Имитационная модель процессов обучения и трудоустройства студентов на основе программных агентов с нейросетевой архитектурой О.И. Федяев к.т.н., доцент, зав. кафедрой программной инженерии Донецкого национального технического университета fedyaev@donntu.org Abstract. In the scientific article built the neural network model of professional knowledge transfer, depending on the student's mentality. In the scientific arti- cle developed multi-agent system to simulate the process of finding jobs at the company. Keywords: neural network, student mentality, learning, multi-agent simula- tion model, forecasting, employment Аннотация. Предложена нейросетевая модель передачи профессиональ- ных навыков и знаний в зависимости от менталитета студента. Разработа- на многоагентная система имитационного моделирования процесса тру- доустройства выпускников вуза. Ключевые слова: нейросеть, менталитет студента, обучение, мультиа- гентная имитационная модель, прогнозирование, трудоустройство В работе рассматривается построение мультиагентной модели рынка труда, которая позволит анализировать процесс подготовки молодых специалистов и прогнозировать возможность их трудоустройства. Сама система подготовки кадров, как объект исследования, является динамической и характеризуется большой инерционностью. Последствия изменения одного из факторов можно узнать только по окончанию обучения студентов. Поэтому актуальной как в экономическом, так и в социальном плане, является разработка моделей, позво- ляющих оптимизировать затраты на образование и прогнозировать результаты инновационных преобразований в подготовке кадров. Структура системы подготовки и трудоустройства молодых специалистов включает учебное заведение (выпускающие кафедры), студентов (будущих мо- лодых специалистов) и фирмы (предприятия), принимающие выпускников на работу. Перечисленные элементы системы территориально удалены друг от друга, неоднородны по структуре, их деятельность интеллектуальна и дина- 151 мична по своей природе. Все вместе они образуют сложную распределённую систему, в рамках которой решаются известные задачи по подготовке кадров. Процессы обучения и трудоустройства студентов в такой системе описать формально (математически) не представляется возможным. В этом случае целе- сообразно разрабатывать имитационные модели на основе нейронных сетей, которые могут обеспечить проведение качественных исследований по этой про- блеме. Эти особенности обуславливают целесообразность применения теории ин- теллектуальных агентов к разработке имитационной модели для анализа и управления процессами подготовки кадров и их трудоустройства. При этом возникает сложная, но очень актуальная задача формализации поведения лю- дей, успешное решение которой откроет перспективы в создании качественно новых моделей социально-экономических систем [1]. 1 Система профессионального обучения и трудоустройства как объект моделирования Агентно-ориентированный анализ процессов подготовки и трудоустройства молодых специалистов показал, что его субъекты взаимосвязаны, образуют распределённую, неоднородную и интеллектуальную систему. Поэтому имита- ционная модель таких процессов была представлена в виде совокупности взаи- модействующих интеллектуальных агентов, показанных на рис.1. В рамках этой схемы можно решать следующие задачи: • прогнозирование качества профессионального обучения студентов в зависи- мости от их личностных характеристик и других факторов; • оценивание перспективы трудоустройства студентов на этапе их учёбы по прогнозным данным об остаточных знаниях и навыков по профильным дис- циплинам; • моделирование процесса трудоустройства выпускников вуза; • обеспечение интерактивного обучения студентов, как в компьютерном клас- се, так и в дистанционном режиме. 2 Прогнозирование качества профессионального обучения студентов в зависимости от их личностных характеристик Задача прогнозирования остаточных компетенций решается на основе применения нейронных сетей и сводится к разработке нейросетевой модели, способной функ- ционально описать зависимость получаемых студентом профессиональных знаний и умений от факторов, влияющих на полноту этих знаний (эта модель будет частью агента). Данная задача в свою очередь разбивается на две подзадачи. 152 Рис. 1. Схема мультиагентной системы моделирования подготовки и трудоустройства специалистов: – искусственный агент; – реальные сущности системы подготовки кадров Подзадача 1. Настройка модели по данным наблюдений. Это обратная зада- ча, связанная с нахождением параметров модели, т. е. с построением функции f по наблюдаемым данным Mc , Мп , С и Рс : Pc = f ( M c , M п , С ) , (1) где Мс – ментальность студента; Мп – ментальность преподавателя; С – среда обучения; Рс – профессионализм студента по одной изучаемой дисциплине. Подзадача 2. Формирование знаний и умений по ментальности участников образовательного процесса. Это прямая задача прогнозирования, которая состо- ит в явном оценивании профессионализма студента (Рс), т. е. его знаний и уме- ний, после изучения конкретной дисциплины, по замеренным данным о мен- тальности студента (Мс) и преподавателя (Мп) с помощью построенной модели f (1). Для построения модели программного агента «Студент» необходимо учесть те факторы (личностные характеристики), которые влияют на качество усвое- ния студентом знаний, а именно: мотивацию, интеллектуальные способности, психологические особенности и др. Выявление и анализ таких факторов осу- ществлялось с помощью апробированных психологических методов. В частно- сти, для практического определения психофизиологических особенностей сту- дента использовались известные тесты Айзенка Г.Ю., Гилфорда Д.П., Герчико- ва В.И. и Торренса Э.П. [2]. 153 Как известно, процесс обучения заключается в передаче знаний и навыков от преподавателей к студентам и их усвоения. Качество обучения фиксируется в экзаменационной ведомости. Разрабатываемая нейромодель процесса обучения должна формировать на выходе остаточные знания студента по отдельной дис- циплине, с которыми он выходит на рынок труда (таких нейромоделей у агента будет столько, сколько профессиональных дисциплин). По ним работодатели решают вопрос о трудоустройстве кандидатов на вакантные должности. Рис. 2. Схема нейромодели, описывающая результаты профессионального обучения студента на примере одной дисциплины Прогноз остаточных знаний по одной конкретно взятой дисциплине для од- ного студента осуществляется в два этапа (рис. 2). На первом этапе прогнозиру- ется экзаменационная оценка, а на втором этапе, исходя из прогнозируемой оценки, формируется усреднённый набор остаточных знаний и умений, соот- ветствующий данной оценке. Первая нейронная сеть будет обучаться на основании ментальных портретов группы студентов и экзаменационной ведомости. Вторая нейросеть – на осно- вании критериев оценки и учебной программы дисциплины, в которой содер- жится нормативный перечень знаний и умений. Обучающее множество для второй нейросети составляет преподаватель-профессионал (эксперт) по своей дисциплине в виде таблицы, показывающей, за какие знания и навыки ставится определённая оценка. Выходные сигналы второй нейросети образуют вектор, компоненты которого фиксируют наличие или отсутствие соответствующего остаточного знания или умения. Размер вектора определяется суммарным коли- чеством знаний и умений, предусмотренных учебной программой дисциплины. Структура полигона для автономного обучения нейронных сетей показана на рис. 3. Блоки 2 и 3 полигона реализованы с помощью пакета Neural Network 154 Toolbox, который входит в стандартную поставку MatLab. Параметры обучен- ных нейросетей вводятся в структуру программного агента, что соответствует делегированию (передаче) агенту полномочий (менталитета) лектора соответ- ствующей учебной дисциплины. Рис. 3. Структура подсистемы настройки нейросетевых моделей прогнозирования ре- зультатов обучения Для построения обучающих множеств нейросетей была выбрана группа сту- дентов, прослушавших учебный курс «Системы искусственного интеллекта» и уже получивших экзаменационные оценки. Совместная работа двух обученных нейронных сетей тестировалась на характеристиках ментальности студентов, которые не участвовали в обучении. 3 Мультиагентное имитационное моделирование процесса трудоустройства выпускников вуза Отбор претендентов на работу происходит во время собеседования, которое организует каждая фирма (предприятие) с желающими на ней работать. В про- цессе трудоустройства участвуют n выпускников ВУЗа и k фирм, каждая из которых имеет свой профиль работы, квоты и требования к кандидатам на рабо- ту. Фирма при собеседовании даёт выпускнику анкету, в которой он заполняет данные о себе и решает тестовые задания, после чего фирма оценивает анкету. Выпускник в то же время получает информацию о требованиях к соискателям, условиях работы и вырабатывает оценку о привлекательности фирмы. После завершения этих процессов фирма и выпускник должны принять общее согла- шение о заключении или не заключении трудового договора. Задача распределения молодых специалистов на фирмы, описанная фор- мально в работе [3], заключается в формировании для каждой j-й фирмы список 155 Sj принятых на работу выпускников, которые подходят по знаниям фирме и которым нравится работать на ней. Динамический процесс отбора на работу заканчивается тогда, когда все списки претендентов перестанут обновляться. При построении искусственных агентов была выбрана нейросетевая архи- тектура. Интеллектуальными задачами, которые решаются нейросетевым спо- собом, являются: оценивание выпускником условий труда на фирме, решение студентом типовых заданий по профилю фирмы, оценивание фирмой ответов выпускника на тестовые задания. Для передачи профессиональных навыков от молодого специалиста (источника знаний) к нейросетевому программному агенту использовались коммуникативные методы извлечения знаний из реаль- ных студентов-выпускников (это третья задача из списка в разделе 1) и алго- ритм настройки нейросети по стратегии «обучение с учителем». Для извлечения знаний из выпускников были составлены опросные анкеты по каждому разделу программной инженерии (например, по дисциплинам «Си- стемы искусственного интеллекта», «Базы данных и т. д.), из которых формиро- вались обучающие множества для нейросетей. В анкету входил набор типовых заданий по каждому из намеченных разделов учебного плана специальности и правильные ответы к ним в виде номеров необходимых знаний и умений из предлагаемого списка для их решения. Многоагентная система моделирования была разработана с помощью ин- струментальной среды MadKit. Архитектура платформы MadKit основана на AGR (Agent/Group/Role) модели, которая базируется на трёх ключевых поняти- ях: агент, группа и роль. Рассмотрим один из экспериментов по моделированию процесса трудо- устройства выпускников с низким уровнем профессиональной подготовки. В эксперименте запланировано участие трёх фирм, у которых имеется определён- ное количество вакансий: первый агент фирмы (company-1) имеет 2 вакансии, второй (company-2) – 4 и третий (company-3) – 1. В качестве кандидатов на ра- боту в этих фирмах запланировано участие 15 выпускников ВУЗа с низким уровнем знаний по профилю данных фирм. Условия труда, которые предлагают фирмы в данном эксперименте, оценивались выпускниками по 8 показателям: заработная плата, предоставление жилья, форма собственности и т. д. Динамика процесса визуализируется с помощью специальных окон (рис. 4), в которых на каждом шаге моделирования отображается состояние трудо- устройства, т.е. сколько и кого уже отобрала каждая фирма, какие выпускники ещё проходят собеседование и т. д. 156 Рис. 4. Конечное состояние моделирования трудоустройства 4 Заключение Предложен подход к нейросетевому моделированию трудно формализуемого процесса профессионального обучения студентов, основанный на имитации процесса передачи профессиональных навыков и знаний в зависимости от лич- ностных характеристик студентов. Разработана многоагентная модель, реалистично отражающая поведение лю- дей и фирм при поиске работы в зависимости от социальных, профессиональ- ных и экономических факторов, делегированных членам искусственных агентов модели системы трудоустройства. Литература 1. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: филосо- фия, психология, информатика. – М.: Эдиториал, 2002. 2. Айзенк Г. Новые тесты IQ. – М.: Изд-во «ЭСКМО», 2003. 3. Федяев О.И. Модель системы подготовки и трудоустройства специалистов на осно- ве программных агентов с нейросетевой архитектурой // Пятнадцатая национальная конференция по искусственному интеллекту с международным участием КИИ-2016, Труды конференции. В 3-х томах. Т.2. – Смоленск: Универсум, 2016.