1
UNIVERSIDAD NACIONAL DE INGENIERÍA
FACULTAD DE INGENIERÍA INDUSTRIAL Y DE SISTEMAS
“SELECCIÓN DE PERSONAL EN PROYECTOS DE RECOLECCIÓN DE
RESIDUOS MARÍTIMOS UTILIZANDO INTELIGENCIA ARTIFICIAL”
TESIS
PARA OPTAR POR EL TITULO PROFESIONAL DE
INGENIERO DE SISTEMAS
ELABORADO POR
VICTOR MANUEL RAMIREZ TARAZONA
ASESOR
JOSE ALBERTO CABALLERO ORTIZ
LIMA-PERÚ
2024
Índice general
1. Problemática
4
1.1. Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4
1.2. Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4
1.2.1. Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . . . . .
4
1.3. Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5
1.3.1. Justificación Practica . . . . . . . . . . . . . . . . . . . . . . . . . .
5
1.3.2. Justificación Académica . . . . . . . . . . . . . . . . . . . . . . . .
5
1.4. Hipótesis
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5
1.4.1. Hipótesis General . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5
1.4.2. Hipótesis Especificas . . . . . . . . . . . . . . . . . . . . . . . . . .
6
1.5. Alcances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6
2. Marco Teórico
7
2.1. Tecnología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7
2.1.1. Inteligencia Artificial . . . . . . . . . . . . . . . . . . . . . . . . . .
7
2.1.2. Redes Neuronales Artificiales . . . . . . . . . . . . . . . . . . . . .
8
2.1.3. Modelo de redes Petri . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1.4. Modelo Tradicional de repartición de Recursos Humanos . . . . . . 12
2.1.5. Marco AMO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.6. Adam y Nadam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.7. HRM 5P . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2
ÍNDICE GENERAL
3
2.2. Normativo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.1. ISO 30405 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3. Institucional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.1. SUNAFIL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.2. LAMOR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3. Estado del Arte
19
3.1. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2. Relación del Problema con ML/AI . . . . . . . . . . . . . . . . . . . . . . 19
3.3. Enfoques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.3.1. Modelos con Petri con metodologías auxiliares . . . . . . . . . . . . 20
3.3.2. Redes Neuronales con mejoras en su modelo . . . . . . . . . . . . . 22
3.3.3. Aprendizaje Profundo . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.4. Benchmarking . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.4.1. Análisis de las alternativas con AHP . . . . . . . . . . . . . . . . . 28
3.4.2. Justificación de cada factor . . . . . . . . . . . . . . . . . . . . . . 29
3.4.3. Selección de alternativa . . . . . . . . . . . . . . . . . . . . . . . . 32
4. Aporte de tesis
33
4.1. Caja Negra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
5. Anexos
36
Capítulo 1
Problemática
1.1.
Problema
El problema principal que tiene el área es en el proceso de selección y repartición de
trabajadores a un proyecto, este tipo de procesos llegan a ser más complejos a más grande
y dificultoso el proyecto se vuelve, tratar de manejar ese proceso manualmente se vuelve
más insostenible a más gente y tareas se han de repartir (esto ya que cada trabajador
tendrá que hacer una tarea en especifico), ya que el proceso repartición depende de varios
factores como la dificultad de las tareas, la disponibilidad y habilidad de los trabajadores
con los que se está trabajando en el proyecto, etc.
1.2.
Objetivo
Mejorar el proceso de repartición de trabajadores a los proyectos que lo requieran
1.2.1.
Objetivos Específicos
1. Agilizar el proceso de selección y asignación de tareas de proyecto
2. Mejorar la cantidad de requerimientos cumplidos en los proyectos
4
1.3. JUSTIFICACIÓN
1.3.
1.3.1.
5
Justificación
Justificación Practica
Esta investigación se realiza porque se tiene la necesidad de mejorar el rendimiento del
área operativa de la empresa, en especial en el proceso de selección , resolviendo esta
problemática se busca lograr un mejor rendimiento en las operaciones de la empresa,
reduciendo tiempos y problemas en los proyectos de esta.
Además de que hizo estudios donde se mostraron que la aplicación de un modelo de
IA en el problema de locación de recursos humanos (human resource allocation) mostró
mejoras significativas en los indicadores de rendimiento de proyecto de una compañía
(Ma and Wang, 2021)
1.3.2.
Justificación Académica
Esta investigación se realiza con el propósito de investigar información sobre la inteligencia artificial en casos de mejora u optimización de la selección de los recursos humanos
en proyectos de las empresas en base a los factores de trabajo que tiene un proyecto en el
área de selección y repartición de tareas. En este caso se agregaría mas ejemplos de uso
de Inteligencia Artificial y Aprendizaje de Maquina en las áreas de producción y control
ya que la repartición de trabajadores en tareas esta dentro de esa área (Elbasheer et al.,
2022)
1.4.
1.4.1.
Hipótesis
Hipótesis General
La aplicación del modelo de doble ciclo con RNN y metodología tradicional hará que la
repartición de trabajadores a los proyectos sea mas rápida y con mejores resultados.
6
CAPÍTULO 1. PROBLEMÁTICA
1.4.2.
Hipótesis Especificas
1. El algoritmo de selección de recursos humanos demorara menos que el proceso
tradicional
2. El algoritmo lograra que los requerimientos cumplidos del proyecto sea mayor o
igual que la manera manual
1.5.
Alcances
Lo que en la investigación se va hacer es una aplicación en base a un modelo de redes
neuronales recurrentes y metodología tradicional de repartición de recursos humanos con
la base de datos de los proyectos y los candidatos. Se va construir el modelo hasta la
etapa de entrenamiento de modelo y su análisis de precisión de entrenamiento y tasa de
error. Se buscara trabajar en base a la data de los documentos de proyectos pasados y los
contratantes que se tienen para al menos tener una mejora en los resultados de selección.
Capítulo 2
Marco Teórico
2.1.
Tecnología
2.1.1.
Inteligencia Artificial
La inteligencia artificial (IA) dentro del ámbito de la informática es una disciplina que
engloba capacidades cognitivas e intelectuales manifestadas por sistemas informáticos o
combinaciones de algoritmos. Su objetivo principal es crear máquinas capaces de imitar la
inteligencia humana para llevar a cabo diversas tareas, mejorando a medida que adquieren
información. La inteligencia artificial no busca reemplazar a los seres humanos, sino
potenciar de manera significativa sus capacidades y contribuciones (Rouhiainen, 2018).
La arquitectura y los procesos de las inteligencias artificiales para aprender, mejorar
e implementarse en diversos campos varían según el propósito deseado. En términos
generales, abarcan desde la ejecución de algoritmos simples hasta la interconexión de
redes neuronales artificiales complejas que intentan imitar los circuitos neuronales del
cerebro humano. Estas inteligencias aprenden a través de distintos modelos de aprendizaje
(Russell and Norvig, 2016):
1. Aprendizaje automático: Se observa los datos, se construye un modelo basado en
esos datos y se utiliza ese modelo a la vez como una hipótesis acerca de los datos
y su comportamiento.
7
8
CAPÍTULO 2. MARCO TEÓRICO
2. Aprendizaje por refuerzo: Se determina qué acciones debe escoger un agente de
software en un entorno dado con el fin de maximizar alguna noción de recompensa.o
premio acumulado
3. Aprendizaje profundo: Se intenta modelar abstracciones de alto nivel en datos
usando arquitecturas computacionales que admiten transformaciones no lineales
múltiples e iterativas de datos expresados en forma matricial o tensorial
4. Aprendizaje supervisado: El programa aprende iterativamente de los datos para
permitir que los ordenadores encuentren información escondida sin tener que programar de manera explícita dónde buscar.
2.1.2.
Redes Neuronales Artificiales
Las redes neuronales artificiales se componen de neuronas artificiales interconectadas que
transmiten señales entre sí. Estas redes reciben información de entrada que atraviesa la
red neuronal y se somete a varias operaciones, lo que da como resultado valores de salida.
Cada neurona en una red neuronal está conectada con otras mediante enlaces que multiplican el valor de salida de la neurona anterior por un peso específico. Estos pesos en los
enlaces pueden aumentar o inhibir el estado de activación de las neuronas adyacentes.
Asimismo, en la salida de cada neurona puede haber una función de activación, también
conocida como función limitadora o umbral, que modifica el valor resultante o impone
un límite antes de propagarse hacia otra neurona (Russell and Norvig, 2016).
Estos sistemas aprenden y se forman a sí mismos, en lugar de ser programados de forma
explícita, y sobresalen en áreas donde la detección de soluciones o características es difícil
de expresar con la programación convencional. Para realizar este aprendizaje automático,
normalmente, se intenta minimizar una función de pérdida que evalúa la red en su total
Figura 1
Imagen de una red neuronal
2.1. TECNOLOGÍA
2.1.2.1.
9
Retropropagación
La retropropagación se basa principalmente en el aprendizaje de retro-propagación de
errores, y los pesos y umbrales de la red se ajustan y corrigen continuamente a través
del proceso de retro-propagación. La esencia de la retropropagación es realizar la función
de mapeo desde la entrada hasta la salida, haciéndola adecuada para resolver varios
problemas internos complejos y realizar cualquier mapeo no lineal complejo. La red consta
de una capa de entrada, una capa oculta y una capa de salida. Entre ellos, la capa oculta
contiene muchas capas. Dentro de la retropropagación, las neuronas de cada capa existen
de forma independiente. Solo hay conexiones unidireccionales entre neuronas adyacentes
en dos capas. La señal de entrada pasa a la capa oculta a través de la capa de entrada,
procesada por la función de la capa oculta y luego los datos pasan a la capa de salida.
La función transforma los datos de la capa de salida para obtener el resultado de salida
final. (Jiaping et al., 2022)
Figura 2
Gráfica de como funciona la Retropropagación
10
2.1.2.2.
CAPÍTULO 2. MARCO TEÓRICO
Redes Neuronales Recurrentes
Las redes neuronales recurrentes (RNN) son una categoría de técnicas de aprendizaje
profundo ,estas redes son reconocidas por su capacidad de procesar y extraer información de datos secuenciales. Como resultado, tareas como análisis de video, subtitulado
de imágenes, procesamiento del lenguaje natural y análisis musical se benefician de las
capacidades de las redes neuronales recurrentes. A diferencia de las redes neuronales artificiales tradicionales, que suponen la independencia entre los datos de entrada, las RNN
capturan de manera activa las dependencias secuenciales y temporales presentes en los
datos.
Uno de los aspectos más distintivos de las redes neuronales recurrentes (RNN) es la
compartición de parámetros. Si no se compartieran los parámetros, el modelo asignaría
parámetros individuales para representar cada dato en una secuencia, lo que limitaría su capacidad para realizar inferencias en secuencias de longitud variable. Las redes
neuronales recurrentes (RNN) suelen extender la arquitectura de las redes multicapa
convencionales mediante la inclusión de ciclos que conectan nodos adyacentes o pasos de
tiempo. Estos ciclos forman la memoria interna de la red, que se utiliza para evaluar las
características del dato actual en relación con los datos del pasado inmediato.
Figura 3
Gráfica de como funciona las Redes Neuronales Recurrentes
2.1. TECNOLOGÍA
2.1.3.
11
Modelo de redes Petri
Una Red de Petri es una representación matemática o gráfica de un sistema de eventos
discretos en el cual se puede describir la topología de un sistema distribuido, paralelo o
concurrente. Esta red, definida en la década de los años 1960 por Carl Adam Petri, es
una generalización de la teoría de autómatas que permite expresar sistemas con eventos
concurrentes.
Una red de Petri está compuesta por lugares, transiciones, arcos dirigidos y marcas o
fichas que ocupan posiciones dentro de los lugares. Las reglas básicas son las siguientes:
los arcos conectan lugares con transiciones, así como transiciones con lugares. No puede
haber arcos directos entre lugares ni entre transiciones. Los lugares pueden contener un
número finito o infinito contable de marcas. Las transiciones se disparan, lo que significa
que consumen marcas de una posición de origen y producen marcas en una posición
de destino. Una transición está habilitada para dispararse si tiene marcas en todas sus
posiciones de entrada.
Figura 4
Gráfica de como funciona la Red Petri
12
CAPÍTULO 2. MARCO TEÓRICO
2.1.4.
Modelo Tradicional de repartición de Recursos Humanos
La teoría tradicional de la repartición de los recursos humanos dice que para el planeamiento de esta repartición implica principalmente el análisis de la estructura del personal
y ordenar la correlación entre los requerimientos de los trabajos y las competencias de
los trabajadores en detalle. Las competencias del personal incluyen varios elementos, los
cuales son ponderados para determinar el puntaje de calidad del personal en una tarea
determinada (Feng et al., 2021). El proceso puede llegar a ser iterativo y contiene los
siguientes pasos.
1. Se procesa y se agrupa la data en 2 grupos, la matriz de evaluación del personal y
la matriz de capacidad del personal (aunque se use mas esta segunda matriz).
2. Se hallan los indicadores clave de trabajo en base a los requerimientos del trabajo,
la matriz de capacidad del personal y la matriz de evaluación del personal (en base
a un análisis estadístico)
3. Ahora en base a los puntajes que tiene cada trabajador, se busca optimizar cuales
son los trabajos los cuales las personas pueden trabajar mejor pero buscando maxi-
2.1. TECNOLOGÍA
13
mizar la eficiencia total entre todos estos trabajos (no solo de uno individualmente).
Esta data puede llegar a reutilizarse en el agrupamiento de la data en matrices para
obtener mejores valores en el análisis estadístico
4. Al final toda los trabajadores quedan repartidos según el trabajo correspondiente
y se muestra los resultados
2.1.5.
Marco AMO
El modelo AMO es un enfoque en el campo de los recursos humanos que busca explicar
la relación entre las prácticas de RR.HH. y el rendimiento organizacional al analizar los
aspectos relacionados con la habilidad, la motivación y las oportunidades. Este modelo
destaca la importancia de estos tres elementos dentro del sistema de trabajo, los cuales
influyen en las características de los empleados y en el progreso de la organización. Los
profesionales de RR.HH. pueden evaluar el rendimiento de un individuo utilizando como
referencia su habilidad, motivación y las oportunidades que se le brindan.
Una organización que considere la capacidad, motivación y oportunidad de sus empleados
puede lograr de manera más efectiva sus objetivos al mejorar el desempeño de su personal.
Los líderes de la organización pueden utilizar este modelo para influir en el rendimiento
de los empleados. Una empresa que priorice los tres elementos mencionados tiene más
probabilidades de obtener éxito en comparación con aquellas que solo se centren en uno
o dos de ellos. Cuando los empleados alcanzan su máximo potencial, la organización
tiene mayores posibilidades de alcanzar sus metas. Las instituciones pueden optimizar
estos tres elementos para mejorar el desempeño de los empleados y lograr sus objetivos.
Los profesionales de recursos humanos pueden evaluar el rendimiento de una persona
utilizando su habilidad (A), motivación (M) y oportunidad (O). (Bos-Nehles et al., 2023)
2.1.6.
Adam y Nadam
Adam (Algoritmo de optimización de gradiente) es un algoritmo el cual busca acelerar
la velocidad de reducción de perdida en cada iteración mejorando las actualizaciones de
14
CAPÍTULO 2. MARCO TEÓRICO
los pesos de los enlaces que hay entre neuronas (Kingma, 2014). Esto se halla con los
siguientes pasos
1. Se halla primero o se inicializa los valores iniciales: p0 siendo la media de los valores,
v0 siendo la varianza no centrada, gt la grandiente de los parámetros, α como 0,
m1 como 0.9, m2 como 0.999 y ϵ como 10−8 y t=o siendo t el tiempo o la cantidad
de iteraciones que se esta haciendo
2. Se calcula pt = m1 ∗ pt−1 + (1 − m1 ) ∗ gt y vt = m2 ∗ vt−1 + (1 − m2 ) ∗ gt2
3. Ahora se halla las desviaciones de los valores anteriormente calculados. pbt = pt /(1−
mt1 ) y vbt = vt /(1 − mt2 )
4. Usando estos valores, el peso variara de la siguiente manera: wt = wt−1 − α ∗
p
b + ϵ)
pbt /( qt
Ahora, para el caso de Nadam, se cambia lo que varia en el cambio del peso, esto usando
el Gradiente acelerado de Nesterov (Dozat, 2016). Ahora su variación sera la siguiente
formula:
wt = wt−1 − √
2.1.7.
α
(1 − mt1 ) ∗ gt
(m1 pbt +
)
1 − mt1
vbt + ϵ
HRM 5P
El modelo HRM 5P incluye cinco tareas básicas: Percepción, Selección, Colocación, Profesional y Conservación. (Perception, Pick, Placement, Professional and Preservation)
(Jiaping et al., 2022)
1. La percepción significa que la empresa divide las partes según las necesidades y
funciones del negocio,basándose en la compilación de una descripción del puesto,
según los requisitos de la descripción del puesto se encuentra a los empleados más
adecuados para el puesto.
2. La selección significa que las empresas necesitan reclutar y seleccionar talentos y
utilizar métodos científicos de evaluación de talentos para seleccionar a los más
adecuados
2.2. NORMATIVO
15
3. Colocación se refiere a conocer a las personas y hacer bien su trabajo y proporcionar
canales de promoción a los empleados.
4. Lo profesional significa mejorar la calidad de los empleados cultivando talentos, lo
que se concreta en formar a los empleados para que dominen nuevos conocimientos
y nuevas tecnologías.
5. La preservación es establecer un mecanismo científico y razonable de incentivos
salariales y de evaluación del rendimiento para evitar la fuga de cerebros.
2.2.
Normativo
2.2.1.
ISO 30405
Esta ISO muestra una guía de como reclutar la gente necesaria para determinado trabajo.
Esta muestra los procesos y practicas importantes como el desarrollo de la política de
contratación, el flujo desde la búsqueda de aplicantes potenciales a la contratación de
nuevos trabajadores y la evaluación de estos. El proceso general de la ISO 30405 se podría
resumir en lo siguiente
1. Pautas de reclutamiento
a) Potencial grupo de talento
b) Grupo de talento
c) Grupo de aplicantes
d ) Candidatos para evaluación adicional
e) Manejo de candidatos
f ) Pre-contratación
g) Contratación
2. Medidas, análisis y mejora
a) Proceso de medida
16
CAPÍTULO 2. MARCO TEÓRICO
b) Análisis de resultados
c) Mejora
2.3.
2.3.1.
Institucional
SUNAFIL
Supervisan el cumplimiento de la normativa socio-laboral y de seguridad y salud en el
trabajo, ejecutando las funciones de fiscalización y sanción en materia de inspección del
trabajo dentro del ámbito de su competencia. Asimismo, aprueban las políticas institucionales en materia de inspección del trabajo, en concordancia con las políticas nacionales
y sectoriales.
Tienen el compromiso de ejecutar los servicios de promoción, prevención, fiscalización y
supervisión del cumplimiento de las normas socio-laborales y las de seguridad y salud
en el trabajo, hacia el logro del trabajo digno para los trabajadores, en el marco de la
política nacional de modernización de la gestión pública e imponemos las sanciones legalmente establecidas por el incumplimiento de las normas socio-laborales, en el ámbito
de su competencia. (SUNAFIL, 2023)
2.3.2.
2.3.2.1.
LAMOR
Que es LAMOR y que hacen
Lamor es una empresa familiar finlandesa que centra en servicios y productos medioambientales. En el año 2020, en Lamor se distinguían tres áreas principales de negocio:
respuesta a derrames de petróleo, administración de residuos y tratamiento de agua. Los
productos Lamor se utilizan en más de cien países. Además, la compañía cuenta con
filiales en Arabia Saudí, Bolivia, China, Colombia, los Estados Unidos, Gran Bretaña,
Guyana, India, Kazajistán, Omán, Perú, Rusia, Turquía y Ucrania. El propietario principal de Lamor Corporation Ab es el Larsen familia. La denominación de la empresa,
Lamor, es un acrónimo formado por las palabras: Larsen Marine Oil Recovery.
2.3. INSTITUCIONAL
17
En 2020, las áreas principales de negocio de Lamor eran tres: respuesta a derrames de
petróleo, gestión de residuos y tratamiento de agua. Para 2016, más de 800 productos diferentes componían la cartera de Lamor, muchos de los cuales estaban patentados. Lamor
diseña los productos que luego son manufacturados por una extensa red de subcontratistas. Lamor ha inventado soluciones técnicas sencillas para la recuperación del petróleo
derramado en el mar como le skimmer de cepillos. En 2018, Lamor estuvo al frente de
aproximadamente el 40 % de todas las necesidades del mercado mundial de respuesta a
derrames de petróleo y operó en 94 países. (LAMOR, 2023)
2.3.2.2.
Proceso de selección
El proceso de selección de personal para los proyectos es un tanto peculiar, ya que no es
que tengan un personal definido para que trabajen en los proyectos, sino que mas bien
contratan personal que solo estará trabajando en la duración del proyecto. Para este
proceso de selección hay ciertos pasos que se siguen.
1. Analizar los requerimientos necesarios para el proyecto
2. Búsqueda de candidatos
3. Selección de los candidatos según requerimientos
4. Contratación
El proceso en el cual el trabajo se va a centrar mas es en la selección de los candidatos
según los requerimientos. En este no se tiene un algoritmo ni tampoco es automatizado,
todo el proceso es elegido a mano con los encargados de recursos humanos para la elección
de candidatos que cumplan los requisitos para el proyecto (o al menos la mayor cantidad
de requerimientos en la medida de lo posible). Esto priorizando los requerimientos mas
importantes (como por ejemplo experiencia dentro de un campo o manejo de algún tipo
de maquinaria marina), para este contexto solo se tomara el proceso para elegir personal
aunque se debe tomar en cuenta que este proceso ocurre también a la par con búsqueda
de recursos como maquinaria. El proceso se mostrara en mejor detalle con un diagrama
18
CAPÍTULO 2. MARCO TEÓRICO
BPMN.
Figura 5
BPMN de la repartición de los trabajadores a un proyecto
Capítulo 3
Estado del Arte
3.1.
Antecedentes
3.2.
Relación del Problema con ML/AI
El problema que se esta trabajando puede caer entre varias categorías como repartición
de tareas o de recursos humanos, estos caen en la categoría general de Programación
Dinámica de Producción, en la aplicación general de esta categoría se utiliza generalmente
el "Smart Programming", siendo esta una de las aplicaciones mas significativas de AI/ML
(Elbasheer et al., 2022). Entonces como ambos trabajan con AI y están relacionados en
la misma categoría se podría derivar entre repartición de tareas o de recursos humanos
dependiendo de como estos se desenvuelven en el problema a solucionar.
3.3.
Enfoques
Durante la investigación de metodologías y enfoques que se encontró sobre este problema
de repartición de tareas y recursos humanos a proyectos, se encontraron artículos relevantes sobre este problema. Los artículos se agruparan según los métodos y marcos de
trabajo con los cuales estos solucionan el problema.
19
20
3.3.1.
CAPÍTULO 3. ESTADO DEL ARTE
Modelos con Petri con metodologías auxiliares
Entre ambos modelos se pueden observar que el uso del Petri con alguna metodología
extra para tener mejores resultados. Estas metodologías varían en como estas son implementadas, primero veamos el caso en donde se aplica la metodología FCM. En este caso
la metodología FCM se usa como método para mejorar los resultados que se hacen en
cada iteración, parecido a lo que ocurre con Adam/Nadam y parecidos (Zhang and Pan,
2022). En este caso, tanto el FCM como el método Petri interactúan con los pesos de los
arcos de las redes en base a los parámetros de las habilidades que tiene cada persona.
En este caso de la aplicación de Petri con FCM, también se plantea una arquitectura
que soportara la metodología y así poder tener una data mejor organizada y procesada.
En este caso se muestra que la data se puede separar en 3 tipos, la data real (de los
trabajadores, las tareas y sus requerimientos, etc), data de procesos (entrenamiento y
habilidades de los trabajadores) y data simulada (esto para el entrenamiento, basada en
la data obtenida de los otros 2 tipos de datos). La data es enviada a una base de datos
local donde se aplicara el modelo Petri.
Figura 6
Gráfica de la arquitectura del articulo de Petri con FCM En este caso las redes Petri
Sacado del articulo An intelligent scheduling model of computer human resources in complex scenarios based on artificial intelligence
3.3. ENFOQUES
21
trabajan en base a transiciones de tiempo y lugar de los recursos humanos, cuando la
data se procesa, los pesos que indican las transacciones cambian en base a una función.
Este método es uno de los mas precisos entre todos los artículos a analizar, teniendo una
precisión de 99.12 % en comparación a que si solo se aplicara la red Petri con el método
Adam el cual da en comparación solo 91.34 % de precisión.
Ahora, para el segundo caso donde se usa el marco AMO no se tiene una arquitectura
presentada en si, pero si se tiene una estructura general de código sobre como este extrae
y procesa la data. El marco AMO es mas que todo utilizado como parte del proceso de
ajuste de pesos de los arcos, esto para que cuando se busque las mejores tareas para los
trabajadores no solo se base en el sistema de premio/castigo el cual esta basado la red
Petri sino que también se tome en cuenta las motivaciones y las posibles mejoras que un
trabajador tenga al estar en determinada tarea. (Dai et al., 2021) También, se muestra
que hay un proceso el cual el codigo se convierte en redes Petri, primero que todo se tiene
que el código esta escrito en una estructura secuencial, despues entre los fragmentos de
codigo ya transformados se busca que este en una estructura en paralelo para que al final
esta se convierta en una estructura de concurrencia.
Figura 7
De fragmentos de codigo a red Petri
Ahora, el lenguaje de programación que usa el autor para crear el programa es Python,
Sacado del articulo Human Resource Petri Net Allocation Model Based on Artificial Intelligence and Neural Network
22
CAPÍTULO 3. ESTADO DEL ARTE
se usa programas de parseo de código para saber cuales son las entradas, salidas, operaciones y parámetros, para ello utiliza el ASTParser (por lo ligero que es) para poder
tener el código en un modelo de documento de objetos, esto sera guardado para su posterior uso. Se busca relacionar las operaciones en el código con la red Petri que se esta
construyendo. Para construir y guardar la red Petri se usa el programa Neo4j ya que crea
una estructura muy parecida a la que se quiere crear (con nodos y aristas).
Al final, este programa lo que busca es transformada en elementos de la red de Petri, esta
lo que busca es transformar las declaraciones de acción de los programas en objetos de
entrada, objetos de salida y el conjunto de operaciones que esta conforma. Este método
tiene una precisión de 78.85
3.3.2.
Redes Neuronales con mejoras en su modelo
En este caso, también hay artículos que tratan de atacar el problema usando las redes
neuronales, se encontraron varios artículos que usan este modelo pero en diferentes enfoques, lo que tienen en común es la aplicación de redes neuronales, tanto Retropropagacion
como Redes Neuronales Recurrentes.
Primero que todo, en este articulo usa otra metodología extra para su modelado de dato
antes de procesarlo con BPNN, este usa el modelo de 5P de HRM, estas siendo Percepción que es los requerimientos que determinado trabajo pide, Elección (Pick) Que son
las personas que pueden ser elegidas para determinada tarea, Ubicación (Placement) que
seria en donde las personas estarían trabajando. Profesionalismo que indica las capacidades y cualidades de los trabajadores y Preservación que seria los incentivos que se hacen
para tener. Esto se puede hallar con el modelo de predicción de salario, el cual halla cual
es el sueldo que el trabajador esta dispuesto a aceptar, este toma varios factores como
su posición profesional, ubicación, edad, genero, etc.
Para el procesamiento de la data se usa 30 neuronas, 14 de entrada, 15 ocultas y 15 en la
capa oculta, para la función de activación se usa la función sigmoidea ya que permite una
23
3.3. ENFOQUES
selección no lineal (esto conviene ya que la problemática no sigue convenciones lineales).
f (x) =
1
1 + e−x
Para lograr mas rapidez en alcanzar mas precisión los parámetros de peso de los arcos
se toman en valores pequeños al azar y diferentes de 0, esto porque si son 0 se demora
mucho en reducir el error y si todos tienen el mismo peso las actualizaciones de pesos
tendrán menos impacto (Jiaping et al., 2022). Para la función de error se toma la media
del cuadrado de la resta entre los valores del vector resultado y vector objetivo
1
E = (y − z)2
2
Al final, se utilizan las metodologías Adam/Nadam (en el caso del articulo no tiene una
diferencia relevante en la precisión) para lograr alcanzar mas rápido una mejor precisión.
Para el análisis de la data la repartición es 91 % de la data como entrenamiento y 9 %
de prueba. Además de esto, la data antes de procesarse se normaliza ya que puede haber
data incompleta o con rangos muy grandes entre estas. Después de que se haya pasado
por el proceso del BPNN se desnormaliza la data resultante para que tenga la misma
distribución que la data de entrada. La formula de normalización es la siguiente
x′ =
x − xmin
xmax − xmin
Se podría resumir el proceso en lo siguiente
1. Construcción del modelo
2. Inicializar parámetros
3. Calcular los resultados de las capas ocultas y de salida
4. Ajustar el parámetro de la capa de salida
5. Ajustar el parámetro de las capas ocultas
6. Si no se logra la precisión buscada se regresa al paso 3
24
CAPÍTULO 3. ESTADO DEL ARTE
7. Se muestra el resultado
En este caso, la precisión es de 79.4 %. Para el otro modelo es una combinación del modelo
de repartición de recursos humanos tradicional y RNN. El modelo tradicional trabaja en
base a una matriz de competencias y de evaluaciones, esto sirve en el modelo como una
manera de organizar la data antes de la aplicación de RNN. Lo mas relevante es el uso de
la convolución de la data para obtener las características mas importantes. (Feng et al.,
2021)
x1 → w1 → x2 → ... → xL−1 → wL−1 → xL → wL → z
z = f (xL , y)
L=−
X
(y ∗ log(p) + (1 − y) ∗ log(1 − p))
n
En esta xL es la data de entrada de la capa L, w es el parámetro de peso de la capa L,
y es el valor de calibración del modelo y la función f es la que determina el calculo de
la desviación del modelo. Ahora, para el calculo de la desviación se utiliza el calculo de
la entropía cruzada el cual es mostrada arriba como L. También es usado el Adam para
alcanzar una mejor optimización de cambio de parámetros.
Lo mas relevante del modelo es que tiene no solo el modelo base, sino que trabaja con un
modelo híbrido, el modelo global es combinado con el modelo local usando las características de la data de un modelo jerárquico como la salida de la red para lograr el trabajo
de repartición de tareas.
Al final, todo quedaría en un proceso como el que se va a mostrar a continuación.
1. Recolección de los datos: Estos datos es obtenida de la información de las capacidades y características de la organización, como cada empresa varia en su formato
así que debe uniformizarse, tanto en el redondeo como las unidades
2. Pre-procesamiento de los datos: La data es agrupada para tener un mejor entendimiento de las características que se puede extraer del modelo de HR. También se
guarda la data preprocesada en un almacén de datos para poder entrenar el RNN.
3.3. ENFOQUES
25
3. Realizar las mejoras del modelo: Se agrupa los datos relacionados para tener una
base en donde trabajara el modelo, una vez la data es agrupada y procesada esta
es usada como entrada para el modelo RNN.
4. Salida de resultado de recomendaciones: Después del procesamiento del RNN, se
usa tanto la data estadística obtenida anteriormente en el pre-procesamiento como
la matriz de puntuación para que cada tarea tenga clasificado que trabajador tiene
las mejores capacidades para el trabajo.
Figura 8
Modelo de red de doble ciclo
Este modelo tiene una precisión de 81.22 %
Sacado del articulo Design and simulation of human resource allocation model based on
double-cycle neural network
También se encuentra otro modelo que usa en este caso Retropropagacion, el contexto de
26
CAPÍTULO 3. ESTADO DEL ARTE
este caso es sobre la repartición de recursos humanos en el área de turismo. primero que
todo para hallar los valores se pone todos los factores en una matriz de m indicadores y
n objetos, esto sacándose de los datos obtenidos de base de datos sobre turismo. Cuando
se actualiza esta nueva data o entra una nueva se elimina y la diferencia es usada para
conocer el cambio que hay entre los tiempos de un dato a otro. Este modelo considera
tanto los factores positivos como los negativos que pueden impactar en la repartición del
personal. En el caso de los factores positivos considera los recursos de turismo del área,
el nivel del control del personal y el ambiente donde opera la zona de turismo, como los
factores negativos toma el grado de profesión del personal, el efecto del turismo en el
área y la competitividad del mercado (aunque es mas que todo factores que restringen
las elecciones, podría tomarse como los factores que aumentan o disminuyen las opciones
de elección)
Figura 9
Modelo de Retropropagacion usando factores positivos y negativos
Sacado del articulo Analysis of human resource allocation model for tourism industry
based on improved BP neural network
En el modelo del articulo, se toma los datos y se normalizan para que queden en un rango de entre -1 y 1, esto dependiendo del tipo de dato al cual se este normalizando (por
27
3.3. ENFOQUES
ejemplo que se normalizara entre los factores de recursos y el de grado de profesión de los
trabajadores, pero no todo junto). Se halla también la cantidad de nodos ocultos óptima dependiendo de la cantidad de nodos de entrada y de salida. Esta formula empírica es
ln(N ) +
p
N2 + M2
Siendo N la cantidad de nodos de entrada, M la cantidad de nodos de salida y m la
cantidad de nodos ocultos. También que se usa como función de activación la función
sigmoidea Al final de todo ello para que el modelo converja mas rápido, se aplica una
variación al azar en el proceso de descenso de gradiente estocástico, y este cambio se
agrega en el peso de las aristas.(Zhu and Liu, 2022) Este modelo tiene una precisión de
92.71 %
3.3.3.
Aprendizaje Profundo
En este caso de trata del uso de tanto Aprendizaje Profundo como Redes Bayesianas
para la repartición de recursos humanos en las tareas de una empresa. Primero que todo va a construir un modelo de redes bayesianas dinámicas, esto para hallar relaciones
entre variables al azar sin que haya tantas complicaciones, además de que puede aceptar
conjuntos de datos incompletos sin muchas complicaciones. Cuando se esta construyendo
el modelo se buscan los indicadores principales o mas relevantes para después la construcción del modelo en si. Para ello usan la metodología del cuadro de mando integral,
esto entre las áreas de Aspecto financiero (teniendo de indicadores la ganancia empresarial, valor de producción empresarial y deuda corporativa), Servicio al cliente (teniendo
de indicadores habilidades de comunicación, satisfacción al cliente y la participación del
cliente), Trabajo Personal (teniendo de indicadores la dedicación, habilidades de trabajo
y responsabilidad laboral) y de Manejo corporativo (teniendo de indicadores la asistencia
al trabajo y las violaciones de disciplina), donde al final se hallara los pesos y el puntaje
que puede obtener un trabajador. Pero también se halla el modelo bayesiano de los nodos
en base a factores independientes que pueden afectar el rendimiento de un trabajador en
un puesto. Este modelo después se simplifica retirando las conexiones redundantes entre
28
CAPÍTULO 3. ESTADO DEL ARTE
estos factores.(Yang and Tang, 2023) Se mostrara después como estos factores se han
simplificado.
Figura 10
Modelo de Deep Learning usando Redes Bayesianas con factores de colocacion de personal
Sacado del articulo Big Data-based Human Resource Performance Evaluation Model
Using Bayesian Network of Deep Learning
3.4.
Benchmarking
3.4.1.
Análisis de las alternativas con AHP
En este caso de hallar el modelo de algoritmo que se ajuste mejor a las necesidades de
la empresa, se tomara 4 factores relevantes para hallar cual de estos algoritmos es mejor
adecuado para el proceso.
1. N° Personas: Cantidad de personas que el algoritmo puede procesar efectivamente
2. Precisión: Que tan preciso es el algoritmo en terminar el proceso
3. Complejidad: La cantidad de metodologías y la dificultad de aplicarlas (en base a
ello también se puede derivar el costo que supondría aplicarlo)
4. Cercanía: Que tanto se acerca los problemas resueltos por los artículos al problema
que se quiere resolver
29
3.4. BENCHMARKING
3.4.2.
Justificación de cada factor
1. N° Personas: Es relevante para el proyecto ya que se requiere que el algoritmo
logre trabajar con una cantidad decente de personal, la empresa trabaja con una
cantidad mínimo de 160-200 personas de alta rotación ya que son contratados en
base a cada proyecto.
2. Precisión: Es relevante ya que se busca que los trabajadores sean lo mas aptos para
el proyecto en el cual se estará asignando.
3. Complejidad: Se busca que el algoritmo sea lo menos complicado posible para que
sea fácil de aplicar y de modificar en caso se requiera hacer cambios al algoritmo
4. Cercanía: Se busca que el algoritmo buscado sea lo mas cercano al problema que se
busca resolver para que la adaptación a la resolución del problema sea lo mas fácil
posible y así evitar complicaciones.
Con estos factores mencionados, se preguntara al stakeholder del problema sobre cual
de estos factores es mas relevante para resolverlo, así poder seleccionar la mejor solución
para el problema. Para ello se combinaron ambos puntos de vista para lograr entre ambos
una matriz de pesos mas adecuada.
Tabla 1
Matriz de criterios
N° Personas
Precisión
Complejidad
Cercanía
N° Personas
1
1
0.5
0.2
Precisión
1
1
0.33
0.2
Complejidad
2
3
1
0.25
Cercania
5
5
4
1
Después de hallar los pesos respectivos, se hará una prueba de consistencia lógica para
determinar si la matriz es consistente Se encuentra que el valor propio de la matriz es
30
CAPÍTULO 3. ESTADO DEL ARTE
4.071, con ese valor se pasara a hallar la proporción de consistencia
CI =
4.071 − 4
= 0.027 = 2.7 %
4−1
Como esta proporción es menor a 10 % entonces significa que la matriz de pesos es
consistente Ahora se mostrara la tabla de pesos ponderada en base a la matriz de pesos
Tabla 2
Matriz de pesos
Factor
Peso
N° Personas
0.103
Precisión
0.095
Complejidad
0.208
Cercanía
0.594
Una ves obtenido los pesos de las variables, ahora se pasara a poner el valor que cada
articulo tiene en cada factor, para ello pondremos unos rangos que cada articulo podrá
encajar en estas categorías
N° de personas
Valor
<1000
1
1000-1500
2
1500-2000
3
>2000
4
Precisión
Valor
<80
1
80-90
2
90-95
3
>95
4
31
3.4. BENCHMARKING
Complejidad
Valor
Solo un modelo
4
Un modelo con
metodologías auxiliares
Mas de un modelo
3
2
Mas de un modelo
con otras metodologías
1
auxiliares
Cercanía
Valor
Modelo que usa HRM y/o asignación
de tareas pero no muestra resultado
1
de repartición
Modelo que usa repartición de tareas
2
Modelo que usa HRM
3
Modelo de asignación de tareas y HRM
4
Ahora, para la creación de la matriz multi-criterio se eligieron los 4 artículos que tienen
mas cercanía con el problema a tratar, además se van a referenciar los artículos con letras.
Esto por comodidad de creación de la tabla. Para ello en la siguiente tabla se mostrara
los artículos y la letra que los representa
Tabla 3
Relación entre el articulo y la letra de representación
32
CAPÍTULO 3. ESTADO DEL ARTE
Articulo
Letra
Human Resource Petri Net Allocation Model
A
Based on Artificial Intelligence and Neural Network
Design and Simulation of Human Resource Allocation Model
Based on Double-Cycle Neural Network
Enterprise Human Resource Management Model
B
C
by Artificial Intelligence Digital Technology
An Intelligent Scheduling Model of Computer Human Resources
in Complex Scenarios Based on Artificial Intelligence
D
En base a ello, haré la matriz multi-criterio para hallar el método que sera el elegido.
Tabla 4
Matriz multi-criterio
Factor
Peso
N° Personas
A
B
C
D
0.103
2
4
3
2
Precisión
0.095
1
2
1
4
Complejidad
0.208
3
2
3
2
Cercanía
0.594
3
3
1
3
2.707
2.800
1.162
2.784
Resultado
3.4.3.
Artículos
Selección de alternativa
Con los resultados se muestra que la mejor alternativa a elegir seria el articulo 2 de Doble
Ciclo con el modelo RNN y tradicional, con la aplicación del método Nadam, esto no
podría ser compatible con D que el es segundo mas cercano ya que este tiene un modelo
totalmente diferente, siendo la de Petri con el FCM.
Capítulo 4
Aporte de tesis
4.1.
Caja Negra
Una caja negra se examina centrándose en las entradas que recibe y las salidas o respuestas que produce, sin considerar su funcionamiento interno. En otras palabras, nos
interesa cómo se relaciona con su entorno (a veces, incluso con otros elementos que también podrían ser cajas negras)(Arahal et al., 2006), comprendiendo qué hace, pero sin
preocuparnos por cómo lo hace. Por lo tanto, es fundamental que una caja negra tenga
una interfaz bien definida para sus entradas y salidas, es decir, sus características de
entrada y salida, mientras que no es necesario definir ni conocer los detalles internos de
su funcionamiento.
Donde las entradas son:
1. Datos de la lista de candidatos para los proyectos: Todos los datos relevantes para que pueda ayudar en la resolución del proyecto, estos pueden ser por ejemplo
(Capacidades y experiencia del trabajador, cualidades, genero, edad, etc)
2. Datos de los requerimientos humanos del proyecto: Toda la data que se pueda obtener sobre los requerimientos humanos o que una persona puede proveer al proyecto,
estos pueden ser por ejemplo (Cualidades o experiencia de los trabajadores como
saber Excel experto, saber manejo de maquinaria pesada, X cantidad de tiempo de
33
34
CAPÍTULO 4. APORTE DE TESIS
experiencia mínima, etc)
Los habilitadores son:
1. Capacidad de transferencia y procesamiento de datos: Esto se considera como la
capacidad que tienen los servidores u ordenadores de la empresa para tanto transferir la data desde la base de datos de la empresa al algoritmo y también cuanta
potencia de procesamiento tiene para que logre funcionar el algoritmo en un tiempo
corto (deseablemente pocas horas)
2. Data organizada: Que todas los datos de los organizadores y de los proyectos tengan la misma estructura y que se pueda obtener información de esta con relativa
facilidad.
Las restricciones son:
1. Documentos no organizados: Que los documentos entre trabajadores y entre proyectos difieran en estructura, haciendo que la extracción de datos sea mas difícil de
lograr porque no se podría hacer de una manera automatizada.
2. Proyectos no registrados por ser recientes: Por normativa de la empresa, los documentos mas recientes de la empresa no pueden salir del mismo grupo de proyecto
hasta que se haya completado el proyecto en su totalidad, limitando la cantidad de
datos e información a proyectos de hace 2 meses mínimo.
La salida es:
1. Repartición de los trabajadores con sus respectivos proyectos: Un documento o
tabla donde se muestre que trabajador trabaje para X parte del proyecto según sus
capacidades obtenidas al inicio del algoritmo.
4.1. CAJA NEGRA
Figura 11
Modelo de caja negra
35
Capítulo 5
Anexos
36
Tabla 5
Tabla de la matriz de consistencia
Problema
El proceso de selección
de trabajadores en un
proyecto es mas difícil
de hacerlo efectivamente
a mas cantidad haya de
proyectos
Objetivos
Hipótesis
Variables
Mejora el proceso de
La aplicación del modelo de doble ciclo
repartición de trabajadores
con RNN y metodología tradicional hará
VI: Aplicación de algoritmo de repartición
a los proyectos que lo
que la repartición de trabajadores a los
VD: Calidad del proceso de repartición de los
requieran usando algoritmos
proyectos sea mas rápida y con mejores
trabajadores a los proyectos
de IA
resultados.
Agilizar el proceso de
El algoritmo de selección de recursos
selección y repartición
humanos demorara menos que el proceso
de tareas de proyecto
tradicional
Mejorar la cantidad de
El algoritmo lograra que los requerimientos
requerimientos humanos
cumplidos del proyecto sea mayor o igual
cumplidos en los proyectos
que la manera manual
VI: Algoritmo
VD: Tiempo del proceso de selección
Indicadores
VI: ¿El algoritmo esta?
VD: Tiempo desde el inicio hasta el
final del proceso de selección
VI: Algoritmo
VI: ¿El algoritmo esta?
VD: Diferencia entre la cantidad de
VD: Diferencia de los requerimientos planteados
requerimientos cumplidos y los que
pre operación y los que se lograron obtener en el
se planeaban cubrir
momento de los proyectos
Medición
VI: ¿Hay?
VD: Documentos del proceso
VI: ¿Hay?
VD: Documentos del proyecto
(pre y post operación)
Basado en la estructura de matriz de consistencia del libro “Cómo hacer un proyecto de investigación"(Tafur and Izaguirre, 2022)
37
Bibliografía
Arahal, M., Soria, M., and Díaz, F. (2006). Técnicas de predicción con aplicaciones en
Ingeniería. Ingeniería (Universidad de Sevilla). Secretariado de Publicaciones de la
Universidad de Sevilla.
Bos-Nehles, A., Townsend, K., Cafferkey, K., and Trullen, J. (2023). Examining the
ability, motivation and opportunity (amo) framework in hrm research: Conceptualization, measurement and interactions. International Journal of Management Reviews,
page 15.
Dai, W., Hu, Y., Zhu, Z., and Liao, X. (2021). Human resource petri net allocation
model based on artificial intelligence and neural network. Mobile Information Systems,
2021:1–13.
Dozat, T. (2016). Incorporating nesterov momentum into adam. OpenReview.
Elbasheer, M., Longo, F., Nicoletti, L., Padovano, A., Solina, V., and Vetrano, M. (2022).
Applications of ml/ai for decision-intensive tasks in production planning and control.
Procedia Computer Science, 200:1903–1912.
Feng, Q., Feng, Z., and Su, X. (2021). Design and simulation of human resource allocation model based on double-cycle neural network. Computational Intelligence and
Neuroscience, 2021:1–10.
Jiaping, Y. et al. (2022). Enterprise human resource management model by artificial
intelligence digital technology. Computational Intelligence and Neuroscience, 2022.
38
BIBLIOGRAFÍA
39
Kingma, D. P. . B. J. (2014). Adam: A method for stochastic optimization. arXiv preprint
arXiv:1412.6980.
LAMOR (2023). About lamor. Recuperado el 02 de Septiembre del 2023 de la pagina
de LAMOR. https://www.lamor.com/about-lamor.
Ma, H. and Wang, J. (2021). Application of artificial intelligence in intelligent decisionmaking of human resource allocation. In The 2020 International Conference on Machine Learning and Big Data Analytics for IoT Security and Privacy: SPIoT-2020,
Volume 1, pages 201–207. Springer.
Rouhiainen, L. (2018). Inteligencia artificial: 101 cosas que debes saber hoy sobre nuestro
futuro. Alienta. Alienta Editorial.
Russell, S. and Norvig, P. (2016). Artificial Intelligence: A Modern Approach. Always
learning. Pearson.
SUNAFIL (2023). Informacion institucional. Recuperado el 02 de Septiembre del 2023
de la pagina de SUNAFIL. https://www.gob.pe/institucion/sunafil/institucional.
Tafur, R. and Izaguirre, M. (2022). Cómo hacer un proyecto de investigación. Alpha
Editorial.
Yang, Q. and Tang, Y. (2023). Big data-based human resource performance evaluation model using bayesian network of deep learning. Applied Artificial Intelligence,
37(1):2198897.
Zhang, D. and Pan, J. (2022). An intelligent scheduling model of computer human resources in complex scenarios based on artificial intelligence. Wireless Communications
and Mobile Computing, 2022:1–10.
Zhu, S. and Liu, Y. (2022). Analysis of human resource allocation model for tourism
industry based on improved bp neural network. Journal of Mathematics, 2022:1–10.