WO2022265399A1 - 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치, 시스템 및 방법 - Google Patents

인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치, 시스템 및 방법 Download PDF

Info

Publication number
WO2022265399A1
WO2022265399A1 PCT/KR2022/008486 KR2022008486W WO2022265399A1 WO 2022265399 A1 WO2022265399 A1 WO 2022265399A1 KR 2022008486 W KR2022008486 W KR 2022008486W WO 2022265399 A1 WO2022265399 A1 WO 2022265399A1
Authority
WO
WIPO (PCT)
Prior art keywords
employee
index
management solution
artificial intelligence
customized
Prior art date
Application number
PCT/KR2022/008486
Other languages
English (en)
French (fr)
Inventor
이찬
박복미
Original Assignee
서울대학교산학협력단
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 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Publication of WO2022265399A1 publication Critical patent/WO2022265399A1/ko

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
    • G06Q10/10—Office automation; Time management
    • G06Q10/105—Human resources
    • 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
    • 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
    • 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
    • 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
    • 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
    • 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

Definitions

  • the present invention relates to an apparatus, system, and method for providing an artificial intelligence-based employee-customized management solution. It relates to an artificial intelligence-based employee-customized management solution providing device, system, and method capable of providing an optimal employee-customized management solution according to the present invention.
  • employees not only support business management and day-to-day operations, but also create products, provide services, fulfill critical customer service and customer support roles, and provide insights, and many companies are embracing the employee experience for future success. is beginning to be accepted as a powerful indicator for measuring
  • the employee experience is what members think and feel through all touchpoints while engaging in the work of the organization. In addition, it is the perception that members have about what they experience while working while interacting with the organization, and it can be said to be the sum of everything the employee experiences through all the interactions that occur in the workplace from joining the company to leaving the company.
  • employee engagement can be improved by tracking these employee experiences and seeking to improve the employee experience based on the tracked data.
  • Employee engagement is a measure of how much passion and dedication employees put into the work they do for pay. Employees who are highly engaged are more productive and make the company appear positive, while less engaged employees are less productive and make the company look negative. Thus, employee engagement is directly linked to productivity and turnover, as well as other important indicators of business success.
  • the problem to be solved by the present invention is to analyze the employee type of the member in consideration of the complex influence of various experiences experienced as a member in the organization in order to solve the above-mentioned problem, and to provide an optimal employee-customized management solution according to the analysis result. It is intended to provide an artificial intelligence-based employee-customized management solution providing device, system, and method for providing
  • an artificial intelligence-based employee customized management solution providing device provides a plurality of learning data corresponding to employee experience, employee information, and environmental variables defined for the entire process from joining to leaving the company.
  • Learning data collection unit to collect;
  • An employee analysis unit for learning a multi-task learning model for each employee's first tenancy index, second satisfaction index, and third performance index using the plurality of learning data;
  • an employee type classification unit for classifying employee types based on the first tenancy index, the second satisfaction index, and the third performance index of each employee;
  • it may include an employee management plan generating unit for generating an employee management plan by classifying and processing the learning data according to the employee type and the employee management solution performed in the past.
  • a method for providing an artificial intelligence-based employee customized management solution collects a plurality of learning data corresponding to employee experience, employee information, and environmental variables defined for the entire process from entry to exit of a plurality of employees. step; learning a multi-task learning model for each employee's first tenancy index, second satisfaction index, and third performance index by using the plurality of learning data; classifying employee types based on the first tenancy index, the second satisfaction index, and the third performance index of each employee; and generating an employee management plan by classifying and processing the learning data according to the employee type and the employee management solution performed in the past.
  • an artificial intelligence-based employee customized management solution providing system includes: an employee terminal providing a plurality of first learning data related to an employee experience defined for the entire process from employees entering the company to leaving the company; an organization terminal providing a plurality of second learning data about employee information and environment variables of the employees; And using the first and second learning data to train a multi-task learning model for each employee's first tenancy index, second satisfaction index, and third performance index, and target employee based on the learned multi-task learning model
  • An employee-customized management solution providing server that classifies the types of employees, determines an employee-customized management solution according to the classified employee types, and provides the customized management solution to the organization terminal.
  • employees can have a positive experience as a member of the organization and immerse themselves in the organization at each stage, and further contribute to the establishment of an organizational culture of organizational and individual growth.
  • FIG. 1 is a conceptual diagram illustrating an environment in which a method for providing an artificial intelligence-based employee-customized management solution according to an embodiment of the present invention is performed.
  • Figure 2 is a block diagram showing the configuration of an artificial intelligence-based employee customized management solution providing device according to an embodiment of the present invention.
  • 3 shows an example of learning data related to organizational experience defined for the entire process from entering the company to leaving the company.
  • FIG. 4 is an exemplary diagram for explaining a multi-task learning method according to an embodiment of the present invention.
  • FIG. 5 is a flowchart of a method for performing multi-task learning for employee analysis and generating an employee management plan according to an embodiment of the present invention.
  • FIG. 6 is a flowchart illustrating a method of analyzing a target employee based on a pre-learned multi-task learning model and providing a management solution tailored to the employee according to an analysis result according to an embodiment of the present invention.
  • FIG. 1 is a conceptual diagram illustrating an environment in which a method for providing an artificial intelligence-based employee-customized management solution according to an embodiment of the present invention is performed
  • FIG. 2 is an artificial intelligence-based employee-customized management solution according to an embodiment of the present invention. It is a block diagram showing the configuration of the device.
  • the artificial intelligence-based employee customized management solution providing system may include a solution providing server 100, an employee terminal 200, a database 300, and an organization terminal 400 described below. there is.
  • the solution providing server 100 may also be referred to as an artificial intelligence-based employee customized management solution providing device.
  • the artificial intelligence-based employee customized management solution providing device 100 includes a learning data collection unit 110, an employee analysis unit 120, an employee management plan generator 130, and an employee customized management solution.
  • a provision unit 140 may be included.
  • the learning data collection unit 110 may collect learning data in conjunction with a plurality of employee terminals 200 .
  • 3 shows an example of learning data related to organizational experience defined for the entire process from entering the company to leaving the company.
  • Each of the employee terminals 200 may have a pre-distributed employee application installed and driven. As the employee application is executed, each of the employee terminals 200 selects a plurality of questionnaires related to the employee's experience during the life cycle as a member of the organization, provides them to the employee who is a user of the employee terminal 200, and answers the employee's questionnaire. can be stored as learning data. For example, the survey may be about education and training reviews, satisfaction with performance compensation, promotion reviews, and the like.
  • the learning data collection unit 110 may collect employee information and environmental information corresponding to objective facts generated during a life cycle as a member of an organization from the organization terminal 400 as learning data.
  • the employee information corresponding to objective facts includes selection information, placement department, transfer department, leave information, promotion information, education and training information, career development information, vision strategy information, performance compensation information, and It may include at least one of resignation information, but may not be limited thereto.
  • the environment information may include various information about the internal environment and the external environment related to the organization.
  • the external environmental information may include the occurrence of COVID-19, the results of the general election, and the occurrence of natural disasters
  • the internal environmental information may include the release of electric vehicles and the development of semiconductor nanoprocesses.
  • the user of the employee terminal 200 may access the solution providing server 100 using the employee terminal 200 in advance and register user information in the solution providing server 100 through a user authentication procedure.
  • User information may include an employee's name, age, company name, department, position, and the like.
  • each of the employee terminals 200 may provide learning data indicating a survey answer result according to a survey provided to the user to the learning data collection unit 110 in real time, at predetermined intervals, or at predetermined times.
  • the survey may be provided to employees every time an event occurs or every quarter, but is not limited thereto.
  • the learning data may mean input results of surveys provided for at least one event generated according to the life cycle of a member of the organization and employee information corresponding to objective facts.
  • Events that occur according to the life cycle of members in an organization include recruitment, selection, placement, transfer, leave of absence, promotion, training, and resignation, and may have a predetermined order or some may not have an order.
  • the promotion process experienced after an employee may be in the order of an assistant manager, a manager, a deputy manager, a manager, and a director.
  • a predetermined career development training course in an organization is classified into a first level, a second level, ... ... , may include a training process classified as the Nth level.
  • the employee analysis unit 120 may use a plurality of learning data to train the multi-task learning model 124 on a first tenancy index, a second satisfaction index, and a third performance index corresponding to each employee.
  • the first longevity index may mean information on the number of years of service expected of the employee
  • the second satisfaction index may mean employee satisfaction with the organization
  • the third performance index may mean employee performance in the organization.
  • the employee performance label can be derived based on at least one of collaboration preference among individual members in the organization, collaboration performance between individuals and organizations, organizational satisfaction, resignation rate, average length of service, and work performance.
  • collaboration performance and organizational satisfaction can be calculated by questionnaires, resignation rates and average years of service can be acquired from the organization terminal 400 as objective facts, and work performance is information calculated and evaluated by the organization. It can be obtained from the tissue terminal 400 as , and the method of acquiring each information is not limited thereto.
  • elements required to calculate indicators may or may not change according to the flow of time or organizational characteristics, and accordingly, in one embodiment of the present invention, performance indicators reflect these changes and changes. can be calculated.
  • the probability of leaving the company the probability of turnover, the preference for collaboration among individual members in the organization, the preference for collaboration between members and groups in the organization, and the degree of collaboration performance can be added as analysis indicators for employees, which are explained below. do it with
  • the employee analysis unit 120 collects a plurality of past learning data from a plurality of employee terminals 200, and based on the collected past learning data, the first retention index, the second satisfaction index and the second satisfaction index of each employee.
  • the multi-task learning model 122 can be trained for 3 performance indicators.
  • each of the first retention index, the second satisfaction index, and the third performance index of the target employee may be predicted through the learned multi-task learning model 122 .
  • FIG. 4 is an exemplary diagram for explaining a multi-task learning method according to an embodiment of the present invention.
  • Multi-task learning means performing learning on a plurality of tasks using one model.
  • the task refers to a task to be solved through machine learning or a task to be performed through machine learning.
  • the plurality of tasks means a task of predicting the score of each of the first tenancy index, the second satisfaction index, and the third performance index of the employee.
  • first, the first longevity index, the second satisfaction index, and the third performance index may be set as numerical values within a preset range.
  • a neural network for the multi-task learning model 124 may be composed of a plurality of generally shared hidden layers 30 and output layers 51 to 5n specialized for each task.
  • each data sample included in the dataset 10 is fed-forward to calculate the error 71 to 7n of each task, and the gradient of each task from each error 71 to 7n gradient) can be calculated.
  • the weight (learning parameter) of the shared layer 30 may be updated by backpropagating a value obtained by summing the gradients of each task.
  • the error of the task may mean a difference between a prediction of a machine learning model (ie, a neural network) and an actual result.
  • the first tenancy index 51, the second satisfaction index 52, and the third performance index 53 predicted for an employee output by the multi-task learning model shown in FIG.
  • the first tenure index as a label may be information about the actual tenure of service of the corresponding employee
  • the second satisfaction index as a label may be information obtained from survey results actually accumulated by the corresponding employee
  • the third performance indicator as a label may be information about achievements actually derived from the employee in the organization.
  • a neural network is a term encompassing all types of machine learning models designed to imitate neural structures.
  • the neural network may include all types of neural network-based models such as an artificial neural network and a deep neural network (DNN).
  • DNN deep neural network
  • the multi-task learning model 124 uses training data consisting of a set of training input values and training output values, and when learning data of a specific employee is received, the first tenancy index 51 corresponding to the specific employee, the second Supervised learning may be performed in advance to output an output value including the satisfaction index 52 and the third performance index 53 .
  • the employee analysis unit 120 can improve prediction performance by simultaneously learning tasks related to each other for predicting the first tenancy index, the second satisfaction index, and the third performance index.
  • the employee analysis unit 120 may classify the employee type based on the predicted first longevity index, the second satisfaction index, and the third performance index.
  • the employee analysis unit 120 may set the scores of each of the first tenancy index, the second satisfaction index, and the third performance index as one set, and set matching employee types for each corresponding set.
  • the employee type classification unit 124 may classify the employee type into A-type to Z-type employee types, which are a kind of identification symbol, according to the first longevity index, the second satisfaction index, and the third performance index.
  • the employee type classification unit 124 may classify the corresponding employee as a B-type employee type.
  • the employee number 130830 whose third performance index is predicted to be 68 points can be classified as a type D employee.
  • Employee types are exemplified as being classified into A-Z type employee types, but are not limited thereto, and may be classified with other types of symbols or other methods.
  • the employee management plan generation unit 130 manages the employee by classifying and processing the learning data for the employee according to the employee type and the solution performed in the past. plan can be created.
  • the employee management plan generation unit 130 may generate an employee management plan by further considering the industry field, company size, employee rank, job type, job type, etc. of the organization to which the employee belongs, and the specific generated in the organization.
  • An employee management plan can be created by further considering variables or environmental variables.
  • the staff management plan may include a staff management method including at least one of recommendation personnel, performance compensation, transfer placement, education and training, leave of absence, and counseling.
  • the created employee management plan is later used as big data to determine an employee-customized management solution for a specific employee (target employee), collects learning data for as many employees as possible, and responds to each employee.
  • target employee collects learning data for as many employees as possible, and responds to each employee.
  • the employee-customized solution providing server 100 may operate to provide a customized solution for a specific employee.
  • the employee-customized management solution providing server 100 may receive target learning data from the target employee terminal 200 and the organization terminal 400 among employees, and convert the received target input data to the pre-learned multi-task It is possible to predict the first longevity index, the second satisfaction index, and the third performance index corresponding to the target employee by inputting the input to the learning model 122, and the predicted first longevity index, second satisfaction index, and third performance index Based on this, it is possible to classify the employee type of the target employee.
  • the target learning data can be obtained in the same way as the above-described method of acquiring the learning data.
  • the employee customized management solution providing unit 140 may determine a customized employee management solution for the target employee according to the employee type of the target employee based on the employee management plan.
  • the employee-customized management solution may include recommendation personnel, performance compensation, transfer arrangement, education and training, consultation progress, etc., and a solution including a specific time, period, degree, and stage may be determined customized for the employee.
  • At least one of personnel, performance compensation, transfer arrangement, education and training, counseling, and onboarding may be customized for the employee.
  • onboarding means helping an employee stay on the job as the next step when it is decided which employee will join the team.
  • Onboarding consists of orientation, a comprehensive process that develops new employees into skilled members of the organization.
  • the employee customized management solution transfers to a certain department at a certain time, promotes to a certain position at a certain time, gives a certain training period, and at which time This could include solutions for how much vacation or compensation to grant.
  • the employee customized management solution provider 140 may transmit the determined recommended solution to the organization terminal 400 owned by the organization to which the target employee belongs.
  • a layer learned in response to the new index may be added to the multi-task learning model.
  • multi-task To the learning model 122 a layer learned for each prediction of the probability of leaving, turnover probability, collaboration preference, and collaboration performance is added, or a new layer is added to calculate the probability of leaving, turnover probability, collaboration preference, and collaboration performance It is possible to perform multi-task learning in which each prediction for the diagram is added as a task.
  • tasks related to each other that is, the first tenancy index, the second satisfaction index, and the third performance index prediction tasks are simultaneously learned through a multi-task learning model, and the representation of the related tasks is shared, so that all The overall performance of task performance can be improved.
  • the performance of the retention index prediction can be improved.
  • the retention index for the employee is determined with high probability by considering not only objective employee information but also employee experience, environmental variables, and the influence therebetween. Predictable.
  • the employee can have a positive experience as a member of the organization and immerse himself in the organization, furthermore, the organizational culture of organizational and individual growth can contribute to building
  • FIG. 5 is a flowchart of a method for performing multi-task learning for employee analysis and generating an employee management plan according to an embodiment of the present invention.
  • the learning data collection unit 110 may collect learning data in conjunction with a plurality of employee terminals 200 .
  • each of the employee terminals 200 may have a pre-distributed employee application installed and driven. As the employee application is executed, each of the employee terminals 200 selects a plurality of questionnaires related to the employee's experience during the life cycle as a member of the organization, provides them to the employee who is a user of the employee terminal 200, and answers the employee's questionnaire. can be stored as learning data. For example, the survey may be related to a review of education and training, satisfaction with performance compensation, and the like.
  • the learning data collection unit 110 may collect employee information and environmental information corresponding to objective facts generated during a life cycle as a member of an organization from the organization terminal 400 as learning data.
  • employee information corresponding to objective facts may include at least one of selection information, placement department, transfer department, leave information, promotion information, education and training information, career development information, vision strategy information, performance compensation information, and resignation information. may be, and may not be limited thereto.
  • the environment information may include information about the internal environment and the external environment surrounding the organization.
  • Each of the employee terminals 200 may provide the learning data collection unit 110 with learning data indicating a survey answer result according to a survey provided to the user in real time, at predetermined intervals, or at predetermined times.
  • the survey may be provided to employees every time an event occurs or every quarter, but is not limited thereto.
  • the learning data may mean input results of surveys provided for at least one event generated according to the life cycle of a member of the organization and employee information corresponding to objective facts.
  • the life cycle of members in an organization is recruitment, selection, placement, transfer, leave of absence, promotion, training, resignation, etc., and may have a predetermined order or some may not have an order.
  • the promotion process experienced after an employee may be in the order of an assistant manager, a manager, a deputy manager, a manager, and a director.
  • a predetermined career development training course in an organization is classified into a first level, a second level, ... ... , may include a training process classified as the Nth level.
  • the multi-task learning model can be trained for the first tenancy index, the second satisfaction index, and the third performance index corresponding to each employee using a plurality of learning data (S120).
  • the employee analysis unit 120 collects a plurality of past learning data from a plurality of employee terminals 200, and based on the collected past learning data, the first retention index, the second satisfaction index and the second satisfaction index of each employee.
  • the multi-task learning model 122 can be trained for 3 performance indicators. The learning method of the multi-task learning model has been described in detail with reference to FIG. 4 .
  • the employee type may be classified based on the first tenancy index, the second satisfaction index, and the third performance index (S130).
  • the employee analysis unit 120 may set scores for each of the first tenancy index, the second satisfaction index, and the third performance index as one set, and set matching employee types for each corresponding set.
  • the employee type classification unit 124 may classify the employee type into A-type to Z-type employee types, which are a kind of identification symbol, according to the first longevity index, the second satisfaction index, and the third performance index.
  • the employee management plan can be created by classifying and processing the learning data for the employee according to the employee type and the solution performed in the past. (S140).
  • the employee management plan generation unit 130 may generate an employee management plan by further considering the industry, company size, employee rank, job type, job type, etc. of the organization to which the employee belongs, and the specific An employee management plan can be created by further considering variables or environmental variables.
  • the staff management plan may include at least one staff management method among recommendation personnel, performance compensation, transfer placement, education and training, leave of absence, and counseling.
  • the created employee management plan is later used as big data to determine an employee-customized management solution for a specific employee (target employee), collects learning data for as many employees as possible, and responds to each employee.
  • target employee collects learning data for as many employees as possible, and responds to each employee.
  • a layer learned in response to the new index may be added to the multi-task learning model.
  • multi-task To the learning model 122 a layer learned for each prediction of the probability of leaving, turnover probability, collaboration preference, and collaboration performance is added, or a new layer is added to calculate the probability of leaving, turnover probability, collaboration preference, and collaboration performance It is possible to perform multi-task learning in which each prediction for the diagram is added as a task.
  • functions and roles corresponding to the added indicators may be upgraded in the employee type classification unit 124, the employee management plan generation unit 130, and the employee customized solution provider 140. .
  • FIG. 6 is a flowchart illustrating a method of analyzing a target employee based on a pre-learned multi-task learning model and providing a management solution tailored to the employee according to an analysis result according to an embodiment of the present invention.
  • the employee-customized solution providing server 100 may operate to provide a customized solution for a specific employee.
  • the employee-customized management solution providing server 100 may receive target learning data from the target employee terminal 200 and the organization terminal 400 among employees (S210), and the received target input data may be pre-learned. It is possible to predict the first longevity index, the second satisfaction index, and the third performance index corresponding to the target employee by inputting the input to the multi-task learning model 122 (S220), and the predicted first longevity index, second satisfaction index and Based on the third performance indicator, the employee type of the target employee may be classified (S230).
  • the employee customized management solution provider 140 may determine a customized employee management solution for the target employee according to the employee type of the target employee based on the employee management plan (S240).
  • the employee-customized management solution may include recommendation personnel, performance compensation, transfer arrangement, education and training, consultation progress, etc., and a solution including a specific time, period, degree, and stage may be determined customized for the employee. That is, at least one of personnel, performance compensation, transfer arrangement, training, counseling, and onboarding may be determined according to the current state of the target employee's schedule, position, affiliation, annual salary, and the like.
  • the employee customized management solution transfers to a certain department at a certain time, promotes to a certain position at a certain time, gives a certain training period, and at which time This could include how much vacation or compensation to grant.
  • the employee customized management solution provider 140 may transmit the determined recommended solution to the organization terminal 400 owned by the organization to which the target employee belongs.
  • the retention index for the employee is determined with high probability. can be predicted with
  • the performance of predicting longevity indicators can be improved.
  • the above-described multi-task learning device may be implemented by a computing device including at least some of a processor, a memory, a user input device, and a presentation device.
  • Memory is a medium that stores computer-readable software, applications, program modules, routines, instructions, and/or data coded such that when executed by a processor, it performs a particular task.
  • a processor may read and execute computer-readable software, applications, program modules, routines, instructions, and/or data stored in memory.
  • the user input device may be a means for allowing a user to input a command to execute a specific task to the processor or input data required for execution of the specific task.
  • the user input device may include a physical or virtual keyboard or keypad, key buttons, mouse, joystick, trackball, touch-sensitive input means, or a microphone.
  • the presentation device may include a display, a printer, a speaker, or a vibrator.
  • Computing devices may include a variety of devices such as smart phones, tablets, laptops, desktops, servers, and clients.
  • a computing device may be a single stand-alone device or may include multiple computing devices operating in a distributed environment consisting of multiple computing devices cooperating with each other over a communications network.
  • the above-described method for performing multi-task learning includes a processor, and when executed by the processor, computer-readable software, applications, program modules, and routines coded to perform multi-task learning using an artificial intelligence model. , instructions, and/or data structures, etc. may be executed by a computing device having a memory.
  • present embodiments described above may be implemented through various means.
  • the present embodiments may be implemented by hardware, firmware, software, or a combination thereof.
  • multi-task learning using the artificial intelligence model includes one or more ASICs (Application Specific Integrated Circuits), DSPs (Digital Signal Processors), DSPDs (Digital Signal Processing Devices), It can be implemented by Programmable Logic Devices (PLDs), Field Programmable Gate Arrays (FPGAs), processors, controllers, microcontrollers, or microprocessors.
  • ASICs Application Specific Integrated Circuits
  • DSPs Digital Signal Processors
  • DSPDs Digital Signal Processing Devices
  • PLDs Programmable Logic Devices
  • FPGAs Field Programmable Gate Arrays
  • processors controllers, microcontrollers, or microprocessors.
  • multi-task learning may be implemented using an artificial intelligence semiconductor device in which neurons and synapses of a deep neural network are implemented as semiconductor devices.
  • the semiconductor device may be currently used semiconductor devices such as SRAM, DRAM, NAND, etc., next-generation semiconductor devices, RRAM, STT MRAM, PRAM, etc., or a combination thereof.
  • the result of learning the model as software may be transferred to a synaptic mimic device arranged in an array or the learning may be performed on the artificial intelligence semiconductor device.
  • multi-task learning may be implemented in the form of a device, procedure, or function that performs the functions or operations described above.
  • the software codes may be stored in a memory unit and driven by a processor.
  • the memory unit may be located inside or outside the processor and exchange data with the processor by various means known in the art.
  • system generally refer to computer-related entities hardware, hardware and software.
  • a component can be both an application running on a controller or processor and a controller or processor.
  • One or more components may reside within a process and/or thread of execution, and components may reside on one device (eg, system, computing device, etc.) or may be distributed across two or more devices.
  • another embodiment provides a computer program stored in a computer recording medium that performs the aforementioned multi-task learning.
  • another embodiment provides a computer-readable recording medium on which a program for realizing the aforementioned multi-task learning is recorded.
  • a program recorded on a recording medium may be read, installed, and executed in a computer to execute the above-described steps.
  • the above-described program is C, C++ that can be read by the computer's processor (CPU) through the computer's device interface.
  • JAVA may include a code coded in a computer language such as machine language.
  • These codes may include functional codes related to functions defining the above-described functions, and may include control codes related to execution procedures necessary for a computer processor to execute the above-described functions according to a predetermined procedure.
  • these codes may further include memory reference related codes for which location (address address) of the computer's internal or external memory should be referenced for additional information or media necessary for the computer's processor to execute the above-mentioned functions. .
  • the code allows the computer processor to use the computer's communication module to communicate with any other remote computer or server. It may further include communication-related codes for how to communicate with other computers or servers and what information or media to transmit/receive during communication.
  • a computer-readable recording medium on which the above-described program is recorded includes, for example, ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical media storage device, and the like.
  • the computer-readable recording medium is distributed in computer systems connected through a network, so that computer-readable codes can be stored and executed in a distributed manner.
  • a functional program for implementing the present invention codes and code segments related thereto, in consideration of the system environment of a computer that reads a recording medium and executes a program, etc., help programmers in the art to which the present invention belongs It may be easily inferred or changed by
  • Computer readable media can be any available media that can be accessed by a computer and includes both volatile and nonvolatile media, removable and non-removable media. Also, computer readable media may include all computer storage media. Computer storage media includes both volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data.
  • the above-described multi-task learning may be executed by an application basically installed in the terminal (this may include a program included in a platform or operating system basically installed in the terminal), and may be executed by a user using an application store server, an application, or a corresponding service. It may be executed by an application (that is, a program) directly installed in the master terminal through an application providing server such as a related web server.
  • the above-described multi-task learning is implemented as an application (ie, a program) that is basically installed in a terminal or directly installed by a user, and may be recorded on a computer-readable recording medium such as a terminal.

Landscapes

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

Abstract

본 발명은 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치, 시스템 및 방법에 관한 것으로서, 더욱 상세하게는 입사부터 퇴사까지 발생하는 다양한 직원 경험간의 복합적인 영향을 고려하여 직원유형을 분석하고, 분석 결과에 따라 최적의 직원 맞춤형 관리 솔루션을 제공할 수 있는 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치, 시스템 및 방법에 관한 것이다.

Description

인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치, 시스템 및 방법
본 발명은 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치, 시스템 및 방법에 관한 것으로서, 더욱 상세하게는 입사부터 퇴사까지 발생하는 다양한 직원 경험간의 복합적인 영향을 고려하여 직원유형을 분석하고, 분석 결과에 따라 최적의 직원 맞춤형 관리 솔루션을 제공할 수 있는 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치, 시스템 및 방법에 관한 것이다.
과거에 선구적인 소매업체가 고객만족을 비즈니스의 최우선 가치로 삼는데 기여한 후부터, 대부분의 조직들은 고객 경험에 초점을 맞추고 있었다.
그러나, 최근 들어 조직 구성원들이 고객에게 가치를 전달하고 조직의 목표를 달성하기 위한 조직의 이해관계자이자 파트너라는 관점에서, 구성원들이 몰입할 수 있는 일터 환경을 조성함으로써, 구성원의 성장과 조직의 성장을 함께 이끌어 가야 한다는 의식이 퍼지고 있다.
즉, 직원은 사업 경영과 일상적인 운영 업무를 지원할 뿐만 아니라, 제품을 생산하고 서비스를 제공하며 중요한 고객 서비스 및 고객 지원 역할을 이행하고 통찰을 제공한다는 관점에서, 많은 기업들이 직원 경험을 미래의 성공을 가늠하는 유력한 지표로 받아들이기 시작하고 있다.
직원 경험이란 구성원이 조직의 일에 관여하는 동안 모든 접점을 통해 생각하고 느끼는 바를 의미한다. 또한, 조직과 상호작용하는 가운데 일하면서 경험하는 것에 대해 구성원이 가지는 인식이며, 입사부터 퇴사까지 일터에서 발생하는 모든 상호작용을 통해 직원이 경험하는 모든 것의 총합이라고 할 수 있다.
이러한 직원 경험을 추적하고, 추적된 데이터를 기반으로 직원 경험을 개선하고자 함으로써 직원 참여를 개선할 수 있는 것으로 논의되고 있다. 직원 참여는 직원이 급여를 받고 하는 일에 얼만큼 열정과 헌신을 쏟는지 나타내는 정도라 할 수 있다. 참여도가 높은 직원은 생산성이 높고, 회사가 긍정적으로 보이도록 하는 반면, 참여도가 낮은 직원은 생산성이 낮고, 회사가 부정적으로 보이도록 하게 된다. 따라서, 직원 참여는 생산성과 이직률뿐만 아니라 비즈니스 성공의 다른 중요한 지표에 직결된다.
직원경험지수가 높을 때 조직의 총 자산이익률(ROA, Return On Asset)은 3배, 매출액수익률(ROS, Return On Sales)은 2배 높아진다는 연구결과도 있다.
하지만, 구성원의 요구가 점점 복잡해지고, 조직의 유형이 다양해지며, 조직 규모가 크고, 구성원 수가 많을수록 사람의 힘으로는 그 많은 구성원들의 직원 경험을 모두 분석하기 조차 어려울 뿐만 아니라, 구성원의 조건이나 조직 환경 등에 따라 구성원 관리 솔루션을 맞춤형으로 제공하기는 현실적으로 쉽지 않다.
또한, 조직에서 구성원으로서 겪는 다양한 경험들은 서로 영향을 미치는 선후행 변인으로 작동하기 마련이다.
그러나, 아무리 전문가라도 사람의 머리로는 이러한 다양한 경험간의 관계와 복합적인 영향을 고려하여 구성원의 직원유형을 분석하고, 그 구성원을 관리하기 위한 최적의 솔루션을 제공해주기에 충분하지 못한 문제가 있다.
본 발명이 해결하고자 하는 과제는, 전술한 문제를 해결하기 위하여, 조직에서 구성원으로서 겪는 다양한 경험간의 복합적인 영향을 고려하여 구성원의 직원유형을 분석하고, 분석 결과에 따라 최적의 직원 맞춤형 관리 솔루션을 제공하기 위한 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치, 시스템 및 방법을 제공하고자 하는 것이다.
다만, 본 발명이 해결하고자 하는 과제는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 해결하고자 하는 과제는 아래의 기재로부터 본 발명이 속하는 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시 예에 따른 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치는, 다수의 직원들의 입사부터 퇴사까지 전 과정에 대해 정의된 직원 경험, 직원 정보 및 환경 변수에 대응하는 다수의 학습데이터들을 수집하는 학습데이터 수집부; 상기 다수의 학습데이터들을 이용하여 각 직원의 제1 근속지표, 제2 만족지표 및 제3 성과지표에 관하여 멀티태스크 러닝 모델을 학습시키는 직원 분석부; 상기 각 직원의 제1 근속지표, 제2 만족지표 및 제3 성과지표를 기반으로 직원유형을 분류하는 직원유형 분류부; 및 상기 학습데이터들을 상기 직원유형과 과거에 수행된 직원관리 솔루션에 따라 분류하고 처리함으로써 직원관리계획을 생성하는 직원관리계획 생성부를 포함할 수 있다.
다른 실시예에 따른, 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 방법은, 다수의 직원들의 입사부터 퇴사까지 전 과정에 대해 정의된 직원 경험, 직원 정보 및 환경 변수에 대응하는 다수의 학습데이터들을 수집하는 단계; 상기 다수의 학습데이터들을 이용하여 각 직원의 제1 근속지표, 제2 만족지표 및 제3 성과지표에 관하여 멀티태스크 러닝 모델을 학습시키는 단계; 상기 각 직원의 제1 근속지표, 제2 만족지표 및 제3 성과지표를 기반으로 직원유형을 분류하는 단계; 및 상기 학습데이터들을 상기 직원유형과 과거에 수행된 직원관리 솔루션에 따라 분류하고 처리함으로써 직원관리계획을 생성하는 단계를 포함할 수 있다.
또 다른 실시예에 따른, 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 시스템은, 직원들의 입사부터 퇴사까지 전 과정에 대해 정의된 직원 경험에 관한 다수의 제1 학습데이터들을 제공하는 직원단말; 상기 직원들의 직원 정보 및 환경 변수에 관한 다수의 제2 학습데이터들을 제공하는 조직단말; 및 상기 제1 및 제2 학습 데이터들을 이용하여 각 직원의 제1 근속지표, 제2 만족지표 및 제3 성과지표에 관하여 멀티태스크 러닝 모델을 학습시키고, 학습된 멀티태스크 러닝 모델을 기반으로 타겟 직원의 직원유형을 분류하여, 분류된 직원유형에 따라 직원 맞춤형 관리 솔루션을 결정하여 상기 조직단말에 제공하는 직원 맞춤형 관리 솔루션 제공 서버를 포함할 수 있다.
본 발명의 실시 예에 의하면, 직원 분석을 위해 수집되는 다양한 데이터들이 서로 간에 미치는 영향을 고려하고, 선후행 변인으로서의 작용을 반영하기 위해 멀티태스크 러닝 모델을 채용함으로써, 구성원을 가장 유사한 직원유형으로 분류하여 전략적이고 과학적인 경험의 관리가 가능하도록 하였다.
본 발명의 일 실시예에 의하면, 객관적인 직원정보뿐만 아니라 직원 경험 관점과 조직과 관련된 환경변수들 간의 상관관계와 미치는 영향을 고려하여 직원유형을 분류할 수 있고, 분석된 결과에 따라 개선안을 도출하여 최적화된 직원 맞춤형 관리 솔루션을 제공할 수 있다.
이에, 전략적 인사관리의 과정에서 각 단계별로 직원이 조직의 구성원으로서 긍정적인 경험을 가지고 조직에 몰입할 수 있게 하고, 나아가 조직과 개인 성장의 조직문화 구축에 기여할 수 있게 된다.
아울러, 조직은 최적화된 직원 맞춤형 관리 솔루션에 기반하여 직원을 관리함으로써, 최소의 자원을 투입해 최대의 성과를 산출해낼 수 있고, 구성원의 조직에서의 경험을 긍정적으로 개선하고 궁극적으로는 이직률을 낮추는데 중요한 활동이 될 수 있다.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 방법이 수행되는 환경을 나타내는 개념도이다.
도 2는 본 발명의 일 실시예에 따른 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치의 구성을 도시하는 블록도이다.
도 3은 입사부터 퇴사까지 전 과정에 대해 정의된 조직경험에 관한 학습데이터의 일 예를 도시한다.
도 4는 본 발명의 일 실시예에 따른 멀티태스크 러닝 방법을 설명하기 위한 예시도이다.
도 5는 본 발명의 일 실시예에 따른 직원 분석을 위한 멀티태스크 학습을 수행 및 직원관리계획을 생성하는 방법의 순서도이다.
도 6은 본 발명의 일 실시예에 따라 기 학습된 멀티태스크 러닝 모델을 기반으로 타겟 직원을 분석하여, 분석 결과에 따라 직원 맞춤형 관리 솔루션을 제공하는 방법을 설명하기 위한 순서도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시 예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이하, 도면을 참고하여 본 발명의 일 실시예에 따른 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치, 시스템 및 방법에 대해 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 방법이 수행되는 환경을 나타내는 개념도이고, 도 2는 본 발명의 일 실시예에 따른 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치의 구성을 도시하는 블록도이다.
도 1을 참조하면, 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 시스템은, 이하에서 설명하는 솔루션 제공 서버(100), 직원단말(200), 데이터베이스(300), 및 조직단말(400)을 포함할 수 있다.
여기서, 솔루션 제공 서버(100)는 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치로도 혼용하여 지칭될 수 있다. 도 2에 도시된 바와 같이, 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치(100)는 학습 데이터 수집부(110), 직원 분석부(120), 직원관리계획 생성부(130) 및 직원 맞춤형 관리 솔루션 제공부(140)를 포함할 수 있다.
학습 데이터 수집부(110)는 다수의 직원 단말들(200)과 연동하여 학습데이터를 수집할 수 있다. 도 3은 입사부터 퇴사까지 전 과정에 대해 정의된 조직경험에 관한 학습데이터의 일 예를 도시한다.
직원 단말들(200) 각각에는 미리 배포된 직원용 애플리케이션이 설치되어 구동될 수 있다. 직원용 애플리케이션이 실행됨에 따라 직원 단말들(200) 각각은 조직 내 구성원으로서 생애 주기 동안의 직원 경험에 관련된 다수의 설문들을 선정하여 직원 단말(200)의 사용자인 직원에게 제공하고, 직원의 설문 답변을 학습데이터로서 저장할 수 있다. 일 예로, 설문은 교육 훈련에 대한 후기, 성과 보상에 대한 만족도, 승진 후기 등에 관한 것일 수 있다.
아울러, 학습 데이터 수집부(110)는 조직 단말(400)로부터 조직 내 구성원으로서 생애 주기 동안 발생된 객관적 사실에 해당하는 직원 정보 및 환경 정보를 학습데이터로서 수집할 수 있다. 일 예로, 객관적 사실에 해당하는 직원 정보는 도 3에 도시된 바와 같이, 선발 정보, 배치 부서, 이동 부서, 휴직 정보, 승진 정보, 교육 훈련 정보, 경력개발 정보, 비젼 전략 정보, 성과보상 정보 및 퇴사정보 중 적어도 하나를 포함할 수 있으며, 이에 한정하지 않을 수 있다. 그리고, 환경 정보는 조직에 관련된 내부 환경 및 외부 환경에 관한 다양한 정보를 포함할 수 있다. 예를 들어, 외부 환경 정보는 COVID 19 발생, 총선 결과, 자연재해 발생 정보 등일 수 있고, 내부 환경 정보는 전기차 출시, 반도체 나노 공정 개발 등일 수 있다.
직원 단말(200)의 사용자는 미리 직원 단말(200)을 이용하여 솔루션 제공 서버(100)에 접속하고, 사용자 인증 절차를 통해 사용자 정보를 솔루션 제공 서버(100)에 등록할 수 있다. 사용자 정보는 직원의 성함, 나이, 회사명, 부서, 직급 등을 포함할 수 있다.
또한, 직원 단말(200) 각각은 사용자에게 제공된 설문에 따른 설문 답변 결과를 나타내는 학습데이터를 실시간으로 또는 미리 지정된 주기마다 또는 미리 지정된 시기들마다 학습 데이터 수집부(110)에 제공할 수 있다. 일 예로, 설문은 직원에게 이벤트가 발생했을 때마다, 또는 분기마다 제공될 수 있고, 이에 한정하지 않는다.
구체적으로, 학습데이터는 조직 내 구성원의 생애 주기에 따라 발생된 적어도 하나의 이벤트에 대하여 제공되는 설문 조사들에 대한 입력 결과들 및 객관적 사실에 해당하는 직원 정보들을 의미할 수 있다.
조직 내 구성원의 생애 주기에 따라 발생되는 이벤트는 채용, 선발, 배치, 이동, 휴직, 승진, 훈련, 퇴사 등으로서, 미리 정해진 순서를 갖거나 일부는 순서를 갖지 않을 수 있다. 일 예로, 승진에 대해서는 사원 다음에 경험하는 승진 과정이 대리, 과장, 차장, 부장, 이사 순으로 순차적일 수 있다. 다른 예로, 조직 내 정해진 경력개발 훈련과정이 단계에 따라 제1 레벨, 제2 레벨, …… , 제 N레벨로 분류된 훈련과정을 포함할 수 있다.
직원 분석부(120)는 다수의 학습데이터들을 이용하여 멀티 태스크 러닝 모델(124)을 각각의 직원에 대응하는 제1 근속지표, 제2 만족지표 및 제3 성과지표에 대해 학습시킬 수 있다.
여기서, 제1 근속지표는 직원에 대해 예상되는 근속연수 정보, 제2 만족지표는 조직에 대한 직원만족도, 제3 성과지표는 조직에서의 직원성과를 의미할 수 있다.
여기서, 직원성과에 관한 레이블은 조직에서 구성원 개인들 간의 협업선호도, 개인과 단체간의 협업성과도, 조직만족도, 퇴사율, 평균 근속연수, 업무성과 중 적어도 하나를 기반으로 도출해낼 수 있다. 전술했듯이, 협업성과도, 조직만족도는 설문에 의해 산출될 수 있으며, 퇴사율, 평균 근속연수는 객관적 사실로서 조직 단말(400)로부터 획득할 수 있고, 업무성과는 해당 조직에서 산출되고 평가된 정보로서 조직 단말(400)로부터 획득될 수 있고, 각 정보를 획득하는 방법에 대해서 이에 한정하지는 않는다.
특히, 성과지표에 대해서는 시대의 흐름이나 조직 특성에 따라 지표를 산출하기 위해 필요로 하는 요소들이 변경되거나, 변화될 수 있으며, 이에 따라 본 발명의 일 실시예에서는 이러한 변화와 변경을 반영하여 성과지표를 산출할 수 있다.
이외에도 퇴사확률도, 이직확률도, 조직에서의 구성원 개인들간의 협업선호도, 조직에서 구성원과 단체간의 협업선호도, 협업성과도 등이 직원에 대한 분석지표로서 추가될 수 있으며, 이에 대해서는 하기에서 설명하기로 한다.
구체적으로, 직원 분석부(120)는 다수의 직원 단말(200)로부터 다수의 과거 학습데이터들을 수집하고, 수집된 과거 학습데이터들을 기반으로 직원들 각각의 제1 근속지표, 제2 만족지표 및 제3 성과지표에 대해 멀티 태스크 러닝 모델(122)을 학습시킬 수 있다.
그리고, 학습된 멀티 태스크 러닝 모델(122)을 통해 타겟 직원의 제1 근속지표, 제2 만족지표 및 제3 성과지표 각각을 예측할 수 있다.
도 4는 본 발명의 일 실시예에 따른 멀티태스크 러닝 방법을 설명하기 위한 예시도이다.
멀티태스크 러닝이란, 하나의 모델을 이용하여 복수의 태스크에 대한 학습을 수행하는 것을 의미한다.
여기서, 태스크(task)는 기계학습을 통해 해결하고자 하는 과제 또는 기계학습을 통해 수행하고자 하는 작업을 지칭한다. 본 발명의 일 실시예에서, 복수의 태스크는 직원의 제1 근속지표, 제2 만족지표, 제3 성과지표 각각의 점수를 예측하는 작업을 의미한다. 이를 위해 먼저, 제1 근속지표, 제2 만족지표, 제3 성과지표는 기 설정된 범위 내에서 수치로 설정될 수 있다.
멀티태스크 러닝 모델(124)을 위한 신경망은 일반적으로 공유된 여러 개의 히든 레이어(30)와 각 태스크에 특화된 출력 레이어(51~5n)로 구성될 수 있다.
구체적으로, 데이터셋(10)에 포함된 각 데이터 샘플을 순전파(feed-forward)하여 각 태스크의 오차(71~7n)가 산출되고, 각각의 오차(71~7n)로부터 각 태스크의 그래디언트(gradient)가 연산될 수 있다. 또한, 각 태스크의 그래디언트를 합산한 값이 역전파됨으로써 공유 레이어(30)의 가중치(학습 파라미터)가 업데이트될 수 있다. 여기서, 태스크의 오차(error)는 기계학습 모델(즉, 신경망)의 예측과 실제 결과 간의 차이를 의미할 수 있다.
이를 테면, 도 4에 도시된 멀티태스크 러닝 모델에 의해 출력된 어느 직원에 대해 예측된 제1 근속지표(51), 제2 만족지표(52) 및 제3 성과지표(53)와 실제로 해당 직원에 대해 조사된 제1 근속지표, 제2 만족지표 및 제3 성과지표 간의 차이가 오차라고 할 수 있다.
일 실시예로, 레이블로서의 제1 근속지표는 해당 직원의 실제 근속연수에 관한 정보일 수 있고, 레이블로서의 제2 만족지표는 해당 직원에 의해 실제 축적된 설문 조사 결과로부터 획득된 정보일 수 있으며, 레이블로서의 제3 성과지표는 해당 직원으로부터 조직에서 실제 도출된 성과물에 관한 정보일 수 있다. 이러한 레이블들은 해당 조직의 조직단말 또는 직원 단말들로부터 획득되거나, 제3의 조사기관을 통해 획득될 수도 있다.
여기서, 신경망(neural network)이란, 신경 구조를 모방하여 고안된 모든 종류의 기계학습 모델을 포괄하는 용어이다. 본 발명의 일 실시예에서, 신경망은 인공신경망, DNN(Deep Neural Network) 등과 같이 모든 종류의 신경망 기반 모델을 포함할 수 있다.
멀티태스크 러닝 모델(124)은 훈련 입력값과 훈련 출력값의 세트로 구성되는 훈련 데이터를 이용하여, 특정 직원의 학습데이터를 입력 받으면, 해당 특정 직원에 대응하는 제1 근속지표(51), 제2 만족지표(52) 및 제3 성과지표(53)를 포함하는 출력값을 출력하도록 미리 지도학습(supervised learning)될 수 있다.
이와 같이, 직원 분석부(120)는 제1 근속지표, 제2 만족지표 및 제3 성과지표 예측에 대한 서로 관련있는 태스크들을 동시에 학습시킴으로써, 예측 성능을 향상시킬 수 있다.
이어서, 직원 분석부(120)는 예측된 제1 근속지표, 제2 만족지표 및 제3 성과지표를 기반으로 직원유형을 분류할 수 있다.
일 실시예로, 직원 분석부(120)는 제1 근속지표, 제2 만족지표 및 제3 성과지표 각각의 점수를 한 세트로 설정하고, 해당 세트마다 매칭하는 직원유형을 설정할 수 있다.
일 실시예로, 직원유형 분류부(124)는 제1 근속지표, 제2 만족지표 및 제3 성과지표에 따라 직원유형을 일종의 식별 기호인 A형 내지 Z형 직원유형으로 분류할 수 있다.
예를 들어, 사원번호 811221이라는 직원에 대해 제1 근속지표가 67점, 제2 만족지표가 78점, 제3 성과지표가 88점으로 예측되면, 그 직원의 직원유형은 B형 직원유형에 매칭되고, 이에 직원유형 분류부(124)가 해당 직원을 B형 직원유형으로 분류할 수 있다. 여기서, 제1 근속지표와 제2 만족지표가 사원번호 811221 직원과 동일하더라도 제3 성과지표가 68점으로 예측된 사원번호 130830 직원은 D형 직원유형으로 분류될 수 있는 것이다. 직원유형은 A~Z형 직원유형으로 분류되는 것으로 예시하였으나 이에 한정하지 않고, 다른 형태의 기호나 다른 방법으로 분류될 수도 있다.
전술한 분류를 통해 직원들 각각에 대응하는 직원유형이 결정되면, 직원관리 계획 생성부(130)는 직원들에 대한 학습데이터들을 직원유형과 과거에 수행된 솔루션에 따라 분류하고, 처리함으로써 직원관리계획을 생성할 수 있다.
이때, 직원관리계획 생성부(130)는 직원이 속하는 조직의 산업 분야, 기업 규모, 직원의 직급, 직무 유형, 직종 유형 등을 더 고려하여 직원관리계획을 생성할 수 있으며, 조직에서 발생되는 특정 변수나 환경 변수를 더 고려하여 직원관리계획을 생성할 수 있다.
일 실시예로, 직원관리계획은 추천 인사, 성과 보상, 이동 배치, 교육훈련, 휴직, 상담 중 적어도 하나를 포함하는 직원관리방법을 포함할 수 있다.
여기서, 생성되는 직원관리계획은 추후에 특정 직원(타겟 직원)을 위한 직원 맞춤형 관리 솔루션을 결정하기 위한 빅데이터로서 사용되며, 최대한 많은 직원들을 대상으로 학습데이터들을 수집하고, 직원들 각각에 대응하는 직원유형을 결정함으로써 최대한 방대한 빅데이터 기반의 직원관리계획을 구성하는 것이 바람직할 수 있다.
직원유형 분류를 통해 직원관리계획이 생성되면, 직원맞춤형 솔루션 제공 서버(100)는 특정 직원에 대한 맞춤형 솔루션을 제공하도록 동작할 수 있다.
이를 위해, 직원 맞춤형 관리 솔루션 제공 서버(100)는 직원들 중 타겟 직원의 단말(200) 및 조직 단말(400)로부터 타겟 학습데이터를 수신할 수 있고, 수신된 타겟 입력 데이터를 기 학습된 멀티태스크 러닝 모델(122)에 입력하여 타겟 직원에 대응하는 제1 근속지표, 제2 만족지표 및 제3 성과지표를 예측할 수 있으며, 이에 예측된 제1 근속지표, 제2 만족지표 및 제3 성과지표를 기반으로 타겟 직원의 직원유형을 분류할 수 있다.
여기서, 타겟 학습데이터는 전술한 학습데이터를 획득하는 방법과 동일하게 획득할 수 있다.
직원 맞춤형 관리 솔루션 제공부(140)는 직원관리계획을 기반으로 타겟 직원의 직원유형에 따른 타겟 직원을 위한 직원 맞춤형 관리 솔루션을 결정할 수 있다. 여기서, 직원 맞춤형 관리 솔루션은 추천 인사, 성과 보상, 이동 배치, 교육훈련, 상담진행 등을 포함할 수 있고, 구체적인 시기와 기간, 정도, 단계 등을 포함하는 솔루션이 직원 맞춤형으로 결정될 수 있다.
즉, 타겟 직원의 스케줄, 직급, 소속, 연봉 등의 현재 상태에 따라 인사, 성과 보상, 이동 배치, 교육훈련, 상담진행, 온보딩 중 적어도 하나가 직원 맞춤형으로 결정될 수 있다.
여기서, 온보딩은 팀에 합류할 직원이 결정되었을 때 다음 단계로서 직원이 직무에 근속하도록 돕는 것을 의미한다. 온보딩은 오리엔테이션, 신입사원을 조직의 숙련된 구성원으로 키우는 종합적인 프로세스로 이루어진다.
일 실시예로, N형 직원유형으로 분류된 타겟 직원에 대해서 직원 맞춤형 관리 솔루션은 어느 시기에 어느 부서로 이동시키고, 어느 시기에 어느 직급으로 승진시키며, 어느 주기로 어떠한 교육 훈련을 시키고, 어느 시기에 얼마만큼의 휴가나 보상을 부여해줄지 등에 관한 솔루션을 포함할 수 있다.
직원 맞춤형 관리 솔루션 제공부(140)는 결정된 추천 솔루션을 타겟 직원이 소속된 조직이 소유하는 조직 단말(400)에 전송할 수 있다.
조직은 조직 단말(400)로 타겟 직원의 직원유형에서 가장 높은 개선을 달성할 것으로 예상되는 직원 맞춤형 관리 솔루션을 제공받기 때문에, 직원 맞춤형 관리 솔루션에 따라 직원관리를 진행함으로써 최적의 직원관리 결과를 달성할 가능성이 높아지게 될 수 있다.
한편, 직원에 대해 분석하고자 하는 지표가 새롭게 추가되면, 새로운 상기 지표에 대응하여 학습된 레이어를 멀티태스크 러닝 모델에 추가할 수 있다.
부연하자면, 제1 근속지표, 제2 만족지표 및 제3 성과지표 이외의 다른 예를 들면, 직원에 관한 퇴사확률도, 이직확률도, 협업선호도, 협업성과도를 더 예측하고자 할 때, 멀티 태스크 러닝 모델(122)에 퇴사확률도, 이직확률도, 협업선호도, 협업성과도 각각의 예측에 대해 학습된 레이어를 추가하거나, 새로운 레이어를 추가하여 퇴사확률도, 이직확률도, 협업선호도, 협업성과도에 대한 예측 각각을 태스크로 추가하는 멀티 태스크 러닝을 수행할 수 있다.
그리고, 분석하고자 하는 새로운 지표가 추가됨에 따라, 직원유형 분류부(124), 직원관리 계획 생성부(130) 및 직원 맞춤형 솔루션 제공부(140)도 추가된 지표에 대응하여 고려하는 파라미터가 변경됨은 자명하다.
조직에서 구성원으로서의 다양한 직원 경험과 이벤트 및 환경 변수는 서로 영향을 미치는 선후행 변인으로 작용하지만 이의 상관관계를 명확히 정의하여 분석하기는 어렵다. 이에 본 발명의 일 실시예에서는 직원 분석을 위해 수집되는 다양한 데이터들이 서로 간에 미치는 영향을 고려하고, 선후행 변인으로서의 작용을 반영하기 위해 멀티태스크 러닝 모델을 채용함으로써, 구성원에 대해 전략적이고 과학적인 분석이 가능하도록 한다.
본 발명의 일 실시예에서는 멀티태스크 러닝 모델을 통해 서로 연관있는 태스크 즉, 제1 근속지표, 제2 만족지표, 제3 성과지표 예측 태스크들을 동시에 학습하고, 관련있는 태스크들의 representation을 공유함으로써, 모든 태스크 수행의 성능을 전반적으로 향상시킬 수 있다.
이를테면, 멀티태스크 러닝 모델을 통해 만족지표와 성과지표 예측 태스크를 함께 수행함으로써, 근속지표 예측 성능을 높일 수 있다.
그리고, 본 발명의 일 실시예에 따른 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치에 의하면, 객관적인 직원정보뿐만 아니라 직원경험과 환경변수 및 그들 간에 미치는 영향까지 고려하여 직원에 대한 근속지표를 높은 확률로 예측할 수 있다.
또한, 예측 결과에 따라 직원 맞춤형 관리 솔루션을 제공함으로써, 전략적 인사관리의 과정에서 각 단계별로 직원이 조직의 구성원으로서 긍정적인 경험을 가지고 조직에 몰입할 수 있게 하고, 나아가 조직과 개인 성장의 조직문화 구축에 기여할 수 있게 된다.
아울러, 조직은 직원 맞춤형 관리 솔루션에 기반하여 직원을 관리함으로써, 최소의 자원을 투입해 최대의 성과를 산출해낼 수 있고, 구성원의 조직에서의 경험을 긍정적으로 개선하고 궁극적으로는 이직률을 낮추는데 중요한 활동이 될 수 있다.
지금까지는 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치(100)의 각 구성에 대하여 설명하였다. 이하에서는 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치(100)의 동작에 대해 설명하기로 하고, 중복되는 설명은 생략하기로 한다.
도 5는 본 발명의 일 실시예에 따른 직원 분석을 위한 멀티태스크 학습을 수행 및 직원관리계획을 생성하는 방법의 순서도이다.
도 5를 참조하면, 먼저 다수의 직원들에 관한 학습데이터를 수집할 수 있다(S110).
이를 위해, 학습 데이터 수집부(110)는 다수의 직원 단말들(200)과 연동하여 학습데이터를 수집할 수 있다.
일 실시예로, 직원 단말들(200) 각각에는 미리 배포된 직원용 애플리케이션이 설치되어 구동될 수 있다. 직원용 애플리케이션이 실행됨에 따라 직원 단말들(200) 각각은 조직 내 구성원으로서 생애 주기 동안의 직원 경험에 관련된 다수의 설문들을 선정하여 직원 단말(200)의 사용자인 직원에게 제공하고, 직원의 설문 답변을 학습데이터로서 저장할 수 있다. 일 예로, 설문은 교육 훈련에 대한 후기, 성과 보상에 대한 만족도 등에 관한 것일 수 있다.
아울러, 학습 데이터 수집부(110)는 조직 단말(400)로부터 조직 내 구성원으로서 생애 주기 동안 발생된 객관적 사실에 해당하는 직원 정보 및 환경 정보를 학습데이터로서 수집할 수 있다. 일 예로, 객관적 사실에 해당하는 직원 정보는 선발 정보, 배치 부서, 이동 부서, 휴직 정보, 승진 정보, 교육 훈련 정보, 경력개발 정보, 비젼 전략 정보, 성과보상 정보 및 퇴사정보 중 적어도 하나를 포함할 수 있으며, 이에 한정하지 않을 수 있다. 그리고, 환경 정보는 조직을 둘러싼 내부 환경 및 외부 환경에 관한 정보를 포함할 수 있다.
직원 단말(200) 각각은 사용자에게 제공된 설문에 따른 설문 답변 결과를 나타내는 학습데이터를 실시간으로 또는 미리 지정된 주기마다 또는 미리 지정된 시기들마다 학습 데이터 수집부(110)에 제공할 수 있다. 일 예로, 설문은 직원에게 이벤트가 발생했을 때마다, 또는 분기마다 제공될 수 있고, 이에 한정하지 않는다.
구체적으로, 학습데이터는 조직 내 구성원의 생애 주기에 따라 발생된 적어도 하나의 이벤트에 대하여 제공되는 설문 조사들에 대한 입력 결과들 및 객관적 사실에 해당하는 직원 정보들을 의미할 수 있다. 조직 내 구성원의 생애 주기는 채용, 선발, 배치, 이동, 휴직, 승진, 훈련, 퇴사 등으로서, 미리 정해진 순서를 갖거나 일부는 순서를 갖지 않을 수 있다. 일 예로, 승진에 대해서는 사원 다음에 경험하는 승진 과정이 대리, 과장, 차장, 부장, 이사 순으로 순차적일 수 있다. 다른 예로, 조직 내 정해진 경력개발 훈련과정이 단계에 따라 제1 레벨, 제2 레벨, …… , 제 N레벨로 분류된 훈련과정을 포함할 수 있다.
다음으로, 다수의 학습데이터들을 이용하여 멀티 태스크 러닝 모델을 각각의 직원에 대응하는 제1 근속지표, 제2 만족지표 및 제3 성과지표에 대해 학습시킬 수 있다(S120).
이를 위해, 직원 분석부(120)는 다수의 직원 단말(200)로부터 다수의 과거 학습데이터들을 수집하고, 수집된 과거 학습데이터들을 기반으로 직원들 각각의 제1 근속지표, 제2 만족지표 및 제3 성과지표에 대해 멀티 태스크 러닝 모델(122)을 학습시킬 수 있다. 멀티 태스크 러닝 모델의 학습 방법에 대해서는 도 4를 참조하여 상세히 설명한바 있다.
다음으로, 제1 근속지표, 제2 만족지표 및 제3 성과지표를 기반으로 직원유형을 분류할 수 있다(S130).
이를 위해, 직원 분석부(120)는 제1 근속지표, 제2 만족지표 및 제3 성과지표 각각의 점수를 한 세트로 설정하고, 해당 세트마다 매칭하는 직원유형을 설정할 수 있다.
일 예로, 직원유형 분류부(124)는 제1 근속지표, 제2 만족지표 및 제3 성과지표에 따라 직원유형을 일종의 식별 기호인 A형 내지 Z형 직원유형으로 분류할 수 있다.
다음으로, 전술한 분류를 통해 직원들 각각에 대응하는 직원유형이 결정되면, 직원들에 대한 학습데이터들을 직원유형과 과거에 수행된 솔루션에 따라 분류하고, 처리함으로써 직원관리계획을 생성할 수 있다(S140).
이를 위해, 직원관리계획 생성부(130)는 직원이 속하는 조직의 산업, 기업 규모, 직원의 직급, 직무 유형, 직종 유형 등을 더 고려하여 직원관리계획을 생성할 수 있으며, 조직에서 발생되는 특정 변수나 환경 변수를 더 고려하여 직원관리계획을 생성할 수 있다.
일 실시예로, 직원관리계획은 추천 인사, 성과 보상, 이동 배치, 교육훈련, 휴직, 상담 중 적어도 하나의 직원관리방법을 포함할 수 있다.
여기서, 생성되는 직원관리계획은 추후에 특정 직원(타겟 직원)을 위한 직원 맞춤형 관리 솔루션을 결정하기 위한 빅데이터로서 사용되며, 최대한 많은 직원들을 대상으로 학습데이터들을 수집하고, 직원들 각각에 대응하는 직원유형을 결정함으로써 최대한 방대한 빅데이터 기반의 직원관리계획을 구성하는 것이 바람직할 수 있다.
한편, 직원에 대해 분석하고자 하는 지표가 새롭게 추가되면, 새로운 상기 지표에 대응하여 학습된 레이어를 멀티태스크 러닝 모델에 추가할 수 있다.
부연하자면, 제1 근속지표, 제2 만족지표 및 제3 성과지표 이외의 다른 예를 들면, 직원에 관한 퇴사확률도, 이직확률도, 협업선호도, 협업성과도를 더 예측하고자 할 때, 멀티 태스크 러닝 모델(122)에 퇴사확률도, 이직확률도, 협업선호도, 협업성과도 각각의 예측에 대해 학습된 레이어를 추가하거나, 새로운 레이어를 추가하여 퇴사확률도, 이직확률도, 협업선호도, 협업성과도에 대한 예측 각각을 태스크로 추가하는 멀티 태스크 러닝을 수행할 수 있다.
분석하고자 하는 새로운 지표가 추가됨에 따라, 직원유형 분류부(124), 직원관리 계획 생성부(130) 및 직원 맞춤형 솔루션 제공부(140)도 추가된 지표에 대응하는 기능과 역할이 업그레이드될 수 있다.
도 6은 본 발명의 일 실시예에 따라 기 학습된 멀티태스크 러닝 모델을 기반으로 타겟 직원을 분석하여, 분석 결과에 따라 직원 맞춤형 관리 솔루션을 제공하는 방법을 설명하기 위한 순서도이다.
도 6을 참조하면, 직원맞춤형 솔루션 제공 서버(100)는 특정 직원에 대한 맞춤형 솔루션을 제공하도록 동작할 수 있다.
먼저, 직원 맞춤형 관리 솔루션 제공 서버(100)는 직원들 중 타겟 직원의 단말(200) 및 조직 단말(400)로부터 타겟 학습데이터를 수신할 수 있고(S210), 수신된 타겟 입력 데이터를 기 학습된 멀티태스크 러닝 모델(122)에 입력하여 타겟 직원에 대응하는 제1 근속지표, 제2 만족지표 및 제3 성과지표를 예측할 수 있으며(S220), 이에 예측된 제1 근속지표, 제2 만족지표 및 제3 성과지표에 기초하여 타겟 직원의 직원유형을 분류할 수 있다(S230).
다음으로, 직원 맞춤형 관리 솔루션 제공부(140)는 직원관리계획을 기반으로 타겟 직원의 직원유형에 따른 타겟 직원을 위한 직원 맞춤형 관리 솔루션을 결정할 수 있다(S240).
여기서, 직원 맞춤형 관리 솔루션은 추천 인사, 성과 보상, 이동 배치, 교육훈련, 상담진행 등을 포함할 수 있고, 구체적인 시기와 기간, 정도, 단계 등을 포함하는 솔루션이 직원 맞춤형으로 결정될 수 있다. 즉, 타겟 직원의 스케줄, 직급, 소속, 연봉 등의 현재 상태에 따라 인사, 성과 보상, 이동 배치, 교육훈련, 상담진행, 온보딩 중 적어도 하나가 맞춤형으로 결정될 수 있다.
일 실시예로, N형 직원유형으로 분류된 타겟 직원에 대해서 직원 맞춤형 관리 솔루션은 어느 시기에 어느 부서로 이동시키고, 어느 시기에 어느 직급으로 승진시키며, 어느 주기로 어떠한 교육 훈련을 시키고, 어느 시기에 얼마만큼의 휴가나 보상을 부여해줄지 등을 포함할 수 있다.
직원 맞춤형 관리 솔루션 제공부(140)는 결정된 추천 솔루션을 타겟 직원이 소속된 조직이 소유하는 조직 단말(400)에 전송할 수 있다.
조직은 조직 단말(400)로 타겟 직원의 직원유형에서 가장 높은 개선을 달성할 것으로 예상되는 직원 맞춤형 관리 솔루션을 제공받기 때문에, 직원 맞춤형 관리 솔루션에 따라 직원관리를 진행함으로써 최적의 직원관리 결과를 달성할 가능성이 높아지게 될 수 있다.
조직에서 구성원으로서의 다양한 경험과 이벤트는 서로 영향을 미치는 선후행 변인으로 작용하지만 이의 상관관계를 명확히 정의하여 분석하기는 어렵다. 이에 본 발명의 일 실시예에서는 직원 분석을 위해 수집되는 다양한 데이터들이 서로 간에 미치는 영향을 고려하고, 선후행 변인으로서의 작용을 반영하기 위해 멀티태스크 러닝 모델을 채용함으로써, 직원에 대한 근속지표를 높은 확률로 예측할 수 있다.
또한, 멀티태스크 러닝 모델을 통해 만족지표와 성과지표 예측 태스크를 함께 수행함으로써, 근속지표 예측 성능을 높일 수 있다.
아울러, 예측 결과에 따라 직원 맞춤형 관리 솔루션을 제공함으로써, 전략적 인사관리의 과정에서 각 단계별로 직원이 조직의 구성원으로서 긍정적인 경험을 가지고 조직에 몰입할 수 있게 하고, 나아가 조직과 개인 성장의 조직문화 구축에 기여할 수 있게 된다.
아울러, 조직은 직원 맞춤형 관리 솔루션에 기반하여 직원을 관리함으로써, 최소의 자원을 투입해 최대의 성과를 산출해낼 수 있고, 구성원의 조직에서의 경험을 긍정적으로 개선하고 궁극적으로는 이직률을 낮추는데 중요한 활동이 될 수 있다.
한편, 전술한 멀티태스크 학습을 수행하는 장치는, 프로세서, 메모리, 사용자 입력장치, 프레젠테이션 장치 중 적어도 일부를 포함하는 컴퓨팅 장치에 의해 구현될 수 있다. 메모리는, 프로세서에 의해 실행되면 특정 태스크를 수행할 수 있도록 코딩되어 있는 컴퓨터-판독가능 소프트웨어, 애플리케이션, 프로그램 모듈, 루틴, 인스트럭션(instructions), 및/또는 데이터 등을 저장하는 매체이다. 프로세서는 메모리에 저장되어 있는 컴퓨터-판독가능 소프트웨어, 애플리케이션, 프로그램 모듈, 루틴, 인스트럭션, 및/또는 데이터 등을 판독하여 실행할 수 있다.
사용자 입력장치는 사용자로 하여금 프로세서에게 특정 태스크를 실행하도록 하는 명령을 입력하거나 특정 태스크의 실행에 필요한 데이터를 입력하도록 하는 수단일 수 있다. 사용자 입력장치는 물리적인 또는 가상적인 키보드나 키패드, 키버튼, 마우스, 조이스틱, 트랙볼, 터치-민감형 입력수단, 또는 마이크로폰 등을 포함할 수 있다. 프레젠테이션 장치는 디스플레이, 프린터, 스피커, 또는 진동장치 등을 포함할 수 있다.
컴퓨팅 장치는 스마트폰, 태블릿, 랩탑, 데스크탑, 서버, 클라이언트 등의 다양한 장치를 포함할 수 있다. 컴퓨팅 장치는 하나의 단일한 스탠드-얼론 장치일 수도 있고, 통신망을 통해 서로 협력하는 다수의 컴퓨팅 장치들로 이루어진 분산형 환경에서 동작하는 다수의 컴퓨팅 장치를 포함할 수 있다.
또한 전술한 멀티태스크 학습을 수행하는 방법은, 프로세서를 구비하고, 또한 프로세서에 의해 실행되면 인공지능 모델을 활용한 멀티태스크 학습을 수행할 수 있도록 코딩된 컴퓨터 판독가능 소프트웨어, 애플리케이션, 프로그램 모듈, 루틴, 인스트럭션, 및/또는 데이터 구조 등을 저장한 메모리를 구비하는 컴퓨팅 장치에 의해 실행될 수 있다.
상술한 본 실시예들은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 실시예들은 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.
하드웨어에 의한 구현의 경우, 본 실시예들에 따른 인공지능 모델을 활용한 멀티태스크 학습은 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로 컨트롤러 또는 마이크로 프로세서 등에 의해 구현될 수 있다.
예를 들어, 실시예들에 따른 멀티태스크 학습은 심층 신경망의 뉴런(neuron)과 시냅스(synapse)가 반도체 소자들로 구현된 인공지능 반도체 장치를 이용하여 구현될 수 있다. 이때 반도체 소자는 현재 사용하는 반도체 소자들, 예를 들어 SRAM이나 DRAM, NAND 등일 수도 있고, 차세대 반도체 소자들, RRAM이나 STT MRAM, PRAM 등일 수도 있고, 이들의 조합일 수도 있다.
실시예들에 따른 멀티태스크 학습을 인공지능 반도체 장치를 이용하여 구현할 때, 모델을 소프트웨어로 학습한 결과(가중치)를 어레이로 배치된 시냅스 모방소자에 전사하거나 인공지능 반도체 장치에서 학습을 진행할 수도 있다.
펌웨어나 소프트웨어에 의한 구현의 경우, 본 실시예들에 따른 멀티태스크 학습은 이상에서 설명된 기능 또는 동작들을 수행하는 장치, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 메모리 유닛은 상기 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 프로세서와 데이터를 주고 받을 수 있다.
또한, 위에서 설명한 "시스템", "프로세서", "컨트롤러", "컴포넌트", "모듈", "인터페이스", "모델", 또는 "유닛" 등의 용어는 일반적으로 컴퓨터 관련 엔티티 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어 또는 실행 중인 소프트웨어를 의미할 수 있다. 예를 들어, 전술한 구성요소는 프로세서에 의해서 구동되는 프로세스, 프로세서, 컨트롤러, 제어 프로세서, 개체, 실행 스레드, 프로그램 및/또는 컴퓨터일 수 있지만 이에 국한되지 않는다. 예를 들어, 컨트롤러 또는 프로세서에서 실행 중인 애플리케이션과 컨트롤러 또는 프로세서가 모두 구성 요소가 될 수 있다. 하나 이상의 구성 요소가 프로세스 및/또는 실행 스레드 내에 있을 수 있으며, 구성 요소들은 하나의 장치(예: 시스템, 컴퓨팅 디바이스 등)에 위치하거나 둘 이상의 장치에 분산되어 위치할 수 있다.
한편, 또 다른 실시예는 전술한 멀티태스크 학습을 수행하는, 컴퓨터 기록매체에 저장되는 컴퓨터 프로그램을 제공한다. 또한 또 다른 실시예는 전술한 멀티태스크 학습을 실현시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공한다.
기록매체에 기록된 프로그램은 컴퓨터에서 읽히어 설치되고 실행됨으로써 전술한 단계들을 실행할 수 있다. 이와 같이, 컴퓨터가 기록매체에 기록된 프로그램을 읽어 들여 프로그램으로 구현된 기능들을 실행시키기 위하여, 전술한 프로그램은 컴퓨터의 프로세서(CPU)가 컴퓨터의 장치 인터페이스(Interface)를 통해 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다.
이러한 코드는 전술한 기능들을 정의한 함수 등과 관련된 기능적인 코드를 포함할 수 있고, 전술한 기능들을 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수도 있다.
또한, 이러한 코드는 전술한 기능들을 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조 되어야 하는지에 대한 메모리 참조 관련 코드를 더 포함할 수 있다.
또한, 컴퓨터의 프로세서가 전술한 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 컴퓨터의 프로세서가 컴퓨터의 통신 모듈을 이용하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야만 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는 지 등에 대한 통신 관련 코드를 더 포함할 수도 있다.
이상에서 전술한 바와 같은 프로그램을 기록한 컴퓨터로 읽힐 수 있는 기록매체는, 일 예로, ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 미디어 저장장치 등이 있다.
또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
그리고, 본 발명을 구현하기 위한 기능적인(Functional) 프로그램과 이와 관련된 코드 및 코드 세그먼트 등은, 기록매체를 읽어서 프로그램을 실행시키는 컴퓨터의 시스템 환경 등을 고려하여, 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론되거나 변경될 수도 있다.
전술한 멀티태스크 학습은, 컴퓨터에 의해 실행되는 애플리케이션이나 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 멀티태스크 학습은, 단말기에 기본적으로 설치된 애플리케이션(이는 단말기에 기본적으로 탑재된 플랫폼이나 운영체제 등에 포함된 프로그램을 포함할 수 있다)에 의해 실행될 수 있고, 사용자가 애플리케이션 스토어 서버, 애플리케이션 또는 해당 서비스와 관련된 웹 서버 등의 애플리케이션 제공 서버를 통해 마스터 단말기에 직접 설치한 애플리케이션(즉, 프로그램)에 의해 실행될 수도 있다. 이러한 의미에서, 전술한 멀티태스크 학습은 단말기에 기본적으로 설치되거나 사용자에 의해 직접 설치된 애플리케이션(즉, 프로그램)으로 구현되고 단말기에 등의 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 품질에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (15)

  1. 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치로서,
    다수의 직원들의 입사부터 퇴사까지 전 과정에 대해 정의된 직원 경험, 직원 정보 및 환경 변수를 포함하는 다수의 학습데이터들을 수집하는 학습데이터 수집부;
    상기 다수의 학습데이터들을 이용하여 각 직원의 제1 근속지표, 제2 만족지표 및 제3 성과지표에 관하여 멀티태스크 러닝 모델을 학습시키는 직원 분석부;
    상기 각 직원의 제1 근속지표, 제2 만족지표 및 제3 성과지표를 기반으로 직원유형을 분류하는 직원유형 분류부; 및
    상기 학습데이터들을 상기 직원유형과 과거에 수행된 직원관리 솔루션에 따라 분류하고 처리함으로써 직원관리계획을 생성하는 직원관리계획 생성부를 포함하는, 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치.
  2. 제 1 항에 있어서,
    상기 학습데이터 수집부는,
    직원 단말에 제공된 조직 내 구성원으로서 생애 주기 동안의 직원 경험에 관련된 설문에 대해 입력된 설문 답변을 수집하고, 조직 단말로부터 직원 정보 및 환경 정보를 수집하는, 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치.
  3. 제 1 항에 있어서,
    상기 직원 분석부는,
    직원에 대해 분석하고자 하는 추가 지표가 발생할 때마다 상기 멀티태스크 러닝 모델에 상기 추가 지표에 대해 학습된 레이어를 추가하거나, 새로운 레이어를 추가하여 상기 추가 지표에 대한 예측을 태스크로 추가하여 멀티태스크 러닝을 수행하는, 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치.
  4. 제 1 항에 있어서,
    상기 직원관리계획 생성부는,
    추천 인사, 성과 보상, 이동 배치, 교육훈련, 휴직, 상담 중 적어도 하나를 포함하는 직원관리계획을 생성하는, 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치.
  5. 제 1 항에 있어서,
    상기 직원 맞춤형 관리 솔루션 제공 장치는,
    타겟 직원에 관한 타겟 학습데이터를 수신하고, 상기 타겟 학습데이터를 학습된 상기 멀티태스크 러닝 모델에 입력하여 상기 타겟 직원에 대응하는 제1 근속지표, 제2 만족지표 및 제3 성과지표를 예측하며, 이를 바탕으로 상기 타겟 직원의 직원유형을 분류하는, 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치.
  6. 제 5 항에 있어서,
    상기 직원관리계획을 기반으로 상기 타겟 직원의 직원유형에 따른 직원 맞춤형 관리 솔루션을 결정하여 조직 단말로 제공하는 직원 맞춤형 관리 솔루션 제공부를 더 포함하는, 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치.
  7. 제 6 항에 있어서,
    상기 직원 맞춤형 관리 솔루션 제공부는,
    상기 타겟 직원의 스케줄, 직급, 소속, 연봉을 포함하는 현재 상태에 따라 인사, 성과 보상, 이동 배치, 교육훈련, 상담진행 중 적어도 하나를 맞춤형으로 결정하는, 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치.
  8. 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 방법으로서,
    다수의 직원들의 직원 경험, 직원 정보 및 환경 변수에 대응하는 다수의 학습데이터들을 수집하는 단계;
    상기 다수의 학습데이터들을 이용하여 각 직원의 제1 근속지표, 제2 만족지표 및 제3 성과지표에 관하여 멀티태스크 러닝 모델을 학습시키는 단계;
    상기 각 직원의 제1 근속지표, 제2 만족지표 및 제3 성과지표를 기반으로 직원유형을 분류하는 단계; 및
    상기 학습데이터들을 상기 직원유형과 과거에 수행된 직원관리 솔루션에 따라 분류하고 처리함으로써 직원관리계획을 생성하는 단계를 포함하는, 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 방법.
  9. 제 8 항에 있어서,
    상기 학습데이터들을 수집하는 단계는,
    직원 단말에 제공된 조직 내 구성원으로서 생애 주기 동안의 직원 경험에 관련된 설문에 대해 입력된 설문 답변을 수집하고, 조직 단말로부터 직원 정보 및 환경 정보를 수집하는, 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 방법.
  10. 제 8 항에 있어서,
    상기 멀티태스크 러닝 모델을 학습시키는 단계는,
    직원에 대해 분석하고자 하는 추가 지표가 발생할 때마다 상기 멀티태스크 러닝 모델에 상기 추가 지표에 대해 학습된 레이어를 추가하거나, 새로운 레이어를 추가하여 상기 추가 지표에 대한 예측을 태스크로 추가하여 멀티태스크 러닝을 수행하는, 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 방법.
  11. 제 8 항에 있어서,
    상기 직원관리계획 생성 단계는,
    추천 인사, 성과 보상, 이동 배치, 교육훈련, 휴직, 상담 중 적어도 하나를 포함하는 직원관리계획을 생성하는, 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 방법.
  12. 제 8 항에 있어서,
    상기 직원관리계획 생성 단계 이후,
    타겟 직원에 관한 타겟 학습데이터를 수신하는 단계;
    상기 타겟 학습데이터를 기 학습된 상기 멀티태스크 러닝 모델에 입력하여 상기 타겟 직원에 대응하는 제1 근속지표, 제2 만족지표 및 제3 성과지표를 예측하는 단계; 및
    상기 제1 근속지표, 제2 만족지표 및 제3 성과지표에 기초하여 상기 타겟 직원의 직원유형을 분류하는 단계를 더 포함하는, 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 방법.
  13. 제 12 항에 있어서,
    상기 직원관리계획을 기반으로 상기 타겟 직원의 직원유형에 따른 직원 맞춤형 관리 솔루션을 결정하여 조직 단말로 제공하는 단계를 더 포함하는, 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 방법.
  14. 제 13 항에 있어서,
    상기 직원 맞춤형 관리 솔루션을 결정하는 단계는,
    상기 타겟 직원의 스케줄, 직급, 소속, 연봉을 포함하는 현재 상태에 따라 인사, 성과 보상, 이동 배치, 교육훈련, 상담진행 중 적어도 하나를 맞춤형으로 결정하는, 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 방법.
  15. 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 시스템으로서,
    직원들의 직원 경험에 관한 다수의 제1 학습데이터들을 제공하는 직원단말;
    상기 직원들의 직원 정보 및 환경 변수에 관한 다수의 제2 학습데이터들을 제공하는 조직단말; 및
    상기 제1 및 제2 학습 데이터들을 이용하여 각 직원의 제1 근속지표, 제2 만족지표 및 제3 성과지표에 관하여 멀티태스크 러닝 모델을 학습시키고, 학습된 멀티태스크 러닝 모델을 기반으로 타겟 직원의 직원유형을 분류하여, 분류된 직원유형에 따라 직원 맞춤형 관리 솔루션을 결정하여 상기 조직단말에 제공하는 직원 맞춤형 관리 솔루션 제공 서버를 포함하는, 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 방법.
PCT/KR2022/008486 2021-06-15 2022-06-15 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치, 시스템 및 방법 WO2022265399A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0077460 2021-06-15
KR20210077460 2021-06-15

Publications (1)

Publication Number Publication Date
WO2022265399A1 true WO2022265399A1 (ko) 2022-12-22

Family

ID=84525798

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/008486 WO2022265399A1 (ko) 2021-06-15 2022-06-15 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치, 시스템 및 방법

Country Status (2)

Country Link
KR (1) KR20220168176A (ko)
WO (1) WO2022265399A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080113452A (ko) * 2007-03-16 2008-12-31 충북대학교 산학협력단 정보역량 평가시스템 및 그 방법
JP2019061606A (ja) * 2017-09-28 2019-04-18 エヌ・ティ・ティ・コムウェア株式会社 人材配置支援システム、人材配置支援方法、および人材配置支援プログラム
US20200160252A1 (en) * 2018-11-19 2020-05-21 Rimini Street, Inc. Method and system for providing a multi-dimensional human resource allocation adviser
KR20200071879A (ko) * 2018-12-06 2020-06-22 엄신조 딥러닝 기반 직업별 직무역량 표준화 및 인공지능을 이용한 취업 준비 가이드 제공 방법 및 서버
KR20200103143A (ko) * 2019-02-08 2020-09-02 나인채 Ai기술을 활용한 인사평가자 및 승진대상자 평가 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080113452A (ko) * 2007-03-16 2008-12-31 충북대학교 산학협력단 정보역량 평가시스템 및 그 방법
JP2019061606A (ja) * 2017-09-28 2019-04-18 エヌ・ティ・ティ・コムウェア株式会社 人材配置支援システム、人材配置支援方法、および人材配置支援プログラム
US20200160252A1 (en) * 2018-11-19 2020-05-21 Rimini Street, Inc. Method and system for providing a multi-dimensional human resource allocation adviser
KR20200071879A (ko) * 2018-12-06 2020-06-22 엄신조 딥러닝 기반 직업별 직무역량 표준화 및 인공지능을 이용한 취업 준비 가이드 제공 방법 및 서버
KR20200103143A (ko) * 2019-02-08 2020-09-02 나인채 Ai기술을 활용한 인사평가자 및 승진대상자 평가 방법

Also Published As

Publication number Publication date
KR20220168176A (ko) 2022-12-22

Similar Documents

Publication Publication Date Title
Janiesch et al. The internet of things meets business process management: a manifesto
US11604980B2 (en) Targeted crowd sourcing for metadata management across data sets
US11797890B2 (en) Performance manager to autonomously evaluate replacement algorithms
Moghaddam et al. Designing internet of behaviors systems
WO2021024145A1 (en) Systems and methods for process mining using unsupervised learning and for automating orchestration of workflows
Konomi et al. An intelligent platform for offline learners based on model-driven crowdsensing over intermittent networks
Ara et al. Integrating wearable sensor technology into project-management process
WO2022265399A1 (ko) 인공지능 기반의 직원 맞춤형 관리 솔루션 제공 장치, 시스템 및 방법
Shin et al. Human-centered AI: a framework for green and sustainable AI
Sravanthi et al. AI-Assisted Resource Allocation in Project Management
Zhu et al. An intelligent collaboration framework of IoT applications based on event logic graph
Yen et al. SaaS for automated job performance appraisals using service technologies and big data analytics
Williams et al. Towards the design of an intelligent automation framework for business processes
Lebedeva et al. Cognitive maps for risk estimation in software development projects
US20220180285A1 (en) Multi-Computer Processing System with Machine Learning Engine for Optimized Forecasting
Vyas et al. Big data utilization, benefits, and challenges for smart city implementation
Strohmeier HR machine learning-an introduction
WO2016117913A1 (ko) 문제 공유 기반의 경영 지원 방법, 이를 수행하는 경영 지원 서버, 이를 저장하는 기록매체
Nahar et al. More engineering, no silos: rethinking processes and interfaces in collaboration between interdisciplinary teams for machine learning projects
Yari et al. Design and implementation of organizational architecture in organizations in charge of combating smuggling of goods and currency with the aim of improving the management of organizational networks
Al Shazly et al. Ethical Concerns: An overview of Artificial Intelligence System Development and Life Cycle
Khanna Health Management Information System
Boudjehem et al. An early warning system to predict dropouts inside e-learning environments
Rath et al. Applications of Machine Learning in Industrial Reliability Model
WebRTC et al. 12 Revamping the

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22825322

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE