KR102658640B1 - 빅데이터 기반 인원별 적정 파견 장소 선별시스템 - Google Patents
빅데이터 기반 인원별 적정 파견 장소 선별시스템 Download PDFInfo
- Publication number
- KR102658640B1 KR102658640B1 KR1020230106811A KR20230106811A KR102658640B1 KR 102658640 B1 KR102658640 B1 KR 102658640B1 KR 1020230106811 A KR1020230106811 A KR 1020230106811A KR 20230106811 A KR20230106811 A KR 20230106811A KR 102658640 B1 KR102658640 B1 KR 102658640B1
- Authority
- KR
- South Korea
- Prior art keywords
- job
- job seeker
- terminal
- score
- equation
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 42
- 238000013528 artificial neural network Methods 0.000 description 30
- 239000013598 vector Substances 0.000 description 16
- 238000000034 method Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 11
- 238000012423 maintenance Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009430 construction management Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008717 functional decline Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
- G06Q10/1053—Employment or hiring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/3332—Query translation
- G06F16/3334—Selection or weighting of terms from queries, including natural language queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- 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
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 구직자로부터 수집된 이력서를 인공지능을 통해 분석하여 특정 건물을 관리하기 위한 구직자를 선별하는 인력관리서버를 포함하는, 빅데이터 기반 인원별 적정 파견 장소 선별시스템에 관한 것이다.
Description
본 발명은 빅데이터 기반 인원별 적정 파견 장소 선별시스템에 관한 것으로, 더욱 상세하게는 구직자로부터 수집된 이력서를 인공지능을 통해 분석하여 특정 건물을 관리하기 적합한 구직자를 선별하여 선별된 인원들의 파견 장소를 추천하는 빅데이터 기반 인원별 적정 파견 장소 선별시스템에 관한 것이다.
일반적으로 병원, 유치원, 어린이집, 숙박시설, 빌딩 등과 같은 현대의 건물들은 엘리베이터, 난방 시스템, 조광 시스템, 냉방 시스템, 창문 세척 시스템 등 여러 가지 다양한 기계 장치 및 건물관리 시스템(Facility Management System)을 구축하여 관리되고 있다.
이러한 건물관리 시스템은 건물 관리에 관한 복잡하고 다양한 정보를 기록하고 건물을 체계적으로 유지보수 할 수 있도록 지원한다. 구체적으로, 건물관리 시스템은 건물 정보관리, 장비 관리, 작업 관리, 자재관리, 공사관리, 업체 관리뿐만 아니라, 시설물의 관리를 위해 시행하는 시설관리, 설비관리, 청소관리 등을 수행하고, 각 관리 정보를 기록한다.
이에 따라, 건물을 관리하는 관리자가 혼자서 건물과 모든 기계 장치들을 관리하는 것은 점점 더 어려워지고 있다. 또한, 건물이 점차 고층화, 대형화되고 있어, 각종 기계 장치들의 체계적인 관리는 더욱 어려워지고 있으며, 건물의 관리를 위한 근로자의 수요가 높아지고 있는 실정이다.
여기서, 관리자는 건물 관리를 위해 배치되어 건물의 관리를 계획하고 전체적인 관리 및 조율을 하는 반면, 관리자가 혼자 건물의 모든 부분을 관리할 수 없기 때문에, 업무 분야마다 근로자가 배치된다. 예를 들어, 행정, 회계, 시설, 보안, 미화 등의 업무 분야가 있고, 각 업무 분야마다 근로자가 배치되어 각자 맡은 일을 처리함으로써, 체계적인 건물 관리가 이루어지게 된다.
특히, 건물의 소유자 또는 관리자는 그 건물, 대지 및 건축설비를 건축법의 규정에 적합하도록 유지 관리하여야 할 의무가 있다. 유지 관리 업무를 빠르고 효과적으로 수행하기 위해서는 먼저 유지 관리 계획을 수립할 필요가 있다. 이러한, 계획에는 일상적인 점검과 수선에 관한 사항이 있다.
또한, 이러한 집합건물을 유지관리 할 때, 안전상의 위해 요소나, 급격한 기능저하를 가져올 우려가 있는 변형, 균열, 누수 등 결함을 조기에 파악하여 적절한 대책을 수립하는 것이 매우 중요하다.
그러나, 건물의 유지 관리는 정량적으로 기준화된 것이 아니므로, 경험적 판단을 요하는 경우가 많으나 적절하고 객관적인 평가가 이루어지기 위해서는 점검기준 및 평가·판정기준을 마련하여 각 기준에 따라 유지관리를 시행하는 것이 바람직하다.
더구나, 건축물의 유지 보수 단계에서 중요한 요소는 유지 보수의 주기 및 수선비용을 예측하는 것이다. 현재 유지 보수의 주기 및 수선비용 예측은 관리자의 판단과 건물별 특성을 고려하지 않은 장기 수선계획에 의존하여 결정되고 있다.
즉, 건물의 건축연차에 따라 일괄적으로 건물 내 시설들 모두를 관리하기 때문에, 보수나 관리가 필요치 않은 시설들에 대해서도 인력 및 비용이 소모되고 있다는 문제점이 있다.
한편, 전술한 배경 기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.
본 발명의 일측면은 구직자로부터 수집된 이력서를 인공지능을 통해 분석하여 특정 건물을 관리하기 적합한 구직자를 선별하여 선별된 인원들의 파견 장소를 추천하는 빅데이터 기반 인원별 적정 파견 장소 선별시스템을 제공한다.
본 발명의 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따른 빅데이터 기반 인원별 적정 파견 장소 선별시스템은 구직자로부터 수집된 이력서를 인공지능을 통해 분석하여 특정 건물을 관리하기 위한 구직자를 선별하는 인력관리서버를 포함한다.
상기 인력관리서버는,
구직자 단말로부터 이력서를 수신하고, 수신된 이력서로부터 구직정보를 추출하는 구직정보 추출부;
상기 구직정보에 기초하여 구직자 단말별로 적합도 점수를 산출하고, 산출된 적합도 점수에 기초하여 특정 건물을 관리하기 위한 구직자를 선별하는 구직자 선별부; 및
상기 구직자 선별부에 의해 선별된 구직자 단말의 파견 장소를 결정하는 파견 관리부를 포함한다.
상기 파견 관리부는,
하기 수학식을 이용하여 구직자 단말별로 성향점수를 산출하는, 빅데이터 기반 인원별 적정 파견 장소 선별시스템.
[수학식]
여기서, R은 성향점수, n은 질문지에 포함된 전체 문항의 개수, s_i는 질문지의 i번째 문항에 대한 배점점수, p_i는 i번째 문항에 대한 답변 데이터로부터 추출된 단어들 중 미리 등록된 긍정단어목록에 포함된 단어의 개수, r_i는 i번째 문항에 대한 답변 데이터로부터 추출된 단어들 중 미리 등록된 부정단어목록에 포함된 단어의 개수, w는 부정단어목록에 포함된 단어가 가장 많은 문항의 배점점수, j는 구직자 단말과 파견 장소간의 이격거리(km), d는 구직자 단말과 이전 직장들간의 평균 이격거리(km)이다.
상술한 본 발명의 일측면에 따르면 구직자로부터 수집된 이력서를 인공지능을 통해 분석하여 특정 건물을 관리하기 적합한 구직자를 선별하여 선별된 인원들의 파견 장소를 신뢰성 있게 추천할 수 있다.
도 1은 본 발명의 일 실시예에 따른 빅데이터 기반 인원별 적정 파견 장소 선별시스템의 개략적인 구성이 도시된 도면이다.
도 2는 본 발명에 따른 인력관리서버의 구체적인 구성이 도시된 도면이다.
도 2는 본 발명에 따른 인력관리서버의 구체적인 구성이 도시된 도면이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예와 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 빅데이터 기반 인원별 적정 파견 장소 선별시스템의 개략적인 구성이 도시된 도면이다.
본 발명에 따른 빅데이터 기반 인원별 적정 파견 장소 선별시스템은 구직자 단말(100) 및 인력관리서버(200)를 포함한다.
구직자 단말(100)은 건물 정보관리, 장비 관리, 작업 관리, 자재관리, 공사관리, 시설관리, 설비관리, 청소관리 등과 같이 건물 관리와 관련된 용역을 제공하고자 하는 구직자가 소지한 전자장치로, 외부기기와 유무선 통신이 가능하며 정보의 입출력 및 처리가 가능한 스마트폰, PC, 랩탑PC, 태블릿 PC, 웨어러블 디바이스 등과 같은 형태일 수 있다.
구직자 단말(100)은 구직자에 의해 작성된 이력서를 인력관리서버(200)로 전송할 수 있다.
인력관리서버는 구직자로부터 수집된 이력서를 인공지능을 통해 분석하여 특정 건물을 관리하기 위한 구직자를 선별한다.
도 2는 이러한 인력관리서버의 구체적인 구성이 도시된 도면이다.
도시된 바와 같이, 인력관리서버는 구직정보 추출부(210), 구직자 선별부(220) 및 파견 관리부(230)를 포함한다.
구직정보 추출부(210)는 구직자 단말로부터 이력서를 수신하고, 수신된 이력서로부터 구직정보를 추출한다. 여기서, 구직정보는 성명, 연령, 성별, 거주지, 연락처, 경력 일수, 경력 직종의 종류 등과 같은 정보를 포함할 수 있으며, 이에 한정되는 것이 아니라 구직과 관련된 다양한 정보들을 더 포함할 수 있다.
구직자 선별부(220)는 상기 구직정보에 기초하여 구직자 단말별로 적합도 점수를 산출하고, 산출된 적합도 점수에 기초하여 특정 건물을 관리하기 위한 구직자를 선별한다.
일 실시예에서, 상기 구직자 선별부는 하기 수학식 1을 이용하여 구직자 단말별로 적합도 점수를 산출한다.
[수학식 1]
여기서, P는 적합도 점수, d_t는 총 경력 일수, d_m은 특정 건물을 관리하기 위한 직종과 동일 직종에서 근무한 일수, d_s는 관리자 단말에 의해 설정된 유사 직종에서 근무한 일수, a는 직종별로 설정되는 가중치, v는 구직자 단말별로 설정되는 평가 점수이다.
예컨대, 경비원 직종을 채용하고자 하는 경우, 총 경력 일수가 720일이고 그 중 경비원으로 근무한 일수(d_m)가 400일, 보안 시설에서 근무한 일수(d_s)가 200일, a가 4, v가 8인 경우 적합도 점수는 약 1.63으로 산출된다.
한편, 상술한 수학식 1에서의 평가 점수는 하기 수학식 2에 의해 산출될 수 있다.
[수학식 2]
여기서, v는 평가 점수, n은 이전까지 근무했던 직장의 수, c_i는 i번째 직장에서 부여받은 성과지수, ti는 i번째 직장에서 근무한 개월 수, σ는 c_i의 분산, q_i는 i번째 직장에서의 무단 결근 일수이다.
또한, 성과지수는 해당 직장의 인사권자나 최종결재자에 의해 부여되는 점수로, 예컨대 1에서 10점 사이의 점수로 설정될 수 있다.
예를 들어, n이 3이고, c_i가 각각 6, 10, 8인 경우 σ는 약 2.6으로 설정되며, t_i가 각각 12, 30, 24, q_i가 각각 0, 2, 3인 경우 평가 점수 v는 약 6.7로 산출된다.
이와 같이, 구직자 선별부는 상술한 수학식 1과 수학식 2를 이용하여 구직자 단말별로 적합도 점수를 산출하며, 산출된 적합도 점수가 높은 순서대로 구직자 단말은 선별할 수 있다. 예를 들어, 총 10명의 인원을 채용하는 경우 적합도 점수가 높은 순서대로 10명의 구직자 단말을 선별한다. 이에 따라 선별의 신뢰성이 향상될 수 있다.
파견 관리부(230)는 상기 구직자 선별부에 의해 선별된 구직자 단말의 파견 장소를 결정한다.
이를 위해, 파견 관리부(230)는 구직자 단말로 구직자의 성향을 파악하기 위한 질문지를 전송하여, 구직자 단말로부터 수신된 응답 데이터 및 하기 수학식 3을 이용하여 구직자 단말별로 성향점수를 산출한다.
[수학식 3]
여기서, R은 성향점수, n은 질문지에 포함된 전체 문항의 개수, s_i는 질문지의 i번째 문항에 대한 배점점수, p_i는 i번째 문항에 대한 답변 데이터로부터 추출된 단어들 중 미리 등록된 긍정단어목록에 포함된 단어의 개수, r_i는 i번째 문항에 대한 답변 데이터로부터 추출된 단어들 중 미리 등록된 부정단어목록에 포함된 단어의 개수, w는 부정단어목록에 포함된 단어가 가장 많은 문항의 배점점수, j는 구직자 단말과 파견 장소간의 이격거리(km), d는 구직자 단말과 이전 직장들간의 평균 이격거리(km)이다.
예를 들어, n이 2, s_i가 각각 10 및 20, p_i가 각각 2, 5, r_i가 각각 3, 2, w가 10, d가 10, j가 5인 경우, R은 약 21점으로 산출될 수 있다.
파견 관리부(230)는 상술한 수학식 3을 이용하여 구직자 단말별로 성향점수를 산출하여, 특정 파견장소에 대해 가장 높은 성향점수를 가진 구직자 단말을 해당 파견장소에서 근무할 근무자로 선별할 수 있다. 이에 따라 선별의 신뢰성이 향상될 수 있으며 인원 배치 및 파견 의사 결정에 소요되는 시간을 획기적으로 단축시킬 수 있다.
몇몇 또 다른 실시예에서, 구직 정보 추출부(210)는 이력서에 기록된 텍스트 형태의 데이터를 인식하기 위해, Word2Vec 알고리즘으로 학습 데이터를 학습하여 입력 데이터에 대하여 문맥 정보를 추출하는 신경망을 구축할 수 있다.
Word2Vec 알고리즘은 신경망 언어 모델(NNLM : Neural Network Language Model)을 포함할 수 있다. 신경망 언어 모델은 기본적으로 Input Layer, Projection Layer, Hidden Layer, Output Layer로 이루어진 Neural Network이다. 신경망 언어 모델은 단어를 벡터화하는 방법에 사용되는 것이다. 신경망 언어 모델은 공지된 기술이므로 보다 자세한 설명은 생략하기로 한다.
Word2vec 알고리즘은, 텍스트마이닝을 위한 것으로, 각 단어 간의 앞, 뒤 관계를 보고 근접도를 정하는 알고리즘이다. Word2vec 알고리즘은 비지도 학습 알고리즘이다. Word2vec 알고리즘은 이름이 나타내는 바와 같이 단어의 의미를 벡터형태로 표현하는 계량기법일 수 있다. Word2vec 알고리즘은 각 단어를 200차원 정도의 공간에서 백터로 표현할 수 있다. Word2vec 알고리즘을 이용하면, 각 단어마다 단어에 해당하는 벡터를 구할 수 있다.
Word2vec 알고리즘은 종래의 다른 알고리즘에 비해 자연어 처리 분야에서 비약적인 정밀도 향상을 가능하게 할 수 있다. Word2vec은 입력한 말뭉치의 문장에 있는 단어와 인접 단어의 관계를 이용해 단어의 의미를 학습할 수 있다. Word2vec 알고리즘은 인공 신경망에 근거한 것으로, 같은 맥락을 지닌 단어는 가까운 의미를 지니고 있다는 전제에서 출발한다. Word2vec 알고리즘은 텍스트 문서를 통해 학습을 진행하며, 한 단어에 대해 근처(전후 5 내지 10 단어 정도)에 출현하는 다른 단어들을 관련 단어로서 인공 신경망에 학습시킨다. 연관된 의미의 단어들은 문서상에서 가까운 곳에 출현할 가능성이 높기 때문에 학습을 반복해 나가는 과정에서 두 단어는 점차 가까운 벡터를 지닐 수 있다.
Word2vec 알고리즘의 학습 방법은 CBOW(Continuous Bag Of Words) 방식과 skip-gram 방식이 있다. CBOW 방식은 주변 단어가 만드는 맥락을 이용해 타겟 단어를 예측하는 것이다. skip-gram 방식은 한 단어를 기준으로 주변에 올 수 있는 단어를 예측하는 것이다. 대규모 데이터셋에서는 skip-gram 방식이 더 정확한 것으로 알려져 있다.
따라서, 본 발명의 실시 예에서는 skip-gram 방식을 이용한 Word2vec 알고리즘을 사용한다. 예컨대, Word2vec 알고리즘을 통해 학습이 잘 완료되면, 고차원 공간에서 비슷한 단어는 근처에 위치할 수 있다. 상술한 바와 같은 Word2vec 알고리즘에 따르면 학습 문서 내 주위 단어의 분포가 가까운 단어일수록 산출되는 벡터값은 유사해질 수 있으며, 산출된 벡터값이 비슷한 단어는 유사한 것으로 간주할 수 있다. Word2vec 알고리즘은 공지된 기술이므로 벡터값 계산과 관련한 보다 상세한 설명은 생략하기로 한다.
구직 정보 추출부 (210)는 신경망에 구직자 단말(100)로부터 수신된 이미지 데이터로부터 추출된 텍스트를 입력하여 문맥 정보를 나타내는 평가 결과 벡터 값을 추출할 수 있다.
구직 정보 추출부(210)는 평가 결과 벡터 값과 복수의 기준 벡터 값 각각의 유사도를 산출하고, 복수의 기준벡터 값 중 평가 결과 벡터 값과의 유사도가 가장 높은 기준 벡터 값을 추출할 수 있다. 이때, 유사도 산출 방법에는 유클리디안 거리(Euclidean distance), 코사인 유사도(Cosine similarity), 타니모토 계수(Tanimoto coeffieient) 등이 채택될 수 있다.
구직 정보 추출부(210)는 평가 결과 벡터 값과의 유사도가 가장 높은 기준 벡터 값에 해당하는 단어를 인식된 텍스트에 대응되는 단어로 추출할 수 있다.
또한, 구직 정보 추출부(210)는 인공 신경망을 학습시킬 수 있고, 학습이 완료된 인공 신경망을 이용할 수도 있다. 프로세서는 메모리에 저장된 인공 신경망을 학습시키거나 실행할 수 있고, 메모리는 학습 완료된 인공 신경망을 저장할 수 있다. 인공 신경망을 학습시키는 전자 장치와 이용하는 전자 장치는 동일할 수 있지만 별개일 수도 있다. 인공지능은 인간의 뇌의 기능을 일부 구현한 컴퓨터 시스템으로, 스스로 학습하고 추측하고 판단할 수 있다. 학습을 진행할수록 답을 추출할 확률이 높아질 수 있다. 인공지능은 학습과 그것을 이용한 요소 기술들로 구성될 수 있다. 인공지능의 학습은 입력 데이터를 바탕으로 특징을 분류와 학습을 하는 알고리즘 기술이고, 요소 기술들은 학습 알고리즘을 이용하여 인간의 뇌의 기능을 일부 구현하는 기술일 수 있다.
인공지능은 확률적으로 여러 답이 나올 수 있는 문제에 접근하기 쉬운 기술로써 어떠한 입력 데이터에 따르는 최적의 주기와 방법, 계획 등을 논리적이고 확률적으로 추론할 수 있다. 인공지능의 추론 기술은 입력 데이터를 판단하고 최적화 예측, 지식과 확률 기반 추론, 선호 기반 계획 등을 포함할 수 있다.
인공신경망은 기계학습 분야의 학습 알고리즘 중 하나로 뇌의 뉴런과 시냅스의 연결을 프로그램으로 구현한 것이다. 인공신경망은 프로그램으로 신경망의 구조를 만든 다음 학습시켜 원하는 기능을 가지게 할 수 있다. 오차가 존재할 수 있지만 거대한 데이터를 바탕으로 학습하여 입력 데이터를 가지고 적절한 출력 데이터를 출력할 수 있다. 통계적으로 좋은 결과를 얻었던 출력 데이터를 획득할 수 있고 인간의 추론과 유사하다는 장점이 있다.
구직 정보 추출부(210)는 빅데이터를 기반으로 구축된 인공지능 알고리즘을 이용하여 학습에 요구되는 질의/메트릭 데이터셋을 구축할 수 있고, 이를 위해 미리 학습된 다수의 인공 신경망을 포함할 수 있다.
본 실시예에서 중계서버는 기계 학습 알고리즘의 수행을 위하여 미리 학습된 다수의 인공 신경망을 포함할 수 있다. 기계 학습으로 입력 데이터를 바탕으로 출력 데이터를 출력하고 이것의 결과를 이용해 스스로 학습할 수도 있고 이로 인해 스스로 데이터 처리 능력이 향상될 수 있다. 인공 신경망은 입력 데이터를 바탕으로 특징을 추출하고 규칙성을 추측하여 결과데이터를 출력할 수 있고 이러한 과정이 쌓일수록 결과 데이터의 신뢰도가 높아지게 된다.
본 실시예에서 인공 신경망은 텍스트로 인식된 객체의 형태, 길이, 개수, 고저차 중 적어도 하나 이상의 특징 데이터로부터 텍스트 데이터를 출력하는 알고리즘일 수 있다. 인공 신경망은 빅데이터를 그대로 입력 데이터로 하거나 불필요한 데이터를 정리하는 처리 과정을 거친 후 입력 데이터로 하여 최상의 출력 데이터를 추론할 수 있다.
인공지능 기계 학습 모델은 학습 종류에 따라 Super Viser Learning(지도학습), UnSuper Viser Learning(비지도 학습), Semisupervised learning(반지도 학습), Reinforcement Learning(강화 학습) 등이 있다. 그리고 기계 학습 알고리즘으로 Decision Tree(의사 결정 트리), K-Nearest Neightbor, Artificial Neural Network(인공 신경망), Support Vector Machine, Ensemble Learning, Gradient Descent(기울기 하강법), Na
ve Bayes Classifier, Hidden Markov Model, K-Means Clustering 등이 사용될 수 있다.
인공 신경망은 입력 데이터에 포함될 수 있는 여러 입력 값들에 대해 미리 학습된 상태일 수 있다. 인공 신경망은 학습방식 중 하나인 reinforcement learning(강화 학습)에 따라 학습되는 인공 신경망일 수 있다. 강화 학습은 보수와 제한을 설정하여 점차 올바른 결과를 획득할 확률을 올려가는 방식이다. 인공 신경망은 Convelutional Neural Network(CNN, 합성곱 신경망)이나 Recurrent Neural Network(RNN, 순환 신경망)에 기반하여 모델링될 수도 있다.
이와 같이, 구직 정보 추출부는 빅데이터 및 인공 신경망을 이용하여 이력서에 기록된 텍스트를 인식하여 문맥 정보를 나타내는 평가 결과 벡터를 추출하고, 상술한 수학식들에 반영할 변수를 설정하기 위해 긍정단어 및 부정단어 등을 추출할 수 있다.
이와 같은, 본 발명에 따른 기술은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구범위에 기재된 본 발명의 사상 및 공간으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
210: 구직 정보 추출부
220: 구직자 선별부
230: 파견 관리부
220: 구직자 선별부
230: 파견 관리부
Claims (3)
- 구직자로부터 수집된 이력서를 인공지능을 통해 분석하여 특정 건물을 관리하기 위한 구직자를 선별하는 인력관리서버를 포함하는, 빅데이터 기반 인원별 적정 파견 장소 선별시스템에 있어서,
상기 인력관리서버는,
구직자 단말로부터 이력서를 수신하고, 수신된 이력서로부터 구직정보를 추출하는 구직정보 추출부;
상기 구직정보에 기초하여 구직자 단말별로 적합도 점수를 산출하고, 산출된 적합도 점수에 기초하여 특정 건물을 관리하기 위한 구직자를 선별하는 구직자 선별부; 및
상기 구직자 선별부에 의해 선별된 구직자 단말의 파견 장소를 결정하는 파견 관리부를 포함하고,
상기 파견 관리부는,
구직자 단말로 구직자의 성향을 파악하기 위한 질문지를 전송하여, 구직자 단말로부터 수신된 응답 데이터 및 하기 수학식 1을 이용하여 구직자 단말별로 성향점수를 산출하고,
상기 구직자 선별부는,
하기 수학식 2를 이용하여 구직자 단말별로 적합도 점수를 산출하는, 빅데이터 기반 인원별 적정 파견 장소 선별시스템.
[수학식 1]
여기서, R은 성향점수, n은 질문지에 포함된 전체 문항의 개수, s_i는 질문지의 i번째 문항에 대한 배점점수, p_i는 i번째 문항에 대한 답변 데이터로부터 추출된 단어들 중 미리 등록된 긍정단어목록에 포함된 단어의 개수, r_i는 i번째 문항에 대한 답변 데이터로부터 추출된 단어들 중 미리 등록된 부정단어목록에 포함된 단어의 개수, w는 부정단어목록에 포함된 단어가 가장 많은 문항의 배점점수, j는 구직자 단말과 파견 장소간의 이격거리(km), d는 구직자 단말과 이전 직장들간의 평균 이격거리(km)이다.
[수학식 2]
여기서, P는 적합도 점수, d_t는 총 경력 일수, d_m은 특정 건물을 관리하기 위한 직종과 동일 직종에서 근무한 일수, d_s는 관리자 단말에 의해 설정된 직종에서 근무한 일수, a는 직종별로 설정되는 가중치, v는 하기 수학식 3에 의해 산출되는 구직자 단말별로 설정되는 평가 점수이다.
[수학식 3]
여기서, v는 평가 점수, n은 이전까지 근무했던 직장의 수, c_i는 i번째 직장에서 부여받은 성과지수, ti는 i번째 직장에서 근무한 개월 수, σ는 c_i의 분산, q_i는 i번째 직장에서의 무단 결근 일수이다.
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230106811A KR102658640B1 (ko) | 2023-08-16 | 2023-08-16 | 빅데이터 기반 인원별 적정 파견 장소 선별시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230106811A KR102658640B1 (ko) | 2023-08-16 | 2023-08-16 | 빅데이터 기반 인원별 적정 파견 장소 선별시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102658640B1 true KR102658640B1 (ko) | 2024-04-19 |
Family
ID=90881805
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230106811A KR102658640B1 (ko) | 2023-08-16 | 2023-08-16 | 빅데이터 기반 인원별 적정 파견 장소 선별시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102658640B1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101780711B1 (ko) | 2017-03-28 | 2017-09-21 | 손재익 | 건물관리 서버의 우선 관리항목 선정방법 |
| KR101969571B1 (ko) * | 2018-02-08 | 2019-04-16 | (주)경한소프트웨어 | 건설 인력 관리 시스템 및 건설 인력 관리 방법 |
| KR102368188B1 (ko) * | 2021-11-29 | 2022-03-02 | (주)올워크 | 인공지능 기반 직업 매칭 시스템 |
| KR102495830B1 (ko) * | 2022-10-18 | 2023-02-06 | 이효상 | 알고리즘을 통한 구직자와 구인 기업 간 매칭 방법 |
-
2023
- 2023-08-16 KR KR1020230106811A patent/KR102658640B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101780711B1 (ko) | 2017-03-28 | 2017-09-21 | 손재익 | 건물관리 서버의 우선 관리항목 선정방법 |
| KR101969571B1 (ko) * | 2018-02-08 | 2019-04-16 | (주)경한소프트웨어 | 건설 인력 관리 시스템 및 건설 인력 관리 방법 |
| KR102368188B1 (ko) * | 2021-11-29 | 2022-03-02 | (주)올워크 | 인공지능 기반 직업 매칭 시스템 |
| KR102495830B1 (ko) * | 2022-10-18 | 2023-02-06 | 이효상 | 알고리즘을 통한 구직자와 구인 기업 간 매칭 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Issa et al. | Research ideas for artificial intelligence in auditing: The formalization of audit and workforce supplementation | |
| Bunkar et al. | Data mining: Prediction for performance improvement of graduate students using classification | |
| JP2021504789A (ja) | Ｅｓｇ基盤の企業評価遂行装置及びその作動方法 | |
| Varshney et al. | Predicting employee expertise for talent management in the enterprise | |
| US11769521B1 (en) | Providing a condition-specific data collection sequence | |
| Santhosh et al. | Generalized fuzzy logic based performance prediction in data mining | |
| Gnanasekaran et al. | Using Recurrent Neural Networks for Classification of Natural Language-based Non-functional Requirements. | |
| Manjushree et al. | Performance analysis of the impact of technical skills on employability | |
| Ahmad Tarmizi et al. | A case study on student attrition prediction in higher education using data mining techniques | |
| Saini et al. | A neural network based approach to domain modelling relationships and patterns recognition | |
| KR102658640B1 (ko) | 빅데이터 기반 인원별 적정 파견 장소 선별시스템 | |
| Diana | Using sentiment analysis to reinforce learning: The case of airport community engagement | |
| Abd El-Haleem et al. | A generic ai-based technique for assessing student performance in conducting online virtual and remote controlled laboratories | |
| US20200372473A1 (en) | Digital Career Coach | |
| KR102474974B1 (ko) | 인공지능 기반 브랜드 분석 방법, 장치 및 시스템 | |
| Santoso | Early warning system for academic using data mining | |
| KR102588234B1 (ko) | 기계 설비 성능 점검 시스템 | |
| Siddiqui et al. | Predicting the Student Performance via Machine Leaning Techniques | |
| Pradhan et al. | Machine learning architecture and framework | |
| Yousaf et al. | Analysing which factors are of influence in predicting the employee turnover | |
| Punithavalli | Machine learning in human resource management | |
| US11775905B1 (en) | Systems and methods for text-to-speech audio processing and audio transduction | |
| US20230281188A1 (en) | Report management system | |
| KR20240083121A (ko) | 요양원 회계 처리 방법 | |
| Zhak et al. | Uncertainty Decision Making Model: The Evolution of Artificial Intelligence and Staff Reduction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |