Künstliche Intelligenz in der Personalplanung

Unsere Arbeitszeitpläne beeinflussen das Leben eines jeden von uns. Ungeeignete Arbeitszeitpläne können äußerst negative Auswirkungen auf unsere Gesundheit, unser soziales Leben und die Arbeitsmotivation haben. Auf der anderen Seite müssen Unternehmen und öffentliche Dienstleister ihren Personalanforderungen gerecht werden und die Qualität ihrer Dienstleistungen und Arbeitsabläufe sichern. Daher ist es von immenser Bedeutung für die Gesellschaft sowie für Arbeitnehmer und Arbeitgeber, geeignete Personalzeitpläne zu finden, die all diese Bedürfnisse berücksichtigen. Allerdings stellt die Personalplanung eine sehr komplexe Aufgabe dar, da der Suchraum aller möglichen Lösungen enorm groß ist und zugleich viele widerstreitende Bedingungen, wie etwa Arbeitsrecht, Wünsche der Arbeitnehmer und Interessen der Arbeitgeber, in der Schichtplanung berücksichtigt werden müssen. Vor allem in solchen Unternehmen, in denen die benötigte Anzahl von Mitarbeitern temporär schwankt, in denen 24 Stunden pro Tag gearbeitet wird oder die sich mit besonders komplexen oder kritischen Aufgaben (z. B. Flugsicherung oder Rettungsdienst ) beschäftigen, stellt sich die Schichtplanung als besonders problematisch dar. Traditionell werden Personalplanungsprobleme in mehreren Schritten gelöst, die verschiedene Teilprobleme in Form von NP-hard-Problemen beinhalten (z. B. Schichtplanung, Pausenplanung, Personaleinsatzplanung etc.). Dieser Ansatz verringert zwar die Komplexität der Problemlösung, aber Schichtplanungsexperten müssen in die Lösung des Gesamtproblems mit einbezogen werden. Darüber hinaus sind die Teilprobleme stark untereinander verschachtelt und insgesamt können gute Lösungen aufgrund der frühzeitigen Entscheidung für Teilproblemlösungen nicht erreicht werden. Einige der wesentlichen offenen Fragen bei schwierigen Personaleinsatzplanungen blieben bis jetzt in der Literatur noch ungelöst: Ist es möglich, die allgemeine Personalplanung vollständig zu automatisieren und qualitativ hochwertige Lösungen ohne die Hilfe menschlicher Experten zu erhalten? In diesem Projekt werden wir genau diese Herausforderung angehen. Wir streben einen signifikanten Fortschritt bei der Lösung allgemeiner Personalplanungsprobleme an sowie die Entwicklung von Methoden, die auf einem breiten Gebiet solcher Probleme eingesetzt werden können. Unser Ziel erfordert Grundlagenforschung zur Entwicklung neuer intelligenter Suchmethoden, die mit solchen komplexen Aufgaben umgehen können. Wir wollen neue Suchmethoden entwickeln, die bei der Suche maschinelles Lernen verwenden und die Strukturzerlegungsmethoden in den Suchtechniken nutzen. Ein Durchbruch in diesem Projekt wird einen bedeutenden Beitrag im Bereich der Personalplanung sowie der Problemlösung und -suche darstellen.

Es ist von immenser Bedeutung für die Gesellschaft, geeignete Personalzeitpläne zu finden. Allerdings stellt die Personalplanung eine sehr komplexe Aufgabe dar, da der Suchraum aller möglichen Lösungen enorm groß ist und zugleich viele widerstreitende Bedingungen, wie etwa Arbeitsrecht, Wünsche der Arbeitnehmer und Interessen der Arbeitgeber in der Schichtplanung berücksichtigt werden müssen. Vor allem in solchen Unternehmen, in denen die benötigte Anzahl von Mitarbeitern temporär schwankt, in denen 24 Stunden pro Tag gearbeitet wird oder die sich mit besonders komplexen oder kritischen Aufgaben (z. B. Flugsicherung oder Rettungsdienst) beschäftigen, stellt sich die Schichtplanung als besonders problematisch dar.Das Hauptziel dieses Projekes war die Erzielung eines signifikanten Fortschritts bei der Lösung allgemeiner Personalplanungsprobleme sowie die Entwicklung von Methoden, die auf einem breiten Gebiet solcher Probleme eingesetzt werden können. Unser Ziel erforderte Grundlagenforschung zur Entwicklung neuer Algorithmen, die mit solchen komplexen Aufgaben umgehen können. In diesem Projekt haben wir state-of-the-art Algorithmen für Personaleinsatzprobleme wie Schichtplanung, Pausenplanung und das General Employee Scheduling (GES)-Problem entwickelt. Die vorgeschlagenen Algorithmen bieten zurzeit die besten Lösungen für einige Probleme in diesem Bereich. Wir haben innovative Lösungsmethoden entwickelt, basierend auf exakten Techniken, Metheuristiken und hybriden Methoden. Wichtige Beiträge dieses Projektes sind die Formulierung des GES-Problems und die Entwicklung eines neuen Frameworks, mit dem verschiedene heuristische Lösungsmethoden implementiert und auf unterschiedliche Probleme angewandt werden können. Wir haben das Algorithm Selection-Problem für verschiedene Probleme wie Graph Coloring, Traveling Salesman Problem und Tree Decompositions untersucht. Wir konnten neue Eigenschaften definieren, die Probleminstanzen gut charakterisieren. Solche Eigenschaften haben wir für die automatische Algorithmenauswahl in dieser Domäne verwendet sowie für die detallierte Untersuchung der Anwendung der Machine Learning Techniken für Vorhersagen des Verhaltens der Algorithmen.In diesem Projekt haben wir auch die Lösung verwandter Probleme wie Hight School Timetabling, Torpedo Scheduling, Tree Decompositions und Sudoku untersucht und konnten state-of-the-art Algorithmen für diese Probleme entwickeln. Dieses Projekt hat wichtige Beiträge zur Lösung allgemeiner Personalplanungsprobleme sowie anderer ähnlicher Probleme geleistet. Die Ergbnisse dieses Projektes und die neu entwickelten Algorithmen können vewendet werden, um reale Employee Scheduling und Timetabling Probleme in Industrie und öffentlichem Dienst zu lösen.