SPDECE08

1. Modelo difuso para la selección automatizada de cursos apropiados para el perfil profesional del alumno Dea. D. Luis Enrique Corredera de Colsa Dr. D. Alfonso José López Rivero Dr. D. Marcelo Vallejo García SPDECE08 Facultad de Informática Universidad Pontifica de Salamanca

2. Presentación del artículo • Justificación • El problema de la selección de personal • Ventajas y limitaciones de modelos existentes • Descripción de nuestro modelo difuso • Definición de condiciones iniciales y objetivos funcionales • Estimación de parámetros del sistema • Verificación del modelo: • Problemas sintéticos • Ejemplos reales de funcionamiento • Conclusiones • Líneas de investigación futuras 2

3. El problema de la selección de personal 3

4. La selección de personal Objetivo: Cubrir puestos de trabajo de forma óptima. Su éxito determina el cumplimiento de objetivos en las empresas. Es un problema estudiado por la comunidad científica. Ámbitos de aplicación fácilmente extrapolables: Ofrecer cursos adaptados a formación de base del alumno Selección de personal docente adecuado.

5. Ventajas y limitaciones de los modelos existentes Enfoques principalmente basados en lógica de modelos difusos y algoritmos genéticos. Conjuntos difusos: Clasificación de la pertenencia a conjuntos cuantitativamente, con números reales. Algoritmos evolutivos: Mejora continua a través de mezclado poblacional y extracción de mejores características. Alta complejidad y elevado coste computacional.

6. Descripción de nuestro modelo difuso 6

7. Definición de las condiciones iniciales y premisas de funcionamiento, y preprocesamiento de las variables de entrada y salida del modelo. Estimación de parámetros del sistema, de modo que se comporte de acuerdo con las condiciones iniciales. La verificación del modelo, y la cuantificación de su error. La validación del modelo: asegurando que soluciona los problemas planteados, y se comporta de acuerdo con su especificación. Trabajo realizado

8. Codificación de las variables cualitativas (titulaciones). Establecimiento de distancias entre pares de elementos codificados (distancias no conmutativas). La existencia de dos titulaciones cercanas debe reducir la distancia. La existencia de una titulación exacta, y una cercana no debe incrementar la distancia (el resultado sería mejor que una exacta). Las titulaciones que no tengan afinidad, tendrán una “distancia infinita”. Cuando exista una titulación afín y una infinita, la infinita no debe influir negativamente en la valoración. Definición de condiciones iniciales

9. Determina el éxito del modelo La distancia “infinita” se modela como ‘1’. El elemento neutro del producto. Las titulaciones idénticas o equivalentes tienen de valor ‘-1’. Proyectamos sobre R- los exactos. Afinidad distinta de ‘-1’ recibe valores del intervalo (0,1). “Cuando necesito un titulado en A y obtengo un titulado en B, es válido en un X %”. El valor asignable sería 1 – (X/100). Codificación de variables cualitativas

10. La distancia negativa transgrede los conceptos convencionales de distancias de las distancias. Las distancias son valores de entrada al sistema, y deberían recogerse de la experiencia de expertos en la materia. Para la puesta en producción, se recogieron datos de a través de encuestas a profesores de universidad en España, para calcular distancias entre titulaciones. Codificación de las variables cualitativas (II)

11. Adecuación de una persona al objetivo 1.- Establecemos la adecuación inicial en “1”. 2.- Para cada titulación de la persona, multiplicamos la adecuación por la distancia.

12. Salida en [-1,1], siendo su interpretación la siguiente según el valor “a” de su función de adecuación. Si a pertenece a [-1,0): el perfil del candidato cumple el objetivo, y tiene un exceso. Este exceso se obtiene cuantitativamente como el valor absoluto de “a”, siendo éste mayor, indica un mayor exceso de requisitos. Espacio de salida de la adecuación

13. Si a pertenece a [0,1]: el perfil candidato no cumple el objetivo, sin embargo cuanto más cercano a cero sea, mayor será su grado de adecuación al objetivo. Espacio de salida de la adecuación (II)

14. Espacio de salida de la adecuación (III)

15. Procesado de la salida El orden de la salida no es “natural” y puede optimizarse para automatizar las consultas de adecuación. Proyectamos la salida sobre [0,2)

16. Interpretación difusa: la función de proyección produce 2 alpha-cortes en el conjunto de salida: Procesado de la salida (II)

17. Procesado de la salida (III) 3 conjuntos: 2 difusos. 1 clásico.

18. Verificación del modelo con casos de uso sintéticos 18

19. Establecimiento de distancias sintéticas Si busco un IST y obtengo un ITIS, me resulta válido en un 20% (1-coef)*100%

20. Búsqueda con resultados exactos Cuando el objetivo es un titulado en ISI, ¿cómo de válidos son nuestros potenciales?

21. Resultados excesivos, exactos y complementarios Cuando necesito un titulado en IST, ¿cómo de válidos son nuestros potenciales?

22. Cuando necesito un titulado en IST, ¿cómo de válidos son nuestros potenciales? Búsqueda excesiva, con diferentes niveles de exceso

23. Tecnología aplicada a portales de empleo en Internet desarrollados por Flag Solutions. Portal B2B desarrollad por Flag Solutions para contratación de maquinaria especializada en obra civil. Ejemplos reales de funcionamiento 23

24. La selección de recursos es un factor determinante para el éxito en proyectos y empresas, y nuestro modelo supone una ayuda para la toma de decisiones. Responde con solvencia a entornos sintéticos y de producción, identificando excesos, defectos y permitiendo la ordenación de los resultados. Conclusiones 24

25. Líneas de investigación futuras 25

26. Línea de investigación futura (I) Modelado de pares de distancia para diferentes situaciones del mundo real (experiencia, ámbitos de conocimiento, motivación, etc.) y su forma de asignarles una valoración coherente con el modelo presentado. Extensión del modelo para criterios multi-variable, facilitando en la definición de objetivos establecer la importancia que representa cada variable estudiada. 26

27. Mejorar el modelo para incluir factores de corrección procedentes de realimentación por parte del usuario, de forma que puedan modificarse particularmente los resultados de clasificación, en contra de los datos de configuración inicial. En otro ámbito, estudio del impacto de los excesos en factores psicológicos para recursos humanos (frustración en recursos humanos con un exceso considerable, incremento de motivación por asunción de responsabilidades ligeramente superiores a la capacitación presentada, etc.). Líneas de investigación futuras (II)

28. Gracias por su atención Contacto: Dea. D. Luis Enrique Corredera de Colsa: luisenrique@flagsolutions.net Dr. D. Alfonso J. López Rivero: ajlopezri@upsa.es Dr. D. Marcelo Vallejo García: mvallejoga@upsa.es