Цифровая экономика является приоритетным направлением развития информационного общества Российской Федерации [1, 2]. Одной из актуальных областей цифровой трансформации представляется организация производства. Цифровые технологии становятся инструментами повышения результативности современного предприятия, эффективности производственных процессов и повышения конкурентоспособности. Повышение производительности при этом происходит за счет увеличения объема производства и/или сокращения используемых для производства ресурсов [3, 4]. Активное применение систем искусственного интеллекта способствует изменению организационной структуры предприятия, сокращению персонала и переориентации кадрового обеспечения на выполнение новых должностных обязанностей [5]. В организационной структуре предприятия появляются ранее не существовавшие элементы, связанные с процессами цифровизации. Возникает потребность в совершенствовании форм организации труда на производственном предприятии при взаимодействии персонала и систем искусственного интеллекта в едином информационном пространстве. При этом отсутствуют методики определения рациональной пропорции персонала и искусственного интеллекта, перераспределения и развития персонала, высвобождающегося в процессе цифровой трансформации. В данной статье предлагается решение этих проблем с помощью методики оптимального замещения кадрового обеспечения системами искусственного интеллекта. Цель исследования заключается в совершенствовании методологических принципов цифровой трансформации производственных предприятий путем рационального замещения и переподготовки кадрового обеспечения в ходе внедрения интеллектуальных информационных технологий.
Материалы и методы исследования
Цифровая экономика предполагает трансформацию предприятия путем внедрения в производство систем искусственного интеллекта и перехода на полностью автоматизированное цифровое производство, управляемое интеллектуальными системами в режиме реального времени в постоянном взаимодействии с единой информационной средой [6–10]. Существующие подходы по внедрению цифровых технологий на предприятия направлены на получение экономической выгоды, не учитывают связанные с цифровой трансформацией затраты на создание и поддержку интеллектуальных систем [11, 12]. Цифровой трансформации присущи риски, связанные с ограничением контроля принимаемых искусственным интеллектом решений [8]. Поскольку все усилия направлены на фиксацию факта внедрения технологий, предприятия сталкиваются с проблемой неэффективного использования ресурсов, которое не приводит к ожидаемому росту производства и достижению целевых показателей [10]. Информационной базой исследования служили статистические данные о результатах цифровой трансформации [12, 13], публикации и результаты международных и отечественных исследований [11, 14, 15].
Для решения задачи рационального применения систем искусственного интеллекта при цифровой трансформации производственного предприятия предлагается реализовать две методики. Первая методика – оптимального замещения кадрового обеспечения системами искусственного интеллекта – позволяет определить необходимую и достаточную для выполнения производственных задач долю замещения персонала предприятия элементами искусственного интеллекта. Вторая методика – моделирования и расчета стратегий развития и перераспределения персонала в условиях цифровой трансформации – помогает определить перечень задач для переключения высвободившегося персонала. Такая балансировка загрузки человеческих ресурсов и компонентов интеллектуальных систем позволяет на этапе проектирования организационных структур определить необходимое количество исполнителей для эффективной обработки поступающих задач при сохранении персонала.
В методике рассматриваются множество производственных операций или задач {M} и множество исполнителей {N}. Организация производства включает в себя процессы, согласно которым исполнители должны выполнять определенные задачи 
где m – количество задач за определенный интервал времени. Задачи dk рассматриваются в момент поступления, равнозначны, унифицированы, их поступление независимо, а выполнение не влияет на последующую обработку. На начальном этапе происходит моделирование потока поступающих задач. Исполнители на цифровом предприятии представлены персоналом, который в модели обозначен акторами 
, и системами искусственного интеллекта, которые определены агентами 
. na и nb – количество акторов и агентов, участвующих в производственном процессе. С появлением нового типа исполнителей возникает необходимость распределить задачи так, чтобы их обработка была эффективной. Эффективное распределение задач обеспечивается рациональным количеством агентов и акторов с учетом их особенностей обработки задач. Необходимо распределить поступающие задачи таким образом, чтобы их обработка была выполнена с максимальными показателями эффективности. Критериями эффективности распределения задач определены время обработки задачи T (1) и количество отказов выполнения задачи F (2), которые должны стремиться к минимуму.
(1)
(2)
где 
– событие назначения задачи на -актора; 
– событие назначения задачи на j-агента; 
– время назначения k-ой задачи; 
– время поступления k-ой задачи; 
– время выполнения k-ой задачи j-ым агентом.
С учетом специфики типа исполнителей возникает необходимость корректировки логики назначения задач. Агенты обрабатывают задачи с более высокой скоростью, чем акторы. При этом количество отказов у агентов значительно выше, чем у акторов. Чтобы достичь минимальных показателей (1) и (2), производят анализ соответствия поступающих задач для наиболее подходящих исполнителей. Результат соответствия задачи и исполнителя описывается индикатором Rx (3), который вычисляет основные взаимосвязи между потоками событий задач и назначениями агентам или акторам.
(3)
где 
– время фокусировки исполнителя 
на k-ую задачу; 
– время назначения задачи, 
; 
– событие назначения -ой задачи на i-ого исполнителя, 
– отношение дескриптора задачи 
и дескриптора исполнителя 
в момент времени tk.
Соответствие определяется с помощью сопоставления онтологического описания классов задачи и классов агентов или акторов, которые представлены дескрипторами. Результатом вычисления является перечень задач, которые можно назначить каждому типу исполнителей.
Назначение задач происходит из общей очереди агентами и акторами в соответствии с их компетенциями, отраженными в онтологии. Сокращение времени исполнения и количества отказов формулируется как набор событий назначения 
, где 
{0, 1}. 
– назначение -ой задачи на i-го актора, 
– назначение k-ой задачи на j-го агента. Для обработки входящего потока событий задач sk должны быть доступные исполнители определенного типа (акторы – ai, 
[1..na], где na – общее количество акторов или агентов – bj, 
[1..nb], nb – общее количество агентов) в требуемые моменты времени. Количество акторов постоянно и неизменно для конкретного расчета. Для каждой задачи может быть назначен только один исполнитель. По результатам назначения производится статистический анализ событийных потоков: времени исполнения и количества отказов. При улучшении показателей эффективности количество агентов и акторов считается рациональным. Если показатели ухудшились, то производится корректировка соотношения агентов и акторов по предложенной методике.
Вторая методика посвящена перераспределению и развитию персонала, высвобождающегося в процессе цифровой трансформации. В основе методики лежит онтологический подход к формализации знаний о возможностях персонала. В результате описанного выше перераспределения части поступающих задач освобождается персонал. Предлагаемая методика определяет возможность переориентации в условиях взаимодействия персонала и систем искусственного интеллекта в едином информационном пространстве.
На первом этапе моделируется стратегия организации предприятия, производственных процессов, задач и операций. Построение стратегии развития актора можно сформулировать как набор событий dk назначения -ой задачи актору ai, где 
, N – максимальное количество задач. На втором этапе производится анализ соответствия онтологического описания задач предприятия с акторами. Определяются задачи 
для актора ai, имеющие максимальную близость математических дескрипторов, которая определяется критерием (4):
(4)
где 
– совокупность всех задач предприятия; 
– событие возможности назначения -ой задачи на i-ого актора; 
– k-ая задача предприятия; 
– отношение дескриптора задачи 
и дескриптора актора 
в момент времени tk; 
– время действия дескриптора для актора ai; 
– время назначения задачи; 
– время поступления задачи; tk – время завершения задачи; ε – допустимое время ожидания.
Это соответствует задачам, на которые возможно переключение актора в связи с высвобождением ресурсов. Также определяются задачи 
, имеющие минимальную близость математических дескрипторов, определяющие критерием (5):
(5)
Для выполнения задач 
актору ai необходимо развивать компетенции и навыки, которые соответствуют дескрипторам 
. Максимальная близость показывает область экспертизы актора, минимальная близость отражает набор знаний и навыков, требующих развития. На третьем этапе происходит анализ возможности назначения задачи 
актору (6):
(6)
где 
последовательность дескрипторов, описывающая предметную область актора; 
– k-ая задача предприятия, где 
и 
.
Анализ возможности назначения задачи 
актору 
(7):
(7)
где 
– последовательность дескрипторов, описывающая предметную область актора; 
– k-ая задача предприятия, где 
.
Предложенная методика позволяет определить перечень компетенций для каждого актора или получить список в обобщенном виде для группы акторов. Результат зависит от уровня формализации компетенций, полученных с помощью семантических дескрипторов. Таким образом, методика формирует перечень задач, схожих по семантическому описанию с задачами, которые актор выполнял ранее в рамках трудовой деятельности. Это позволяет определить производственные процессы, на которые можно переключить высвобожденный в процессе цифровой трансформации персонал. Предлагаемая методика формирует перечень навыков, задач, которые требуются для развития персонала.
Результаты исследования и их обсуждение
Предложенная методика определения доли замещения персонала предприятия элементами искусственного интеллекта была применена на одном из производственных предприятий. Был рассмотрен поток поступающих задач на службу поддержки, который составлял 878 задач за один рабочий день. Данные задачи обрабатываются персоналом из 12 человек и системами искусственного интеллекта. Были определены показатели обработки задач: среднее время исполнения задачи для актора – 218 секунд, для агента – 23 секунды. Количество отказов у агентов составило 112 ед., что составляет 12 % от общего числа задач, для акторов количество отказов равно нулю. Согласно предложенной методике был проведен анализ соответствия и переназначения задач между агентами и акторами, определено рациональное соотношение исполнителей рассмотренного потока задач, которое соответствует пропорции 32 % агентов к 68 % акторов. При полученном соотношении исполнителей увеличилось среднее время обработки задач в 1,2 раза, но количество отказов сократилось на 40 % относительно начальных показателей. Полученные результаты позволяют реализовать балансировку загрузки человеческих ресурсов и интеллектуальных систем.
Разработанная методика моделирования и расчета эффективных стратегий развития персонала в условиях цифровой трансформации была использована для определения приоритетных направлений развития персонала группы поддержки, для которой было определено высвобождение 32 % персонала. Методика моделирования и расчета стратегий развития и перераспределения персонала позволила сформулировать рекомендации по переключению и обучению персонала. Из полученного процента персонала 8 % персонала были переключены на обучение новых направлений, 24 % – на работу в смежном отделе. В результате применения методики были получены рекомендательные списки для каждого сотрудника по развитию необходимых навыков с учетом онтологической близости имеющихся у сотрудника компетенций.
Заключение
Методика определения баланса загрузки человеческих ресурсов и интеллектуальных систем распределяет нагрузку с учетом эффективности обработки поступающего потока задач исполнителями. Она не только определяет количество исполнителей, но и, в зависимости от полученных результатов эффективности обработки задач, позволяет скорректировать их загрузку. Методика расчета эффективных стратегий развития персонала позволяет предотвратить сокращения и сохранить кадровый потенциал на предприятии. Замещение кадрового обеспечения компонентами искусственного интеллекта в процессах обработки задач приведет к рациональному использованию систем искусственного интеллекта в тех областях, где это принесет максимальный экономический эффект. Все это позволяет выполнить трансформацию организационной структуры и производственных процессов на основе широкого использования цифровых технологий.