[PYTHON] Ich habe HR Tech versucht, eine Expertensuchmaschine zu entwickeln, indem ich interne Besprechungsinformationen maschinell gelernt habe

TL; DR

Wir werden eine Expertensuchmaschine erstellen, indem wir die dunklen Daten, die im Unternehmen schlafen, und die Daten im Zusammenhang mit der Konferenz verwenden. So ein Typ membersearch-min.png

Auf diese Weise können Sie einen internen Experten und einen Kontaktpfad zu diesem Experten finden.

1. Hintergrund. .. ..

1.1 Was ist eine Reform des Arbeitsstils?

Jitahara soll häufig Reformen des Arbeitsstils haben.

Jitahara: Zwingen Sie die Mitarbeiter, das Unternehmen zu verlassen, und sagen Sie "Überstunden nicht machen" oder "Pünktlich zurückkehren", ohne besondere Maßnahmen zur Reduzierung der Überstunden.

Es gibt. Ernsthafte Menschen werden zurückkehren, wie ihnen gesagt wurde ~~ Sie müssen es mit nach Hause nehmen und Überstunden machen. ** Das ist blöd! !! !! ** **.

1.2 Meetings ... Möchten Sie es reduzieren?

Laut Asahi Shimbun

Verlust verschwenderischer Besprechungen in großen Unternehmen: 670.000 Stunden pro Jahr und 1,5 Milliarden Yen

Korrekt. Ich werde Sie direkt fragen.

** Können Sie die Anzahl der Besprechungen reduzieren? ** **. ** Wenn Sie 1,5 Milliarden Yen sparen können, warum nicht so viel Belohnung geben wie Mr. Gone? ** **.

Die Welt ist voller Know-how! !! !! !!

kaigi_sakugen.png

Aber warum ändert sich das im Laufe der Jahre nicht? .. .. .. .. Persönlich glaube ich nicht, dass ich wirklich versuche, die Anzahl der Besprechungen und die Zeit zu reduzieren. Kurz gesagt, das Know-how von Google ist nur ein Fehler.

1.3 Besprechung ... Werden Sie die Daten verwenden?

Selbst wenn es sich um ein Unternehmen handelt und die Skala 300 Personen * überschreitet, sind die Möglichkeiten jedes Mitarbeiters begrenzt.

Das heißt nicht, dass du nichts tust. Lassen Sie uns ** sogar ein wenig ** nutzen, anstatt die Anzahl der Besprechungen zu reduzieren, ohne darüber nachzudenken (Schurke), wie es in Ihrem Unternehmen oder in meinem Unternehmen geschieht.

2. Probleme und Lösungsrichtlinien

2.1 Herausforderungen, bei denen es sich wahrscheinlich um ein großes Unternehmen handelt

Als Problem, das in einer Organisation auftritt, in der die Anzahl der Mitarbeiter einschließlich der Gruppe eine bestimmte Anzahl überschreitet

Was ist los? Es gibt, richtig?

Stellen wir dies als ein zu lösendes Problem ein.

2.2 Lösungsrichtlinie

Ist es nicht vergeblich angesammelt und das erste in Dark Data? Ich werde versuchen, die Konferenzdaten zu nutzen, die zu sein scheinen.

Dunkle Daten Bezieht sich auf "Daten, die innerhalb eines Unternehmens Wert schaffen können, aber nicht verwendet werden"

Es wird nicht verwendet, weil es nur akkumuliert wird. Selbst wenn ich gegoogelt habe, gab es keine Beispiele für seine Verwendung. Was für eine Verschwendung.

2.3 Merkmale der Besprechungsdaten

Betrachten wir nun die Eigenschaften von Konferenzdaten.

verdienen

Fehler

Es gibt einige Nachteile, aber ... versuchen wir es zuerst!

3. Datenerfassung und Vorverarbeitung

Weitere Informationen siehe hier

4. Maschinelles Lernen

Es ist lange her, also siehe hier.

5. Netzwerkanalyse

Es ist lange her, also siehe hier.

6. Visualisierung

Vue + Vuex + [Vuetify](https://vuetifyjs.com/ja Entwickelt mit /).

6.1 Zuerst der Startbildschirm!

Wenn der Startbildschirm langweilig ist, gehen einige Leute möglicherweise einfach nach Hause. Also habe ich mein Bestes getan, um mich auf meiner eigenen Basis cool zu fühlen (Fehlallokation)

hrsearch-min.png

6.2 Suche nach Experten

Wählen Sie im Menü des linken Bereichs die Option "Stichwortsuche", um nach Personen nach Wörtern zu suchen.

keywordsearch-min.png

Zu! Wenn Sie nach dem Wort maschinelles Lernen suchen, finden Sie ** den Minister für Bildung, Kultur, Sport, Wissenschaft und Technologie **. KI sieht übrigens so aus.

AI-min.png

Darüber hinaus ist die Farbe eine Farbe für jeden Cluster, indem Personen gruppiert werden, die in gewissem Maße ähnliche Bemerkungen haben. Es wäre vielleicht besser gewesen, es hier auf Party zu setzen, aber es ist ** nervig **, also lasse ich es so wie es ist.

6.3 Nach Verbindungen suchen

Als nächstes folgt die Verbindungssuche. Suchen Sie in der Mitgliedersuche nach Verbindungen von Premierminister Abe (Personen mit ähnlichen Bemerkungen hier).

membersearch-min.png

Aha. .. .. .. (Ich habe keine Eindrücke bekommen, als ich mir das im Protokoll des Parlaments angesehen habe.) Ich bin sicher, es wäre ein wenig interessant, wenn wir die tatsächlichen Besprechungsdaten intern einspeisen könnten. .. .. ..

6.4 Suche nach persönlichen Verbindungen

Es ist endlich Zeit, nach Verbindungen zu suchen (was ich am liebsten machen wollte).

connection1-min.png

connection2-min.png

Aufgrund des Inhalts der Bemerkungen ist Herr Toshio Beppu unterwegs eingeklemmt. Dieser Bereich hängt vom trainierten Modell ab, daher lasse ich ihn vorerst. Lassen Sie uns als nächstes die Verbindung zwischen Premierminister Abe und Vertreter Taro Yamamoto untersuchen. (Weil ich ein Mitglied des Landtages war, das irgendwie darauf gekommen ist) Unterwegs werden drei Personen gefasst. Ist das so? 6.5 Vorschlag von Suchzielwörtern Da viele Wörter und viele Zielpersonen gesucht werden können, wird die Validierung durchgeführt, bevor eine Suchabfrage ausgelöst wird. Es ist jedoch schwierig zu wissen, welche Art von Wörtern in Ordnung ist. Wenn Sie also mit der Eingabe eines Wortes beginnen, haben wir eine Funktion zum Anzeigen von Suchbegriffkandidaten implementiert.

support-min.png

Jetzt können Sie nach jedem Wort suchen, aber Sie können sicher sein!

7 Entwicklungseindruck

Was ich bisher darüber nachgedacht habe, ist, dass ** UX-Design und UI-Design wichtig sind **. .. .. ..

Die Aufbereitung von Trainingsdaten, die Bereinigung, die morphologische Analyse, das maschinelle Lernen und die API-Entwicklung waren nicht so schwierig. Ich denke, das liegt daran, dass das Ziel so klar war, wie es war.

Ich fing jedoch an, das Frontend zu erstellen, ohne ein klares Bild zu haben, und wiederholte es. Dank dessen ist es schwer zu spüren, dass der Quellcode auch nicht cool ist. .. .. ..

Ich denke nicht, dass dieser Bildschirm gut für mich ist, aber ich bin mir nicht sicher, was ich tun soll.

8 Schließlich zur Reform des Arbeitsstils

Hier habe ich Ihnen einen Bildschirm gezeigt, der auf den Protokollen der Diät basiert, aber ich habe beschlossen, die Lerndaten für die Besprechungsdaten meines Unternehmens zu verwenden und sie intern (ohne Erlaubnis) zu verwenden. Ich denke, dass Sie verschiedene Meinungen erhalten werden, nehmen Sie sie also bitte positiv.

Das? Wer weiß das? Oh, ich bin glücklich, die Verbindung zu kennen, wenn ich mit diesem YO suche!

Jeder denkt

Macht diese Person diese Art von Arbeit? Dann lass uns ein wenig reden und versuchen, die Idee des Projekts zu brechen!

Ich würde mich freuen, wenn Sie darüber nachdenken.

Recommended Posts

Ich habe HR Tech versucht, eine Expertensuchmaschine zu entwickeln, indem ich interne Besprechungsinformationen maschinell gelernt habe
[Maschinelles Lernen] Ich habe versucht, so etwas wie Bilder weiterzugeben
Ich habe versucht, durch Schaben ein Bild zu bekommen
Ich habe versucht, das Vorhandensein oder Nichtvorhandensein von Schnee durch maschinelles Lernen vorherzusagen.
Ich habe versucht, die Veränderung der Schneemenge für 2 Jahre durch maschinelles Lernen vorherzusagen
[Keras] Ich habe versucht, das Problem der Klassifizierung des Donut-Typ-Bereichs durch maschinelles Lernen zu lösen. [Studie]
Ich habe versucht, maschinelles Lernen (Objekterkennung) mit TouchDesigner zu verschieben
Ich habe versucht, mit Python (Mac OS X) eine Umgebung für maschinelles Lernen zu erstellen.
Ich habe versucht, das Bild mithilfe von maschinellem Lernen zu komprimieren
Ich habe versucht, die Yin- und Yang-Klassifikation hololiver Mitglieder durch maschinelles Lernen zu überprüfen
Ich habe versucht, die Erkennung von Anomalien durch spärliches Strukturlernen zu implementieren
Ich habe versucht, durch maschinelles Lernen Sätze in den XX-Stil umzuwandeln
[Maschinelles Lernen] Ich habe versucht, die Theorie von Adaboost zusammenzufassen
Eine Einführung in das maschinelle Lernen
Ich war frustriert von Kaggle und versuchte, durch Schaben und maschinelles Lernen ein gutes Mietobjekt zu finden
Ich habe versucht, das überwachte Lernen des maschinellen Lernens auch für Serveringenieure auf leicht verständliche Weise zu verstehen 2
Ich habe versucht, eine Aktivität zu erstellen, die gemeinsam die Positionsinformationen festlegt
Ich habe maschinelles Lernen mit liblinear versucht
Informationen zum maschinell erlernten Meeting für HRTech
Suchen Sie nach technischen Blogs durch maschinelles Lernen mit dem Schwerpunkt "Verständlichkeit"
(Maschinelles Lernen) Ich habe versucht, die Bayes'sche lineare Regression bei der Implementierung sorgfältig zu verstehen
Ich habe versucht, die Anzahl der Mnisten durch unbeaufsichtigtes Lernen zu klassifizieren [PCA, t-SNE, k-means]
Ich habe versucht, das Modell mit der Low-Code-Bibliothek für maschinelles Lernen "PyCaret" zu visualisieren.
Ich habe versucht, Oba Hanana und Otani Emiri durch tiefes Lernen zu klassifizieren
Ich habe Python 3.5.1 installiert, um maschinelles Lernen zu studieren
Eine Einführung in OpenCV für maschinelles Lernen
Eine Einführung in Python für maschinelles Lernen
Ich habe versucht, die beim maschinellen Lernen verwendeten Bewertungsindizes zu organisieren (Regressionsmodell).
Ich bin überhaupt kein Ingenieur, aber ich habe mein Gesicht durch maschinelles Lernen klassifiziert
Ich habe versucht, die Strichzeichnung mit Deep Learning aus dem Bild zu extrahieren
Ich habe versucht, verschiedene Methoden für maschinelles Lernen (Vorhersagemodell) mithilfe von Scicit-Learn zu implementieren
Ich habe versucht, das Bild zu verarbeiten und zu transformieren und die Daten für maschinelles Lernen zu erweitern
Ich habe versucht, Hanana Oba und Emiri Otani durch tiefes Lernen zu klassifizieren (Teil 2)