Интеллектуальный расчет срока выполнения задач. Идея решения.

Актуальность задачи

Сотрудники компаний выполняют множество задач во время исполнения своих служебных обязанностей. У каждой задачи есть некоторый срок и зачастую этот срок выставляется неверно, что влияет как на распределение нагрузки между сотрудниками, так и на и планирование производственного процесса.

Ошибочное выставление срока выполнения работы является одним из ключевых факторов, влияющих на загруженность сотрудника. Он возникает по следующим причинам:

• инициатор задачи, выставляя срок выполнения задачи, не знает о загруженности исполнителя;
• информация о схожих выполненных задачах не учитывается;
• разные инициаторы могут выставлять разные сроки для похожих задач;

Существуют различные инструменты, позволяющие визуализировать имеющуюся информацию в DirectumRX, которую затем можно использовать для анализа. Однако у данных инструментов есть несколько существенных недостатков:

•  собранную информацию анализирует человек, что является дополнительной нагрузкой на сотрудника и требует дополнительного времени на анализ;
• данные методы только собирают и визуализируют информацию и не могут динамически влиять на создание новых задач, т.е. использоваться сотрудниками в процессе работы, поскольку дополнительный анализ загруженности перед формированием задачи лишь увеличит время её постановки

Решить проблему выставления планового срока можно с помощью методов машинного обучения, прогнозирующих количество рабочих часов, необходимого для выполнения работы. На основе спрогнозированных часов можно получить срок (дата и время), к которому задача должна быть выполнена.

Стоит отметить, что описанная автоматизация выставления срока применима только к тем задачам, в которых допускается нерегламентированный срок выполнения поставленной задачи т.к. для строго регламентированных это может создать лишнюю путаницу в сроках выполнения.

Предлагаемая модель машинного обучения

В зависимости от бизнес-процессов может быть использована различная информация, позволяющая прогнозировать срок выполнения задачи. При реализации идеи автоматизации выставления срока использовались следующие признаки, характеризующие как задачу, так и информацию об исполнителе:

• количество заданий в работе;
• количество просроченных заданий;
• количество вложений;
• стаж исполнителя;
• ключевые навыки исполнителя;
• должность исполнителя;
• среднее время выполнения определенного вида работы в конкретной организации.

Исходный набор данных представлял собой информацию о 8 тыс. заданий, 20% которых использовался в качестве тестовых данных. Информация о зданиях описывалась 30 признаками, при этом целевым признаком являлось количество рабочих часов с точностью до 1 знака после запятой.

В качестве алгоритма для построения модели использовался алгоритм Random Forest, который показал на тестовых данных R2≈0.9 , что говорит о том, что разработанная модель достаточно точно описывает имеющуюся информацию и неплохо прогнозирует необходимое количество рабочих часов. Инструментом для создания модели выступала библиотека scikit-learn.

Применение модели в DirectumRX

Для обеспечения прогноза необходимого количества рабочих часов с помощью машинного обучения используется сторонний RESTful WEB-сервис, цель которого получить необходимую информацию со стороны DirectumRX и вернуть в ответ спрогнозированное количество рабочих часов. В качестве инструмента разработки использовался фреймворк Flask.

Схема взаимодействия следующая:

Для обеспечения обмена данными между сервисом и DirectumRX на стороне DirectumRX была разработана задача, в рамках которой реализован механизм отправки данных на разработанный сервис и получение результатов прогноза. Разработанная задача во многом отражает «простую задачу», однако данное решение может применяться и для других видов задач. Для обеспечения отправки запросов на сервис использовалась библиотека RESTSharp, которую необходимо подключить как стороннюю библиотеку.

Периодическое обновление модели путем обучения на новых данных на стороне DirectumRX осуществляется с помощью фонового процесса, обрабатывающего информацию, полученную из базы данных DirectumRX и сохраняющего ее в файл, который затем считывается на стороне сервиса и обучает модель.

Одним из важных этапов разработки является перенос разработанного приложения и прикладной разработки в DirectumRX с места разработки до места непосредственной эксплуатации. Если в случае прикладной разработки в DirectumRX данные механизмы уже реализованы, то для переноса и развёртывания разработанного сервиса необходимо использовать сторонние технологии – например, виртуализацию. Этот подход позволяет развернуть приложение изолированно от места развертывания, сохранив все его необходимые зависимости, и дает возможность упростить процесс переноса и обезопасить от конфликтов версий.

Одним из самых популярных подходов к развертыванию приложений является запуск приложения в контейнере. Контейнеризация приложения позволяет запустить приложение изолировано от хост-машины и упрощает перенос с одного сервера на другой. Кроме того, все необходимые зависимости хранятся внутри контейнера, что и обезопасит от конфликтов версий. Для автоматизации создания и запуска контейнеров использовалось программное обеспечение Docker.

Таким образом, использование автоматизации выставления срока позволит лучше распределять нагрузку среди работников компании, а также упростит планирование производственного процесса.

Буду рад отклику сообщества по идее и ее реализации.