CHƯƠNG 1 GIỚI THIỆU 1.1 Lý do chọn đề tài Những nãm gần đây, Các Cục Thi hành án dân sự (THADS) trên cà nước có những biến động nhân sự ngoài mong muốn dẫn tới không hoàn thành nhiệm vụ. Biến động nhân sự cũng ảnh hưởng tới việc bố trí, cấp phát ngân sách cho toàn hệ thống gặp van đề về hiệu quà, đúng hạn mức.không đạt được mục tiêu đề ra. Việc dự đoán nhân sự có tiến hành nhưng chú yếu là định tính nhưng khoa học AI [1] cụ thế là học máy (ML) đang phát triển hoàn toàn có the đáp ứng công tác dự báo cho công việc này. Các biến động về nhân sự thường là những hệ thống rất phức tạp vì vậy rat khó có thể dự đoán được dữ liệu của nó.
Điển hình như biến động về mặt nhân sự trong các tổ chức, cơ quan nhà nước (vốn được cho là khá ổn định), việc dự đoán được sự thiếu hụt nhân sự ngoài các yếu tố thường xuyên (như nghĩ hưu. nghĩ theo chính sách.) là vấn đề không đơn giàn. Tính phi tuyến tính cùa thị trường lao động (xét cho cùng, nhân sự làm việc trong các tồ chức công lập kể trên cũng chính là đối tượng cùa thị trường lao động) kèm theo sự tác động bất ngờ của các yếu tố khách quan như hội nhập kinh tế, đánh giá xã hội, giá trị sống. làm cho việc dự đoán thị trường này rất phức tạp và khó khăn.
Vì vậy, việc làm the nào đế dự đoán tốt thị trường lao động trớ nên rất hấp dần đối với các nhà nghiên cứu và phân tích. Đế dự đoán được xu thế của thị trường đầy biến động, chúng ta phải thừa nhận rằng có một số luật cơ bàn có thế được lặp đi lặp lại trong thị trường lao động. Các luật này ấn trong lịch sử dữ liệu. Từ khía cạnh toán học, các luật này là các hàm quan hệ.
Đối tượng của dự đoán chính là tìm ra các luật này và mô tã chúng. Những dự đoán của hệ thống phi tuyến động có thế được chuyển đôi thành vấn đề dự đoán chuồi thời gian thực. Những nghiên cứu trước chi ra rằng, đe dự đoán dữ liệu chuồi thời gian phi tuyến tính thì sừ dụng mô hình LSTM [3] là một phương pháp hiệu quả. Mô hỉnh LSTM là mô hình tốt để dự đoán xu thế cúa thị trường lao động.
Ngày nay có rat nhiều nghiên cứu trên lĩnh vực này, nhưng trong những nghiên cứu đó, thị trường lao động có thế không được phân tích từ khía cạnh toán học, vì thế mà cơ sở toán học của phương pháp này không được công khai và được nhân rộng. Với những lý do trên, đề tài nghiên cứu của luận văn: “Dự báo biến động nhân sự của các Cục Thi hành Án Dân sự ớ Việt Nam sử dụng phương pháp học máy” được đè xuất là hết sức cần thiết.2 Mục tiêu đề tài Dựa trên lý do chọn đề tài, trong nghiên cứu này luận văn hướng đến các mục tiêu chính sau: • Thiết lập giái pháp hồ trợ lập quy hoạch cán bộ cho các Cục THADS trên toàn quốc bằng phương pháp khoa học thay cho các phương pháp định tính truyền thống; Làm tiền đề hồ trợ các công tác lập kế hoạch khác. • Tiếp cận cơ sở lý thuyết về mô hình học máy Long short term memory (LSTM). • ứng dụng mô hình LSTM vào dự báo, sử dụng ngôn ngữ python.
• Đánh giá kết quả từ mô hình LSTM trước khi đưa ra kết luận và kiến nghị.3 Đối tượng và phạm vi nghiên cứu 1.1 Đoi tượng nghiên cứu Xây dựng mô hình dự báo và đánh giá biến động nhàn sự của các Cục Thi hành Án Dân sự ờ Việt Nam dựa trên dữ liệu chuồi thời gian ứng dụng mô hình học sâu (Deep Learning) với mô hình Long short term memory (LSTM).2 Phạm vi nghiên cứu Với đề tài lựa chọn là “Dự báo biến động nhân sự cứa các Cục Thi hành Án Dân sự ở Việt Nam sử dụng phương pháp học máy”, em đã lựa chọn các bàn báo cáo định kỳ hàng năm của các Cục THADS trên cả nước (căn cứ các nội dung công bố của Tồng cục THADS trên các phương tiện thông tin đại chúng) làm căn cứ đề tiến hành dự đoán. Dùng dừ liệu từ năm 2012 đến năm 2021 để sư dụng kiềm tra mô hình, dùng dữ liệu đánh giá (một số các chì số được đánh giá là có ảnh hưởng tới đặc thù ngành THADS theo ý kiến chuyên gia) cùa các năm trước đế dự báo và tiến hành dự đoán độ biến động theo nhu cầu. 2 CHÌ T1ÈU TIẾP NHẬN CÕNG CHỨC CÁC cơ QUAN THADS NÁM 2020 (Kèm theo Thông báo số 298/TB-TCTHADS ngày 19/11/2020 của Tồng cục THADS) Chì tiêu tiếp nhận Nhãn Chuyên viên Vãn STT Tên dơn vị Ghi chú viên làm Kế toán Thù thư Tổng công tác viẻn kho, trung THADS Thù cấp quỹ 1 2 3 4 5 6 7 8 Tổng cộng 135 102 21 5 7 1 An Giang 2 2 0 0 0 í. í Chl cục THADS huyện Thoại Sơn 1 1 0 0 0 1.2 Chi cục THADS huyện Chợ Mới 1 1 0 0 0 2 Bạc Liêu 4 4 0 0 0 2.1 Cục THADS tình 1 1 0 0 0 2.2 Chi cục THADS huyện Vỉnh Lợi 1 1 0 0 0 2.3 Chi cục THADS huyện Hồng Dãn 1 1 0 0 0 Hình 1.1 Cúc hùn nội dung tuyên dụng của Tông cục THADS dăng tải 1.3 Khu vực nghiên cứu Nghiên cứu dự báo biến động nhân sự cùa các Cục Thi hành Án Đàn sự ớ Việt Nam có vai trò rất quan trọng trong việc thế hiện các tác động khi dùng các dữ liệu đầu vào và đề đánh giá theo phương pháp truyền thống còn nhiều hạn chế tại thời điếm tức thời.
Đây là một việc có ý nghĩa quan trọng trong dự báo có tính khoa học và công nghệ. Nghiên cứu sử dụng dữ liệu đầu vào là các chi số về nhân sự kết hợp các thuật toán, mô hình tiên tiến về trí tuệ nhân tạo và máy học đe dự báo, phối hợp với các công cụ số hoá và chính sách chính phủ điện tứ của quốc gia. 3 CHƯƠNG 2 TIẾP CẬN co SỞ LÝ THUYẾT 2.1 Tông quan Máy học là môn khoa học nham phát triến những thuật toán và mô hình thống kê mà các hệ thống máy tính sử dụng đe thực hiện các tác vụ dựa vào khuôn mẫu và suy luận mà không cần hướng dẫn cụ thế. Các hệ thống máy tính sứ dụng thuật toán máy học đế xử lý khối lượng lớn dữ liệu trong quá khứ và xác định các khuôn mẫu dữ liệu.
Việc này cho phép chúng dự đoán kết quà chính xác hơn từ cùng một tập dữ liệu đau vào cho trước. Máy học hiện đang được sứ dụng rộng rãi trong nhiều lĩnh vực: chấn đoán y tế, phân loại hình ảnh, nhận dạng vật thế, nhận dạng giọng nói và chừ viết, phân tích câu và dịch tự động, trò chơi, ô tô tự lái, tư vấn bán hàng,. Theo các phương pháp học tập, học máy có thế được chia thành: học có giám sát “supervised learning”, học không giám sát “unsupervised learning”, học nừa giám sát “semi-supervised learning”, học tăng cường “reinforcement learning”. Vi nội dung cua luận văn này tập trung vào mạng nư-ron nhân lạo giái quyết bài toán liên quan đón phân loại gán nhãn cho trước, vi thế chi quan tâm đến hình thức học đầu tiên, tức là học có giám sát và không quan tâm nhiều đến các hình thức học còn lại.2 Các phương pháp học máy 2.1 Học có giám sát (Supervised Learning) Đây là một phương pháp máy học có thế giài quyết đề bài dự đoán mục tiêu cho một đầu vào nhất định.
Với mục tiêu được gọi là “nhãn” (label) và thường được biếu thị bằng y. Dữ liệu đầu vào thường được biểu diễn bàng X. Mồi một cặp x,y được gọi là một mầu và được cung cấp cho quy trình huấn luyện mô hình. Tóm lại: học có giám sát là hình thức học trong đó dữ liệu được sử dụng đồ xây dựng mô hình được gán nhãn từ trước.
Cho một tập hợp các diêm dừ liệu {x(l),.,y(m)}, chúng ta muốn xây dựng một bộ phân loại học được cách dự đoán y từ X. - Các loại mô hình dự đoán được tong kết trong bàng bên dưới: 4 Hồi quy Phân loại Đầu ra Liên tục Lớp Các ví dụ Hồi quy Hồi quy Logistic, SVM, tuyến tính Naive Bayes - Các mô hình khác nhau được tổng kết trong băng bên dưới: Mô hình phân biệt Mô hình sinh Ước lượng trực tiếp Ước lượng XẠ) để Mục tiêu Ạrl.v) tiếp tục suy luận X.vlx) Những gì học dưọc Biên quyết định Phân bố xác suất của dừ liệu Hình minh hoạ • / * Các ví dụ Hồi quy, SVMs GDA, Naive Bayes Thư viên Trường Đại học Mở Hà Nội Một số lình vực sữ dụng phưong pháp học có giám sát: dự đoán tinh trạng bệnh của bệnh nhân dựa trên các giá trị đo được, phân loại email có phải thư rác hay không, dự đoán giá chứng khoán dựa trên lịch sử giá, phân loại hình ánh lũ lụt dựa trên hình ánh vệ tinh,.1 Minh họa học máy có giám sát 5 Học có giám sát được ứng dụng trong một số bài toán : • Hoi quy (regression): là bài toán tỉm nghiệm tối ưu có giá trị trà về là một số thực, quan hệ giữa giá trị đầu vào với kết quả là 1 hàm số y = /(x) và thường sẽ là tuyến tính hoặc logistic. Mục đích cùa bài toán đặt ra là tim được nghiệm gần đúng y ~ ỹ = f(x) với y(x) = w1x1 + W2X2 ++ IVO. Hai hàm mất mát khá phố biến là /(y,ỹ) = Ejly, — ỹiI và í(y,ý) - ỉàíỵt — ỹi)2 và ta giả sử dữ liệu có nhiều Gauss.
Chang hạn: dự đoán giá đất. • Phân loại (classification): với đề bài dự đoán nhãn, lớp giữa những nhãn, lớp hiện có. Mô hình được xây dựng theo một tập dữ liệu đã được gán nhàn trước. Đầu ra cùa mô hình là một mảng bao gồm các xác suất cùa các lớp tương ứng với giá trị đầu vào.
Hàm mất mát được nhiều người biết đến là entropy chéo. Bài toán phân lớp được chia như sau: phân lớp nhị phân (phân loại đúng hoặc sai), phân lớp đa lớp và phân lớp đa trị. Thí dụ: đưa hình ảnh cùa một chú chim vào một mô hình phân loại giữa {chó, mèo, gà, chim} ta thu được kết quá trà về với xác xuất cùa các bức hình là chó, mèo, gà và chim theo mô hình là {0.^ĩỊlir viện Trường Đại học Mở Hà Nội 2.