Ευφυές σύστημα δυναμικής διαχείρισης φόρτου εργασιών και κατανομής πόρων στον δημόσιο τομέα με προηγμένες μεθόδους τεχνητής νοημοσύνης

Abstract

Human Resource Management (HRM) in the public sector faces unique challenges, primarily due to its complex organizational structure and the critical need for a fair and efficient allocation of human resources. Traditional HRM systems often fail to objectively evaluate employee performance and optimally distribute workload, leading to issues of underutilization and employee burnout. This thesis introduces an innovative approach to revolutionize HRM practices in the public sector through the integration of Neuro-Fuzzy systems and machine learning algorithms, with a particular focus on the Adaptive Neuro-Fuzzy Inference System (ANFIS). The research introduces a comprehensive framework that develops, implements, and evaluates a system comprising two distinct components: a Neuro-Fuzzy Employee Ranking System, which ensures objective and accurate employee evaluations, and a Dynamic Workload Management System (DWMS), which dynamically allocates workloads to optimize productivity. Together, these components are designed to improve employee performance and streamline workload management, thereby substantially enhancing organizational efficiency. The initiation of this research is marked by the development of an Employee Ranking System tailored to the unique requirements of the public sector. This system is based on the ANFIS model, which was selected for its ability to combine the intuitive aspects of fuzzy systems with the learning advantages of neural networks. Focusing on quantifiable “hard” skills, the model avoids the subjective assessment of “soft” skills, ensuring an objective evaluation of employee performance. The innovative approach of this system lies in its ability to automate the ranking process, significantly reducing the time and resources traditionally expended by HR departments while simultaneously providing a transparent and unbiased evaluation of employees' competencies. Experimental tests demonstrate the system’s effectiveness, revealing its potential to substantially enhance decision-making processes within HRM by offering accurate insights into employee productivity and capabilities. Building on the employee ranking system, the thesis further explores the implementation of a Dynamic Workload Management System (DWMS). This system intelligently addresses the issue of workload distribution by dynamically mapping employees’ capacity to undertake and manage workloads. This dissertation culminates in the seamless integration of the Neuro-Fuzzy Employee Ranking System with the Dynamic Workload Management System, offering a comprehensive solution to the longstanding challenges faced by Human Resource Management (HRM) in the public sector. This holistic approach not only exemplifies the synergy between Neuro-Fuzzy systems and machine learning in modernizing HRM practices but also lays the foundation for a transformative shift in human resource management within public organizations. The research presented in this dissertation is not merely an academic exercise but a guide for future HRM practices, promoting the adoption of advanced technological solutions to enhance the efficiency of the public sector and improve employee satisfaction. As this research opens new horizons in Human Resource Management, it also establishes a basis for future studies on the functional integration of these systems in real-time scenarios, promising further advancements in public sector productivity and efficiency. The findings of this dissertation transcend the boundaries of academic research, offering practical solutions to persistent challenges and marking a new era of innovation in public sector management.

Η Διαχείριση Ανθρώπινων Πόρων στον δημόσιο τομέα αντιμετωπίζει μοναδικές προκλήσεις, κυρίως λόγω της πολύπλοκης οργανωτικής του δομής και της κρίσιμης ανάγκης για μια δίκαιη και αποδοτική κατανομή των ανθρώπινων πόρων. Τα παραδοσιακά συστήματα HRM συχνά αδυνατούν να αξιολογήσουν αντικειμενικά την απόδοση των εργαζομένων και να κατανείμουν βέλτιστα τον φόρτο εργασίας, οδηγώντας σε προβλήματα υπό-αξιοποίησης και εργασιακής εξάντλησης των υπαλλήλων. Η παρούσα διατριβή εισάγει μια πρωτοποριακή προσέγγιση για την επανάσταση των πρακτικών HRM στον δημόσιο τομέα μέσω της ενσωμάτωσης συστημάτων Neuro-Fuzzy και αλγορίθμων μηχανικής μάθησης, με ιδιαίτερη έμφαση στο Adaptive Neuro-Fuzzy Inference System (ANFIS). Η έρευνα περιγράφει την ανάπτυξη, εφαρμογή και αξιολόγηση δύο κύριων συστημάτων: ενός Συστήματος Κατάταξης Υπαλλήλων Neuro-Fuzzy και ενός Συστήματος Διαχείρισης Δυναμικού Φόρτου Εργασίας (Dynamic Workload Management System - DWMS), σχεδιασμένα να βελτιώσουν την παραγωγικότητα των εργαζομένων και να βελτιστοποιήσουν τη διαχείριση του φόρτου εργασίας, αυξάνοντας έτσι σημαντικά την αποδοτικότητα του οργανισμού. Η έναρξη αυτής της έρευνας σηματοδοτείται από την ανάπτυξη ενός Συστήματος Κατάταξης Υπαλλήλων, προσαρμοσμένο στις μοναδικές απαιτήσεις του δημόσιου τομέα. Το σύστημα αυτό βασίζεται στο μοντέλο ANFIS, το οποίο επιλέχθηκε για την ικανότητά του να συνδυάζει τις διαισθητικές πτυχές των συστημάτων Fuzzy με τα μαθησιακά πλεονεκτήματα των νευρωνικών δικτύων. Εστιάζοντας σε ποσοτικοποιήσιμες “τεχνικές” δεξιότητες (hard skills), το μοντέλο αποφεύγει την υποκειμενική αξιολόγηση των “ήπιων” δεξιοτήτων (soft skills), διασφαλίζοντας μια αντικειμενική αξιολόγηση της απόδοσης των εργαζομένων. Η καινοτόμος προσέγγιση αυτού του συστήματος έγκειται στην ικανότητά του να αυτοματοποιεί τη διαδικασία κατάταξης, μειώνοντας ουσιαστικά τον χρόνο και τους πόρους που παραδοσιακά δαπανούν τα τμήματα ανθρώπινου δυναμικού, παρέχοντας ταυτόχρονα μια διαφανή και αμερόληπτη αξιολόγηση των ικανοτήτων των εργαζομένων. Πειραματικοί έλεγχοι αποδεικνύουν την αποτελεσματικότητα του συστήματος, αποκαλύπτοντας την δυνατότητά του να βελτιώσει σημαντικά τις διαδικασίες λήψης αποφάσεων εντός του HRM, προσφέροντας ακριβείς γνώσεις σχετικά με την παραγωγικότητα και τις δυνατότητες των εργαζομένων. Χρησιμοποιώντας ως βάση το σύστημα κατάταξης υπαλλήλων, η διατριβή εξετάζει περαιτέρω την εφαρμογή ενός Συστήματος Διαχείρισης Δυναμικού Φόρτου Εργασίας (DWMS). Το σύστημα αυτό αντιμετωπίζει με ευφυή τρόπο την κατάσταση κατανομής φόρτου εργασίας, χαρτογραφώντας δυναμικά την ικανότητα των εργαζομένων να αναλάβουν και να διαχειριστούν τον φόρτο εργασίας, Η παρούσα διατριβή κορυφώνεται με την άρτια ενσωμάτωση του Συστήματος Κατάταξης Υπαλλήλων Neuro-Fuzzy με το Σύστημα Διαχείρισης Δυναμικού Φόρτου Εργασίας, προσφέροντας μια ολοκληρωμένη λύση στις διαχρονικές προκλήσεις που αντιμετωπίζει η Διαχείριση Ανθρώπινων Πόρων στον δημόσιο τομέα. Αυτή η ολοκληρωμένη προσέγγιση δεν αποτελεί απλώς παράδειγμα της συνεργίας μεταξύ των συστημάτων Neuro-Fuzzy και της μηχανικής μάθησης στον εκσυγχρονισμό των πρακτικών Διαχείρισης Ανθρωπίνων Πόρων, αλλά θέτει επίσης τις βάσεις για μια μετασχηματιστική μεταβολή στη διαχείριση των ανθρώπινων πόρων στους δημόσιους οργανισμούς. Η έρευνα που περιέχεται σε αυτή τη διατριβή δεν είναι απλώς μια ακαδημαϊκή προσέγγιση, αλλά ένας οδηγός για τις μελλοντικές πρακτικές διαχείρισης ανθρωπίνων πόρων, που προωθεί την υιοθέτηση προηγμένων τεχνολογικών λύσεων για τη βελτίωση της αποδοτικότητας του δημόσιου τομέα και της ικανοποίησης των εργαζομένων. Καθώς η έρευνα αυτή ανοίγει νέους ορίζοντες στη Διαχείριση Ανθρωπίνων Πόρων, θέτει επίσης τα θεμέλια για μελλοντικές μελέτες σχετικά με την λειτουργική ενσωμάτωση αυτών των συστημάτων σε σενάρια πραγματικού χρόνου, υποσχόμενη περαιτέρω πρόοδο στην παραγωγικότητα και την αποδοτικότητα του δημόσιου τομέα. Τα αποτελέσματα αυτής της διατριβής ξεπερνούν τα όρια της ακαδημαϊκής έρευνας, προσφέροντας πρακτικές λύσεις σε μακροχρόνιες προκλήσεις και σηματοδοτώντας μια νέα εποχή καινοτομίας στη διαχείριση του δημόσιου τομέα.