Redes Neurais Artificiais Aplicadas em Análise de Perfis Profissionais

Transcrição

1 Redes Neurais Artificiais Aplicadas em Análise de Perfis Profissionais S. A. Araújo 1, D. Santos 2, M. A. Bonaldo 3 Resumo - Esse trabalho visa explorar a utilização de Redes Neurais Artificiais, modelo de Kohonen, para a classificação de perfis profissionais, agrupando-os por áreas de atuação, com a finalidade de auxiliar no processo de triagem de candidatos, na área de Recursos Humanos (RH). O resultado prático dessa implementação é viável para a área de RH, tendo em vista que as Redes Neurais tem a capacidade de lidar com dados imprecisos, incompletos ou totalmente novos. Palavras chave - Kohonen, Perfil Profissional, Redes Neurais Abstract - This work aims to explore the use of Artificial Neural Networks, Kohonen s model, in order to classify professional profiles, grouping them by performance areas, with the purpose of assisting in the process of selecting candidates in Human Resource areas. The practical result of this implementation is viable for Human resource areas since the Neural Networks have the capacity to deal with inexact, incomplete or totally new data. Keywords - Kohonen, Neural Networks, Professional Profile I. INTRODUÇÃO As redes neurais artificiais (RNA s) consistem de uma técnica de e tem como objetivo solucionar problemas baseando-se na estrutura e funcionamento do cérebro humano [6]. Podemos dizer que suas principais características são: a forma de processamento distribuído, a habilidade de aprender e a capacidade de lidar com dados imprecisos [10][11]. Atualmente, as redes neurais artificiais são utilizadas nas mais diversas áreas do conhecimento, tais como Engenharia, Economia, Agronomia e Recursos Humanos, geralmente em problemas de reconhecimento e classificação de padrões. Há diversos modelos de RNAs, e cada um desses modelos é mais adequado para resolução de uma determinada classe de problemas. Algumas características que variam entre os modelos são: algoritmo de aprendizado, arquitetura da rede e a forma como são feitas as conexões entre as camadas. O modelo explorado neste trabalho é um tipo de rede neural de aprendizado não supervisionado, conhecido como modelo de Kohonen, ou mapa auto-organizável, que será implementado neste trabalho para classificar diferentes perfis profissionais, visando auxiliar na área de Recursos Humanos de empresas, na atividade de triagem de currículos. II. REDES NEURAIS ARTIFICIAIS As pesquisas com redes neurais artificiais tiveram início na década de 40, com o neurofisiologista Warren McCulloch e o matemático Walter Pitts, da Universidade de Illinois, os quais fizeram uma comparação entre células nervosas vivas e o processo eletrônico [7][9]. Essa comparação foi feita usandose um modelo composto de resistores variáveis e 1 S. A. Araújo ( saraujo@uninove.br) 2 D. Santos ( dsantos@promon.com.br) 3 M. A. Bonaldo ( marcobonaldo@uol.com.br) Centro Universitário Nove de Julho Departamento de Ciências Exatas - Ciência da Computação Rua Diamantina 302, CEP São Paulo, SP, Brasil 280

2 amplificadores representando conexões sinápticas em um neurônio biológico [11]. O primeiro modelo de rede neural, denominado perceptron, foi implementado por Frank Rosenblatt, em Trata-se de um modelo bastante limitado que pode ser utilizado apenas para classificação de padrões linearmente separáveis [2][5][6]. Embora tenha suas limitações, o perceptron serviu de base para a criação de outros algoritmos de treinamento, tais como backpropagation e mapa auto-organizável de Kohonen, que são amplamente utilizados atualmente. III. MODELO DE KOHONEN O modelo de Kohonen, cujo aprendizado, é do tipo não supervisionado, possui apenas duas camadas (entrada e saída). Esse tipo de rede pode apresentar diferentes formatos geométricos em sua camada de saída [5]. No entanto, o formato mais utilizado é o retangular. A rede de Kohonen é caracterizada pela formação de um mapa topográfico dos padrões de entrada, no qual as localizações espaciais dos neurônios da grade de saída são indicativas das características estatísticas intrínsecas contidas nos padrões de entrada, que justificam o nome mapa autoorganizável [8]. Esse modelo de rede neural foi inspirado no córtex sensitivo, em que regiões vizinhas respondem por partes sensitivas localizadas próximas do corpo humano [4]. Como suas principais características, podemos citar: Competição - para cada padrão de entrada apresentado a rede, os neurônios da camada de saída competem entre si para decidir quem será o vencedor. Esse neurônio vencedor representará o conjunto de características descrito pelo padrão de entrada em questão. Cooperação - o neurônio vencedor determina a localização espacial de uma vizinhança topológica de neurônios que devem ser excitados, fornecendo, assim, a base para a cooperação entre os vizinhos. Generalização - capacidade da rede neural fornecer respostas adequadas a um padrão de entrada que não foi aprendido previamente. A. Treinamento do Modelo de Kohonen Na fase de treinamento, os neurônios da camada de saída competem entre si para que haja um vencedor a cada nova entrada do conjunto de treinamento, ou seja, sempre que é apresentado um padrão do conjunto de treinamento à rede neural, existe uma competição entre os neurônios da camada de saída para representar a entrada naquele momento [3]. Uma particularidade do modelo de Kohonen é que os pesos dos neurônios vizinhos do vencedor também são atualizados, configurando o processo de cooperação. No início do treinamento, as vizinhanças de atualização são grandes e podem abranger toda a grade de saída. Durante o treinamento, a redução do tamanho da vizinhança favorece uma seletividade entre os padrões de entrada e a formação de regiões de maior atividade em torno do neurônio vencedor. Esse é o processo responsável pela formação de mapas que conservam a topologia [8]. O sucesso no processo de aprendizagem da rede depende não somente do número de iterações, mas também de uma melhor representação dos padrões de entrada e dos parâmetros do algoritmo, tais como a taxa de aprendizagem e a função de vizinhança. É importante ressaltar que esses parâmetros são obtidos de forma empírica. IV. PERFIL PROFISSIONAL O perfil profissional é um conjunto de características que precisam ser buscadas em um candidato para que este possa ocupar um determinado cargo. Este perfil pode ser dividido em duas partes: conhecimentos técnicos e perfil comportamental, donde se observam as diversas habilidades do candidato, conforme ilustrado na Fig. 1. Neste trabalho, consideramos apenas o perfil técnico dada a subjetividade e a dificuldade encontrada na mensuração dos valores que expressam o perfil comportamental. Conhecimentos Técnicos Escolaridade Área de formação Idiomas Experiência Profissional Informática Perfil comportamental Comunicação Relacionamento interpessoal Bom senso Postura Ética profissional Fig. 1. Perfil Profissional Devido a grande competição e a necessidade de se encontrar profissionais cada vez mais qualificados e que atendam aos perfis solicitados as empresas acabam recorrendo a sites de buscas de profissionais ou criando um local em seu próprio site, onde os profissionais possam cadastrar seus currículos. Quando a empresa cadastra uma vaga num destes sites de busca o número de currículos recebidos é muito grande, perdendo-se muito tempo na triagem destes, pois apesar do avanço alcançado por estas empresas direcionadas a este segmento esses sistemas ainda são muito falhos pois possibilita que o candidato envie o seu currículo para qualquer vaga cadastrada ou restringe o currículo a apenas uma vaga. Por este motivo, resolvemos implementar um algoritmo de RNA na tentativa de minimizar este tipo de problema. Essa implementação tem como objetivo auxiliar a área de RH na tarefa de classificação e triagem de currículos. A idéia de como deve ocorrer a classificação dos currículos é ilustrada na Fig

3 Analista de Sistemas 1,00 0,35 0,40 0,35 0,35 0,9 0,40 Analista de Suporte 0,70 0,36 0,20 0,35 0,35 0,50 0,40 Engenheiro Civil 1,00 0,31 0,20 0,31 0,31 0,9 0,40 Nutricionista 1,00 0,69 0,40 0,69 0,69 0,30 0,00 Médico 1,00 0,66 0,60 0,66 0,66 0,9 0,60 Secretária 0,70 0,18 0,40 0,12 0,19 0,30 0,40 Secretária Bilíngüe 0,70 0,18 0,40 0,12 0,19 0,9 1,00 Fig. 2. Classificação de Currículos por área de atuação V. IMPLEMENTAÇÃO A rede neural para classificação dos perfis profissionais, foi implementada utilizando a linguagem de programação Delphi 5.0. Desenvolveu-se uma aplicação genérica para classificação de padrões, aqui utilizada para reconhecimento e classificação de perfis profissionais. A. Modelagem Para que as informações referentes aos perfis profissionais pudessem servir de entrada para treinamento da RNA, realizamos os seguintes procedimentos: Escolhemos 15 perfis profissionais entres as áreas administrativas, saúde, tecnologia, direito e letras. Esses perfis foram analisados e tiveram seus atributos quantificados para compor o conjunto de treinamento da rede. Após diversos experimentos e com base em estudos realizados em [1], descartamos os atributos de menor desvio padrão e selecionamos os 7 principais de maior desvio padrão, fundamentais para definir a função de um profissional. Esses atributos foram valorados com pesos diferentes, de acordo com seu grau de importância. Fizemos ainda uma normalização dos valores de entrada, deixando-os na faixa entre 0 e 1, por se tratar de uma rotina de praxe em RNAs. Na Tabela I, é possível visualizar os perfis que compõem o conjunto de treinamento com seus respectivos atributos já quantificados e normalizados. O conjunto de profissões descritas na Tabela I é utilizado para treinamento da rede. O propósito é que, depois desse treinamento, tomando-se o perfil de um candidato (currículo) e apresentado-o à rede, esta seja capaz de classificá-lo corretamente em uma das áreas formadas no mapa de saída, de acordo com suas características intrínsecas. Dessa forma, é possível saber de quais cargos esse perfil mais se aproxima. Tradutor de Inglês 1,00 0,17 0,40 0,19 0,19 0,90 0,40 Tradutor de Espanhol 1,00 0,17 0,40 0,19 0,19 0,30 1,00 Advogado Tributário 1,00 0,11 0,60 0,11 0,11 0,30 0,40 Revisor Trad. Jurídica 1,00 0,11 0,40 0,11 0,11 0,9 1,00 Auxiliar Administrativo 0,50 0,00 0,20 0,12 0,12 0,30 0,40 Analista Financeiro 1,00 0,15 0,40 0,16 0,16 0,30 0,40 Analista de RH 1,00 0,12 0,40 0,14 0,14 0,30 0,40 Controller 1,00 0,19 0,60 0,15 0,15 0,70 0,40 B. Parametrização da Rede Para o problema abordado nesse trabalho, utilizamos os seguintes parâmetros: Arquitetura da rede : 7 neurônios na camada de entrada e 169 neurônios na camada de saída, dispostos numa grade retangular de 13 x 13. Taxa de aprendizagem : η ( t) = 0, 2. Equação de aprendizagem: define a taxa real de aprendizagem do vetor de pesos do neurônio de acordo com sua posição na grade de saída. Quanto mais longe do vencedor, menor é a taxa utilizada para ajuste dos pesos. Usamos a seguinte equação: 1 1 η ( t) = η( t) * (0,9 + ( ) * ( )) 2 Λ 10, onde: η (t) = Taxa de aprendizagem utilizada. Λ = Raio da vizinhança a ser atualizado. Quantidade de iterações: Para os treinamentos descritos neste trabalho foram necessárias iterações em cada treinamento para que houvesse uma convergência. Perfis (cargos) TABELA I CONJUNTO DE TREINAMENTO Atributos Escolaridade Área de formação Experiência na função Área de atuação Ativ. Desenvolvidas Inglês Espanhol VI. RESULTADOS OBTIDOS Depois de incluído o conjunto de padrões e parametrização da rede, inicia-se o processo de treinamento. Nesta fase os neurônios da camada de saída devem competir entre si, onde o neurônio vencedor de cada iteração representa um perfil profissional, do conjunto de treinamento. Perfis com características semelhantes tendem a serem representados por neurônios vizinhos na camada de saída. Isso leva a formação de um mapa topográfico de características semelhantes. Um 282

4 dos mapas obtidos durante os treinamentos é ilustrado na Fig. 3, onde percebemos claramente a formação de 6 grupos distintos. Para formar uma base estatística, realizamos 50 treinamentos com iterações cada, onde analisamos a quantidade de agrupamentos corretos na camada de saída em cada um dos treinamentos. A Fig. 4 ilustra um resumo estatístico desses treinamentos. Observando a Fig. 4 nota-se que obtivemos um agrupamento de perfis semelhantes na camada de saída em 81% dos casos, em média. Esse percentual nos mostra que a rede é capaz de fazer uma classificação correta de perfis da maioria das áreas. Entretanto, duas das seis áreas ficaram com o percentual de agrupamento que consideramos insatisfatório (abaixo de 80%). Como exemplo podemos citar as áreas de Tradutores e Exatas, onde o agrupamento correto ocorreu em 76% e 72% dos casos, respectivamente. Percentual de agrupamentos corretos por área 76,0% 86,0% 80,0% 72,0% 82,0% 92,0% Exatas Saúde Administração Geral Secretariado Tradutores Jurídica Fig. 4. Gráfico demonstrando os percentuais de agrupamentos por área de atuação nos 50 treinamentos Fig. 3. Mapa de saída após treinamento da rede. VII. CONCLUSÕES Neste trabalho, implementamos uma rede neural para classificar e agrupar perfis profissionais semelhantes, com intuito de contribuir para o processo de triagem de currículos em processos de recrutamento e seleção de empresas. Dessa implementação, conclui-se que a representação do conhecimento é uma etapa de vital importância para resolução de problemas usando Redes Neurais Artificiais. Um problema mal representado pode inviabilizar um projeto de RNA. O índice de agrupamento obtido neste trabalho (81%) pode ser melhorado, desde que seja feita uma melhor análise dos atributos que compõem um perfil [1]. Outra observação que podemos fazer é que há perfis de diferentes áreas com atributos bastante parecidos. Isso também decorre do processo de representação do conhecimento. É válido lembrar que outros fatores tais como taxa de aprendizagem, arquitetura da rede e a quantidade de iterações influem diretamente na formação do mapa de saída. Esses parâmetros são escolhidos de forma empírica e também podem ser melhorados mediante a uma análise mais minuciosa e, com isso, contribuir para um melhor desempenho da rede. VIII. REFERÊNCIAS [1] S. A. Araújo, Classificação de perfis profissiográficos usando a rede de Kohonen, Dissertação de Mestrado, Programa de Pós Graduação em Engenharia Elétrica, Universidade Presibiteriana Mackenzie, [2] J. M. Barreto, : No limiar do Século XXI. 3. ed. Santa Catarina: Duplic, [3] A. P. Braga, Redes Neurais Artificiais: teoria e aplicações. Rio de Janeiro: LTC, [4] M. A. Arbib (ed.), The Handbook of Brain Theory and Neural Networks. Cambridge, MA: The MIT Press, [5] S. Haykin, Neural Networks A Comprehensive Foundation, 2nd. ed., New Jersey: Prentice-Hall, [6] Z. L. Kovács, O Cérebro e a sua Mente: Uma Introdução à Neurociência Computacional. São Paulo: Ed. Acadêmica, [7] Z. L. Kovács, Redes Neurais Artificiais: Fundamentos e Aplicações. 3. ed. São Paulo: Editora Livraria da Física,

5 [8] T. Kohonen, The self-organizing map. Proceedings of the Institute of Electrical and Electronics Engineers. vol. 78, pp , Sep., [9] L. M. Fu, Neural Networks in Computer Intelligence. Flórida: McGraw- Hill, [10] N. K. Kasabov, Foundations of Neural Networks, Fuzzy Systems and Knowledge Engineering. 2nd. ed. Massachusetts: The MIT Press, [11] Russel, S e Norvig, P.. Rio de Janeiro: Elsevier, IX. BIOGRAFIAS Sidnei Alves de Araújo nasceu em Osasco (SP), em julho de É graduado em Processamento de Dados (1994) e Licenciatura para o Ensino Técnico (1998). Especializou-se em Análise de Sistemas e em Administração de Negócios, respectivamente, em 1995 e 1999, e recebeu o título de Mestre em Engenharia Elétrica com ênfase em Engenharia de Computação pela Universidade Presbiteriana Mackenzie em É professor do curso de Ciência da Computação do Centro Universitário Nove de Julho UNINOVE, onde leciona as disciplinas e Computação Gráfica, além de orientar trabalhos de Graduação e Iniciação Científica. Sua atuação em pesquisa concentra-se na áreas de e Processamento de Imagens. Marco Aurélio Bonaldo nasceu em São Paulo (SP), em agosto de É graduado em Ciência da Computação (2003) pelo Centro Universitário Nove de Julho UNINOVE. Profissional da área de informática, iniciou suas atividades científicas com o Trabalho de Conclusão de Curso (TCC), premiado com o 1º lugar no concurso Inteligência Transformada em Sucesso, patrocinado pelo Instituto de Tecnologia de Software (ITS) de São Paulo em Seu interesse em pesquisa concentra-se na área de inteligência artificial, com ênfase em aplicação de redes neurais artificiais. Danilo Santos nasceu em São Paulo (SP), em fevereiro de É graduado em Ciência da Computação (2003) pelo Centro Universitário Nove de Julho UNINOVE. Profissional da área de Recursos Humanos desde 1993, iniciou suas atividades científicas com o Trabalho de Conclusão de Curso (TCC), premiado com o 1º lugar no concurso Inteligência Transformada em Sucesso, patrocinado pelo Instituto de Tecnologia de Software (ITS) de São Paulo em Seu interesse em pesquisa concentra-se na área de inteligência artificial, com ênfase em aplicação de redes neurais artificiais. 284