К.А. Кузнецова1

1 Национальный исследовательский технологический университет «МИСИС» (Москва, Россия)
1 k.a.kuznecova@gmail.com

Постановка проблемы. В настоящее время актуальным является решение проблемы повышения эффективности интеграции научно-технического потенциала образовательных учреждений с действующими предприятиями России. В качестве математического аппарата при этом необходимо рассмотреть сочетание теории графов и теории нечетких множеств.

Цель. Разработать функции и архитектуру экспертно-аналитической системы в сфере образовательных и кадровых процессов.

Результаты. Чтобы произвести отбор релевантных вакансий с учетом стажа и успеваемости выпускников, была создана экспертно-рекомендательная система, которая выдает список релевантных вакансий, отсортированный по убыванию предполагаемой величины зарплаты с учетом стажа и уровня знаний выпускника. Разработаны средства анализа и визуализации графов действующих вакансий и направлений подготовки выпускников вузов для исследования и сопоставления умений, навыков, требований к соискателям, географии и другой информации, собранной из открытых источников. Описан алгоритм нечеткой рекомендательной системы, которая учитывает стаж и уровень знаний выпускника (баллы по тестированию или оценки по профильным предметам).

Практическая значимость. Разработанные средства аналитики и визуализации способствуют эффективному управлению интеграционными процессами в интересах вузов и предприятий.

Кузнецова К.А. Функции и архитектура экспертно-аналитической системы в сфере образовательных и кадровых процессов // Нелинейный мир. 2024. Т. 22. № 2. С. 54-63. DOI: https://doi.org/10.18127/j20700970-202402-06

1. Горелова Г.В., Карелин В.П. Методы теории графов в когнитивном анализе и моделировании социально-экономических систем // Вестник Таганрогского института управления и экономики. 2005. № 1. С. 74–78.
2. Пилецкий И.И., Батура М.П., Волорова Н.А. Граф знаний и машинное обучение как базис методологии искусственного интеллекта в обучении. 2021.
3. Кудрявцев Д. В. и др. Метод коллективной визуальной разработки онтологического графа знаний // Искусственный интеллект и принятие решений. 2019. № 1. С. 27–38.
4. Abdul A. et al. COGAM: measuring and moderating cognitive load in machine learning model explanations. Proceedings of the 2020 CHI conference on human factors in computing systems. 2020. P. 1–14.
5. Willard J. et al. Integrating scientific knowledge with machine learning for engineering and environmental systems. ACM Computing Surveys. 2022. V. 55. № 4. P. 1–37.
6. Ji S. et al. A survey on knowledge graphs: Representation, acquisition, and applications. IEEE transactions on neural networks and learning systems. 2021. V. 33. № 2. P. 494–514.
7. Fensel D. et al. Knowledge graphs. Switzerland: Springer International Publishing, 2020.
8. Gutierrez C., Sequeda J. F. Knowledge graphs. Communications of the ACM. 2021. V. 64. № 3. P. 96–104.
9. Reimann D. Weighing the visual evidence–Experiments on the perception of data graphs: Дис. – Dissertation, Hagen, FernUniversität in Hagen. 2020.
10. Baumann T. Theoretical Computational Models for the Cognitive Map: Thesis. Universität Tübingen. 2023.
11. Peer M. et al. Structuring knowledge with cognitive maps and cognitive graphs. Trends in cognitive sciences. 2021. V. 25. № 1. P. 37–54.
12. Xia L. et al. Toward cognitive predictive maintenance: A survey of graph-based approaches. Journal of Manufacturing Systems. 2022. V. 64. P. 107–120.
13. Poduval P. et al. Graphd: Graph-based hyperdimensional memorization for brain-like cognitive learning //Frontiers in Neuroscience. 2022. V. 16. P. 757125.
14. Putri S.N., Saputro D.R.S. Construction fuzzy logic with curve shoulder in inference system mamdani. Journal of Physics: Conference Series. IOP Publishing, 2021. V. 1776. № 1. P. 012060.
15. Yunan A., Ali M. Study and implementation of the fuzzy Mamdani and Sugeno methods in decision making on selection of outstanding students at the South Aceh polytechnic. Jurnal Inotera. 2020. V. 5. № 2. P. 152–164.
16. Sharma V., Jain S. Teaching Staff Performance Analysis by Fuzzy Mamdani Inference System. 2020 3rd International Conference on Intelligent Sustainable Systems (ICISS). IEEE. 2020. P. 876–880.
17. Khomeiny A.T. et al. Grading system recommendations for students using fuzzy mamdani logic. 2020 4th International Conference on Vocational Education and Training (ICOVET). IEEE. 2020. P. 1–6.