KR20200103143A - Ai기술을 활용한 인사평가자 및 승진대상자 평가 방법 - Google Patents

Ai기술을 활용한 인사평가자 및 승진대상자 평가 방법 Download PDF

Info

Publication number
KR20200103143A
KR20200103143A KR1020190015084A KR20190015084A KR20200103143A KR 20200103143 A KR20200103143 A KR 20200103143A KR 1020190015084 A KR1020190015084 A KR 1020190015084A KR 20190015084 A KR20190015084 A KR 20190015084A KR 20200103143 A KR20200103143 A KR 20200103143A
Authority
KR
South Korea
Prior art keywords
personnel
evaluation
information
promotion
promotion target
Prior art date
Application number
KR1020190015084A
Other languages
English (en)
Inventor
나인채
Original Assignee
나인채
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 나인채 filed Critical 나인채
Priority to KR1020190015084A priority Critical patent/KR20200103143A/ko
Publication of KR20200103143A publication Critical patent/KR20200103143A/ko

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0639Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393Score-carding, benchmarking or key performance indicator [KPI] analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00Handling natural language data
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0639Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398Performance of employee with respect to a job function
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/10Office automation; Time management
    • G06Q10/105Human resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 고안은 인사관리를 지원할 수 있는 아래 [도 1]과 같은 인사관리시스템의 인사평가 방법 관한 것이다. 더 상세히, 미래 조직의 발전을 주도하는 리더 즉 승진대상자 선정 시, 사업환경과 노동환경 변화를 긍정적으로 수용하면서 공정성과 객관성을 확보하여 승진대상자를 선정하는 방법에 관한 것이다.
일반적인 인사관리란 조직이 목표를 달성하기 위해서 필요로 하는 인력을 조달하고, 유지·개발하며, 이를 활용하는 계획적·조직적 관리활동의 체계를 말한다. 경영인, 조직의 관리자라면 세부적으로 인사관리의 목표, 주체, 대상, 영역, 방법에 대해 명확하게 이해하고 있어야 한다. 따라서 인사관리의 목표는 관리자들이 조직의 전략적 목표를 달성하는 데 적합한 직원을 선발, 육성하여 그들이 조직을 위해서 열심히 일을 하도록 만드는 데 있다.
조직의 인적자원관리는 각종 법적요건과 사회통념 및 윤리적 가치에 의해서 제약을 받으며, 이를 준수하지 않을 경우 조직의 정당성이 위협받게 되어 조직의 존립자체가 흔들릴 수도 있기 때문에 인사관리는 정당성 요건을 적극적으로 수용하면서, 조직특유의 인적자원관리에 대한 가치를 창출하여 이를 통해서 직원이 조직에 대한 몰입과 공헌을 증진시켜 조직의 성과를 높이는 것으로 볼 수 있다.
또한, 인사관리의 주체는 다른 관리행위와는 다르게 모든 관리자가 주체가 된다. 최고경영자를 포함한 관리자는 조직의 활동목표를 결정하여 수행한 후 결과를 평가하고, 그에 따라 직원을 육성하고 보상하는 권한과 책임을 지고 있다. 인사관리의 대상은 조직의 모든 직원이므로, 일반직원 부터 최고경영자와 모든 관리자들이 포함된다. 인사관리의 정책과 제도를 형성하는 주체는 관리자이지만, 일단 정책과 제도가 형성되면 관리자들도 동일하게 적용을 받게 된다. 이러한 인사관리를 관리하는 인사관리시스템에서 가장 중요한 요소는 인사평가를 객관적이고 공정하게 평가하는 것이다. 도출된 인사평가 자료를 근거로 우수한 인재를 승진대상자로 선발할 수 있다.
본 고안은 조직에서 가장 중요한 리더(승진대상자) 선정을 객관적이고 합리적인 인사평가 정보를 기초로 하여 인재를 추천하는 모델을 AI기술을 이용하는 방법에 대한 것이다. 기존 인사관리는 인사평가에 대한 주관적 기준과 인맥, 학연 등으로 인해서 우수한 인재를 추천하는데 어려운 것이 현실이다.
본 고안의 주요 특징은 인사평가 시 조직이 필요한 직급에 대한 역량을 기술한 직무기술서와 조직원이 직접 자기가 해야 할 일을 파악하여 작성한 직무기술서를 최대한 활용한 인사평가 방법과 승진대상자를 선정할 수 있는 기준을 과거에 승진한 리더의 정보를 학습한 모델을 활용하여 승진자를 추천하는 방법에 관한 것이다.

Description

AI기술을 활용한 인사평가자 및 승진대상자 평가 방법{Personnel Evaluators and Promotion Target Evaluation Methods by Using AI Technology}
기존의 인사평가의 방법은 전통적인 방법과 근대적 방법이 있다. 하지만 기존의 방법들은 사람의 주관과 감정이 개입되므로 객관적이라고 평가 받기는 힘든 것이 현실이다.
전통적 인사평가 방법은 서열법, 강제할당법, 평정척도법, 대조표법이 있다. 서열법은 순위를 서열로 제시하는 기법이며, 강제할당법은 미리 정해 놓은 비율에 맞추어 피고과자를 강제로 할당하는 방법이다. 평정척도법은 피평가자의 자질을 직무수행상의 달성할 정도에 따라 사전에 미리 마련된 척도를 근거로 평가할 수 있도록 하는 방법이다. 대조표법은 업적 또는 특성을 특징 지을수 있는 서술문을 배열하고 평가자가 해당서술문을 체크하여 평가하는 방법이다.
근대적 인사평가 방법은 목표관리제도, 행동기준척도법, 인적평가센터법이 있다. 전통적 기법은 주로 피평가자들의 상대적 업무수행능력이나 태도를 비교하여 측정하는 기법이며, 평가자의 주관적 오류가 많이 개진되는 편이지만 이러한 한계를 극복하기 위하여 최근 다양한 평가제도가 보완적으로 활용된다. 목표관리제도(MBO)는 상사와 협의하여 자신이 수행하여야 할 업무의 목표를 미리 설정하고 이에 대한 성과를 부하와 상사가 같이 측정하고 고과하는 방법을 말한다. 행동기준척도법은 업무수행과정상의 수많은 중요사실들을 추출하여 몇 개의 범주 또는 차원으로 나눈 다음, 각 범주의 중요한 사실을 척도에 의해 평가하는 방법이다. 그리고 인적자원평가센터법은 평가를 전문으로 하는 평가센터를 만들고 여기서 다양한 자료를 활용하여 평가하는 방법을 말한다. 주로 관리의 잠재능력을 확인하기 위하여 이용 될 수 있다.
아래[도2]는 인사평가기법을 요약한 것이다.
본 고안의 기술의 배경은 인사관리 방법을 컴퓨터와 네트워크망을 활용하여 인사관리 방법을 전산화하는 기술이다.
기존 인사평가 방법을 아래의 5가지 관점에서 개선하고자 한다
첫 번째 직무중심의 인사관리 방법을 도입하고자 한다. 직무 특성보다 연공이나 근속에 기반한 인사관리 방식은 한국기업의 비효율 혹은 낮은 생산성을 야기하 는 주요 원인 중 하나로 지적돼 왔다. 하는 일은 변하지 않는데 시간이 지날수록 지속적으로 임금이 상승하는 호봉제 방식의 보상제도는 기업에 큰 부담으로 작용한다. 또한 직무를 명확히 구분하지 않는 보편적 관리방식으로는 업무의 책임성과 전문성을 높이는 데에도 한계가 있어 인적 경쟁력 제고에도 큰 걸림돌이 되어 왔다. 특히, ‘동일노동 동일임금’ 원칙이 확립되기 위해서는 직무별 특성을 감안하지 않은 임금결정 방식이 가장 우선적으로 개선돼야 할 요소다. 이와 같은 상황을 종합했을 때 연공서열과 호봉제 중심의 인사관리는 더 이상 유지가 어려운 한계에 이르렀다고 할 수 있다. 이제는 인사관리 방식을 직무중심으로 전환해 나갈 시점이다. 이를 위해서는 우선 전사직무를 포지션 또는 포스트 단위로 세밀하게 도출해 주기적으로 관리하고, 인사 의사결정을 내릴 때는 직무목표와 역량 등이 기재된 직무기술서를 적극 활용하는 것이 필요하다. 또한 평가를 통해 도출된 직무 간 상대적 중요도를 조직 위계구조에 반영하고, 직무-인재 간 적합성을 향상하기 위한 논의 절차와 제도도 만들어야 한다. 궁극적으로는 채용, 임금, 평가를 모두 직무와 연결하는 종합적인 인사정책을 수립해야 한다.
두 번째는 상대평가에서 절대평가로 전환을 도입하여 인사평가를 하고자 한다. 4차 산업혁명으로 대표되는 혁신의 시대에 직원 개개인이 최상의 성과를 창출하기 위해서는 수평적이고 자유로운 분위기 속에서 능동적으로 협업하는 것이 필수다. 여기에 큰 걸림돌로 작용하는 것이 상대평가제도다. 상대평가제도는 평가가 용이하고 승진·해고 등의 기준을 비교적 명확히 제시하기 때문에 경영 현장에서 많이 활용되고 있지만, 직원 간 지나친 경쟁을 조장하거나 위험을 회피하게 만드는 단점이 있다. 상대평가 결과를 근거로 근로자를 해고하거나 임금을 삭감하더라도 제도가 정교하고 객관적이지 못하다면 소송에 휘말리는 등의 문제도 여전하다. 상대평가를 절대평가로 전환하면 이 같은 문제를 상당 부분 해결할 수 있다. 특히 절대평가는 특정 직무의 절대적 목표를 정해두고 이를 얼마나 충족했느냐를 평가하는 것이므로 직무 중심의 인사제도에 반드시 포함돼야 할 요소다.
세 번째는 평가결과에 대한 수시 피드백하여 평가의 불만의 최소화하고자 한다. 평가결과를 각종 인사정책에 제대로 활용하기 위해서는 근로자의 수용도가 높아야 한다. 아무리 객관적이고 공정하게 평가한다 해도 낮은 평가를 받은 근로자는 공정성을 문제 삼기 마련이다. 특히 근로자 권익보호를 우선으로 하는 최근 노동환경 하에서는 근로자가 인정하지 않는 평가결과는 제대로 활용되기 어렵다. 수용도를 높이는 가장 효과적인 방법은 관리자가 근로자를 사실 위주로 관찰·평가하고, 그 결과를 적시에 피드백하는 것이다. 관찰하고 기록한 내용이 객관적이고 이를 근거로 수시 커뮤니케이션이 이루어지면 평가결과에 이의를 제기해도 충분한 대응이 가능하다. 성과관리와 피드백 주기가 더 세분화하고 짧아지면 부담을 느끼는 근로자도 있을 수 있다. 하지만 객관적인 관찰에 근거해 투명하게 근로자를 관리한다는 인상을 주면 조직에 대한 신뢰가 상승하고 자기계발욕구도 강화될 것이다. 따라서 인사평가는 모든직원들의 책임이자 권한으로 인식할 수 있는 교육과 인사평가 작업에 대한 평가도 이루어져야 한다.
네 번째는 승진대상자 인사평가 정보를 공개하고자 한다. 근로자의 임금과 승진 등 처우에 불합리한 차별이 있는지 등에 대한 논란이 발생하는 경우, 가장 효과적인 대응방법은 객관적인 데이터로 입증하는 것이다. 여기에 가장 중요한 것이 인사운영과 결정의 세부적인 내용이 잘 기록돼 있어야 한다. 분란을 사전에 예방하고, 인사제도에 대한 직원의 신뢰를 높이는 최선의 방법은 인사정보를 가능한 수준에서 충분히 공개하고 공유하는 것이다. 인사평가의 공정성을 확인할 수 있도록 인사평가정보를 조직원 자신만 확인할 수 있도록 암호화함과 동시에 승진 대상자에 평가정보는 개인정보를 제외한 정보는 공개할 필요가 있다.
다섯 번째 인사평가를 다면화하여 다양성과 포용성 강화하고자 한다 세대 간·직급 간·남녀 간에 직무수행 방법이나 성과,보상에 대한 만족도 등에 차이가 존재한다. 특히, 향후 기업 성장에 핵심이 될 20~30대 젊은 인력은 기존 인력과는 사고방식이나 배경지식이 완전히 다르다. 오늘날 기업 내부에 다양한 집단이 공존할 수밖에 없고, 이 경우 획일적인 제도보다는 집단별 특성에 맞는 다양한 제도를 운영할 필요가 있다. 이 경우 기업이 영위하는 사업 내용이나 구성원의 특성을 충분히 고려한다면 그 효과는 배가 될 것이다.
이를 가장 잘 활용한 경우가 구찌(Gucci)의 사례다. 명품 패션업계에서 늘 샤넬(Channel)의 그늘에 가려 추종자에 머물렀던 구찌가 최근 급성장을 한 배경에는 이른바 “역코칭”의 효과가 있었다. 경험이 많은 고위직급이 젊은 직원들을 코칭하는 것이 아니라, 최근 트렌드에 더 민감하고 이를 잘 수용하는 젊은 세대인 하위직급이 고위직급에게 소비자트렌드와 제품 혁신 방향에 대해 역코칭을 진행했다. 하위직급이 알고 있는 최신 트렌드를 제품에 반영한 것이 소비자들의 호응을 얻어 기업이 큰 성공을 거둔 것이다. 이러한 추세는 최신유형을 선도하는 패션업계만 국한되는 것은 아니다.
국민을 위하여 일하는 공무원들도 하위직급에서 상위직급을 바라보면서, 고위직급의 업무 추진내용을 보고 공과 실을 평가할 수 있는 판정기준도 반영할 수 있는 체계를 구축함으로써 더 낳은 조직문화를 개선할 수 있다. 예를 들면 하위직급이 상위직급을 평가하거나, 동료간 인사평가를 하는 등에 대한 방안 수립이 요망된다.
본 고안에서 해결하는 기술적 수단은 [도 11]에서 분류된 AI기술 중에 딥러닝 기술을 활용하고자 한다. 딥러닝에 적용하는 데이터는 [도 10]과 같이 정성적데이터, 즉, 품의서, 직무기술서, 보고서 등과 같은 문자 또는 이미지로 작성된 정보를 읽어서 처리하는 자연어 처리 알고리즘을 활용하여 정보처리를 하여, 정량화된 평가지표에 조직의 고유의 가증치를 연산하여 딥러닝의 입력데이터로 활용하여 학습모델을 작성하도록 한다.
본 고안에서 활용하는 자연어처리(Natural Language Processing) 분야는 딥러닝 기법은 데이터의 계층적인 표현(hiarchical representation)을 학습하는 다층 레이어(multiple processing layer)를 사용한다. 자연언어처리(NLP)는 인간 언어 분석과 표현(representation)을 자동화하기 위한 계산 기법이다.
과거 NLP(Natural Language Processing) 문제를 풀기 위한 머신러닝의 접근은 고차원이면서 빈번하지 않은 특징을 학습하기 위한 ‘얕은 모델(shallow models, 예: SVM/로지스틱 회귀)’에 기반한 것이다. 최근 수 년간 다층 레이어에 기반한 뉴럴네트워크가 다양한 NLP task에서 우수한 성능을 보여줬다.
이러한 트렌드는 워드 임베딩과 딥러닝 기법의 성공에 힘입은 것이다. 딥러닝은 자동화된 피처 추출 및 표현(multi-level automatic feature representation learning)을 가능하게 한다. 그러나 전통적인 머신러닝에 기반한 NLP(Natural Language Processing) 시스템은 사람이 직접 추출한 특징에 강하게 의존한다
본 고안에서 적용되는 자연어어처리 기술은 개체명인식(Named Entity Recognition, NER), 의미역결정(Semantic Role Labeling, SRL), 품사태깅(POS tagging) 같은 일부 NLP 태스크에서 최첨단 기법이다. 또한 복잡한 딥러닝 기반의 알고리즘이 어려운 NLP 문제를 풀기 위해서 콘볼루션 신경망(Convolutional Neural Network, CNN), 순환신경망(Recurrent Neural Network, RNN,), 재귀신경망(Recursive Neural Network, RNN, ) 등 주요 딥러닝모델을 적용한다. 아울러 어텐션(attention) 매커니즘, 강화학습(reinforcement learning)과 심층생성모델(Deep generative model)도 활용한다.
이러한 바탕의 기술을 활용하여 5가지 경제환경과 노동환경에 변화를 반영할 수 있는 인사관리시스템을 AI 신기술과 Web환경에 적합할 수 있는 인사평가방법을 제안하고자 본 발명을 고안하였다.
본 인사평가 방법은 주요관점은 2가지 이다.
첫 번째는 노동환경 변화에 따른 인사평가 지표를 추출하고, 추출된 인사평가 지표를 전산환경을 통해서 정량화된 정보와 정성적인 자료를 수집하여 객관적인 인사평가정보를 관리할 수 있는 방법이다.
두 번째는 이렇게 수집된 정보를 기초로 AI기능을 활용한 인사평가시스템에서 적재 적소의 인재를 발굴하여 승진 대상자를 추천하는 모델을 구축하고, 구축된 추천모델의 개선은 추천모델에서 추천된 승진자의 고가평점을 기준으로 피드백(Feed-Back)할 수 있는 AI추천모델을 제시하고자 한다.
본 제안은 수집된 정보간의 상관관계와 가중치는 조직마다 특성을 감안하여, 인사평가모델 특성에 따라 변경이 필요하다.
본 고안은 전체 구성원에 대한 인사평가 방법과 미래 조직발전을 이끌어가는 승진대상자를 합리적이고 객관적 평가자료를 기반으로 승진대상자를 추천하는 추천모델을 구축하는 방법에 관한 것이다.
기업의 경쟁력은 우수한 품질, 저렴한 가격, 최선의 서비스에서 나온다. 이 모든 요소들은 사람에 의해 결정되기 때문에 사람을 관리하는 인사관리가 가장 중요한 것이다. 특히 인사평가에 있어서는 사람의 주관과 감정이 크게 개입하기 때문에 이를 방지하기 위해 AI를 이용하여 평가를 객관적으로 만드는 것이 기업의 갱쟁력을 크게 향상시킬 수 있다.
첫 번째는 공정하고 객관적인 인사정책이나 인사방침과 같은 인사 철학이 중요한 영향을 주게 되는데, 주요 인사정책으로는 임금제도나 승진제도 같은 것이 있다. 임금제도는 임금 결정에 영향을 주고, 승진제도는 승진에 대한 결정적인 영향을 줄 수 있으므로 인적요소의 구성을 합리적으로 하기 위해 먼저 인사정책이 합리적으로 이루어져야 한다. 인적요소의 구성이 잘못되면 물적 요소가 아무리 좋아도 조직의 성과가 좋아질 수 없기 때문에 이러한 인사관리의 중요성에 대하여 사원 개인적 차원, 기업의 차원, 사회적 및 국가적 차원에서의 중요성을 파악할 필요가 있다. 개인적 차원의 중요성은 조직구성원에 대한 경제적, 안전, 사회적, 자존과 자아실현의 욕구 등 모든 욕구를 충족시켜주는 관리여야 하므로 특히 중요하다.
두 번째로 모든 기업의 목적은 수익성에 있으므로 경제성과 경쟁력이 중요시 된다 가격경쟁력과 품질경쟁력, 서비스경쟁력을 통해 기업전체의 경쟁력을 높여야 한다. 그 중 가장 중요한 가격 경쟁력을 위해 원가절감, 인건비절감을 위해 구조조정, 정리해고와 같은 방법을 사용할 수 있고 인건비 절감을 위한 임금문제가 곧 인사관리와 직결되므로 기업차원에서의 중요성이 클 수밖에 없다.
세 번째로 사회적, 국가적 차원의 중요성이 크다 합리적이고 민주적인 인사관리는 고용의 안정, 소득수준과 경제수준의 향상, 물가의 안정과 사회의 안정, 노사관계의 안정, 국민경제의 발전, 등 우리 사회에서 매우 중요한 역할을 하게 되는 것이기 때문이다.
도 1은 AI기능을 이용한 인사관리시스템
도 2는 인사평가의 기법
도 3은 직원 인사평가 지표(예시)
도 4는 인사 평가정보 수집 방안
도 5는 인사평가 AI모델 구축 시스템 개념도
도 6은 인사평가하기 위한 평가모델 학습알고리즘 개발 절차
도 7은 인사평가모델 처리 절차
도 8은 승진대상자 선정하기 모델 학습알고리즘 개발 절차
도 9는 승진대상자 선정모델 수행 절차
도 10은 인사추천 AI모델 학습 알고리즘 개념도
도 11은 AI관련 기술 분류 개념도
본 발명은 인사평가 방법과 인사평가 결과를 활용하여 인사추천에 대한 방법에 대한 인사평가관련 방법에 대해서 기술한다. 그리고 본 고안 인사관련 평가방법에서 인사정보를 재구성하여 평가모델에 활용하는 4가지 유형의 데이터가 있다.
첫 번째는 인사평가 대상에 따라 본인, 상급자, 하급자가 정량화 인사평가지표에 따라 평가하는 정량화된 인사평가정보이다.
두 번째는 직무기술서로서 2가지 유형이 있다. 직원 본인이 자신의 수행업무에 대해서 기술하는 직무기술서와 우수하고 적합한 리더를 선정하기 위해서 조직에서 승진 및 인사관리 대상자의 직무수행업무를 기술한 직무기술서가 있다.
세 번째는 직무수행역량에 대한 프로파일링 보고서는 직무기술서를 기초로 하여 정성적인 인사정보(품의서, 협조전, 보고서, 과제수행완료보고서 등)를 분석하고, 정량화된 인사평가정보를 활용하여 직원 개개인의 직무수행역량에 대한 프로파일링 보고서를 작성한다.
마지막은 수행역량 적합성 보고서는 조직에서 필요한 승진자 직무기술서를 기초로 하여, 승진자 직무수행역량에 대한 프로파일링 보고서를 분석하고, 정량화된 승진대상자 인사평가정보를 활용하여 승진자 직무수행역량에 대한 보고서이다.
우선 인사평가(추천포함)는 [도 1]같이 인사관리시스템 환경에서 수행된다. 그리고 인사관리시스템(110), 학습서버(120), 인사정보데이터베이스(130)는 동일한 컴퓨터 또는 별도의 컴퓨터로 구성할 수 있다. 인사관리시스템의 인사평가관리 모듈과 인사추천관리 모듈에서 AI를 활용하여 인사평가 하기 위해서 수행되어야 할 일반적인 절차는 아래와 같이 6단계를 걸쳐서 수행된다
첫 번째, AI기능을 활용하기 위한 데이터 분석을 수행하여 한다. 즉 기계학습에 사용할 전체 데이터셋을 분석한다. 그래프도 그려보고 각 변수간의 연관 관계나 분포도를 분석하여, 학습에 사용할 변수를 정의하고 어떤 모델을 사용할지 판단한다.
두 번째는 분석된 데이터를 기반으로 모델을 정의하고, 일부 데이터를 샘플링하여 모델을 돌려보고 유효한 모델인지를 체크한다. 모델이 유효하지 않다면 변수와 모델을 바꿔 가면서 최적의 모델을 찾는다.
세 번째는 데이터 추출 및 전처리 과정으로 유효한 모델이 개발이 되면, 일부 데이터가 아니라 전체 데이터를 가지고 학습을 한다. 전체 데이터를 추출해서 모델에 넣어서 학습을 하려면 데이터의 크기가 크면 매번 매뉴얼로 하기가 어렵기 때문에 데이터 추출 및 전처리 부분을 자동화 한다.
네 번째는 전체 데이터를 이용한 반복 학습 및 튜닝 과정으로 모델 자체가 유효하다고 하더라도 전체 데이터를 가지고 학습 및 검증을 한것이 아니기 때문에 의외의 데이터가 나오거나 전처리에 의해서 필터링되지 않은 데이터가 있을 수 있기 때문에 지속적으로 데이터 추출 및 전처리 모듈을 수정해야 하고, 마찬가지로 모델 역시 정확도를 높이기 위해서 지속적으로 튜닝을 한다. 이 과정에서 전체 데이터를 다루기 때문에 모델 역시 성능을 위해서 분산형 구조로 개선되어야 한다.
다섯 번째는 학습알고리즘이 적용된 모델 배포 과정으로 학습 모델이 완성되었으면 학습된 모델을 가지고 예측을 할 수 있는 시스템을 개발하고 이를 배포한다.
여섯 번째는 지속적인 학습을 위해 정보수집 및 배표를 자동화하는 과정으로 머신러닝의 모델은 위의 과정을 통해서 만들었지만, 데이터가 앞으로도 지속적으로 들어올 것이고 지속적인 개선이 필요하기 때문에 이 전과정을 자동화 한다. 이때 중요한 것은 데이터 전처리, 학습, 튜닝, 배포등의 각 과정을 물 흐르듯이 연결하고 자동화를 해야 하는데 이렇게 데이터를 흐르는 길을 데이터 플로우라고 한다.
이와 같은 처리방법으로 본 고안에서 인사평가 방법 중 전 직원을 대상으로 하는 인사평가 모듈은 [도 3]의 직원 인사평가 지표에 대한 평가정보를 [도 4]와 같은 방법으로 평가정보를 수집한다. 평가정보가 수집되면, [도 5]와 같이 AI학습용서버(520)에서 정량화된 평가정보와 텍스트와 같은 정성적 데이터를 입력값으로 하여 학습용알고리즘을 학습하도록 한다. 학습된 알고리즘이 적용된 모델을 완성하면, 인사관리시스템(510)에 평가모델을 배포한다. 그리고 전직원의 정량적인 인사평가와 정성적 업무수행역량관련 정보를 평가모델에 입력하면 평가결과가 출력된다.
본 고안의 인사평가모듈은 2가지이다. 첫 번째는 전 직원을 대상으로 하는 인사평가모듈, 두 번째는 승진대상자 선정을 위한 인사추천모듈이다.
우선 인사평가 모듈은 두 단계로 수행된다. [도 6]의 인사평가하기 위한 평가모델 학습알고리즘 개발 절차 와 [도 7]의 인사평가모델 적용 절차 순으로 평가가 이루어진다. [도 6]의 인사평가하기 위한 평가모델 학습알고리즘 개발 절차는 2가지 절차가 어우러져 인사평가모델 학습알고리즘을 개발한다.
인사평가 학습모델 첫 번째는 정량화된 평가정보를 정제화 과정과 정성적인 업무추진이력 정보를 자연어학습알고리즘을 적용하여 문맥의 의미를 식별하는 데이터 정제과정이다.
두 번째는 그 정제된 데이터를 입력데이터값으로 하여 인사평가 학습알고리즘을 개발하는 과정이다. [도 6]의 인사평가하기 위한 평가모델 학습알고리즘 개발 절차를 상세히 기술하면 아래와 같다.
정량적 인사평가정보(610)의 평가정보를 평가지표 별 가중치 적용모듈(630)에 제공 후, 평가지표 별 가중치 적용모듈(630)에 평가지표 별 가중치 설정(620)을 설정하여 평가지표 별 가중치 적용모듈(630)에서 평가지표 별 가중치를 반영하여 처리된 인사평가정보를 인사학습알고리즘(670)의 입력값으로 제공한다. 동시에 정량적인 직원인사평가정보(610)와 정성적인 인사정보로 자신이 작성한 직무기술서(611)와 업무추진이력(612)의 문서정보를 자연어 처리알고리즘을 활용한 프로파일링 작성모듈(640)에 제공한다. 그 후, 자연어 처리알고리즘을 활용한 프로파일링 작성모듈(640)에서 제공받은 정보를 기반으로 해당 직원에 대한 업무역량을 프로파일링 하여 인사프로파일링 보고서(650)를 생성한다. 그리고 인사프로파일링 보고서(650)를 인사학습알고리즘(670)의 입력값으로 제공한다. 위 절차 완료 후, 인사평가학습알고리즘(670)은 입력된 2가지 인사정보(630,650)가 최적의 인사평가 결과로 도출 될 수 있도록 평가학습 가중치 설정(660)모듈에서 가중치를 입력한다. 가중치를 반영한 인사평가학습 알고리즘(670)을 활용하여 인사평가 결과(680) 생성 및 인사평가모델(690)을 생성하는 절차를 수행한다.
[도 7]의 인사평가모델 적용절차는 [도 6]에서 정령화된 평가별 가중치 설정(620)과 학습하기 위해서 사용하던 가중치 설정(660)과 같이 수작업으로 입력하는 작업 없이 Non-Stop으로 인사평가모델에 의해서 인사평가 결과(780)이 도출한다.
[도 7]의 인사평가모델 적용절차를 상세히 기술하면 아래와 같다.
인사평가모델에 데이터를 입력하기 위해서, 2가지 유형의 데이터를 정제하는 단계로써 정량적 인사평가정보(710)의 정제화하는 평가지표별 가중치 적용 모듈(730)을 적용하여 인사평가모델(770)에 정보를 제공하는 단계와 동시에 정성적인 인사정보로 자신이 작성한 직무기술서(711)와 업무추진이력(712)의 문서정보를 자연어 처리알고리즘을 이용하여 문맥을 인지한 후, 식별된 직무기술서를 기반으로 업무추진이력 정보를 합성하여 해당 직원에 대한 업무역량을 프로파일링 하고, 생성된 프로파일링 정보와 직원인사평가정보(710)를 병합하여 인사프로파일링 보고서를 작성한 후 작성된 결과물을 인사평가모델(770)의 입력값으로 제공하는 단계; 인사평가모델(770)은 입력된 2가지(730,750) 인사정보를 입력값으로 하여 최적의 인사평가 결과가 도출 될 수 있는 인사평가모델(770)에서 정보처리하는 단계로 구성된 적용절차이다.
승진대상자 인사추천 모듈은 두 단계로 수행된다. [도 8]의 승진대상자 선정하기 모델 학습알고리즘 개발 절차 와 [도 9]의 승진대상자 선정모델 수행 절차 순으로 평가가 이루어진다. [도 8]의 승진대상자 선정하기 모델 학습알고리즘 개발절차는 2가지 절차가 어우러져 승진대상자 평가모델 학습알고리즘을 개발한다.
승진대상자 선정하기 모델 학습알고리즘 개발은 첫 번째가 정량화된 평가정보를 정제화 과정과 정성적인 업무추진이력 정보와 직무기술서를 자연어학습알고리즘을 적용하여 문맥의 의미를 식별하여 승진대상자 적합성보고서를 작성하는 데이터 정제과정이다.
두 번째는 정제된 2가지 정보를 승진대상 추천평가모델 학습알고리즘(870)에 정보를 제공하고, 승진대상자 추천결과가 기존 승진자 결과와 유사하도록 가중치 설정(860)을 변경하여, 승진대상자 추천의 정확성을 높일 수 있도록 추천평가모델 학습알고리즘(870)을 개발하는 과정이다.
[도 8]의 승진대상자 선정하기 위한 모델 학습알고리즘 개발절차를 상세히 기술하면 아래와 같다.
본 학습방법은 딥러닝의 지도학습과 강화학습 알고리즘을 적용하고, 승진대상자를 선정하기 위해서 판정기준(LABEL) 정보로 기존 승진자 인사정보를 활용하여 모델학습을 한다.
먼저 기존 승진자인사정보 데이터를 학습을 위한 입력데이터를 만들기 위해서, 2가지 유형의 데이터를 정제하는 단계로써 정량적 승진대상자 인사평가정보(810)를 학습모델에서 유용한 입력값이 될 수 있도록 가중치를 설정(820)하여 승진대상자 평가 학습알고리즘(670)에 정보를 제공하는 단계와 동시에 정성적인 인사정보로 조직이 필요한 승진대상자 주요업무가 기술된 직무기술서(812)와 기존 승진대상자 프로파일링 보고서(813)의 문서정보를 자연어 처리알고리즘을 이용하여 문맥을 인지한 후, 식별된 직무기술서를 기반으로 기존 승진대상자 프로파일링 보고서(813)를 합성하여 해당 직급별 승진대상자의 에 대한 업무역량을 프로파일링 하고, 생성된 프로파일링 정보와 기존 승진자 인사평가정보(811)를 병합하여 수행역량적합성보고서(850)을 작성한 후, 작성된 결과물을 승진대상자 추천학습알고리즘(870)의 입력값으로 제공하는 단계; 승진대상자 평가학습알고리즘(870)은 입력된 2가지(830,850) 분석정보가 최적의 승진대상자 추천 결과가 도출 될 수 있도록 가중치(860)를 변경하는 단계; 그리고 최적의 승진대상자 추천결과(880)를 추출하는 승진대상자 선정평가 학습 알고리즘(870)이 적용된 모델(890)을 생성하는 단계로 구성된 처리절차이다.
[도 9]는 [도 8]에서 생성된 학습된 승진대상자 추천모델(970)을 적용하여, 승진대상자 추천결과(980)를 출력하기 위한 수행절차이다. 먼저 승진대상자 인사정보 데이터를 학습을 위한 입력데이터를 만들기 위해서, 2가지 유형의 데이터를 정제하는 단계로써 정량적 승진대상자 인사평가정보(810)를 평가지표 별 가중치 적용모듈(930)에서 승진대상자 추천모델(970)에 정보를 제공하는 단계와 동시에 정성적인 인사정보로 조직이 필요한 승진대상자 주요업무가 기술된 직무기술서(912)와 승진대상자 프로파일링 보고서(913)의 문서정보를 자연어 처리알고리즘을 이용하여 문맥을 인지한 후, 식별된 직무기술서와 승진대상자 프로파일링 보고서를 분석하고, 승진대상자 인사평가정보(911)를 병합하여 수행역량적합성보고서(950)을 작성한 후, 작성된 결과물을 승진대상자 추천모델(970)의 입력값으로 제공하는 단계; 승진대상자 추천모델(970)은 입력된 2가지(930,950) 분석정보를 승진대상자 추천모델(970)에 입력하여 승진대상자추천결과(980)를 추출하는 단계로 구성된 처리절차이다.
DNN : Deep Neural Network
NLP : Natural Language Processing
NER : Named Entity Recognition
RNN : Recurrent Neural Network 또는 Recursive Neural Network
SRL : Semantic Role Labeling

Claims (4)

  1. 기계학습 기술을 활용하여 인사평가를 위한 학습모델을 구축하는 방법으로
    정량적 인사평가정보(610)의 평가정보를 평가지표 별 가중치 적용모듈(630)에 제공하는 단계;와
    평가지표 별 가중치 적용모듈(630)에 평가지표 별 가중치 설정(620)을 입력하는 단계;
    평가지표 별 가중치 적용모듈(630)에서 평가지표 별 가중치를 반영하여 처리된 인사평가정보를 인사학습알고리즘(670)의 입력값으로 제공하는 단계;
    동시에
    정량적인 직원인사평가정보(610)와 정성적인 인사정보로 자신이 작성한 직무기술서(611)와 업무추진이력(612)의 문서정보를 자연어 처리알고리즘을 활용한 프로파일링 작성모듈(640)에 제공하는 단계; 와
    자연어 처리알고리즘을 활용한 프로파일링 작성모듈(640)에서 제공받은 정보를 기반으로 해당 직원에 대한 업무역량을 프로파일링 하여 인사프로파일링 보고서(650)를 작성하는 단계;
    그리고 인사프로파일링 보고서(650)를 인사학습알고리즘(670)의 입력값으로 제공하는 단계;
    위 단계들이 완료 후, 인사평가학습알고리즘(670)은 입력된 2가지 인사정보(630,650)가 최적의 인사평가 결과로 도출 될 수 있도록 평가학습 가중치 설정(660)하는 단계;
    인사평가학습 알고리즘(670)을 활용하여 인사평가 결과(680) 생성 및 인사평가모델(690)이 생성하는 단계;를 포함하는 것을 특징하는 인사평가 모델 학습 방법
  2. 기계학습 기술을 활용하여 인사평가모델를 적용하는 방법으로
    정량적 인사평가정보(710)의 평가정보를 평가지표 별 가중치 적용모듈(730)에 제공하는 단계;와
    동시에
    정량적인 직원인사평가정보(710)와 정성적인 인사정보로 자신이 작성한 직무기술서(711)와 업무추진이력(712)의 문서정보를 자연어 처리알고리즘을 활용한 프로파일링 작성모듈(740)에 제공하는 단계; 와
    자연어 처리알고리즘을 활용한 프로파일링 작성모듈(740)에서 제공받은 정보를 기반으로 해당 직원에 대한 업무역량을 프로파일링 하여 인사프로파일링 보고서(750)를 작성하는 단계; 그리고
    인사프로파일링 보고서(750)를 인사평가모델(770)의 입력값으로 제공하는 단계;
    위 단계들이 완료 후, 최적의 인사평가 결과(780)를 추출하기 위한 인사평가모델(770)을 생성하는 단계;를 포함하는 것을 특징하는 인사평가 모델 적용 방법
  3. 기계학습 기술을 활용하여 승진대상자 추천모델 학습방법으로
    정량적 승진대상자 인사평가정보(811)를 평가지표 별 가중치 적용 모듈(830)에 제공하는 단계;와 평가지표 별 가중치 적용 모듈(830)에서 평가지표 별 가중치 설정(820)하는 단계;
    그리고 평가지표 별 가중치 적용 모듈(830)에서 설정된 가중치를 반영하여 처리된 인사평가정보를 승진대상자 선정 평가학습 알고리즘(870)에 제공하는 단계;
    동시에
    정량적인 기존 승진대상자 인사평가정보(811)와 정성적인 인사정보로 조직이 필요한 승진대상자 주요업무가 기술된 직무기술서(812)와 기존 승진대상자 프로파일링 보고서(813)를 자연언어처리 기술을 활용한 승진대상자 수행업무 적합성 분석모듈(840)에 제공하는 단계; 와
    자연언어처리 기술을 활용한 승진대상자 수행업무 적합성 분석모듈(840)이 직무기술서(812)를 기반으로 기존 승진대상자 프로파일링 보고서(813)를 합성하여 해당 직급별 승진대상자에 대한 업무역량을 프로파일링 하고, 생성된 프로파일링 정보와 기존 승진자 인사평가정보(811)를 병합하여 수행역량적합성보고서(850)을 생성하는 단계; 그리고
    수행역량적합성보고서(850)를 승진대상자 추천학습알고리즘(870)으로 제공하는 단계;
    위 단계들이 완료 후, 승진대상자 평가학습알고리즘(870)은 입력된 2가지(830,850) 분석정보가 최적의 승진대상자 추천 결과가 도출 될 수 있도록 가중치 설정(860)하는 단계;
    승진대상자 선정평가 학습 알고리즘(870)에서 승진대상자 추천결과(880)를 생성 및 승진대상자평가모델(890)을 생성하는 단계; 를 포함하는 것을 특징하는 승진대상자 추천모델 학습 방법
  4. 기계학습 기술을 활용하여 승진대상자 추천모델 적용방법으로
    정량적 승진대상자 인사평가정보(911)를 평가지표 별 가중치 적용 모듈(930)에 제공하는 단계;와 평가지표 별 가중치 적용 모듈(930)에서 처리된 인사평가정보를 승진대상자 추천모델(970)에 제공하는 단계;
    동시에
    정량적인 승진대상자 인사평가정보(911)와 정성적인 인사정보로 조직에서 작성한 승진대상자 직무기술서(912)와 승진대상자 프로파일링 보고서(913)를 자연언어처리 기술을 활용한 승진대상자 수행업무 적합성 분석모듈(940)에 제공하는 단계; 와
    자연언어처리 기술을 활용한 승진대상자 수행업무 적합성 분석모듈(940)이 직무기술서(912)를 기반으로 승진대상자 프로파일링 보고서(913)를 합성하여 해당 직급별 승진대상자에 대한 업무역량을 프로파일링 하고, 생성된 프로파일링 정보와 승진자 인사평가정보(911)를 병합하여 수행역량적합성보고서(950)을 생성하는 단계;
    그리고 수행역량적합성보고서(950)를 승진대상자 추천모델(970)으로 제공하는 단계;
    위 단계들이 완료 후, 승진대상자 추천모델(970)은 입력된 2가지(930,950) 정보를 기반으로 하여 승진대상자 추천(980)할 수 있도록 적용하는 단계; 를 포함하는 것을 특징하는 승진대상자 추천모델 적용 방법
KR1020190015084A 2019-02-08 2019-02-08 Ai기술을 활용한 인사평가자 및 승진대상자 평가 방법 KR20200103143A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190015084A KR20200103143A (ko) 2019-02-08 2019-02-08 Ai기술을 활용한 인사평가자 및 승진대상자 평가 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190015084A KR20200103143A (ko) 2019-02-08 2019-02-08 Ai기술을 활용한 인사평가자 및 승진대상자 평가 방법

Publications (1)

Publication Number Publication Date
KR20200103143A true KR20200103143A (ko) 2020-09-02

Family

ID=72450044

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190015084A KR20200103143A (ko) 2019-02-08 2019-02-08 Ai기술을 활용한 인사평가자 및 승진대상자 평가 방법

Country Status (1)

Country Link
KR (1) KR20200103143A (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022265399A1 (ko) * 2021-06-15 2022-12-22 서울대학교산학협력단 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치, 시스템 및 방법
CN116307340A (zh) * 2022-11-28 2023-06-23 广州合道信息科技有限公司 岗位匹配的管理平台、电子设备及存储介质
KR102574894B1 (ko) * 2022-12-01 2023-09-06 (주)알앤씨소프트 인력 관리 및 보상 지급 기능을 포함한 웹사이트 관리 시스템
KR102610130B1 (ko) * 2023-01-13 2023-12-05 아이원소프트뱅크 주식회사 SaaS 기반의 채용 서비스 통합형 스마트 팩토리 운영 시스템
KR102615206B1 (ko) * 2022-11-28 2023-12-19 조선형 럭셔리 시계주얼리 산업의 직무별 구직자 직무 역량 체득 기술서를 포함한 학습활동 기록 기반 직무역량 정보 제공 시스템
WO2024005329A1 (ko) * 2022-06-27 2024-01-04 주식회사 레몬베이스 인공지능 기반 구성원 평가 피드백 서비스 제공 방법, 장치 및 시스템

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022265399A1 (ko) * 2021-06-15 2022-12-22 서울대학교산학협력단 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치, 시스템 및 방법
WO2024005329A1 (ko) * 2022-06-27 2024-01-04 주식회사 레몬베이스 인공지능 기반 구성원 평가 피드백 서비스 제공 방법, 장치 및 시스템
CN116307340A (zh) * 2022-11-28 2023-06-23 广州合道信息科技有限公司 岗位匹配的管理平台、电子设备及存储介质
CN116307340B (zh) * 2022-11-28 2023-11-14 广州合道信息科技有限公司 岗位匹配的管理平台、电子设备及存储介质
KR102615206B1 (ko) * 2022-11-28 2023-12-19 조선형 럭셔리 시계주얼리 산업의 직무별 구직자 직무 역량 체득 기술서를 포함한 학습활동 기록 기반 직무역량 정보 제공 시스템
KR102574894B1 (ko) * 2022-12-01 2023-09-06 (주)알앤씨소프트 인력 관리 및 보상 지급 기능을 포함한 웹사이트 관리 시스템
KR102610130B1 (ko) * 2023-01-13 2023-12-05 아이원소프트뱅크 주식회사 SaaS 기반의 채용 서비스 통합형 스마트 팩토리 운영 시스템

Similar Documents

Publication Publication Date Title
Colombo et al. AI meets labor market: Exploring the link between automation and skills
Chowdhury et al. Unlocking the value of artificial intelligence in human resource management through AI capability framework
KR20200103143A (ko) Ai기술을 활용한 인사평가자 및 승진대상자 평가 방법
Junior et al. Selection of interns for startups: an approach based on the AHP-TOPSIS-2N method and the 3DM computational platform
Keršulienė et al. Integrated fuzzy multiple criteria decision making model for architect selection
Singh et al. Investigation and modeling of lean six sigma barriers in small and medium-sized industries using hybrid ISM-SEM approach
George et al. ChatGPT and the future of work: a comprehensive analysis of AI'S impact on jobs and employment
Khorami et al. Application of Multi Criteria Decision Making approaches for personnel selection problem: A survey
Thakral et al. Trends in the thematic landscape of HR analytics research: a structural topic modeling approach
Kimata et al. Interactions between organizational culture, capability, and performance in the technological aspect of society: Empirical research into the Japanese service industry
Choi et al. Machine learning framework for multi-level classification of company revenue
Vishwakarma et al. An analysis of the challenges to human resource in implementing artificial intelligence
Psomas Country-related future research agenda of Lean Manufacturing–A systematic literature review
Quade et al. The context, nature, and use of systems analysis
Kryukov et al. Assessment of transport enterprise readiness for digital transformation
Brink et al. Identifying barriers to digital transformation and measuring their impact-a mixed-method study
James et al. Using neural networks to predict wages based on worker skills
Akhondzadeh-Noughabi et al. Human resource performance evaluation from CRM perspective: a two-step association rule analysis
Kumar et al. Examining interdependencies among solution dimensions for sustainable development in SMEs based on Industry 4.0 concept
Allaymoun et al. Leveraging Human Resource Information Systems and Artificial Intelligence in Predicting Employee Satisfaction
Rabab’h et al. Literature review of the Impact of the Use of Quantitative techniques in administrative Decision Making: Study (Public and private sector institutions)
Vaníčková Human factors errors and identification of causes of successful/unsuccessful completion of business projects
Bhupatiraju et al. Government Analytics Using Machine Learning
Łukasik-Stachowiak UNCERTAINTIES AND CHALLENGES IN HUMAN RESOURCE MANAGEMENT IN THE ERA OF ARTIFICIAL INTELLIGENCE.
Novak BIBLIOMETRIC ANALYIS OF ARTIFICIAL INTELLIGENCE IN BUSINESS ECONOMICS

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E601 Decision to refuse application
E601 Decision to refuse application