Žmonių išteklių valdymas su DI (PDF)

Žmonių išteklių valdymas Procesas, kurio metu organizacija valdo ir koordinuoja savo darbuotojų veiklą ir santykius: ▪ Darbuotojų atranka ▪ Įdarbinimas ▪ Apmokymas ▪ Motyvavimas ▪ Atlyginimas Karjera ▪ Darbo teisių ir įsipareigojimų tvarkymas ▪ Darbuotojų veiklos vertinimas ▪ Konfliktų s...

Žmonių išteklių valdymas Procesas, kurio metu organizacija valdo ir koordinuoja savo darbuotojų veiklą ir santykius: ▪ Darbuotojų atranka ▪ Įdarbinimas ▪ Apmokymas ▪ Motyvavimas ▪ Atlyginimas Karjera ▪ Darbo teisių ir įsipareigojimų tvarkymas ▪ Darbuotojų veiklos vertinimas ▪ Konfliktų sprendimas ▪ … ▪ 2  1. Dirbtinio intelekto technikų galimybių ir žmonių išteklių valdymo poreikių suderinamumas 3  DI darbo rinkoje: statistiniai duomenys ▪ 35 – 45 proc.įmonių naudoja dirbtinio intelekto įdarbinimo įrankius, o 79 proc.įdarbintojųmano, kad dirbtinis intelektas netrukus priims sprendimus dėl įdarbinimo ir atleidimo ▪ DI pokalbių robotai gali atsakyti į klientų užklausas iki 80 proc.greičiau nei žmogaus valdomos paslaugos ▪ DI sistemos apdoroja ir analizuoja vaizdus iki 1000 kartų greičiau nei žmogus ▪ Dirbtinis intelektas teisinius dokumentus peržiūri iki 200 kartų greičiau nei žmogaus advokatas ▪ Gamyboje robotai gali pagaminti prekes iki 3 kartų greičiau nei žmogaus valdomos surinkimo linijos ▪ Dirbtinis intelektas gali skaityti ir apibendrinti ilgus dokumentus iki 20 kartų greičiau nei žmogus ▪ Dirbtiniu intelektu pagrįstas modeliavimas ir tyrimų analizė gali būti atliekami iki 100 kartų greičiau nei tradiciniai žmogaus valdomi metodai ▪ … Ir dėl dirbtinio intelekto mums nereikia koduoti, kad per kelias minutes sukurtume naudingų programų, pvz., atostogų užklausos programą kitoje skaidrėje 4 DI naudojimas ŽIV IBM Global AI Adoption Index 2022 | May 2022 5 DI įtaka darbo galimybėms ir pobūdžiui TIKIMASI, KAD PER ATEINANČIUS 8 METUS DI RINKA IŠAUGS DAUGIAU NEI 13 KARTŲ 6  DI naudosžmonių išteklių valdyme The impact of AI on job opportunities Data: statista.com 30% Saves money 31% Delivers best candidate matches Removes human bias 43% 67% Saves time Duomenys: statista.com 7  Remiantis 750-ies verslo lyderių, naudojančių "ResumeBuilder" dirbtinį intelektą, ataskaita, 37 proc. teigia, kad ši technologija pakeitė darbuotojus 2023 m. Tuo tarpu 44 proc. teigia, kad 2024 m. numatomi nauji atleidimai dėl dirbtinio intelekto efektyvumo. https://www.cnbc.com /2023/12/16/ai-job-losses-are-rising-but-the-num bers-dont-tell-the-full-story.htm l 9  Tačiau dirbtinis intelektas ne tik atima, bet ir kuria darbo vietas įvairių sričių specialistams 10  Tačiau, remiantis Pasaulio ekonomikos forumo ir jo ataskaita dėl darbo vietų ateities, per ateinančius penkerius metus visame pasaulyje bus sukurta 69 milijonai darbo vietų, o tuo pačiu metu bus panaikinta 83 milijonai darbo vietų, todėl dabartinis užimtumas sumažės 2 proc. https://startuptalk y.com /how-ai-transf orm ing-hr/ 11  Ar dirbtinis intelektas gali perskaityti jūsų mintis? 13 14 DI naudojimas ŽIV Darbo jėgos planavimas Darbuotojų poreikio Naujų darbuotojų nustatymas Tekamumo prognozavimas Darbuotojų atranka įvedimas (angl. Operatyvinis planavimas onboarding) Darbuotojų veiklos Darbuotojų įsitraukimas Įgūdžių tobulinimas valdymas 16 DI technikos ŽIV’e Darbo jėgos planavimas: Prižiūrimas mašininis mokymasis, Prognozavimas. Darbuotojų atranka: Prižiūrimas mašininis mokymasis, Natūralios kalbos apdorojimas (NLP). Naujų darbuotojų įtraukimas: Prižiūrimas mašininis mokymasis, Procesų automatizavimas. Veiklos valdymas Prižiūrimas mašininis mokymasis, Duomenų analizė. Darbuotojų įsitraukimas Natūralios kalbos apdorojimas (NLP), Emocijų atpažinimas. Įgūdžių tobulinimas: Prižiūrimas mašininis mokymasis, Personalizavimo technikos. 20 2. Darbuotojų poreikio nustatymas ir tekamumo prognozavimas taikant dirbtinius neuroninius tinklus 23 Darbuotojų poreikio nustatymas taikant DI Prognozavimas naudojant mašininio Natūralios kalbos mokymo algoritmus apdorojimas (NLP) Pažangūs duomenų analizės metodai: pvz., duomenų vizualizacija, gilieji Klasterizavimas neuroniniai tinklai, kompleksinės duomenų analizės metodai 24 Darbuotojų poreikio nustatymas su DI technikomis Natūralios kalbos apdorojimas Gilusis mokymasis atspindi specifines architektūras, tokias Nuspėjamoji analizė apima (NLP) susikerta su daugeliu kitų AI kaip rekurentiniaineuroniniai mašininio mokymosi modelius, metodų. Jo naudojimas apima tinklai (RNN) ir ilgalaikiai kurie gali numatyti būsimus gyvenimo aprašymų ir pareigybių trumpalaikės atminties tinklai personalo poreikius, pagrįstus aprašymų analizę, kad jie atitiktų (LSTM), kurie puikiai moka istoriniais duomenimis apie darbo įgūdžius ir kvalifikaciją, nustatyti modelius laike ir gali būti jėgos tendencijas, pardavimo komunikacijos kanalų analizę, labai svarbūs norint suprasti informacijos gavimą iš tekstinių darbuotojų kaitos tendencijas arba apimtis ir verslo augimą. duomenų šaltinių, susijusių su numatyti būsimus įdarbinimo žmogiškaisiais ištekliais. poreikius. Sprendimų medžiai ir Anomalijų aptikimas padeda Skatinamasis mokymasis gali būti atsitiktiniai miškai naudojami mums nustatyti neįprastus darbo naudojamas optimizuoti išteklių klasifikuoti vaidmenų tipus, kurie jėgos duomenų modelius, kurie paskirstymą ir personalą, yra labiausiai linkę palikti darbą, gali reikšti problemą, kuriai reikia imituojant skirtingas strategijas ir arba nustatyti darbuotojų, kurie papildomų darbuotojų, pvz., staigų mokantis iš rezultatų. gali išeiti iš darbo arba kuriuos darbo krūvio padidėjimą arba reikia pakeisti, savybes. netikėtą darbuotojų trūkumą. Laiko eilučių analizė taip pat yra mašininio mokymosi metodas, kurį taikant galima numatyti būsimus personalo poreikius analizuojant laiko duomenis, pvz., sezonines tendencijas ar ciklinius verslo modelius. 26  Tekamumo prognozavimas taikant DI Gilieji neuroniniai tinklai (GNT) –daugiasluoksniai dirbtiniai neuroniniai tinklai, mokomi iš duomenų: Prognozavimas darbuotojų tekamumui –identifikuoja svarbiausius veiksnius, turinčius įtakos darbuotojų patenkinimui. Analizuoja kompleksines sąsajas –galimas sudėtingų ir neakivaizdžių veiksnių atpažinimas. Identifikuoja netikėtus ryšius ir įžvalgas –gali pastebėti neįprastus ar nepastebėtus dėsningumus. Duomenų apimtis –gali analizuoti didelius duomenų rinkinius, suteikiant tikslesnes prognozes. Veiksmingi darbuotojų poreikiams patenkinti –padeda organizacijoms priimti sprendimus, kuriuos galima tinkamai pritaikyti darbuotojams. Gerina darbuotojų ir organizacijos veiklos efektyvumą –leidžia sklandžiai valdyti ir tobulinti personalo valdymo procesus. 27 Tekamumo prognozavi mas su TensorFlow 28  Darbuotojų poreikis ir tekamumas Tačiau vien tik darbo poreikio Tekamumo analizė padeda Analizuojant darbo poreikį analizė negali užtikrinti, kad nustatyti, kaip organizacijos sąveikoje su darbuotojų organizacija išlaikys ir veikla, vadovavimo stilius, tekamumu yra labai tikslinga. pritrauks gerus darbuotojus. darbo sąlygos. Bendra darbo poreikio ir tekamumo analizė gali padėti organizacijai išsaugoti talentingus darbuotojus, sumažinti darbuotojų kaitą ir pagerinti veiklos efektyvumą. 29  Kai darbuotojų poreikis ir tekamumas analizuojami kartu Giliuosius neuroninius tinklus galima pritaikyti sudėtingiems ir nepastoviems duomenims su daug kintamųjų ir sąsajų. Gali identifikuoti nerandamas tendencijas ir ryšius, padedant išryškinti svarbius darbuotojų poreikius ir charakteristikas, kurios veikia organizacijos veiklą ir rezultatus. GNT yra lankstūs ir gali analizuoti skirtingo pobūdžio ir formatų duomenis, įskaitant tekstinius, skaitinius ir kategorinius duomenis. Jie gali būti sukonfigūruoti kaip klasifikatoriai ar regresijos modeliai, priklausomai nuo užduočių pobūdžio. GNT gali mokytis iš daugybės duomenų ir aptikti kompleksinius šablonus bei sąsajas tarp veiksnių, suteikdami galimybę padaryti gilesnes prognozes. Dėl GNT giliojo mokymosi gebėjimų galima gauti daugiasluoksnių įžvalgų apie darbuotojų poreikius ir tekamumą, paaiškinant, kaip veiksniai gali paveikti organizacijos veiklą ir darbuotojų produktyvumą. Visada reikia atlikti išsamią analizę ir tyrimus, kad būtų galima pasirinkti tinkamiausią dirbtinio intelekto tipą pagal konkretų projektą ir jo tikslus. 30  3. Darbuotojų operatyvinis planavimas taikant genetinius algoritmus 33 Darbo jėgos planavimas ir operatyvinis planavimas Planavimas žmonių išteklių valdyme: Platesnis ir ilgalaikis procesas, skirtas nustatyti organizacijos ilgalaikius darbuotojų poreikius. Tai apima prognozuojamų darbuotojų skaičiaus ir kompetencijų poreikių nustatymą ateinančiais metais ar net dešimtmečiais. Šiuo planavimo etapu organizacija gali nustatyti ilgalaikę darbuotojų strategiją, įvertinti reikalingas mokymo ir plėtros programas, identifikuoti svarbius vadovavimo vaidmenis ir atlikti darbuotojų poreikių analizę pagal organizacijos viziją ir tikslus. Planavimas žmonių išteklių valdyme padeda užtikrinti, kad organizacija turės tinkamą ir kompetentingą darbo jėgą ateityje, siekiant pasiekti ilgalaikius strateginius tikslus. Operatyvinis planavimas žmonių išteklių valdyme: Apima trumpalaikį darbuotojų poreikių nustatymą ir valdymą. Tai yra procesas, kuris fokusuojasi į artimiausius mėnesius ar ketvirčius ir yra susijęs su konkrečių darbuotojų poreikių atitikimu. Atostogų tvarkaraščio sudarymas, darbuotojų darbo laiko organizavimas, darbuotojų paskirstymas pagal skirtingas užduotis ir darbo vietų reorganizacija. Operatyvinis planavimas padeda užtikrinti, kad organizacija turi tinkamai subalansuotą darbo jėgą, kad būtų galima sėkmingai vykdyti kasdienines veiklas ir projektus. 34  DI technikos planuojant darbo jėgą Prognozavimo technikos ir metodai: gilieji neuroniniai tinklai, mašininio mokymosi algoritmai ar statistiniai modeliai. Naudojant giliuosius neuroninius tinklus ir mašininio mokymosi algoritmus, galima prognozuoti darbuotojų skaičių ir kompetencijų poreikius ateinančiais metais ar dešimtmečiais, remiantis esamais duomenimis apie organizacijos veiklą ir darbuotojų charakteristikas. Taip organizacija gali planuoti ilgalaikę strategiją ir nustatyti mokymo bei plėtros programas, kad atitiktų būsimus darbuotojų poreikius. 35 DI technikos operatyviam planavimui (1) Genetiniai algoritmai: Tinkami Spiečių algoritmai (Swarm sprendžiant uždavinius su daugybe algorithms): Tinka, kai darbuotojų Rekomendacijų sistemos: Gali teikti variantų ir apribojimų, pvz., išdėstymas ir planavimas reikalauja personalizuotas rekomendacijas dėl darbuotojų išdėstymas, atsižvelgiant į sinchroniškos daugialypės geriausio darbuotojų išdėstymo pagal įvairius veiksnius, tokius kaip optimizavimo strategijos. Šie įvairius kriterijus, atsižvelgiant į kvalifikacija, patirtis, poreikiai ir algoritmai leidžia efektyviai ištyrinėti organizacijos poreikius. Padeda organizacijos reikalavimai. Jie gali sprendimų erdvę ir surasti gerus pasiekti efektyvesnį darbuotojų efektyviai optimizuoti sudėtingus sprendimus, vengiant lokalių valdymą. uždavinius ir rasti gerus sprendimus. maksimumų problemos. Skaitmeninė evoliucija: Taip pat tinkama darbuotojų išdėstymo optimizavimui, siekiant rasti geriausius galimus planavimo sprendimus, panašiai kaip genetiniai algoritmai. 41  DI technikos operatyviam planavimui (2) Optimizavimo algoritmai (pvz., genetiniai Mašininio mokymosialgoritmai: Šios Skaitmeninės spėjamosios analizės algoritmai): Naudojant šias technikas, technikos gali padėti identifikuoti modeliai (angl. Predictive Analytics galima optimizuoti darbuotojų svarbius vadovavimo vaidmenis, Models): Šios technikos leidžia paskirstymą pagal skirtingas užduotis ir analizuoti darbuotojų elgesį ir parengti prognozuoti ateities reikalus remiantis darbo vietų organizavimą. Tai padeda veiksmingus vadovavimo modelius. Taip turimais duomenimis. Tai padeda organizacijai veiksmingai pasiskirstyti pat mašininis mokymas gali padėti numatyti būsimus darbuotojų poreikius, darbuotojus ir užtikrinti, kad jie būtų prognozuoti darbuotojų srautus ir padėti vertinant mokymo, plėtros ir darbo vietų tinkamai panaudoti, kad sėkmingai organizacijai atlikti efektyvų darbo jėgos reorganizacijos programas. įgyvendintų kasdienes veiklas ir planavimą. projektus. Natūralios kalbos apdorojimas (NLP): Ši technika gali padėti analizuoti ir interpretuoti didelį kiekį darbuotojų atsiliepimų, apklausų ar kitų tekstinių duomenų, kad būtų gauta įžvalgų apie darbuotojų poreikius, pasitenkinimą darbu ir kt. Tai padeda organizacijai efektyviau atitikti darbuotojų poreikius ir gerinti darbuotojų patirtį. 42 Darbuotojų operatyvinis planavimas taikant genetinius algoritmus Optimalumo paieška: Genetiniai algoritmai yra optimizavimo metodas, kuris siekia rasti geriausius galimus sprendimus iš didelio galimų variantų kiekio. Operatyvinis planavimas, susijęs su darbuotojų paskirstymu, darbo vietų organizavimu ir resursų valdymu, gali turėti daug skirtingų kombinacijų ir apribojimų. Genetiniai algoritmai efektyviai išgrynina šią didelę sprendimų erdvę ir padeda rasti artimus globaliam optimalumui sprendimus. Daugialypių parametrų optimizavimas: Operatyvinis planavimas dažnai susijęs su kelių parametrų optimizavimu. Darbuotojų skaičius, jų kvalifikacija, patirtis, darbo laikas, paskirstymas pagal skirtingas užduotis ir pan. yra daugialypiai kintamieji, kuriuos reikia optimaliai suderinti. Genetiniai algoritmai gali būti pritaikyti šiam daugialypiam optimizavimui. Evoliucinis metodas: Genetiniai algoritmai yra paremti evoliucinės biologijos principais, kurie remiasi natūralios atrankos ir mutacijų idėjomis. Taip, kaip vyksta populiacijos ir genetinės informacijos evoliucija, taip genetiniai algoritmai taiko analogiškas strategijas populiacijoms. Ši savybė leidžia jiems efektyviai atrinkti gerus sprendimus ir jų kombinacijas. Lankstumas ir pritaikomumas: Genetiniai algoritmai yra lankstūs ir pritaikomi įvairiems uždaviniams, įskaitant operatyvinį planavimą žmonių ištekliuose. Jų parametrus ir veikimo principus galima reguliuoti, kad jie atitiktų konkrečią situaciją ir būtų tinkami problemai spręsti. Dydžio pritaikomumas Genetiniai algoritmai yra efektyvūs sprendžiant uždavinius, kuriuose yra didelis kintamųjų ir variantų skaičius. Operatyvinis planavimas su žmonių ištekliais gali būti sudėtingas uždavinys su dideliu duomenų kiekiu, ir genetiniai algoritmai gali susidoroti su šiuo iššūkiu. 43 4. Dirbtinio intelekto panaudojimas darbuotojų paieškos sistemose 45  DI naudojimas darbuotojųatrankose Kandidatų paieškos algoritmai: Šios technikos leidžia automatiškai ieškoti ir atrasti tinkamus kandidatus pagal tam tikrus kriterijus, pavyzdžiui, pagal jų patirtį, išsilavinimą, sritis ir kitus reikalingus kriterijus. Tai gali būti paremta žodžių analize ir paieškos algoritmais, kurie padeda identifikuoti kandidatus, atitinkančius darbo vietos reikalavimus. Automatinės kandidatų įvertinimo sistemos: DI technikos gali analizuoti ir vertinti kandidatų CV, socialinio tinklo profilius ir kt. Tai leidžia automatizuotai vertinti, kurie kandidatai turi didžiausią potencialą atitikti darbo vietos reikalavimus, remiantis nustatytais rodikliais. Įžvalgos iš duomenų analizės: Kombinuojant įvairius duomenų šaltinius, DI gali suteikti įžvalgų apie darbuotojų srautus, darbo vietų poreikius, vidutinį atlyginimą ir pan. Tai padeda organizacijai nustatyti, kurios sritys gali turėti didžiausią poreikį naujiems darbuotojams ir efektyviau planuoti atranką. Interviu vertinimas: DI gali analizuoti ir įvertinti interviu įrašus ar interviu užduotus klausimus, kad identifikuotų stiprius ir silpnus kandidatus. Tai padeda organizacijai atrinkti geriausius kandidatus, kurie kviečiami į sekantį interviu ar kuriems suteikiamos kitos galimybės. Buvusių darbuotojų sėkmės modeliai: Analizuojant duomenis apie ankstesnių darbuotojų sėkmę ir rezultatus, DI gali sukurti modelius, kurie padeda nustatyti, kokios charakteristikos ir savybės gali būti susijusios su sėkmingais darbuotojais. Tai padeda organizacijai identifikuoti kandidatus, kurie turi didžiausią potencialą sėkmingai dirbti organizacijoje. 46 DI technikos atrenkant darbuotojus Natūralios kalbos apdorojimas Gilieji neuroniniai tinklai Genetiniai algoritmai Skaitmeninė evoliucija Mašininis mokymasis 47 The use of AI in recruitment 48 DI darbuotojų paieškos sistemose Google for LinkedIn HireVue Textio Jobs IBM Watson Pymetrics Unilever Recruitment 49 DI platformos DI platforma/sprendimas HireVue Kas naudojasi 700+ įmonių, tarp jų Unilever, Vodafone, PwC, and Oracle Mya Systems L’Oréal, Adecco, Hays, Deloitte, kt. Pasitiki 40proc. iš Fortune 100: Intel, Dell, HiredScore Domino, Johnson & Johnson, kt. Wade & Wendy E-Trade, Randstad, Comcast, kt. hireEZ Deloitte, VISA, Amtec, Wayfair, CommonSpirit, kt. AllyO Walmart, Hilton, AT&T, FedEx, Arbys, kt. https://startuptalk y.com /how-ai-transf orm ing-hr/ 51 DIRBTINIS INTELEKTAS SUMAŽINA ĮDARBINIMO IŠLAIDAS 30% VIENAM SAMDYMUI, TAČIAU 21% ŽMOGIŠKŲJŲ IŠTEKLIŲ VADOVŲ IŠREIŠKIA SUSIRŪPINIMĄ DĖL TO, KAD DIRBTINIS INTELEKTAS NEPASTEBI UNIKALIŲ KANDIDATŲ SAVYBIŲ IR PATIRTIES 52 Žmonių patirties vertė Sprendimų sudėtingumas Konteksto supratimas Tarpasmeniniai įgūdžiai Etinė atsakomybė Kandidatų patirties vertinimas Užtikrinti suderinamumą 54 5. Darbuotojų fizinės ir psichologinės būklės nustatymas panaudojant skaitymą teksto analitiką, akių sekimą ir veido 56  Fizinėsir psichologinės būklės nustatymas Teksto analitika: Kalbėjimo analizė: Kūno kalbos analizė: Akių sekimas: Veido skaitymas: DI technologija, kuri Įrankiai gali stebėti Įrankiai gali stebėti Akių sekimas yra Veido skaitymas yra naudojama ir analizuoti kandidato kūno technologija, kuri technologija, kuri analizuoti rašytinį kandidato kalbėjimo kalbą ir judesius, naudoja kameras ar naudoja dirbtinį tekstą. savybes, pvz., kad padėtų suprasti kitus įrenginius intelektą, kad būtų Naudodamos teksto greitį, toną ir kalbos jų elgesį ir stebėti žmogaus atpažįstami veido analitikos įpročius. komunikaciją. akių judesius ir bruožai ir emocijos. algoritmus, žvilgsnį. Ši Šios technologijos organizacijos gali technologija gali gali nustatyti arba stebėti ir būti naudojama prognozuoti identifikuoti stebėti, kurie darbo emocijas, remiantis emocijas, uždaviniai ar darbuotojų veido nuotaikas, rizikos situacijos sukelia išraiškomis. veiksnius ir netgi daugiausiai streso požymius, dėmesio, ir taip kurie gali sužinoti apie signalizuoti apie darbuotojų darbuotojų gerovės produktyvumą ar problemas. stresą. 57 DI naudojimas elgsenai stebėti: fizinis stebėjimas Fiksavimasir duomenų rinkimas Elgsenos analizė Automatiniai vertinimai Našumo optimizavimas Pasiūlymai Elgesio prognozė Video credit: Nicholas Nouri, LinkedIn 59  Dirbtinis intelektas, skirtas elgesio stebėjimui internete Darbo programose Skaitmeninio Naršymo įrašų numatytos veiklos Socialinių tinklų pasirašymo analizė analizė: Spustelėkite analizę: analizė: stebėjimas: Sistema gali stebėti Kokiose Jei darbuotojai Pavyzdžiui, sistema Sistema gali sekti, platformose ir naudojasi įmonės gali stebėti, kurios kiek laiko darbuotojų turinį, kokius veiksmus vidiniu tinklu ar priemonės ar darbuotojai komentarus ir atlieka darbuotojai, kitomis funkcijos yra praleidžia dirbdami veiklą, kad nustatydami, internetinėmis labiausiai su šiomis nustatytų, kokie pavyzdžiui, kiek platformomis, naudojamos, o tai programomis, kokie teminiai interesai ir laiko jie praleidžia, sistema gali sekti, gali nurodyti, kokia projektai ar diskusijos skaitydami kokiuose veikla yra užduotys jiems yra dominuoja. pristatymus, tinklalapiuose jie svarbiausia svarbiausi. dalyvaudami lankosi, kokie darbuotojams. diskusijose ar straipsniai ar turinys atlikdami užduotis. juos domina, kiek laiko jie praleidžia naršydami skirtingose svetainėse. 60 DI technikos fizinės ir psichologinės būklės nustatymui Natūralios kalbos apdorojimas (NLP): NLP taikymas gali būti susijęs su emocijų sekimu iš kalbos, pvz., išgryninant emocijas iš teksto atsiliepimų ar komentarų apie potencialius kandidatus. Giliųjų neuroninių tinklų (GNT): GNT gali būti naudojami veido sekimui, veido išraiškų atpažinimui ar net emocijų atpažinimui iš kandidatų vaizdo įrašų ar nuotraukų. Mašininis mokymasis: Tai –plati kategorija, į kurią galima įtraukti įvairias technologijas, įskaitant akių sekimą ir veido atpažinimą, taip pat įvairius jų taikymus, pvz., emocijų analizę. 62 Pavyzdžiai ▪ IBM naudoja "WatsonAI" sistemą, kad sukurtų asmeninius mokymo planus savo darbuotojams. ▪ Deloittenaudoja dirbtinio intelekto sistemą, kuri analizuoja darbuotojų mokymosi rezultatus ir veiklą. ▪ "Siemens" naudoja virtualią realybę (VR) mokymams, kurie leidžia darbuotojams išbandyti įvairias situacijas ir scenarijus, su kuriais jie gali susidurti darbo aplinkoje. ▪ "Accenture" sukūrė platformą, kuri naudoja dirbtinį intelektą ir analizę, kad sukurtų asmeninius karjeros plėtros planus. ▪ "McDonald's" naudoja dirbtinio intelekto sistemas, kad analizuotų darbuotojų elgesį ir veiklą ▪ kavinėse. "Nestlé" naudoja dirbtinį intelektą, kad analizuotų darbuotojų atsiliepimus apie mokymo programas. 63  DI vaidmuo įvedant darbuotojus Automatizuotas pritaikymo procesas Pritaikytas/personalizuotas mokymas Informacijos apie organizaciją suteikimas Naujų darbuotojų progreso stebėjimas ir vertinimas 65  DI technikos įvedant darbuotojus Mašininis mokymas Vaizdo atpažinimas Kalbos atpažinimas Natūralios kalbos generavimas Skaitmeninis regėjimas Giliųjų neuroninių tinklų (GNT) taikymas Rekomendacijų sistemos Kolaboratyvinis filtravimas Turinio filtravimo metodai Evoliuciniai algoritmai Autonominiai robotai Simbolinės sistemos 66 DI vertė įtraukiant naujus darbuotojus Mažinant DI gali sumažinti personalo valdymo užduotis automatizuodamas reikalingų dokumentų pristatymą administracinę naštą ir gavimą Leidžiant Tai leidžia darbuotojams gauti reikiamą pagalbą, tuo pačiu minimizuojant skambučius, elektroninius laiškus onboardinguivykti ir susitikimus su personalo valdymo specialistais 24/7 Suteikiant galimybę Pvz., naudojant pokalbių robotus, atsakyti į greičiau integruoti nepatogius klausimu naujus darbuotojus 67  DI vaidmuo darbuotojų veiklos valdyme Analizuoja darbuotojų veiklos duomenis Teikia vadovams rekomendacijas efektyvumo ir veiklos gerinimui Identifikuoja stiprias ir silpnas darbuotojų puses Prognozuoja galimus veiklos pokyčius Svarbus vadovų sprendimų priėmimo procese Padeda pagerinti darbuotojų veiklą Siekia maksimizuoti rezultatus 69 DI technikos veiklos valdyme Mašininis mokymas Analizuoja duomenis, identifikuoja tendencijas Nuspėja darbuotojų veiklą Teikia vadovams rekomendacijas dėl efektyvumo gerinimo Giliųjų neuroninių tinklų (GNT) taikymas Veido ir vaizdo atpažinimas Stebėjimas ir automatizacija veiklos valdyme Atpažįsta svarbius veiklos aspektus Natūralios kalbos apdorojimas (NLP) Teksto analizė ir supratimas Vertina darbuotojų atsiliepimus, komunikaciją Padeda gryninti kompetencijų vertinimus Rekomendacijų sistemos Personalizuoti mokymo ir tobulėjimo planai Remiasi darbuotojų sėkmės istorija Rekomenduoja tinkamus mokymo turinius Evoliuciniai algoritmai Optimizuoja darbuotojų užduotis ir efektyvumą Ieško geriausių veiklos strategijų Atsižvelgia į skirtingus veiklos veiksnius ir tikslus 70  DI vaidmuo didinant darbuotojų lojalumą Personalizuotos darbo patirties kūrimas: DI gali sekti darbuotojų veiklą ir elgesį, kad suprastų jų individualius poreikius ir lūkesčius. Komunikacija ir grįžtamasis ryšys: DI gali analizuoti darbuotojų apklausų atsakymus, atsiliepimus ir komunikaciją su vadovais. Geresnis darbuotojų pažinimas: DI gali padėti vadovams geriau pažinti savo darbuotojus. Skaitmeninė bendruomenė ir bendradarbiavimas: DI gali skatinti bendradarbiavimą tarp darbuotojų. Darbuotojų pripažinimas ir apdovanojimai: DI gali automatiškai stebėti darbuotojų pasiekimus ir veiklą. 71  DI technikos lojalumui didinti Rekomendacijų sistemos Personalizuotos rekomendacijos skatina darbuotojų įsitraukimą ir jų jausmą, kad jų indėlis yra vertinamas. Skaitmeninis bendruomenių ir bendradarbiavimas Socialinio tinklo analizės technikos gali padėti identifikuoti įtakos centrų asmenis, išryškinti socialinius tinklus ir kurti geriau pritaikytas skaitmenines bendruomenes, atsižvelgiant į žmonių interesus ir ryšius. Darbuotojų pripažinimas ir apdovanojimai: Naudodamiesi Giliųjų neuroninių tinklų (GNT) vaizdo atpažinimu ar objektų atpažinimu, galite automatizuoti darbuotojų veiklos stebėjimą ir identifikuoti jų pasiekimus. Teksto analizė ir supratimas: Naudodamiesi NLP (Natūralios kalbos apdorojimas), galite stebėti darbuotojų komunikaciją su vadovais, apklausų atsakymus ir atsiliepimus. 72 DI vaidmuo tobulinant įgūdžius Įgūdžių tobulinimas yra esminė darbuotojų kompetencijų ir įgūdžių augimo dalis. DI optimizuoja mokymo planus ir rekomendacijas Mašininio mokymo algoritmai analizuoja darbuotojų gebėjimus, įgūdžius ir tikslus, sudarydami personalizuotus mokymo planus. DI seka darbuotojų pažangą ir nuolat tobulina mokymo planus. Personalizuotas mokymas ir įgūdžių tobulinimas padeda pasiekti aukštesnius rezultatus ir įnešti didesnę naudą organizacijai. 74  DI technikos tobulinant įgūdžius Mašininis mokymas: Personalizuoti mokymo planai Mokymasis iš atsiliepimų Neprižiūrimas mokymas: Pasikartojančių klaidų analizė Giliųjų neuroninių tinklų (GNT) taikymas: Rekomendacijos mokymo turiniui Veido atpažinimas mokymo metu Skaitmeninis regėjimas: Vaizdo klasifikavimas mokymosi veikloje Natūralios kalbos apdorojimas (NLP): Komentarų analizė Rekomendacijos pagal elgesį 75 AI and AR/VR for training Dirbtinio intelekto ir VR pažanga sukėlė revoliuciją mokymuose, Pagerina ilgalaikį informacijos taikant efektyvius metodus ne saugojimą tik užduočių vykdymui, bet ir minkštųjų įgūdžių ugdymui. Suteikia saugią aplinką Įgalina realią užduočių ir bendravimo praktiką sudėtingiems scenarijams valdyti 77 Įgyvendinimo aspektai Ar VR įranga tinka biuro ir nuotolinio mokymosi aplinkoms? Kokio lygio IT palaikymas bus reikalingas įgyvendinimui? Ar skyrėme pakankamai biudžeto investicijoms į VR/PRtechnologijas? Ar yra vadovų, kurie aktyviai klausosi ir teikia reikiamą paramą darbuotojams? Video credit: NicholasNouri, LinkedIn 78 "Galbūt matėte humoristinius mokymus darbo vietoje, kur darbuotojai mechaniškai sąveikaujasu internetiniais moduliais, siekdami juos kuo greičiau užbaigti. Šiam metodui dažnai trūksta įsitraukimo ir išlaikymo, todėl turinys greitai pamirštamas. VR mokymai išsiskiria. Tai žavi dalyvius, panardindama juos į ryškią ir interaktyvią mokymosi aplinką." — F. Cavanagh, "Gemba": virtualios realybės darbuotojų mokymo platformos technologijų vadovas 79  Personalizavimas: Dirbtinio intelekto algoritmai analizuoja kiekvieno stažuotojo našumą, pageidavimus ir mokymosi tempą, todėl AR / VR turinį galima pritaikyti individualiems poreikiams. Adaptyvūs mokymosi keliai: Kai stažuotojas sąveikauja su AR / VR aplinka, dirbtinis intelektas realiuoju laiku pritaiko sunkumus ir temas, kad tinkamai ir efektyviai mestų iššūkį besimokančiajam. Atsiliepimai apie našumą: Dirbtinis intelektas suteikia tiesioginį ir veiksmingą grįžtamąjį ryšį, įvertindamas stažuotojo sprendimus ir judesius virtualioje erdvėje, o tai lemia efektyvesnę mokymosi kreivę. Realaus pasaulio scenarijų imitavimas: PR / VR gali imituoti sudėtingas aplinkas ir situacijas, kurias būtų brangu ar pavojinga atkartoti realybėje, pavyzdžiui, operaciją, mašinų veikimą ar didelės rizikos reagavimą į ekstremalias situacijas. Minkštųjų įgūdžių stiprinimas: Naudodamiesi VR simuliacijomis, stažuotojai gali praktikuoti tarpasmeninius įgūdžius, tokius kaip viešasis kalbėjimas, derybos ar klientų aptarnavimas, naudodami dirbtiniu intelektu pagrįstus avatarus, kurie realistiškai reaguoja į žmonių sąveiką. Duomenų analizė: Dirbtinis intelektas renka duomenis apie naudotojų našumą, kuriuos galima naudoti pažangai stebėti, tendencijoms nustatyti ir būsimiems mokymo poreikiams numatyti. Prieinamumas ir įtrauktis: PR / VR mokymai gali būti prieinami žmonėms su negalia, suteikiant įtraukiančią patirtį, kuri prisitaiko prie jų galimybių. 80 6. Asmeninių duomenų apsauga ir etikos klausimai 82 Asmens duomenų apsauga Sutikimas turi būti aiškus ir nedviprasmiškas, ir kandidatas turėtų turėti Sutikimas: galimybę pasirinkti, ar duoti sutikimą, ar ne, be jokių neigiamų pasekmių. Paskirtis: Turi pateikti paaiškinimą, kaip gauta informacija bus naudojama ir kaip bus saugoma. Duomenų Darbdavių pareiga užtikrinti, kad visi gauti duomenys būtų saugiai saugumas: laikomi ir apdoroti. Etiniai apribojimai: Svarbu, kad tokie įrankiai nepažeistų kandidato teisių arba asmens duomenų apsaugos teisės aktų. 83 Privatumo ir asmens duomenų apsaugos principai Teisėtumas, sąžiningumas ir skaidrumas Ribotas tikslas Duomenų mažinimas Asmens duomenų saugumas Asmens duomenų subjekto teisės Duomenų perdavimas tik pagal tam tikus pagrindus Atsakomybė ir sąžiningumas 84  Pagrindiniai teisės aktai, kuriais nustatomi asmens duomenų apsaugos principai ir reikalavimai ES dirbtinio intelekto aktas (ES Nustatoma saugaus ir etiško DI sistemų kūrimo ir diegimo ES sistema, daugiausia dėmesio skiriant rizika grindžiamoms kategorijoms ir DI aktas) pagrindinėms teisėms. Bendrasis duomenų apsaugos Nustatomi bendri asmens duomenų tvarkymo visoje ES teritorijoje reglamentas (BDAR) principai ir reikalavimai. Nacionaliniai duomenų Lietuvoje galima kreiptis į Valstybinę duomenų apsaugos inspekciją. apsaugos teisės aktai Už Europos Sąjungos ribų kiekviena šalis gali turėti savo specialius Country-specific legislation teisės aktus, reglamentuojančius asmens duomenų apsaugą. 85 Naudinga žinoti (BDAR) Didelė baudų galimybė Taikymas už Europos ribų Duomenų subjektų teisės Vaikų asmens duomenų apsauga Privalomas duomenų pažeidimų pranešimas Duomenų apsauga "nuo pradžių„ Duomenų apsauga "pagal numatytąjį" 86 Naudinga žinoti (ES DI aktas) Rizika grindžiamas reguliavimas: DI sistemų klasifikavimas pagal jų keliamos rizikos lygį ir atitinkami norminiai reikalavimai. Ekstrateritorinis taikymas: Taikoma ES naudojamoms DI sistemoms, neatsižvelgiant į tai, kur įsisteigęs tiekėjas. Vartotojų apsauga: Didelis dėmesys skiriamas vartotojų teisių apsaugai nuo žalingos ar diskriminacinės DI prak tik os. Skaidrumo reikalavimai: Didelės rizikos DI sistemų pareiga teikti aiškią informaciją apie jų pajėgumus ir apribojimus. Atskaitomybė ir įrašų saugojimas: Privalomi didelės rizikos DI sistemų dokumentai ir įrašų saugojimas, siekiant užtikrinti atsekamumą ir atskaitomybę. Etika dizaine: Etiško dirbtinio intelekto kūrimo praktikos skatinimas nuo pat pradinio projektavimo etapo. Vykdymo užtikrinimas ir sankcijos: Vykdymo užtikrinimo mechanizmų nustatymas ir galimybė skirti dideles baudas už reikalavimų nesilaikymą. 87 Lietuvoje 2023 m. I pusm. 88 Duomenų apsaugos santrauka lietuvoje: 2023 m. Ipusm. VDAI pabrėžia darbuotojų mokymų svarbą, siekiant išvengti žmogiškųjų klaidų ir kibernetinių incidentų. Mokymai apie duomenų apsaugą ir saugumo procedūras yra esminės prevencinės priemonės. Iš 9 gautų ADSP pranešimų, susijusių su duomenų užšifravimu ir išpirkos reikalavimais, 7 atvejai buvo Lietuvos įmonėse. Kibernetinių piktavalių naudoti metodai apėmė socialinę inžineriją, duomenų viliojimą ir DDoSatakas. Svarbu vertinti programinės ir techninės įrangos tiekėjų patikimumą, reputaciją ir kilmę siekiant nustatyti potencialias rizikas duomenų saugumui. 2023 m. I pusm. pastebėta, kad dauguma pažeidimų įvyko dėl neadekvatų prieigos kontrolės valdymo organizacijų kompiuterių tinkluose ir nepakankamo dviejų faktorių autentifikavimo taikymo. 89  Duomenų saugos valdymo spragos (VDAI) nevykdomas kompiuterių tinklų nevykdomas netinkami serverio įsilaužimų aptikimas nevaldomas veiklos nustatymai ir duomenų srautų tęstinumas; ir prevencija; taisyklės; monitoringas, neapsaugoti komunikacijos pasenusios serverių nesegmentuoti kanalai, leidžiamas operacinės kompiuteriniai nevykdoma prieigos nešifruotų duomenų sistemos; tinklai; kontrolė. perdavimas; 90 Organizacinės ir techninės saugumo priemonės, padedančios išvengti panašių pažeidimų užtikrinti kritinių operacinių tinkamai sukonfigūruoti reguliariai daryti pilnas ir svarbius duomenis saugiai sistemos saugos išorinėje komunikacijoje dalines atsargines kopijas laikyti bent dvejose atnaujinimų diegimą dalyvaujančius serverius ir (angl. Backup) atskirose laikmenose reguliariai ir nedelsiant kitą įrangą prie maršrutizatorių leisti apriboti išorinio prisijungimo jungtis tik iš žinomų IP galimybes tokiais adresų (angl. AllowList) nenaudoti tų pačių protokolais kaip Windows turimuose įrenginiuose arba prisijungimui naudoti įdiegti pažangią antivirusinę slaptažodžių skirtingoms Remote Desktop Protocol, virtualaus privataus tinklo paskyroms, naudoti kelių daiktų interneto SSH programinę įrangą technologijas (angl. Virtual faktorių autentifikavimą prievadais ir pan. PrivateNetwork, VPN) įdiegti el. pašto filtravimo įdiegti prieigos kontrolę mechanizmus, gebančius pagal organizacijos filtruoti laiškus pagal parengti ir reguliariai saugumo politiką, taikant reguliariai mokyti žinomus grėsmių testuoti veiklos tęstinumo „mažiausių teisių darbuotojus apie IT sistemų indikatorius ir specifinius planą privilegijos“ ir „būtina žinoti“ saugumo reikalavimus raktažodžius principus; 91 DI saugaus naudojimo geroji praktika Atsižvelgti į potencialias Užtikrinti, kad duomenys, kurie pažeidžiamumus, susijusius su Stiprinti skaitmeninės tapatybės naudojami dirbtinio intelekto Kritiškai įvertinti ir reguliariai tikrinti dirbtinio intelekto algoritmų valdymo sistemas, ypač jei jos mokymui, būtų apsaugoti ir saugiai dirbtinio intelekto sprendimų saugumu, ir įgyvendinti priemones, naudoja biometrinius duomenis ar laikomi, kad išvengtų teisingumą ir skaidrumą, kad būtų kurios apsaugotų nuo kenkėjiškų kitus jautrius duomenis, kurie gali nepageidaujamo duomenų išvengta netikėtų ir nepageidaujamų manipuliacijų ar nepageidaujamų būti susiję su dirbtinio intelekto nutekėjimo arba piktybinio rezultatų, kurie gali paveikti asmens sistemų veikimu. duom enis. rezultatų. panaudoj im o. Nuosekliai sekti duomenų saugumo Užtikrinti, kad dirbtinio intelekto Stiprinti mokymo duomenų saugumą tendencijas ir naujausias inovacijas sistemos būtų sukuriamos su etikos ir atitikimą, ypač jei dirbtinio intelekto Užtikrinti, kad darbuotojai, kurie dirbtinio intelekto saugumo srityje ir naudoja ar valdo dirbtinio intelekto principais ir laikantis asmens algoritmai naudojami kritiniuose ar atnaujinti saugumo politiką ir duomenų apsaugos principų, kad jautriuose sektoriuose, kurie gali būti sistemas, būtų tinkamai apmokyti dėl procedūras, kad būtų užtikrintas duomenų saugumo, etikos ir dirbtinio būtų išvengta diskriminacijos ar kitų ypač paveikti kibernetiniais saugus dirbtinio intelekto intelekto saugumo reikalavimų. pažeidimų. įsibrovimais ar manipuliacijomis. naudojim as. Plėtoti ir diegti pažangias priemones, kaip kriptografija, skirtas apsaugoti duomenis ir dirbtinio intelekto modelius nuo nepageidaujamo priėjimo ir manipuliacijų: Duomenų šifravimas Duomenų parašas ir autentifikacija Identifikavimas ir prisijungimas Blokų grandinės technologijos 92 Etiniai klausimai ir iššūkiai Privatumo ir duomenų apsauga Diskriminacija ir teisingumas Atsakomybė ir paskatų sistema Darbo rinkos ir socialiniai poveikiai Etikos kodeksas ir reguliavimas Pasitikėjimas ir skaidrumas 93 Kaip įveikti etinius iššūkius, susijusius su DI? UNIVERSALUMAS DUOMENŲ ETIKOS ATSAKOMYBĖS SKAIDRUMAS IR IR ĮVAIROVĖ KOKYBĖ IR MOKYMAI IR PASKATŲ AIŠKUMAS ĮVAIROVĖ SISTEMA AUDITO IR VIEŠOS KONSULTACIJOS STEBĖSENOS SISTEMA IR DALYVAVIMAS 95  DI sistemų šališkumas https://otakuwizard.com/all-product-managers-should-know-limitations-of-machine-learning/ 96  IBM Global AI Adoption Index 2022 | May 2022 IBM Global AI Adoption Index 2023 | Jan 2024 97 Dirbtinio intelekto etikos supratimas Patikimas dirbtinis intelektas: Pagrindiniai patikimo dirbtinio užtikrina teisėtumą, etinį intelekto principai: vientisumą ir tvirtumą ES gairėse daugiausia dėmesio Etikos principai: gerbti skiriama žmogaus teisėms, žmogaus savarankiškumą, skaidrumui, saugumui ir užkirsti kelią žalai, užtikrinti teisingumą ir paaiškinamumą patikimumui Etikos principų, teisinių Patvarumas: saugus, patikimas standartų ir techninių apsaugos priemonių laikymasis 100 Atskaitomybė dirbtinio intelekto srityje Atsakingas dirbtinis intelektas: Suinteresuotųjų šalių atskaitomybė už etišką kūrimą atsakomybė: ir diegimą Poveikio visuomenei Dirbtinio intelekto socialinio, svarstymas: šališkumo, ekonominio poveikio ir diskriminacijos ir žalos poveikio aplinkai klausimų vengimas sprendimas Įsipareigojimas siekti Etiškas sprendimų priėmimas skaidrumo, sąžiningumo ir per visą DI gyvavimo ciklą atsakomybės 101 Dirbtinio intelekto operacijų aiškumas Paaiškinamas dirbtinis intelektas Metodai, kuriais DI modeliai ir sprendimai pateikiami skaidriai (XAI) –žmonėms suprantamas ir Padeda vartotojui suprasti, pasitikėti ir valdyti suprantamas dirbtinis intelektas dirbtinio intelekto technologijas Būtina atliekant DI sprendimų ypatingos svarbos sektoriuose auditą ir juos pagrindžiant XAI svarba Didina DI taikomųjų programų skaidrumą ir pasitikėjimą jomis 102 Dirbtinio intelekto etikos sistema Tarpusavyje susijusios sąvokos: patikimas, Patikimas dirbtinis intelektas: atsakingas ir paaiškinamas visuomenės pasitikėjimo dirbtinis intelektas sudaro kūrimas išsamią etišką DI sistemą Atsakingas dirbtinis Skirtingi akcentai: intelektas: kūrėjo ir vartotojo atskaitomybės pabrėžimas Kombinuoti tikslai: Paaiškinamas dirbtinis naudingas, saugus dirbtinis intelektas: sprendimų intelektas, suderintas su priėmimo skaidrumo ir žmogaus vertybėmis ir etika aiškinamumo užtikrinimas 103