Автоматическое назначение задач

Я начинал писать про использование ИИ на основе оптимизационных моделей раньше. И пришло время привести практический пример.

Представим, что у вы руководитель подразделения ан которые идет поток заявок для обработки. Это может быть юридическая служба и договора и прочие документы на проверку, планировщики и заявки на обслуживание для ТОИР, информация об открытии новых торгов и тендерный отдел. Не важно. Важно, что заявки поступают неравномерно, отличаются по объему трудозатрат на их обработку и вам надо их распределить между сотрудниками. Опытный руководитель, обладая достаточным временем, может распределить работы учитывая важные факторы:

➤ Регламентные сроки обработки документа разных типов и приоритетов

➤ Требования к навыкам сотрудника, например для договора с китайскими субподрядчиками могут быть двуязычными и нужно знание языка

➤ Эффективность конкретного сотрудника в обработке конкретного типа документа

➤ Текущая загрузка сотрудника - число и типы документов, уже переданных ему в работу

➤ Время отпусков и больничных конкретного сотрудника

➤ Прогноз по поступления документов разных типов в ближайшую неделю

➤ Необходимость контролировать справедливость распределения нагрузки - низкая производительность не повод не поручать работу такому сотруднику

➤ и еще около 6-10 важных нюансов

Менее опытный или сильно загруженный руководитель ограничится простейшим анализом требуемых навыков и потом распределит работу по принципу "первому кто обработал заявку выдаю следующую".

Наличие #planning_ai@hammered_screw позволит распределять задачи с учетом всех факторов автоматически. Такую модель не нужно обучать, достаточно дать данные и описать ограничения. Руководитель не тратит свое время на планирование. На объемах до 30-50 сотрудников и до 100 заявок в день решение будет находится менее чем за минуту. Пользователь просто не заметит, что перед назначением исполнителя для заявки шло обращение к сервису планирования.

Вместе с тем эффект заметен. Выигрыш относительно простейшего алгоритма распределения составит до 30% увеличения пропускной способности подразделения. Относительно ручного плана от опытного руководителя - меньше, но не менее 10%

В отличии от генеративного ИИ такое решение можно развернуть внутри периметра компании с минимальным увеличение нагрузки на ИТ инфраструктуру (для описанного выше масштаба понадобиться 2-4 ядра процессора и 8-16 ГБ памяти).

Почему такого до сих пор нет? Потому что без предварительного анализа процесса неэффективность загрузки не воспринимается как проблема, оптимизацию привыкли применять для других задач и, так же как data scientists, люди способные писать такие модели не оббивают пороги отделов кадров работодателя.

#electric_sheeps@hammered_screw

В этом посте были ссылки, но мы их удалили по правилам Сетки