Išmanios užduočių valdymo posistemės kūrimas ir taikymas verslo valdymo sistemose

Šiandienos laikais verslas susiduria su vis didesniais iššūkiais, iš kurių vienas svarbiausių kaip sėkmingai vykdyti projektus spartėjančiame Pramonės 4.0 pasaulyje. Egzistuojančios verslo valdymo sistemos ne visada spėja adaptuotis prie greitėjančių pokyčių bei tenkinti vis naujus įmonės poreikius. Dažna problema yra įmonės veiklos vykdymo efektyvumo užtikrinimas. Tai vyksta taikant verslo valdymo sistemose esančias užduočių valdymo posistemes, tačiau šių posistemių automatizavimo lygis vis dar nėra aukštas ir daug rutininio darbo reikia atlikti rankiniu būdu. Susiklosčius tokiai situacijai praverčia taikyti automatinį užduočių priskyrimą, kuris sutaupo laiką. Priskirti darbus vykdytojams galima atsitiktiniu būdu, tačiau tai dažnai yra ne visai tikslu. Galima naudoti taisyklių rinkinį, kuriame naudojamų parametrų kiekis yra didesnis nei atsitiktiniame priskyrime, pvz. įtraukiamas parametras „priskiriamoji užduotis“, tačiau toks rinkinys apriboja taikymą ir paverčia komplikuotu. Dabartiniu metu atsirado daugiau galimybių naudoti mašininio mokymosi metodus ir algoritmus, nuo klasikinių matematinių iki sudėtingų gilaus apsimokymo metodų. Šiame darbe buvo kuriama išmanioji užduočių valdymo posistemė, kurioje užduočių priskyrimui atlikti buvo taikomi natūralios kalbos apdorojimo ir mašininio mokymosi metodai. Eksperimentinėje darbo dalyje buvo tiriamas automatinis užduočių priskyrimas trimis būdais: atsitiktiniu, taikant taisyklių rinkinį bei įgyvendinat ir taikant mašininio mokymosi algoritmus (NLP-SVM). Atlikus tyrimą buvo nustatyta, kad tiksliausiai užduotis automatiškai priskiria NLP-SVM algoritmas. Šį algoritmą galima naudoti vykdant automatinį užduočių priskyrimą verslo valdymo sistemose, tačiau tai nereiškia, kad tinka tik šis konkretus autoriaus sukurtas algoritmų derinys, galima naudoti ir kitus mašininio mokymosi algoritmus arba hibridinę architektūrą pagal sprendžiamą probleminę situacija.

Today, business faces increasing challenges such as successful project execution in the accelerating world of Industry 4.0. Business management systems do not always anticipate an accelerating world and meet the needs of the company. Ensuring optimal performance is a common problem, usually through the task subsystem, but manual performance is becoming increasingly complicated in today’s times. In such a situation, it is useful to apply automatic task assignment, which saves time. Assignments can be made randomly, but this is often not entirely accurate. It is also possible to use a set of rules as the increasing number of parameters makes the application complicated as an assigned task. Also, machine learning methods can be used, ranged from classical mathematical ones to complex deep learning methods. In this work, an intelligent task management subsystem was developed, in which natural language processing and machine learning methods were applied to assign tasks. In the experimental part of the work, the automatic assignment of tasks was investigated in three ways: random, applying a set of rules, and implementing and applying machine learning algorithms (NLP-SVM). The study found that the most accurate automatically assignment of tasks is performed by the NLP-SVM algorithm. This algorithm can be used for automatic task assignment in business management systems, but this does not mean that only this specific combination of algorithms developed by the author is suitable, other machine learning algorithms or a hybrid architecture can be used depending on the situation.