Pablo Ernesto Luján Fernández
Escuela Militar de Ingeniería-Dirección Nacional de Investigación Ciencia y Tecnología-Ingeniería de Sistemas
RESUMEN
El presente trabajo surge a raíz de la problemática detectada en el proceso de selección de postulantes a talleres de capacitación, que incluye, entre muchos aspectos, a una serie de criterios de evaluación de los postulantes que no son los más adecuados para llevar adelante dicho proceso.
El propósito es el de sostener la hipótesis de que con el diseño e implementación de un modelo de sistema de apoyo basado en redes neuronales para la selección de postulantes, se podrá llevar a cabo una evaluación adecuada de dichos postulantes, y asimismo se logrará alcanzar una reducción significativa en cuanto a los costos y tiempos de realización del proceso de selección en si.
En la primera parte del trabajo (Marco Teórico) se presentan las definiciones, conceptos y metodologías para el diseño y la implementación de dicho modelo neuronal, además del planteo de una serie de modelos alternativos que incluyen un modelo lineal y dos modelos econométricos de salida binaria (Probit y Logit).
En la segunda parte, se realiza primeramente el planteamiento de dichos modelos, y se obtienen resultados del ajuste de cada uno, reflejados en el porcentaje de aciertos que posee cada uno con respecto a la realidad, y además se obtienen valores como el R cuadrado que miden la bondad de dichos ajustes. Además, se realiza el diseño e implementación del modelo neuronal propiamente dicho, partiendo del paradigma del Perceptrón o Aproximador Universal, y cuyos resultados superan a los obtenidos con los modelos anteriores. Cabe mencionar que para la parte de la Implementación se ha llevado a cabo la programación de una herramienta software que utiliza el modelo neuronal hallado para obtener nuevos resultados, basándose en sus conocimientos adquiridos previamente.
En la tercera parte, se realiza un estudio de costo-beneficio que determina si el proyecto es factible o no, partiendo de un estudio comparativo entre los costos y beneficios del sistema actual contrastado con el nuevo sistema.
PROBLEMA CENTRAL
La selección inadecuada de postulantes al taller/seminario/conferencia de capacitación y/o actualización. Este problema se origina a partir de una serie de problemas secundarios que se muestran a continuación.
PROBLEMAS SECUNDARIOS
Inadecuada evaluación de lospostulantes, ocasionado por que la organización no utiliza criterios
completamente válidos para la selección de los mismos.
Revisión y análisis manual de la información de los postulantes, que contribuye a la burocracia y al aumento de costos en el proceso mismo de selección.
El impulso insuficiente de los SATD en nuestro medio y principalmente por los directivos de las organizaciones, ocasionados por el desconocimiento del enfoque de los sistemas de información gerencial (SIG).62
OBJETIVO PRINCIPAL
Establecer un proceso de selección adecuada de postulantes a los talleres de capacitación, mediante el diseño y desarrollo de un de un sistema de apoyo a la toma de decisiones basado en la aplicación de redes neuronales artificiales.
OBJETIVOS ESPECÍFICOS
Plantear una metodología de desarrollo para la elaboración del trabajo.
Realizar el diagnóstico del sistema de selección de postulantes que actualmente se utiliza.
Plantear y evaluar los modelos de respuesta a la problemática, incluyendo los modelos Probit, Logit y las redes neuronales.
Concretar el diseño y desarrollo de un prototipo de herramienta software de apoyo a la toma de decisiones.
Demostrar que la revisión y evaluación de los postulantes se realiza de forma adecuada y automática para reducir la burocracia y los costos de selección de cada postulante, a través de la utilización de la herramienta software.
Adecuar el sistema para el mejoramiento del acceso a la información relativa al proceso de selección, logrando un mayor involucramiento y una mejor toma de decisiones por parte de los directivos de la organización.
La relación de medios-fines planteada en este análisis se refleja a través del árbol de objetivos (elaborado mediante la metodología ZOOP). Ahora, según el árbol de objetivos, se puede establecer la Matriz de Planificación de Proyectos, en donde se reflejan los objetivos así como la relación entre medios y fines.HIPÓTESIS
Dado que el problema identificado es: la selección inadecuada de postulantes al taller/seminario/conferencia de capacitación y/o actualización, se puede plantear la hipótesis de la siguiente manera:
“Si se diseña y desarrolla un prototipo de sistema de apoyo a la toma de decisiones
para la selección de postulantes a los talleres de capacitación basado en RNAs7 entonces se realizará una selección adecuada8 de los postulantes por parte del comité evaluador y además se reducirán los costos y tiempos de realización del proceso de selección por lo menos en un 15%.”
Ahora se pasaron a identificar los distintos tipos de variables presentes en el modelo:
Variable Independiente:
Prototipo de Sistema de apoyo a la toma de decisiones para la selección de postulantes a los talleres de capacitación basado en redes neuronales artificiales.
Variable Dependiente:
Selección de los postulantes más adecuados y reducción por lo menos en un 15% de los costos y tiempos de realización del proceso de selección de personal.
Variable moderante:
Evaluación ulterior del comité seleccionador. La información obtenida acerca de la dimensión e indicadores de las variables
CONCLUSIONES
En el presente trabajo se ha realizado el estudio e implementación de las Redes Neuronales Artificiales como herramienta para la selección de postulantes a talleres de capacitación. El software que se ha desarrollado está basado en una red neuronal, clasificado dentro de las Redes de Entrenamiento de tipo “Supervisado” (identificando un nuevo patrón en base a patrones dados previamente); el Perceptrón Multicapa con el algoritmo de entrenamiento Backpropagation (o también llamado el aproximador universal).
El objetivo General planteado se cumplió aplicando dichas redes neuronales, a la selección de postulantes a talleres de capacitación, desarrollando un modelo de Red Neuronal con el fin de superar las predicciones realizadas por los modelos Lineal, Logit y Probit.
63
De la misma forma se cumplió con los Objetivos Específicos: Realizando un análisis y diagnóstico de la situación actual y posteriormente implementando el sistema de apoyo a la toma de decisiones como un software de aplicación que utiliza las redes neuronales como modelo de solución en la selección de postulantes a talleres de capacitación.
El diagnóstico se realizó en una empresa cuya cooperación en el trabajo fue de vital importancia, proporcionando en primer lugar los datos necesarios para la elaboración de los modelos; y en segundo lugar dando las pautas para la estructuración de cada uno de los modelos, las características relevantes de cada parte del proceso de selección, y finalmente en la colaboración en la fase de pruebas de cada uno de los modelos de respuesta hallados.
Una vez realizado el diagnóstico del sistema, se llevó a cabo el diseño de diferentes modelos de respuesta a la problemática, comenzando por el modelo lineal de probabilidad, y también se hicieron uso de dos modelos econométricos: el modelo Logit y el Modelo Probit. Dichos modelos fueron ajustados de acuerdo a los datos obtenidos en el diagnóstico, y ese ajuste fue llevado a cabo haciendo uso de herramientas computacionales, como ser el software de aplicación STATA. A partir de ese ajuste se pudo corroborar que cada modelo reproduce las situaciones que se dan en la realidad a partir de los datos, pero el índice de aciertos con respecto a la realidad presenta una serie de dificultades, sobre todo en el modelo lineal cuyo valor de R ajustado no es aceptable para un modelo de este tipo.
En los modelos Logit y Probit se alcanzan valores superiores al 90% de aciertos, con lo cual estos modelos no se descartan en posibles implementaciones de nuevos sistemas de selección de postulantes, basados en estos modelos econométricos.
Aparte de estos modelos, se procedió a diseñar y desarrollar un modelo basado en redes neuronales, que utiliza el paradigma del Perceptrón como alternativa de solución, y utiliza el algoritmo de Backpropagation para el cálculo de los pesos de cada una de las neuronas. Su desarrollo fue llevado a la
implementación con la elaboración de un software programado en Matlab. Dicho software es capaz de realizar la evaluación de dichos postulantes y además de eso proporciona reportes en hojas electrónicas los cuales son de gran ayuda para gerentes y administradores quienes son los que toman decisiones en cuanto a que postulantes habrán de ser elegidos o no.
Además, se han determinado las
características principales que se deberán
tomar en cuenta en la fase de
implementación. Dichas características incluyen el cómo se habrá de implementar el nuevo sistema, y cada cuento tiempo habrá de realizarse el mantenimiento de dicho sistema.
Por último, se logró comprobar la validez de la hipótesis planteada demostrando que dicho sistema de apoyo a la toma de decisiones evalúa de forma correcta a los postulantes, tal como lo hace un experto humano en dichas condiciones, además de reducir los costos y tiempos en el proceso de selección en la empresa.
RECOMENDACIONES
En la implementación de la red neuronal basada en el algoritmo Backpropagation se tienen algunos problemas que derivan, en primer lugar, de la posibilidad de que al ingresar nuevos datos en la misma el aprendizaje puede encontrar algunas dificultades, como por ejemplo el no encontrar el mínimo valor en la superficie de error, lo cual provoca que dicha red no refleje al cien por ciento la realidad del problema, debido a causas tales como el ruido e inclusive debido a las características cualitativas del modelo.
Dichas dificultades pueden ser eliminadas haciendo uso, por ejemplo, de algoritmos de aprendizaje como el de Levenberg-Marquart que elimina la posibilidad de caer en mínimos
locales, y asimismo presenta una
convergencia superior en cuanto al número de iteraciones necesarias para llegar al mínimo global. Su única desventaja es que requiere una mayor cantidad de recursos computacionales ya que se deben calcular matrices inversas para llegar a la solución.
64
Es por ello, que se recomienda también hacer uso de otro tipo de redes tales como aquellas que poseen entrenamiento no supervisado, a fin de determinar si su desempeño es similar, superior o inferior a lo obtenido en el presente trabajo.
También se puede realizar la aplicación de Técnicas Estadísticas tales como el Agrupamiento o Cluster Análisis, a fin de determinar de forma similar si es que se puede llegar a obtener modelos de respuesta con las mismas características que los ya obtenidos, o con características mejoradas que contribuyan a la solución más eficiente de la problemática. Ahora, hablando del algoritmo en si utilizado en la estructuración de la red neuronal, se tienen que puntualizar
algunos problemas respecto a la
inicialización de los pesos, para la determinación posterior de la red neuronal.
Dichos pesos, combinados con la elección incorrecta de parámetros incide en que: primero, se puede llegar a saturar a la red antes de llegar al sistema óptimo, esto siendo provocado por un valor excesivo de la suma pesada de las entradas. La saturación ocasiona que la entrada total de una de las neuronas ocultas o de salida tenderá a alcanzar grandes magnitudes, y las funciones de activación tenderán a valores extremos.
En el caso de las funciones sigmoidales, estos valores se referirán a 0 o 1, pero como se mencionó antes se pueden suscitar casos en los que se espere un valor de 0, y se obtenga 1 como respuesta, sin importar los valores previos de entrada.
Para finalizar, se recomienda también llevar a cabo estudios acerca de cómo se pueden llevar a la praxis nuevas aplicaciones similares a la propuesta en el presente
trabajo, incluyendo una serie de
funcionalidades complementarias, como por ejemplo la posibilidad de crear redes autoadaptables, que modifiquen sus pesos en relación a los nuevos datos que se generan de forma dinámica. Dichas aplicaciones de las redes neuronales son actualmente llevadas a cabo en múltiples áreas del conocimiento humano, pero el trabajo de los futuros ingenieros se define en el hecho de crear nuevas aplicaciones de este tipo de paradigmas en ramas del saber
humano que no hayan sido anteriormente estudiadas desde este punto de vista.
REFERENCIAS BIBLIOGRÁFICAS
MARÍA ISABEL ACOSTA – CAMILO
ZULUAGA. “Tutorial de Redes Neuronales
Aplicadas a la ingeniería Electrica.”
Universidad Tecnológica de Pereira. http://ohm.utp.edu.co/neuronales.
AIBARRA, ANTONIO, “Metodología de la
Investigación” Recuperado el 21/3/07
http://www.aibarra.org/investig/tema0.htm ANONIMO, “Teoría del Conocimiento/
Epistemología” Recuperado el 21/3/07
http://www.monografias.com/trabajos/epistem ologia2/epistemologia2.shtml
ARNOLD, MARCELO, “Introducción a los Conceptos Básicos de la Teoría General de Sistemas” Recuperado el 21/3/07
http://www.moebio.uchile.cl/03/frprinci.htm
BUNGE, MARIO, “La investigación
científica”. Ariel, Barcelona, 1969.
CEPEDA DIAZ, LINA MARCELA,
“Inteligencia Artificial” Recuperado de
monografías.com el 12/02/07,
http://www.monografias.com/trabajos16/la- inteligencia-artificial/la-inteligencia-
artificial.shtml
“Organigrama de una organización”
Recuperado de coese.com el 12/02/07 http://www.coese.com/organigrma.htm DE LA TORRE VILLAR, ERNESTO et al.,
“Metodología de la Investigación”. Mc
Graw –Hill. 1991
ELINEL, Feliu et. al., “Propuesta de un
modelo de sistema de información gerencial para mejorar el proceso de selección de personal en la dirección de relaciones de trabajo de la Universidad de Carabobo” Recuperado de gestiopolis.com el
12/02/07,
http://www.gestiopolis.com/recursos/document os/fulldocs/rrhh/sigselecc.htm.