WO2024013819A1 - 学習装置、推定装置、学習方法、推定方法、学習プログラムおよび推定プログラム - Google Patents

学習装置、推定装置、学習方法、推定方法、学習プログラムおよび推定プログラム Download PDF

Info

Publication number
WO2024013819A1
WO2024013819A1 PCT/JP2022/027299 JP2022027299W WO2024013819A1 WO 2024013819 A1 WO2024013819 A1 WO 2024013819A1 JP 2022027299 W JP2022027299 W JP 2022027299W WO 2024013819 A1 WO2024013819 A1 WO 2024013819A1
Authority
WO
WIPO (PCT)
Prior art keywords
personnel
unit
estimation
feature
data related
Prior art date
Application number
PCT/JP2022/027299
Other languages
English (en)
French (fr)
Inventor
俊孝 槇
方邦 石井
Original Assignee
日本電信電話株式会社
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 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to PCT/JP2022/027299 priority Critical patent/WO2024013819A1/ja
Publication of WO2024013819A1 publication Critical patent/WO2024013819A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling

Definitions

  • the present invention relates to a learning device, an estimation device, a learning method, an estimation method, a learning program, and an estimation program.
  • the conventional technology has a problem in that personnel transfer proposals cannot be efficiently created. For example, when creating a personnel transfer proposal, it is essential to identify the characteristics of people, departments, and jobs, and to consider the wishes of the target person. have to spend time.
  • the present invention has been made in view of the above, and an object of the present invention is to provide a learning device, an estimation device, a learning method, an estimation method, a learning program, and an estimation program that can efficiently create a personnel change proposal. shall be.
  • the learning device of the present invention includes an acquisition section that acquires data related to human resources, and a feature extraction section that extracts feature quantities from the data related to human resources acquired by the acquisition section. , and a model construction unit that constructs a model for estimating the probability regarding personnel changes using the feature quantities extracted by the feature extraction unit.
  • the estimation device also includes an acquisition unit that acquires data related to human resources, a feature extraction unit that extracts feature quantities from the data related to human resources acquired by the acquisition unit, and uses the feature quantities extracted by the feature extraction unit as input data.
  • the present invention is characterized by having an estimating section that estimates a probability regarding a personnel change, and a creating section that creates a personnel change plan based on the probability regarding a personnel change estimated by the estimating section.
  • FIG. 1 is a block diagram showing an example of the configuration of a learning device.
  • FIG. 2 is a diagram illustrating an example of the model construction process of the learning device.
  • FIG. 3 is a block diagram showing an example of the configuration of the estimation device.
  • FIG. 4 is a diagram illustrating an example of the estimation process of the estimation device.
  • FIG. 5 is a diagram illustrating an example of the creation process of the estimation device.
  • FIG. 6 is a diagram illustrating an example of the creation process of the estimation device.
  • FIG. 7 is a flowchart illustrating an example of the flow of learning processing by the learning device.
  • FIG. 8 is a flowchart illustrating an example of the flow of estimation processing by the estimation device.
  • FIG. 9 is a diagram illustrating an example of a computer that executes a learning program or an estimation program.
  • the learning device extracts feature amounts from acquired personnel-related data and realizes construction of a model for estimating probability regarding personnel changes.
  • the estimation device extracts feature amounts from the acquired data related to personnel changes, inputs the feature amounts into a trained model that estimates the probability related to personnel changes, estimates the probability related to personnel changes, and estimates the probability related to personnel changes. Realize the creation of transfer proposals.
  • the learning device 100 includes a communication section 110, a control section 120, and a storage section 130. Note that each of these units may be held in a distributed manner by a plurality of devices. The processing of each of these parts will be explained below.
  • the communication unit 110 is realized by a NIC (Network Interface Card) or the like, and enables communication between an external device and the control unit 120 via a telecommunication line such as a LAN (Local Area Network) or the Internet.
  • a NIC Network Interface Card
  • LAN Local Area Network
  • the communication unit 110 enables communication between an external device and the control unit 120.
  • the storage unit 130 is realized by a semiconductor memory element such as a RAM (Random Access Memory) or a flash memory, or a storage device such as a hard disk or an optical disk.
  • the information stored in the storage unit 130 includes, for example, data related to human resources, feature values, data related to machine learning algorithms, teacher data, trained models, and other information necessary for constructing a model that estimates the probability related to personnel changes. It will be done.
  • the data related to human resources stored in the storage unit 130 includes basic information, qualification information, completed training information, family information, affiliation information, intention information, superior judgment information, department information, regional information, transfer history, and career history. , evaluations, interview records, and other data held by the Human Resources Division. Note that the information stored in the storage unit 130 is not limited to what is described above.
  • the control unit 120 is realized using a CPU (Central Processing Unit), an NP (Network Processor), an FPGA (Field Programmable Gate Array), etc., and executes a processing program stored in a memory. As shown in FIG. 1, the control unit 120 includes an acquisition unit 121, a feature extraction unit 122, and a model construction unit 123. Each section included in the control section 120 will be described below.
  • the acquisition unit 121 acquires data related to human resources. For example, the acquisition unit 121 acquires, as data related to human resources, superior judgment information such as characteristics of employees and specific opinions on whether or not to transfer them. Further, for example, the acquisition unit 121 acquires intention information such as desired work of the staff member as data related to human resources.
  • the data related to human resources acquired by the acquisition unit 121 includes basic information, qualification information, completed training information, family information, affiliation information, intention information, superior judgment information, department information, regional information, transfer history, This includes career history, evaluations, interview records, and other data held by the Human Resources Department.
  • the feature extraction unit 122 extracts feature quantities from the data related to personnel acquired by the acquisition unit 121. For example, the feature extraction unit 122 extracts the feature amount by converting the superior judgment information acquired by the acquisition unit 121 into numerical values. For example, the feature extraction unit 122 performs language analysis on the text data of the superior judgment information, generates a feature vector from the presence or absence of a specific keyword and the content of the sentence, and extracts the feature amount.
  • the model construction unit 123 constructs a model that estimates the probability regarding personnel changes using the feature quantities extracted by the feature extraction unit 122. For example, the model construction unit 123 uses the feature quantities extracted by the feature extraction unit 122 to construct a model for estimating the probability of whether there is a personnel change. Further, for example, the model construction unit 123 uses the feature amounts extracted by the feature extraction unit 122 to construct a model for estimating the probability regarding the department to which the personnel will be transferred. Further, for example, the model construction unit 123 uses the feature quantities extracted by the feature extraction unit 122 to construct a model for estimating the probability regarding the region to which the personnel will be transferred.
  • model construction processing by the learning device 100 will be described using FIG. 2.
  • the acquisition unit 121 collects data related to human resources such as intentions, considerations, and qualifications registered by employees and superiors, as well as transfer history, career history, evaluations, interview records, and other data registered by the human resources department, which the human resources department owns.
  • Obtain human resources data such as data.
  • the feature extraction unit 122 extracts feature amounts by converting data related to personnel into numerical values.
  • the model construction unit 123 constructs a model using the data related to human resources converted into feature quantities by the feature extraction unit 122.
  • the model construction unit 123 can use personnel-related data for any period of time, such as personnel-related data from the previous year or earlier, for learning depending on the purpose.
  • the model construction unit 123 uses the feature quantities extracted by the feature extraction unit 122 to create a model that estimates the probability of whether or not there will be a personnel transfer, a model that estimates the probability of the department to which the personnel will be transferred, and a model that estimates the probability of the region to which the personnel will be transferred. Build a model to estimate.
  • the model construction unit 123 assumes that a certain year is the N year, and sets the affiliation (region/department/section) of the N year and the affiliation (region/department) of the N+1 year. ⁇ If the positions are different, a flag is defined as ⁇ transferred,'' and if they are the same, ⁇ incumbent.'' A flag is defined, and a model is constructed by setting this flag as an objective variable and learning.
  • the model construction unit 123 sets a certain year as the N year and learns by setting the affiliation (department/section) of the N+1 year as the objective variable. Build a model by doing this.
  • the model construction unit 123 sets a certain year as the N year and sets the affiliation (region) in the N+1 year as the objective variable for learning. Build the model.
  • the estimation device 200 includes a communication section 210, a control section 220, and a storage section 230. Note that each of these units may be held in a distributed manner by a plurality of devices. The processing of each of these parts will be explained below.
  • the communication unit 210 is realized by a NIC (Network Interface Card) or the like, and enables communication between an external device and the control unit 220 via a telecommunication line such as a LAN (Local Area Network) or the Internet.
  • a NIC Network Interface Card
  • LAN Local Area Network
  • the communication unit 210 enables communication between an external device and the control unit 220.
  • the storage unit 230 is realized by a semiconductor memory element such as a RAM (Random Access Memory) or a flash memory, or a storage device such as a hard disk or an optical disk.
  • the information stored in the storage unit 230 includes, for example, data related to human resources, feature values, data related to machine learning algorithms, teacher data, learned models, other information necessary for estimating probabilities related to personnel changes, and rules related to creating personnel transfer proposals. , and other information necessary to create a personnel change proposal.
  • the data related to human resources stored in the storage unit 230 includes basic information, qualification information, completed training information, family information, affiliation information, intention information, superior judgment information, department information, regional information, transfer history, career, and evaluation. , interview records, and other data held by the Human Resources Division. Note that the information stored in the storage unit 230 is not limited to what is described above.
  • the control unit 220 is realized using a CPU (Central Processing Unit), an NP (Network Processor), an FPGA (Field Programmable Gate Array), etc., and executes a processing program stored in a memory. As shown in FIG. 3, the control unit 220 includes an acquisition unit 221, a feature extraction unit 222, an estimation unit 224, and a creation unit 225. Each section included in the control section 220 will be described below.
  • the acquisition unit 221 acquires data related to human resources.
  • the acquisition unit 221 acquires, as data related to human resources, superior judgment information such as characteristics of employees and specific opinions on whether or not to transfer them.
  • the acquisition unit 221 acquires intention information such as desired work of the staff member as data related to personnel affairs.
  • the data related to human resources acquired by the acquisition unit 221 includes basic information, qualification information, completed training information, family information, affiliation information, intention information, superior judgment information, department information, regional information, transfer history, This includes career history, evaluations, interview records, and other data held by the Human Resources Department.
  • the feature extraction unit 222 extracts feature amounts from the data related to personnel acquired by the acquisition unit 221. For example, the feature extraction unit 222 extracts feature amounts by converting the superior judgment information acquired by the acquisition unit 221 into numerical values. For example, the feature extraction unit 222 performs language analysis on the text data of the superior judgment information, generates a feature vector from the presence or absence of a specific keyword and the content of the sentence, and extracts the feature amount.
  • the estimation unit 224 inputs the feature quantity extracted by the feature extraction unit 222 as input data to a trained model that estimates the probability regarding personnel change, and estimates the probability regarding personnel change. For example, the estimation unit 224 inputs the feature quantity extracted by the feature extraction unit 222 as input data to a trained model that estimates a probability regarding a personnel change, and calculates a probability regarding the presence or absence of a personnel change, a probability regarding the department to which the personnel will be transferred, etc. , one or more of the probabilities related to the region of the personnel transfer destination are estimated.
  • the creation unit 225 creates a personnel change proposal based on the probability regarding the personnel change estimated by the estimation unit 224. For example, the creation unit 225 creates a personnel change proposal based on the probability of personnel change estimated by the estimation unit 224 and in accordance with a predetermined rule. The specific process performed by the creation unit 225 will be explained in the creation process described later.
  • the acquisition unit 221 acquires data regarding human resources.
  • the feature extracting unit 222 extracts feature amounts and converts data related to personnel into feature amounts.
  • the estimating unit 224 estimates the probability regarding personnel changes using the data regarding personnel converted into feature quantities by the feature extracting unit 222. For example, the estimating unit 224 outputs a change presence/absence score as a probability regarding the presence/absence of personnel change. Further, for example, the estimating unit 224 outputs a predicted result of the department to which the personnel will be transferred as a probability regarding the department to which the personnel will be transferred. Further, for example, the estimating unit 224 outputs a predicted result of the region of personnel transfer as a probability regarding the region of the destination of personnel transfer. At this time, the estimating unit 224 can use data related to human resources for any period of time depending on the purpose, such as data related to human resources for the current year, for estimation.
  • the creation unit 225 uses the probability regarding the department to which the personnel will be transferred (transfer department prediction result) and the probability regarding the area to which the personnel will be transferred (transfer area prediction result), which are output by the estimation unit 224. Derive the transfer department score.
  • the creation unit 225 scores the results of the transfer department prediction and the transfer area prediction using a method such as harmonic averaging, and derives a transfer department score that takes into account the transfer department and transfer area. do.
  • the creation unit 225 may process a combination of a transfer department and transfer area that does not exist in the organization list or the like as not being subject to scoring.
  • the creation unit 225 tentatively determines the presence or absence of a personnel change using the possibility of whether or not there is a personnel change (transfer presence/absence score).
  • the provisional determination of the presence or absence of transfers made by the preparation unit 225 refers to the provisional determination of personnel transfers that is estimated by the estimation unit 224 until a predetermined number or a predetermined ratio is reached, targeting employees whose transfer status has not yet been determined by the personnel department judgment. This refers to the provisional determination of transfer targets in descending order of the probability of their presence or absence (transfer presence/absence score).
  • the creation unit 225 tentatively determines the department to which the personnel will be transferred, using the possibility of whether or not there will be a personnel transfer (transfer presence/absence score) and the transfer department score.
  • the provisional determination of the transfer department performed by the preparation unit 225 means that a transfer frame is set for each division such as department, office/technical division, work division, assistant position, etc. for the employee whose transfer has been tentatively determined. This refers to the provisional determination of the department to which a person will be transferred.
  • the creation unit 225 may set employees with a low transfer presence score as not to be transferred if the number of transfer destination slots is an odd number.
  • the creation unit 225 may set the employee to be transferred to a department with a high transfer department score and a vacant transfer slot in order of the transfer status score.
  • the creation unit 225 may apply individual rules different from the above rules when making a tentative decision as to whether or not there will be a transfer or a provisional decision as to the department to which the person will be transferred. For example, when multiple employees are transferred from the same department, the creation unit 225 may set the departments to which each employee will be transferred to different departments. Further, for example, the creation unit 225 may set the department where a relative of the employee to be transferred is located not to be the department to which the employee is transferred. Further, for example, the creation unit 225 may set the department such as the previous job of the employee to be transferred not to be the department to which the employee is transferred. Note that the individual rules applied by the creation unit 225 can be added and applied uniquely to each organization.
  • the creation unit 225 outputs the personnel change proposal (FIG. 6).
  • the creation unit 225 may repeat the above process until all the personnel division decisions made by the human resources personnel are finalized.
  • steps S11 to S13 below can also be executed in a different order. Further, some of the steps S11 to S13 described below may be omitted.
  • the acquisition unit 121 acquires data related to human resources (step S11).
  • the acquisition unit 121 acquires superior judgment information as data related to personnel affairs.
  • the data related to human resources acquired by the acquisition unit 121 includes basic information, qualification information, completed training information, family information, affiliation information, intention information, superior judgment information, department information, regional information, transfer history, This includes career history, evaluations, interview records, and other data held by the Human Resources Department.
  • the feature extraction unit 122 extracts feature quantities from the data related to personnel acquired by the acquisition unit 121 (step S12). For example, the feature extraction unit 122 extracts the feature amount by converting the superior judgment information acquired by the acquisition unit 121 into numerical values.
  • the model construction unit 123 constructs a model that estimates the probability regarding personnel changes using the feature amounts extracted by the feature extraction unit 122 (step S13). For example, the model construction unit 123 uses the feature quantities extracted by the feature extraction unit 122 to construct a model for estimating the probability of a region to which personnel will be transferred.
  • steps S11 to S14 described below can also be executed in a different order. Furthermore, some processes may be omitted from steps S11 to S14 below.
  • the acquisition unit 221 acquires data related to human resources (step S11).
  • the acquisition unit 221 acquires superior judgment information as data related to human resources.
  • the data related to human resources acquired by the acquisition unit 221 includes basic information, qualification information, completed training information, family information, affiliation information, intention information, superior judgment information, department information, regional information, transfer history, This includes career history, evaluations, interview records, and other data held by the Human Resources Department.
  • the feature extraction unit 222 extracts feature quantities from the data related to personnel acquired by the acquisition unit 221 (step S12). For example, the feature extraction unit 222 extracts feature amounts by converting the superior judgment information acquired by the acquisition unit 221 into numerical values.
  • the estimating unit 224 inputs the feature quantity extracted by the feature extracting unit 223 as input data to a trained model that estimates the probability regarding personnel change, and estimates the probability regarding personnel change (step S13). For example, the estimating unit 224 inputs the feature amount extracted by the feature extracting unit 223 as input data to a trained model that estimates a probability regarding a personnel change, and estimates a probability regarding a department to which the personnel is transferred.
  • the creation unit 225 creates a personnel change proposal based on the probability regarding the personnel change estimated by the estimation unit 224 (step S14).
  • the learning device 100 includes an acquisition section 121, a feature extraction section 122, and a model construction section 123.
  • the acquisition unit 121 acquires data related to human resources.
  • the feature extraction unit 122 extracts feature amounts from the data related to personnel acquired by the acquisition unit 121.
  • the model construction unit 123 constructs a model for estimating the probability regarding personnel changes using the feature quantities extracted by the feature extraction unit 122.
  • the learning device 100 converts data related to personnel into features and constructs a model that estimates the probability of personnel changes, thereby making it possible to efficiently create personnel transfer plans.
  • the learning device 100 makes it possible to estimate the status of future personnel changes from data regarding past personnel changes, thereby making it possible to create personnel transfer plans more efficiently.
  • the estimation device 200 includes an acquisition section 221, a feature extraction section 222, an estimation section 224, and a creation section 225.
  • the acquisition unit 221 acquires data related to human resources.
  • the feature extraction unit 222 extracts feature amounts from the data related to personnel acquired by the acquisition unit 221.
  • the estimation unit 224 uses the feature amount extracted by the feature extraction unit 222 as input data to estimate the probability regarding personnel change.
  • the creation unit 225 creates a personnel change proposal based on the probability regarding the personnel change estimated by the estimation unit 224.
  • the estimating device 200 can estimate the probability related to personnel transfer from data related to personnel and efficiently create a personnel transfer proposal.
  • the estimating unit 224 in the estimation device 200 estimates one or more of the probability regarding the presence or absence of a personnel change, the probability regarding the department to which the personnel is transferred, and the probability regarding the region to which the personnel is transferred. Thereby, the estimating device 200 can estimate the presence or absence of a personnel change, the department to which the person will be transferred, and the region to which the person will be transferred, and can efficiently create a personnel transfer plan.
  • the creation unit 225 in the estimation device 200 creates a personnel change proposal in accordance with predetermined rules. Thereby, the estimation device 200 can efficiently create a personnel transfer proposal using the estimation results of the learned model and the rule base.
  • each component of each device shown in the drawings is functionally conceptual, and does not necessarily need to be physically configured as shown in the drawings.
  • the specific form of distributing and integrating each device is not limited to what is shown in the diagram, and all or part of the devices can be functionally or physically distributed or integrated in arbitrary units depending on various loads and usage conditions. Can be integrated and configured.
  • each processing function performed by each device may be realized in whole or in part by a CPU and a program that is analyzed and executed by the CPU, or may be realized as hardware using wired logic. obtain.
  • program It is also possible to create a program in which the processing executed by the learning device 100 or the estimation device 200 described in the above embodiments is written in a computer-executable language. In this case, when the computer executes the program, the same effects as in the above embodiment can be obtained. Furthermore, the same processing as in the above embodiments may be realized by recording such a program on a computer-readable recording medium and having the computer read and execute the program recorded on this recording medium.
  • FIG. 9 is a diagram showing an example of a computer that executes a learning program or an estimation program.
  • the computer 1000 includes, for example, a memory 1010, a CPU 1020, a hard disk drive interface 1030, a disk drive interface 1040, a serial port interface 1050, a video adapter 1060, and a network interface 1070. These parts are connected by a bus 1080.
  • the memory 1010 includes a ROM (Read Only Memory) 1011 and a RAM 1012.
  • the ROM 1011 stores, for example, a boot program such as BIOS (Basic Input Output System).
  • Hard disk drive interface 1030 is connected to hard disk drive 1090.
  • Disk drive interface 1040 is connected to disk drive 1100.
  • a removable storage medium such as a magnetic disk or an optical disk is inserted into the disk drive 1100, for example.
  • a mouse 1110 and a keyboard 1120 are connected to the serial port interface 1050.
  • a display 1130 is connected to the video adapter 1060.
  • the hard disk drive 1090 stores, for example, an OS 1091, an application program 1092, a program module 1093, and program data 1094.
  • Each table described in the above embodiment is stored in, for example, the hard disk drive 1090 or the memory 1010.
  • the learning program or the estimation program is stored in the hard disk drive 1090, for example, as a program module in which commands to be executed by the computer 1000 are written.
  • a program module 1093 in which each process executed by the computer 1000 described in the above embodiment is described is stored in the hard disk drive 1090.
  • data used for learning processing by the learning program or estimation processing by the estimation program is stored in, for example, the hard disk drive 1090 as program data.
  • the CPU 1020 reads out the program module 1093 and program data 1094 stored in the hard disk drive 1090 to the RAM 1012 as necessary, and executes each procedure described above.
  • program module 1093 and program data 1094 related to the learning program or the estimation program are not limited to being stored in the hard disk drive 1090, but are, for example, being stored in a removable storage medium and being stored via the disk drive 1100 or the like. It may be read by the CPU 1020.
  • the program module 1093 and program data 1094 related to the control program are stored in another computer connected via a network such as a LAN (Local Area Network) or WAN (Wide Area Network), and are transmitted via the network interface 1070. It may be read by the CPU 1020.
  • LAN Local Area Network
  • WAN Wide Area Network
  • module, -er suffix, -or suffix can be read as unit, means, circuit, etc.
  • a communication module, a control module, and a storage module can be read as a communication unit, a control unit, and a storage unit, respectively.
  • learning device 110 communication unit 120 control unit 121 acquisition unit 122 feature extraction unit 123 model construction unit 200 estimation device 210 communication unit 220 control unit 221 acquisition unit 222 feature extraction unit 224 estimation unit 225 creation unit 230 storage unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

学習装置（１００）は、取得部（１２１）と特徴抽出部（１２２）と、モデル構築部（１２３）とを有する。取得部（１２１）は、人事に関するデータを取得する。特徴抽出部（１２２）は、取得部（１２１）により取得された取得された人事に関するデータから特徴量を抽出する。モデル構築部（１２３）は、特徴抽出部（１２２）により抽出された特徴量を用いて人事異動に関する確率を推定するモデルを構築する。

Description

学習装置、推定装置、学習方法、推定方法、学習プログラムおよび推定プログラム
　本発明は、学習装置、推定装置、学習方法、推定方法、学習プログラムおよび推定プログラムに関する。
　従来、人事異動案は、人事担当者により手作業で作成されている。
NTTLS、"人材育成の基礎知識　第7回　キャリアデザイン"、　https://hr.nttls.co.jp/column/knowledge/step1/detail-07.html
　しかしながら、従来技術では、人事異動案を効率的に作成できないという問題がある。例えば、人事異動案の作成には、人と部門・職種の特性の見極めや、対象者の希望等の考慮が不可欠であるため、専門的知識、スキルおよび経験を有する人事担当者が、多くの時間を費やさなければならない。
　本発明は、上記に鑑みてなされたものであって、人事異動案を効率的に作成することができる学習装置、推定装置、学習方法、推定方法、学習プログラムおよび推定プログラムを提供することを目的とする。
　上述した課題を解決し、目的を達成するために、本発明の学習装置は、人事に関するデータを取得する取得部と、取得部による取得された人事に関するデータから特徴量を抽出する特徴抽出部と、特徴抽出部により抽出された特徴量を用いて人事異動に関する確率を推定するモデルを構築するモデル構築部とを有することを特徴とする。
　また、推定装置は、人事に関するデータを取得する取得部と、取得部による取得された人事に関するデータから特徴量を抽出する特徴抽出部と、特徴抽出部により抽出された特徴量を入力データとして、人事異動に関する確率を推定する推定部と、推定部により推定された人事異動に関する確率に基づいて、人事異動案を作成する作成部とを有することを特徴とする。
　本発明によれば、人事異動案を効率的に作成することが可能となる。
図１は、学習装置の構成の一例を示すブロック図である。 図２は、学習装置のモデル構築処理の一例を説明する図である。 図３は、推定装置の構成の一例を示すブロック図である。 図４は、推定装置の推定処理の一例を説明する図である。 図５は、推定装置の作成処理の一例を説明する図である。 図６は、推定装置の作成処理の一例を説明する図である。 図７は、学習装置の学習処理の流れの一例を示すフローチャートである。 図８は、推定装置の推定処理の流れの一例を示すフローチャートである。 図９は、学習プログラムまたは推定プログラムを実行するコンピュータの一例を示す図である。
　以下、図面を参照して、本願に係る学習装置、推定装置、学習方法、推定方法、学習プログラムおよび推定プログラムの実施形態を詳細に説明する。なお、この実施の形態により本発明が限定されるものではない。また、図面の記載において、同一部分には同一の符号を付して示しており、重複する説明は省略される。
［本発明の概要］
　本実施形態に係る学習装置は、取得した人事に関するデータから特徴量を抽出し、人事異動に関する確率を推定するモデルの構築を実現する。
　また、本実施形態に係る推定装置は、取得した人事に関するデータから特徴量を抽出し、特徴量を人事異動に関する確率を推定する学習済みモデルに入力して、人事異動に関する確率を推定し、人事異動案の作成を実現する。
［学習装置の構成］
　まず、図１を用いて、学習装置の構成について説明する。図１が示すように、学習装置１００は、通信部１１０と、制御部１２０と、記憶部１３０とを有する。なお、これらの各部は、複数の装置が分散して保持してもよい。以下にこれら各部の処理を説明する。
　通信部１１０は、ＮＩＣ（Network　Interface　Card）等で実現され、ＬＡＮ（Local　Area　Network）やインターネットなどの電気通信回線を介した外部装置と制御部１２０の通信を可能とする。例えば、通信部１１０は、外部装置と制御部１２０との通信を可能とする。
　記憶部１３０は、ＲＡＭ（Random　Access　Memory）、フラッシュメモリ（Flash　Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。記憶部１３０が記憶する情報としては、例えば、人事に関するデータ、特徴量、機械学習アルゴリズムに関するデータ、教師データ、学習済みモデル、その他人事異動に関する確率を推定するモデルの構築に必要な情報などが含まれる。例えば、記憶部１３０が記憶する人事に関するデータには、基本情報、保有資格情報、受講済み研修情報、親族情報、所属情報、意向情報、上長判断情報、部署情報、地域情報、異動履歴、経歴、評価、面談記録、その他人事課が保有するデータなどが含まれる。なお、記憶部１３０が記憶する情報は上記に記載したものに限定されない。
　制御部１２０は、ＣＰＵ（Central　Processing　Unit）やＮＰ（Network　Processor）やＦＰＧＡ（Field　Programmable　Gate　Array）等を用いて実現され、メモリに記憶された処理プログラムを実行する。図１に示すように、制御部１２０は、取得部１２１と、特徴抽出部１２２と、モデル構築部１２３とを有する。以下、制御部１２０が有する各部について説明する。
　取得部１２１は、人事に関するデータを取得する。例えば、取得部１２１は、人事に関するデータとして、職員の特徴や異動可否の具体的意見といった上長判断情報を取得する。また、例えば、取得部１２１は、人事に関するデータとして、職員の希望業務といった意向情報を取得する。ここで、取得部１２１が取得する人事に関するデータには、基本情報、保有資格情報、受講済み研修情報、親族情報、所属情報、意向情報、上長判断情報、部署情報、地域情報、異動履歴、経歴、評価、面談記録、その他人事課が保有するデータなどが含まれる。
　特徴抽出部１２２は、取得部１２１により取得された人事に関するデータから特徴量を抽出する。例えば、特徴抽出部１２２は、取得部１２１により取得された上長判断情報を数値化することで特徴量を抽出する。例えば、特徴抽出部１２２は、上長判断情報のテキストデータについて言語解析を行い、特定のキーワードの有無や文章の内容から特徴ベクトルを生成し、特徴量を抽出する。
　モデル構築部１２３は、特徴抽出部１２２により抽出された特徴量を用いて人事異動に関する確率を推定するモデルを構築する。例えば、モデル構築部１２３は、特徴抽出部１２２により抽出された特徴量を用いて、人事異動の有無に関する確率を推定するモデルを構築する。また、例えば、モデル構築部１２３は、特徴抽出部１２２により抽出された特徴量を用いて、人事異動先の部署に関する確率を推定するモデルを構築する。また、例えば、モデル構築部１２３は、特徴抽出部１２２により抽出された特徴量を用いて、人事異動先の地域に関する確率を推定するモデルを構築する。
［モデル構築処理］
　次に、図２を用いて、学習装置１００によるモデル構築処理について説明する。まず、取得部１２１は、職員や上長によって登録された、意向や配慮事項、保有資格といった人事に関するデータや、人事課によって登録された異動履歴や経歴、評価、面談記録その他人事課が保有するデータといった人事に関するデータを取得する。次に、特徴抽出部１２２は、人事に関するデータを数値化することで特徴量を抽出する。
　そして、モデル構築部１２３は、特徴抽出部１２２により特徴量化された人事に関するデータを用いて、モデルを構築する。このとき、モデル構築部１２３は、昨年度以前の人事に関するデータなど、目的に応じて任意の期間の人事に関するデータを学習に用いることができる。モデル構築部１２３は、特徴抽出部１２２により抽出された特徴量を用いて、人事異動の有無に関する確率を推定するモデル、人事異動先の部署に関する確率を推定するモデル、人事異動先の地域に関する確率を推定するモデルの構築を行う。
　例えば、モデル構築部１２３は、翌年度の異動有無を推定する分類モデルを構築する場合、ある年度をＮ年度として、Ｎ年度の所属（地域・部・課）とＮ＋１年度の所属（地域・部・課）とが異なる場合は、「異動」、同一である場合には、「現職」としてフラグを定義し、このフラグを目的変数に設定して学習することでモデルを構築する。
　また、例えば、モデル構築部１２３は、翌年度の異動部署を予測する分類モデルを構築する場合、ある年度をＮ年度として、Ｎ＋１年度の所属（部・課）を目的変数に設定して学習することでモデルを構築する。
　また、例えば、モデル構築部１２３は、翌年度の異動地域を予測する分類モデルを構築する場合、ある年度をＮ年度として、Ｎ＋１年度の所属（地域）を目的変数に設定して学習することでモデルを構築する。
［推定装置の構成］
　次に、図３を用いて、推定装置の構成について説明する。図３が示すように、推定装置２００は、通信部２１０と、制御部２２０と、記憶部２３０とを有する。なお、これらの各部は、複数の装置が分散して保持してもよい。以下にこれら各部の処理を説明する。
　通信部２１０は、ＮＩＣ（Network　Interface　Card）等で実現され、ＬＡＮ（Local　Area　Network）やインターネットなどの電気通信回線を介した外部装置と制御部２２０の通信を可能とする。例えば、通信部２１０は、外部装置と制御部２２０との通信を可能とする。
　記憶部２３０は、ＲＡＭ（Random　Access　Memory）、フラッシュメモリ（Flash　Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。記憶部２３０が記憶する情報としては、例えば人事に関するデータ、特徴量、機械学習アルゴリズムに関するデータ、教師データ、学習済みモデル、その他人事異動に関する確率の推定に必要な情報、人事異動案の作成に関するルール、その他人事異動案の作成に必要な情報などが含まれる。記憶部２３０が記憶する人事に関するデータには、基本情報、保有資格情報、受講済み研修情報、親族情報、所属情報、意向情報、上長判断情報、部署情報、地域情報、異動履歴、経歴、評価、面談記録、その他人事課が保有するデータなどが含まれる。なお、記憶部２３０が記憶する情報は上記に記載したものに限定されない。
　制御部２２０は、ＣＰＵ（Central　Processing　Unit）やＮＰ（Network　Processor）やＦＰＧＡ（Field　Programmable　Gate　Array）等を用いて実現され、メモリに記憶された処理プログラムを実行する。図３に示すように、制御部２２０は、取得部２２１と、特徴抽出部２２２と、推定部２２４と、作成部２２５とを有する。以下、制御部２２０が有する各部について説明する。
　取得部２２１は、人事に関するデータを取得する。例えば、取得部２２１は、人事に関するデータとして、職員の特徴や異動可否の具体的意見といった上長判断情報を取得する。また、例えば、取得部２２１は、人事に関するデータとして、職員の希望業務といった意向情報を取得する。ここで、取得部２２１が取得する人事に関するデータには、基本情報、保有資格情報、受講済み研修情報、親族情報、所属情報、意向情報、上長判断情報、部署情報、地域情報、異動履歴、経歴、評価、面談記録、その他人事課が保有するデータなどが含まれる。
　特徴抽出部２２２は、取得部２２１により取得された人事に関するデータから特徴量を抽出する。例えば、特徴抽出部２２２は、取得部２２１により取得された上長判断情報を数値化することで特徴量を抽出する。例えば、特徴抽出部２２２は、上長判断情報のテキストデータについて言語解析を行い、特定のキーワードの有無や文章の内容から特徴ベクトルを生成し、特徴量を抽出する。
　推定部２２４は、特徴抽出部２２２により抽出された特徴量を入力データとして、人事異動に関する確率を推定する学習済みモデルに入力し、人事異動に関する確率を推定する。例えば、推定部２２４は、特徴抽出部２２２により抽出された特徴量を入力データとして、人事異動に関する確率を推定する学習済みモデルに入力し、人事異動の有無に関する確率、人事異動先の部署に関する確率、人事異動先の地域に関する確率のうちいずれか１つ以上を推定する。
　作成部２２５は、推定部２２４により推定された人事異動に関する確率に基づいて、人事異動案を作成する。例えば、作成部２２５は、推定部２２４により推定された人事異動に関する確率に基づいて、所定のルールに則って人事異動案を作成する。作成部２２５が行う具体的な処理については、後述の作成処理で説明する。
［推定処理］
　次に、図４を用いて、推定装置２００による推定処理について説明する。まず、取得部２２１は、人事に関するデータを取得する。次に、特徴抽出部２２２は、特徴量を抽出し、人事に関するデータを特徴量化する。
　そして、推定部２２４は、特徴抽出部２２２により特徴量化された人事に関するデータを用いて、人事異動に関する確率を推定する。例えば、推定部２２４は、人事異動の有無に関する確率として、異動有無スコアを出力する。また、例えば、推定部２２４は、人事異動先の部署に関する確率として、異動部署予測結果を出力する。また、例えば、推定部２２４は、人事異動先の地域に関する確率として、異動地域予測結果を出力する。このとき、推定部２２４は、今年度の人事に関するデータなど、目的に応じて任意の期間の人事に関するデータを推定に用いることができる。
［作成処理］
　次に、図４～６を用いて、推定装置２００による作成処理について説明する。まず、図４において作成部２２５は、推定部２２４により出力された、人事異動先の部署に関する確率（異動部署予測結果）と人事異動先の地域に関する確率（異動地域予測結果）とを用いて、異動部署スコアを導出する。
　より具体的には、作成部２２５は、異動部署予測の結果と異動地域予測の結果とを、例えば、調和平均等の方法によりスコア化し、異動部署と異動地域とを考慮した異動部署スコアを導出する。このとき、作成部２２５は、組織リストなどに存在しない異動部署と異動地域との組み合わせについて、スコア対象外として処理をしてもよい。
　次に、図５において作成部２２５は、人事異動の有無に関する可能性（異動有無スコア）を用いて、異動有無の仮決定を行う。ここで、作成部２２５が行う異動有無の仮決定とは、人事課判断による異動有無が未決定の職員を対象として、所定数または所定割合に達するまで、推定部２２４により推定された人事異動の有無に関する確率（異動有無スコア）が高い順に、異動対象として暫定的に決定することをいう。
　続いて、作成部２２５は、人事異動の有無に関する可能性（異動有無スコア）と、異動部署スコアとを用いて、異動部署の仮決定を行う。ここで、作成部２２５が行う異動部署の仮決定とは、異動有無の仮決定がされた職員を対象として、部署・事技区分・業務区分・補職等の区分ごとに移動枠を設定し、異動先の部署を暫定的に決定することをいう。このとき、作成部２２５は、異動先の枠数が奇数となった場合に、異動有無スコアが低い職員を移動対象外として設定してもよい。あるいは、作成部２２５は、異動有無スコアが高い職員から順に、異動部署スコアが高く、移動枠に空きがある部署へ異動するよう設定してもよい。
　また、作成部２２５は、異動有無の仮決定や異動部署の仮決定などに際して、上記のルールとは異なる個別ルールを適用してもよい。例えば、作成部２２５は、同じ部署から複数人異動する場合、各職員の異動先が別々の部署となるように異動部署を設定してもよい。また、例えば、作成部２２５は、異動対象の職員の親族がいる部署が、異動先の部署にならないよう設定してもよい。また、例えば、作成部２２５は、異動対象の職員の前職等の部署が異動先の部署とならないよう設定してもよい。なお、作成部２２５が適用する個別ルールは、組織ごとに独自のものを追加・適用することができる。
　そして、作成部２２５は、人事異動案を出力する（図６）。ここで、作成部２２５は、人事担当者による人事課判断がすべて確定するまで、上記の処理を繰り返してもよい。
［フローチャート］
　次に、図７を用いて、学習装置１００によるモデル構築処理の流れについて説明する。なお、下記のステップＳ１１～Ｓ１３は、異なる順序で実行することもできる。また、下記のステップＳ１１～Ｓ１３のうち、省略される処理があってもよい。
　まず、取得部１２１は、人事に関するデータを取得する（ステップＳ１１）。例えば、取得部１２１は、人事に関するデータとして、上長判断情報を取得する。ここで、取得部１２１が取得する人事に関するデータには、基本情報、保有資格情報、受講済み研修情報、親族情報、所属情報、意向情報、上長判断情報、部署情報、地域情報、異動履歴、経歴、評価、面談記録、その他人事課が保有するデータなどが含まれる。
　次に、特徴抽出部１２２は、取得部１２１により取得された人事に関するデータから特徴量を抽出する（ステップＳ１２）。例えば、特徴抽出部１２２は、取得部１２１により取得された上長判断情報を数値化することで特徴量を抽出する。
　そして、モデル構築部１２３は、特徴抽出部１２２により抽出された特徴量を用いて人事異動に関する確率を推定するモデルを構築する（ステップＳ１３）。例えば、モデル構築部１２３は、特徴抽出部１２２により抽出された特徴量を用いて、人事異動先の地域に関する確率を推定するモデルを構築する。
［フローチャート］
　次に、図８を用いて、推定装置２００による推定処理の流れについて説明する。なお、下記のステップＳ１１～Ｓ１４は、異なる順序で実行することもできる。また、下記のステップＳ１１～Ｓ１４のうち、省略される処理があってもよい。
　まず、取得部２２１は、人事に関するデータを取得する（ステップＳ１１）。例えば、取得部２２１は、人事に関するデータとして上長判断情報を取得する。ここで、取得部２２１が取得する人事に関するデータには、基本情報、保有資格情報、受講済み研修情報、親族情報、所属情報、意向情報、上長判断情報、部署情報、地域情報、異動履歴、経歴、評価、面談記録、その他人事課が保有するデータなどが含まれる。
　次に、特徴抽出部２２２は、取得部２２１により取得された人事に関するデータから特徴量を抽出する（ステップＳ１２）。例えば、特徴抽出部２２２は、取得部２２１により取得された上長判断情報を数値化することで特徴量を抽出する。
　それから、推定部２２４は、特徴抽出部２２３により抽出された特徴量を入力データとして、人事異動に関する確率を推定する学習済みモデルに入力し、人事異動に関する確率を推定する（ステップＳ１３）。例えば、推定部２２４は、特徴抽出部２２３により抽出された特徴量を入力データとして、人事異動に関する確率を推定する学習済みモデルに入力し、人事異動先の部署に関する確率を推定する。
　そして、作成部２２５は、推定部２２４により推定された人事異動に関する確率に基づいて、人事異動案を作成する（ステップＳ１４）。
［効果］
　実施形態に係る学習装置１００は、取得部１２１と、特徴抽出部１２２と、モデル構築部１２３とを有する。取得部１２１は、人事に関するデータを取得する。特徴抽出部１２２は、取得部１２１による取得された人事に関するデータから特徴量を抽出する。モデル構築部１２３は、特徴抽出部１２２により抽出された特徴量を用いて人事異動に関する確率を推定するモデルを構築する。
　これにより学習装置１００は、人事に関するデータを特徴量化し、人事異動に関する確率を推定するモデルを構築することで、人事異動案の効率的な作成を可能とする。つまり、学習装置１００は、過去の人事異動に関するデータから、将来の人事異動の状況を推定することを可能とし、人事異動案の作成を効率化することができる。
　実施形態に係る推定装置２００は、取得部２２１と、特徴抽出部２２２と、推定部２２４、作成部２２５とを有する。取得部２２１は、人事に関するデータを取得する。特徴抽出部２２２は、取得部２２１による取得された人事に関するデータから特徴量を抽出する。推定部２２４は、特徴抽出部２２２により抽出された特徴量を入力データとして、人事異動に関する確率を推定する。作成部２２５は、推定部２２４により推定された人事異動に関する確率に基づいて、人事異動案を作成する。
　これにより推定装置２００は、人事に関するデータから人事異動に関する確率を推定して、人事異動案を効率的に作成することができる。
　実施形態に係る推定装置２００における推定部２２４は、人事異動の有無に関する確率、人事異動先の部署に関する確率、人事異動先の地域に関する確率のうちいずれか１つ以上を推定する。これにより推定装置２００は、人事異動の有無、移動先の部署、移動先の地域を推定して、人事異動案を効率的に作成することができる。
　実施形態に係る推定装置２００における作成部２２５は、所定のルールに則って人事異動案を作成する。これにより推定装置２００は、学習されたモデルの推定結果とルールベースとを用いて、人事異動案を効率的に作成することができる。
［システム構成等］
　また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵおよび当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。
　また、本実施例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。
［プログラム］
　上記実施形態において説明した学習装置１００、または推定装置２００が実行する処理をコンピュータが実行可能な言語で記述したプログラムを作成することもできる。この場合、コンピュータがプログラムを実行することにより、上記実施形態と同様の効果を得ることができる。さらに、かかるプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータに読み込ませて実行することにより上記実施形態と同様の処理を実現してもよい。
　図９は、学習プログラム、または推定プログラムを実行するコンピュータの一例を示す図である。図９に示すように、コンピュータ１０００は、例えば、メモリ１０１０と、ＣＰＵ１０２０と、ハードディスクドライブインタフェース１０３０と、ディスクドライブインタフェース１０４０と、シリアルポートインタフェース１０５０と、ビデオアダプタ１０６０と、ネットワークインタフェース１０７０とを有する。これらの各部は、バス１０８０によって接続される。
　メモリ１０１０は、ＲＯＭ（Read　Only　Memory）１０１１およびＲＡＭ１０１２を含む。ＲＯＭ１０１１は、例えば、ＢＩＯＳ（Basic　Input　Output　System）等のブートプログラムを記憶する。ハードディスクドライブインタフェース１０３０は、ハードディスクドライブ１０９０に接続される。ディスクドライブインタフェース１０４０は、ディスクドライブ１１００に接続される。ディスクドライブ１１００には、例えば、磁気ディスクや光ディスク等の着脱可能な記憶媒体が挿入される。シリアルポートインタフェース１０５０には、例えば、マウス１１１０およびキーボード１１２０が接続される。ビデオアダプタ１０６０には、例えば、ディスプレイ１１３０が接続される。
　ここで、図９に示すように、ハードディスクドライブ１０９０は、例えば、ＯＳ１０９１、アプリケーションプログラム１０９２、プログラムモジュール１０９３およびプログラムデータ１０９４を記憶する。上記実施形態で説明した各テーブルは、例えばハードディスクドライブ１０９０やメモリ１０１０に記憶される。
　また、学習プログラム、または推定プログラムは、例えば、コンピュータ１０００によって実行される指令が記述されたプログラムモジュールとして、ハードディスクドライブ１０９０に記憶される。具体的には、上記実施形態で説明したコンピュータ１０００が実行する各処理が記述されたプログラムモジュール１０９３が、ハードディスクドライブ１０９０に記憶される。
　また、学習プログラムによる学習処理、または推定プログラムによる推定処理に用いられるデータは、プログラムデータとして、例えば、ハードディスクドライブ１０９０に記憶される。そして、ＣＰＵ１０２０が、ハードディスクドライブ１０９０に記憶されたプログラムモジュール１０９３やプログラムデータ１０９４を必要に応じてＲＡＭ１０１２に読み出して、上述した各手順を実行する。
　なお、学習プログラム、または推定プログラムに係るプログラムモジュール１０９３やプログラムデータ１０９４は、ハードディスクドライブ１０９０に記憶される場合に限られず、例えば、着脱可能な記憶媒体に記憶されて、ディスクドライブ１１００等を介してＣＰＵ１０２０によって読み出されてもよい。あるいは、制御プログラムに係るプログラムモジュール１０９３やプログラムデータ１０９４は、ＬＡＮ（Local　Area　Network）やＷＡＮ（Wide　Area　Network）等のネットワークを介して接続された他のコンピュータに記憶され、ネットワークインタフェース１０７０を介してＣＰＵ１０２０によって読み出されてもよい。
［その他］
　様々な実施形態を、図面を参照して、本明細書で詳細に説明したが、これらの複数の実施形態は例であり、本発明をこれらの複数の実施形態に限定することを意図するものではない。本明細書に記載された特徴は、当業者の知識に基づく様々な変形や改良を含む、様々な方法によって実現され得る。
　また、上述した「部（module、-er接尾辞、-or接尾辞）」は、ユニット、手段、回路などに読み替えることができる。例えば、通信部（communication　module）、制御部（control　module）および記憶部（storage　module）は、それぞれ、通信ユニット、制御ユニットおよび記憶ユニットに読み替えることができる。
　１００　学習装置
　１１０　通信部
　１２０　制御部
　１２１　取得部
　１２２　特徴抽出部
　１２３　モデル構築部
　２００　推定装置
　２１０　通信部
　２２０　制御部
　２２１　取得部
　２２２　特徴抽出部
　２２４　推定部
　２２５　作成部
　２３０　記憶部

Claims (8)

  1. 　人事に関するデータを取得する取得部と、
    　前記取得部による取得された人事に関するデータから特徴量を抽出する特徴抽出部と、
    　前記特徴抽出部により抽出された特徴量を用いて人事異動に関する確率を推定するモデルを構築するモデル構築部と
    　を有することを特徴とする学習装置。
  2. 　人事に関するデータを取得する取得部と、
    　前記取得部による取得された人事に関するデータから特徴量を抽出する特徴抽出部と、
    　前記特徴抽出部により抽出された特徴量を入力データとして、人事異動に関する確率を推定する推定部と、
    　前記推定部により推定された人事異動に関する確率に基づいて、人事異動案を作成する作成部と
    　を有することを特徴とする推定装置。
  3. 　前記推定部は、人事異動の有無に関する確率、人事異動先の部署に関する確率、人事異動先の地域に関する確率のうちいずれか１つ以上を推定することを特徴とする請求項２に記載の推定装置。
  4. 　前記作成部は、所定のルールに則って人事異動案を作成することを特徴とする請求項２に記載の推定装置。
  5. 　学習装置が実施する学習方法であって、
    　人事に関するデータを取得する取得工程と、
    　前記取得工程による取得された人事に関するデータから特徴量を抽出する特徴抽出工程と、
    　前記特徴抽出工程により抽出された特徴量を用いて人事異動に関する確率を推定するモデルを構築するモデル構築工程と
    　を含むことを特徴とする学習方法。
  6. 　推定装置が実施する推定方法であって、
    　人事に関するデータを取得する取得工程と、
    　前記取得工程による取得された人事に関するデータから特徴量を抽出する特徴抽出工程と、
    　特徴抽出工程により抽出された特徴量を入力データとして、人事異動に関する確率を推定する推定工程と、
    　前記推定工程により推定された人事異動に関する確率に基づいて、人事異動案を作成する作成工程と
    　を含むことを特徴とする推定方法。
  7. 　コンピュータを、請求項１に記載の学習装置として機能させるための学習プログラム。
  8. 　コンピュータを、請求項２～４のうちいずれか１つに記載の推定装置として機能させるための推定プログラム。
PCT/JP2022/027299 2022-07-11 2022-07-11 学習装置、推定装置、学習方法、推定方法、学習プログラムおよび推定プログラム WO2024013819A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/027299 WO2024013819A1 (ja) 2022-07-11 2022-07-11 学習装置、推定装置、学習方法、推定方法、学習プログラムおよび推定プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/027299 WO2024013819A1 (ja) 2022-07-11 2022-07-11 学習装置、推定装置、学習方法、推定方法、学習プログラムおよび推定プログラム

Publications (1)

Publication Number Publication Date
WO2024013819A1 true WO2024013819A1 (ja) 2024-01-18

Family

ID=89536308

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/027299 WO2024013819A1 (ja) 2022-07-11 2022-07-11 学習装置、推定装置、学習方法、推定方法、学習プログラムおよび推定プログラム

Country Status (1)

Country Link
WO (1) WO2024013819A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017188107A (ja) * 2016-03-30 2017-10-12 株式会社オービック 人事異動案作成支援装置、人事異動案作成支援方法、及び、人事異動案作成支援プログラム
JP2020035309A (ja) * 2018-08-31 2020-03-05 カシオ計算機株式会社 情報処理装置及びプログラム
JP2021012535A (ja) * 2019-07-05 2021-02-04 株式会社Ａｉｒｏｂｏ 人事異動支援装置、人事異動支援方法、及びプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017188107A (ja) * 2016-03-30 2017-10-12 株式会社オービック 人事異動案作成支援装置、人事異動案作成支援方法、及び、人事異動案作成支援プログラム
JP2020035309A (ja) * 2018-08-31 2020-03-05 カシオ計算機株式会社 情報処理装置及びプログラム
JP2021012535A (ja) * 2019-07-05 2021-02-04 株式会社Ａｉｒｏｂｏ 人事異動支援装置、人事異動支援方法、及びプログラム

Similar Documents

Publication Publication Date Title
Aranguren et al. Nested methodological approaches for cluster policy evaluation: An application to the Basque Country
Jørgensen et al. Software development effort estimation: Formal models or expert judgment?
Wang et al. A system model of work flow in the patient room of hospital emergency department
Manley The policy Delphi: a method for identifying intended and unintended consequences of educational policy
Lin et al. Resource allocation and outpatient appointment scheduling using simulation optimization
Perera et al. A qualitative study of expatriates’ perceptions of and process of responses to psychological contract breach
Bujacz et al. Psychosocial working conditions among high-skilled workers: A latent transition analysis.
Liu et al. A generalized agent-based model to simulate emergency departments
Oakley et al. Symbiotic simulation for the operational management of inpatient beds: model development and validation using Δ-method
Wnuk et al. Supporting scope tracking and visualization for very large-scale requirements engineering-utilizing FSC+, decision patterns, and atomic decision visualizations
Reece et al. Determining future capacity for an ambulatory surgical center with discrete event simulation
Ma et al. Poor but not powerless: Women workers in production chain factories in China
Guerrero-Velástegui et al. Artificial intelligence and replacement of human talent: Case study of higher education in times of pandemic
Klünder et al. Helping teams to help themselves: An industrial case study on interdependencies during sprints
Kartiko et al. Requirements engineering of village innovation application using goal-oriented requirements engineering (GORE)
WO2024013819A1 (ja) 学習装置、推定装置、学習方法、推定方法、学習プログラムおよび推定プログラム
Astri et al. Information System Strategic Planning with Enterprise Architecture Planning
Ahmad et al. Emergency department problems: A call for hybrid simulation
AZHMUHAMEDOV et al. Modeling of communication process in social environment.
Pohlenz Innovation, professionalisation and evaluation: implications for quality management in higher education
Cao An analysis of the optimal allocation of core human resources in family enterprises based on the Markov model
WO2009135153A2 (en) Systems and methods for modeling workforce talent supply and for automatically processing candidate resumes and job specifications expressed in natural language
Istad Start-up visa: Rethinking entrepreneurship and human capital in immigration policy
Leão et al. Mining enade data from the ulbra network institution
Lu et al. Performance evaluation of elective inpatient admission with delay announcement

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: 22951036

Country of ref document: EP

Kind code of ref document: A1