al. Integrating system dynamics and multicriteria analysis: towards organisational learning for performance improvement
JP6977902B2 (ja) 情報処理装置、表示方法及びプログラム
WO2023170918A1 (ja) 可視化方法、可視化装置、および記録媒体
JP7259874B2 (ja) 情報可視化装置、情報可視化方法、及びプログラム
US20240145098A1 (en) Predictive modeling framework for risk assessment
JP6773179B1 (ja) 変更出力装置、変更出力方法および変更出力プログラム
WO2020012795A1 (ja) プロジェクト支援システム、プロジェクト支援装置およびプロジェクト支援方法
US20240220892A1 (en) Digital processing systems and methods for performing dynamic ticket assignment operations based on continuously changing input and output parameters

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221117

TRDD Decision of grant or rejection written
A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20231012

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20231017

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231030

R150 Certificate of patent or registration of utility model

Ref document number: 7388250

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150