Die Beschreibung eines Mitarbeiters als Summe seiner Kenntnisse und Fähigkeiten ermöglicht u. a. die detaillierte Allokation von Aufgaben, die genau auf die Interessen und Kenntnisse des Mitarbeiters passen und daher die Effizienz der Aufgabendurchführung und die Mitarbeiterzufriedenheit erhöht. Doch wie kann ein Mitarbeiter so detailliert beschrieben werden und wie kann diese Beschreibung dann auch noch genutzt werden? In dieser Arbeit soll ein Weg gefunden werden, wie die Kenntnisse und Fähigkeiten der Mitarbeiter automatisiert verarbeitet werden können. Zur Sammlung dieser Daten ist es notwendig, eine Datenbank zu entwerfen und zu befüllen, die genau diese Informationen für betriebliche Zwecke zur Verfügung stellen kann.
Bei genauer Betrachtung ist festzustellen, dass die Bewertung von Kenntnissen und Fähigkeiten nur schwer möglich ist und diese sich im Rahmen eines Lebenszyklus ständig ändern. Dieser Lebenszyklus wird fortan als Skill Lifecycle bezeichnet. Die Aufgabe des Skill Lifecycle Managements (SLM) ist es somit, eine Bewertungsmethodik zu entwerfen und die fortlaufenden Änderungen möglichst realitätsnah zu erfassen und zu formalisieren.
Zur Effizienzsteigerung und Optimierung durch eine automatisierte Nutzung der erfassten Bewertungen bietet sich das Projektstaffing an. Diese Verfahren der Mitarbeiterzuordnung in Projekten wurden bislang meistens durch menschliche Entscheidungen durchgeführt, da die hohe Komplexität nur durch die menschliche Kognition erfasst werden kann. Doch die entwickelten Techniken der naturanalogen Verfahren und der künstlichen Intelligenz (KI) können hier unterstützen und Lösungen ermöglichen, die die Einsatzplanung der Humanressourcen optimiert, perfektioniert und automatisiert.
An dieser Stelle kann eine fachgebietsübergreifende Wissenschaft herangezogen werden, die in den letzten Monaten und Jahren nach längerer Ruhephase wieder häufiger in den Medien diskutiert und in der Forschung untersucht wird. Die Forschung im Bereich der künstlichen Intelligenz wurde bereits vor Jahrzehnten begonnen, das Interesse ist damals jedoch aufgrund der begrenzten praktischen Anwendbarkeit, die sich aus der mangelnden Rechenleistungen von Computern zu dieser Zeit ergab, wieder abgeflacht. Die Rechenleistung hat sich in den letzten Jahren stark erhöht, so dass das Gebiet neuen Aufschwung erhielt und in vielen Bereichen auch aus der Grundlagenforschung herausgewachsen und in die industrielle Anwendung überging.
Inhaltsverzeichnis
1 Einleitung
1.1 Zielsetzung
1.2 Gliederung und Aufbau
2 Skill Lifecycle Management
2.1 Die Phasen des Skill Lifecycles
2.2 Definition der betrieblich genutzten Fähigkeiten (Skills)
2.3 Definition Skill Lifecycle Management
2.4 Definitionen und Nutzen einer Skill Matrix Datenbank
2.5 Die Struktur und Pflege der Skill Matrix Datenbank
2.6 Initialisierung der Skill Matrix Datenbank
2.6.1 Ressourcenportfolio
2.6.2 Skillportfolio
2.6.3 Attributbewertung
3 Einführung in die angewandten naturanalogen Verfahren
3.1 Simulation durch ein künstliches neuronales Netz
3.1.1 Typisierungen eines künstlichen neuronalen Netzes
3.1.2 Fuzzifizierung zur Verarbeitung unscharfer Werte
3.1.3 Lernverhalten von künstlichen neuronalen Netzen
3.2 Das Self-Enforcing Network
3.2.1 Parametrisierung des SEN
3.2.2 Ausgaben des SEN
4 Anwendung der Skill Matrix Datenbank
4.1 Modellhafte Implementierung der SMDB
4.1.1 Ressourcenportfolio
4.1.2 Skillportfolio
4.1.3 Attributbewertung
4.2 Beispielprojekt
5 Optimierung des Projektstaffings
5.1 Anforderungsdefinition im Activity Skills Inventory
5.2 Ressourcenvorschläge durch das Self-Enforcing Network
5.3 Ermittlung der Ressourcenvorschläge im Projektstaffing
5.3.1 Parametrisierung des SEN
5.3.2 Erstellung der Ressourcenvorschläge
5.3.3 Nutzung der Ressourcenvorschläge
6 Modellentwurf eines neuronalen Netzwerks für das SLM
6.1 Modifikationseffekt „Projektcontrolling“ (ϕPC)
6.1.1 Die Neuronen des Input Layers
6.1.2 Die Neuronen des Hidden Layers
6.1.3 Anwendungsbeispiel Projektcontrolling
6.2 Modifikationseffekt „Lessons Learned“ (ϕLL)
6.2.1 Neuronen des Input Layers
6.2.2 Neuronen des Hidden Layers
6.2.3 Anwendungsbeispiel Lessons Learned
6.3 Modifikationseffekt „Weiterbildung und Lehrgänge“ (ϕWB)
6.3.1 Neuronen des Input Layers
6.3.2 Anwendungsbeispiel Weiterbildung
6.4 Modifikationseffekt „Alterung von Wissen“ (ϕA)
7 Ergebnisse des SLM-Modells im Output-Layer
7.1 Die Propagierungsfunktionen der Ausgabeneuronen
7.1.1 Projektcontrolling ϕPC
7.1.2 Lessons Learned ϕLL
7.1.3 Weiterbildung ϕWB
7.1.4 Aging ϕAR
7.2 Rekurrente Aktivierung durch σt-1 und ϕAS
7.3 Die Aktivierungsfunktion der Ausgabeneuronen
7.4 Zusammenfassung der Anwendungsbeispiele
8 Das Training der inneren Topologie
8.1 Lernen bei der Initialisierung
8.2 Lernen durch die Mitarbeiterbeurteilung
8.3 Angewandte Prozesse im Training des KNN
9 Resümee und Ausblick
Zielsetzung & Themen
Die Masterarbeit zielt darauf ab, ein intelligentes Expertensystem zur automatisierten Mitarbeiterallokation und Skill-Optimierung zu entwerfen, das den Lebenszyklus von Mitarbeiterkompetenzen technisch abbildet und mittels naturanaloger Verfahren optimiert.
- Entwicklung eines Skill Lifecycle Management (SLM) Modells zur formalisierten Erfassung von Kompetenzänderungen.
- Aufbau und Parametrisierung einer Skill Matrix Datenbank (SMDB) als Datenbasis für die Ressourcenallokation.
- Einsatz von künstlichen neuronalen Netzen (KNN) und Self-Enforcing Networks (SEN) zur Optimierung des Projektstaffings.
- Integration von Modifikationseffekten wie Projektcontrolling, Weiterbildung, Lessons Learned und Wissensalterung.
Auszug aus dem Buch
3 Einführung in die angewandten naturanalogen Verfahren
Der Hauptzweck der vorgestellten Skill Matrix Datenbank ist die optimale Auswahl von Projektressourcen zu ermöglichen. Dies erfolgt über eine Project Staffing Query, die auf eine möglichst aktuelle Datenbasis zurückgreifen muss, was wiederum voraussetzt, dass Änderungen der Fähigkeiten realitätsnah in der Datenbank wieder gegeben werden. Für diese beiden Zielsetzungen wird in den nachfolgenden Kapiteln dargestellt, wie dies mit Hilfe naturanaloger Verfahren erfolgen kann. Welche Verfahren nachfolgend genutzt werden und wie diese funktionieren wird vorab dargestellt.
Das Self-Enforcing Network (SEN) von KLÜVER und KLÜVER [u.a. KLKL11] unterstützt dabei die Abfrage und Ressourcenallokation des im nachfolgenden Kapitel 4 beschriebenen Projektstaffing-Prozess. Die hierfür benötigten formalisierten, korrekten Kompetenzwerte innerhalb der SMDB auf Basis von Anpassungen zu schaffen, kann ein künstliches neuronales Netz übernehmen.
Die folgenden Darstellungen zeigen nur einen kleinen Teil der sehr umfassenden Möglichkeiten, Arten und Parametrisierungen der Verfahren. Die Darstellungen beziehen sich auf die Zielsetzung im SLM und lassen diverse Möglichkeiten der Erweiterungen und Nutzungen außen vor um die Komplexität und den Umfang innerhalb dieser Arbeit überschaubar zu halten.
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung führt in die Notwendigkeit der Effizienzsteigerung bei der Mitarbeiterallokation ein und definiert die grundlegende Zielsetzung zur technischen Abbildung des Skill-Lebenszyklus mittels Datenbanken und KI-Verfahren.
2 Skill Lifecycle Management: In diesem Kapitel werden die Phasen des Kompetenz-Lebenszyklus (Ausbildung, Anwendung, Austausch, Alterung) definiert und der Aufbau einer Skill Matrix Datenbank als Basis für das Management betrieblicher Fähigkeiten erläutert.
3 Einführung in die angewandten naturanalogen Verfahren: Das Kapitel stellt theoretische Grundlagen zu künstlichen neuronalen Netzen (KNN) und dem Self-Enforcing Network (SEN) bereit, die zur Klassifikation und Abfrage von Mitarbeiterprofilen genutzt werden.
4 Anwendung der Skill Matrix Datenbank: Hier erfolgt die modellhafte Implementierung und Initialisierung der Datenbank anhand von Mitarbeiterprofilen und Kompetenzclustern für ein konkretes Beispielprojekt.
5 Optimierung des Projektstaffings: Das Kapitel beschreibt den Prozess des "Activity Skills Inventory" zur Anforderungsdefinition und wie das SEN genutzt wird, um passende Ressourcen für Projekte automatisch vorzuschlagen.
6 Modellentwurf eines neuronalen Netzwerks für das SLM: Es werden spezifische Modifikationseffekte wie Projektcontrolling, Lessons Learned, Weiterbildung und Wissensalterung formalisiert und als neuronales Netzwerkmodell für das SLM-System aufbereitet.
7 Ergebnisse des SLM-Modells im Output-Layer: Dieses Kapitel liefert die mathematischen Herleitungen für die Propagierungs- und Aktivierungsfunktionen, mit denen die Skillwerte in der Datenbank basierend auf den Modifikationseffekten in Echtzeit aktualisiert werden.
8 Das Training der inneren Topologie: Das Kapitel erläutert die Trainingsphasen des neuronalen Netzes, inklusive initialer Konfiguration und kontinuierlicher Anpassung durch Mitarbeiterbeurteilungen mittels Backpropagation-Verfahren.
9 Resümee und Ausblick: Diese abschließende Betrachtung fasst die Ergebnisse zusammen und diskutiert die Machbarkeit sowie notwendige weiterführende Forschungsaspekte für eine praktische Implementierung in Unternehmen.
Schlüsselwörter
Skill Lifecycle Management, Projektstaffing, künstliche neuronale Netze, Skill Matrix Datenbank, Self-Enforcing Network, Kompetenzmanagement, Projektcontrolling, Wissensmanagement, Fuzzy-Logik, Humanressourcen, Backpropagation, Weiterbildung, Mitarbeiterbeurteilung, Wissensalterung, Expertenmodell
Häufig gestellte Fragen
Worum geht es in dieser Masterarbeit grundsätzlich?
Die Arbeit beschäftigt sich mit der Entwicklung eines Modells zur automatisierten Optimierung der Personaleinsatzplanung (Projektstaffing) durch die digitale Abbildung des gesamten Lebenszyklus von Mitarbeiterfähigkeiten.
Welche zentralen Themenfelder behandelt die Arbeit?
Die zentralen Themen sind das Skill Lifecycle Management, der Einsatz von künstlicher Intelligenz (neuronale Netze) zur Bewertung von Kompetenzentwicklungen und die praktische Anwendung von Skill-Datenbanken.
Was ist das primäre Ziel oder die Forschungsfrage?
Das primäre Ziel ist die Entwicklung eines Modells, das die qualitativen Veränderungen von Mitarbeiterkompetenzen formalisiert und technisch verarbeitet, um eine effizientere Zuordnung von Ressourcen zu Projektanforderungen zu ermöglichen.
Welche wissenschaftlichen Methoden werden verwendet?
Die Arbeit nutzt Methoden der Informatik, insbesondere künstliche neuronale Netze (KNN), Fuzzy-Logik für unscharfe Bewertungen sowie das Self-Enforcing Network (SEN) zur Klassifikation von Daten.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die theoretische Einführung naturanaloger Verfahren, die Implementierung einer Skill-Datenbank, die mathematische Herleitung von Modifikationseffekten (z.B. Wissensalterung) und das Training des KNN-Modells.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit wird primär durch Begriffe wie Skill Lifecycle Management, Projektstaffing, künstliche neuronale Netze und Skill Matrix Datenbank charakterisiert.
Wie unterscheidet sich dieser Ansatz von klassischen Systemen?
Im Gegensatz zu statischen Systemen berücksichtigt dieses Modell durch den Einsatz neuronaler Netze kontinuierliche Lern- und Alterungsprozesse von Wissen, was eine dynamische und realitätsnahe Anpassung der Mitarbeiterprofile ermöglicht.
Welche Rolle spielt das "Self-Enforcing Network" in diesem Kontext?
Das SEN fungiert als Expertensystem, das basierend auf den in der Skill-Datenbank hinterlegten Werten und den aktuellen Projektanforderungen eine Klassifikation vornimmt, um die geeignetsten Mitarbeiter für ein spezifisches Aufgabenpaket zu identifizieren.
- Citation du texte
- Ralph Schimpf (Auteur), 2012, Skill Lifecycle Management: Ein angewandtes künstliches neuronales Netz im Projektstaffing, Munich, GRIN Verlag, https://www.grin.com/document/198329
