L’intelligenza artificiale ha completamente rivoluzionato il modo in cui le organizzazioni operano e gestiscono le proprie attività lavorative. L’IA è stata introdotta in molti settori, tra cui la sanità, la finanza, l’automotive, e viene impiegato sempre di più anche in altre aree, come la gestione delle risorse umane, il marketing, le vendite e, particolarmente, l’analisi dei dati. Infatti, negli ultimi anni i sistemi di intelligenza artificiale hanno assunto un ruolo chiave nella gestione delle risorse umane. Tali algoritmi hanno consentito alle organizzazioni di analizzare una gran mole di dati, ad esempio quelli relativi ai dipendenti, per identificare pattern e trend di non immediata interpretazione. Ciò consente alle organizzazioni di prendere decisioni più oculate nella gestione delle risorse umane, come ad esempio la pianificazione strategica delle assunzioni, la valorizzazione dei talenti e la valutazione delle performance. In questo contesto, gli algoritmi di intelligenza artificiale di tipo non supervisionato vengono impiegati per l’ottimizzazione dell’organizzazione delle risorse per il miglioramento dell’efficienza, della produttività e della soddisfazione dei dipendenti. Partendo, quindi, da grandi basi di dati, è possibile analizzare in maniera del tutto indipendente processi e contesti lavorativi per il supporto ai decision makers organizzativi. Alcuni degli approcci tipicamente usati per l’analisi di dataset con molti attributi sono i modelli di intelligenza artificiale di tipo non supervisionato [1]. In particolare, è opportuno menzionare due tipologie di algoritmi di clustering: il k-Means e il Fuzzy c-Means. Partendo dall’analisi dei risultati del clustering, si vuole descrivere il metodo deduttivo di gestione dell’organizzazione e di progettazione dei processi di gestione dell’organizzazione aziendale: l’analisi di clustering consente quindi di supportare i dirigenti ad un migliore gestione delle risorse umane, attivando procedure di ingegnerizzazione dei processi aziendali. Partendo dunque da un’analisi dei processi ‘AS IS’ si è in grado di strutturare i nuovi processi ‘TO BE’ automatizzando il decision making per mezzo dell’analisi degli algoritmi di intelligenza artificiale. Tale approccio di automazione e di ottimizzazione dei processi prende il nome di ‘Process Mining’, ed è ad oggi un argomento emergente di ricerca nel campo dell’Ingegneria Gestionale con particolare applicazione ai processi aziendali di Industria 5.0 [2]. Il Process Mining è una tecnica di analisi dei processi che parte dall’analisi dei dati e consiste nell’analizzare in maniera capillare ed estremamente dettagliata i processi aziendali per come si verificano nella realtà quotidiana, con l’obiettivo di analizzarli, mapparli, scoprirne punti di forza e debolezza e scostamenti rispetto ai processi standard codificati per policy, e quindi migliorarli senza dover passare per lunghi e costosi progetti di Business Process Reengineering (BPR), che risulta essere l’approccio tradizionale alla riorganizzazione dei modelli di funzionamento delle imprese e che nel tempo, visto le turbolenti determinanti strutturali esterne, ha mostrato diversi limiti. L’obiettivo del seguente lavoro è di fornire elementi utili a comprendere come applicare in modo efficiente gli algoritmi ad apprendimento non supervisionato utilizzando metriche e analisi aggiuntive, per poter poi ipotizzare dei processi ottimizzati di gestione delle risorse umane. Il metodo proposto si basa sulla sui seguenti step: Partendo dalla tipologia del dataset disponibile, si stabilisce la tipologia di algoritmo da utilizzare (nel caso specifico, essendoci molti attributi si preferisce l’algoritmo con apprendimento non supervisionato); Si stabiliscono gli iper-parametri (parametri di setting degli algoritmi di intelligenza artificiale) che ottimizzano le performance dell’algoritmo (nel caso specifico si valuta il coefficiente di Silhouette idoneo a definire il numero di cluster ottimale); Si analizzano i risultati e si ipotizzano soluzioni per migliorare i processi organizzativi aziendali inerente la gestione delle risorse umane.
Algoritmi di intelligenza artificiale di tipo non supervisionato a supporto delle organizzazioni nei processi decisionali
Rosa A
2023-01-01
Abstract
L’intelligenza artificiale ha completamente rivoluzionato il modo in cui le organizzazioni operano e gestiscono le proprie attività lavorative. L’IA è stata introdotta in molti settori, tra cui la sanità, la finanza, l’automotive, e viene impiegato sempre di più anche in altre aree, come la gestione delle risorse umane, il marketing, le vendite e, particolarmente, l’analisi dei dati. Infatti, negli ultimi anni i sistemi di intelligenza artificiale hanno assunto un ruolo chiave nella gestione delle risorse umane. Tali algoritmi hanno consentito alle organizzazioni di analizzare una gran mole di dati, ad esempio quelli relativi ai dipendenti, per identificare pattern e trend di non immediata interpretazione. Ciò consente alle organizzazioni di prendere decisioni più oculate nella gestione delle risorse umane, come ad esempio la pianificazione strategica delle assunzioni, la valorizzazione dei talenti e la valutazione delle performance. In questo contesto, gli algoritmi di intelligenza artificiale di tipo non supervisionato vengono impiegati per l’ottimizzazione dell’organizzazione delle risorse per il miglioramento dell’efficienza, della produttività e della soddisfazione dei dipendenti. Partendo, quindi, da grandi basi di dati, è possibile analizzare in maniera del tutto indipendente processi e contesti lavorativi per il supporto ai decision makers organizzativi. Alcuni degli approcci tipicamente usati per l’analisi di dataset con molti attributi sono i modelli di intelligenza artificiale di tipo non supervisionato [1]. In particolare, è opportuno menzionare due tipologie di algoritmi di clustering: il k-Means e il Fuzzy c-Means. Partendo dall’analisi dei risultati del clustering, si vuole descrivere il metodo deduttivo di gestione dell’organizzazione e di progettazione dei processi di gestione dell’organizzazione aziendale: l’analisi di clustering consente quindi di supportare i dirigenti ad un migliore gestione delle risorse umane, attivando procedure di ingegnerizzazione dei processi aziendali. Partendo dunque da un’analisi dei processi ‘AS IS’ si è in grado di strutturare i nuovi processi ‘TO BE’ automatizzando il decision making per mezzo dell’analisi degli algoritmi di intelligenza artificiale. Tale approccio di automazione e di ottimizzazione dei processi prende il nome di ‘Process Mining’, ed è ad oggi un argomento emergente di ricerca nel campo dell’Ingegneria Gestionale con particolare applicazione ai processi aziendali di Industria 5.0 [2]. Il Process Mining è una tecnica di analisi dei processi che parte dall’analisi dei dati e consiste nell’analizzare in maniera capillare ed estremamente dettagliata i processi aziendali per come si verificano nella realtà quotidiana, con l’obiettivo di analizzarli, mapparli, scoprirne punti di forza e debolezza e scostamenti rispetto ai processi standard codificati per policy, e quindi migliorarli senza dover passare per lunghi e costosi progetti di Business Process Reengineering (BPR), che risulta essere l’approccio tradizionale alla riorganizzazione dei modelli di funzionamento delle imprese e che nel tempo, visto le turbolenti determinanti strutturali esterne, ha mostrato diversi limiti. L’obiettivo del seguente lavoro è di fornire elementi utili a comprendere come applicare in modo efficiente gli algoritmi ad apprendimento non supervisionato utilizzando metriche e analisi aggiuntive, per poter poi ipotizzare dei processi ottimizzati di gestione delle risorse umane. Il metodo proposto si basa sulla sui seguenti step: Partendo dalla tipologia del dataset disponibile, si stabilisce la tipologia di algoritmo da utilizzare (nel caso specifico, essendoci molti attributi si preferisce l’algoritmo con apprendimento non supervisionato); Si stabiliscono gli iper-parametri (parametri di setting degli algoritmi di intelligenza artificiale) che ottimizzano le performance dell’algoritmo (nel caso specifico si valuta il coefficiente di Silhouette idoneo a definire il numero di cluster ottimale); Si analizzano i risultati e si ipotizzano soluzioni per migliorare i processi organizzativi aziendali inerente la gestione delle risorse umane.I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
