Застосування методів статистичного аналізу для вибору виконавця задачі у розподіленій обчислювальній системі
DOI:
https://doi.org/10.31649/1999-9941-2024-60-2-122-133Ключові слова:
розподіл завдань, оптимізація, обчислювальні системи, статистичний аналіз, пріоритизація, профілі користувачівАнотація
Анотація. Робота присвячена оптимізації процесу розподілу завдань у розподілених обчислювальних системах. За допомогою застосування методів статистичного аналізу розроблено підхід до автоматизації вибору виконавців, що дозволяє підвищити ефективність розподілу завдань, покращити щоденну продуктивність та задоволеність працівників. Дослідження показує, що використання оптимізованого підходу дозволило зменшити середню тривалість обробки звернень користувачів обраного типу з 34 до 31 хвилини, що на 7% ефективніше порівняно з випадковим розподілом задач, тим самим покращуючи якість обслуговування та продуктивність.
Запропонована уніфікована модель для оптимізованого розподілу завдань враховує такі ключові аспекти, як профілі внутрішніх користувачів, рівень їх навантаження, пріоритетність задач, взаємодію між виконавцями та інші доступні ресурси системи. Ця модель забезпечує баланс між компетентністю працівників та швидкістю обробки завдань, що суттєво підвищує продуктивність всієї системи.
Особливу увагу приділено авторській методології, побудованій на основі інструментів Salesforce CRM, яка дозволяє ефективно використовувати історичні дані щодо продуктивності працівників для визначення найбільш підходящих виконавців. У поєднанні зі статистичними методами аналізу великих обсягів даних цей підхід сприяє не лише оптимізації розподілу завдань, але й прогнозуванню часу їх виконання, виявленню аномалій у процесах та розробці гнучких стратегій розподілу. Врахування компетенцій та продуктивності працівників сприяє високій якості виконання завдань, скороченню часу обробки та зниженню навантаження, що критично важливо для ефективної роботи розподілених систем.
Загалом, запропоноване дослідження підтверджує, що застосування статистичного аналізу та інструментів CRM сприяє підвищенню ефективності роботи розподілених обчислювальних систем. Це відкриває перспективи для впровадження оптимізованих стратегій розподілу задач у різних галузях, враховуючи постійний ріст обсягу даних та складність бізнес-процесів.
Посилання
Amaral, C.J., Hübner, J.F. & Cranefield, S. (2023). Generating and choosing organisations for multi-agent systems. Auton Agent Multi-Agent Syst, 37, 41. https://doi.org/10.1007/s10458-023-09623-8.
Canestrino, R., Magliocca, P., & Li, Y. (2022). The Impact of Language Diversity on Knowledge Sharing Within International University Research Teams: Evidence From TED Project. Frontiers in Psychology, Vol. 13. https://doi.org/10.3389/fpsyg.2022.879154
Celber, D. (2023). Generating and Choosing Organizations for Multi-Agent Systems. Autonomous Agents and Multi-Agent Systems. Retrieved from https://link.springer.com/article/10.1007/s10458-023-09623-8.
Churkina, O., Nazareno, L., & Zullo, M. (2023). The labor market outcomes of bilinguals in the United States: Accumulation and returns effects. PLoS ONE 18(6): e0287711. https://doi.org/10.1371/journal.pone.0287711
Dery, K., & Sebastian, I. (2017). Employee Experience: Culture, Engagement and Leadership in the Digital Age. MIT Center for Information Systems Research. Retrieved from https://cisr.mit.edu/publication/2017_0601_EmployeeExperience_DerySebastian.
Fu, H., Yu, S., Tiwari, S., Littman, M., & Konidaris, G. (2022). Meta-learning parameterized skills. arXiv preprint, arXiv:2206.03597.
Gao, Z.-F., Zhou, K., Liu, P., Zhao, W. X., & Wen, J.-R. (2023). Small Pre-trained Language Models Can be Fine-tuned as Large Models via Over-Parameterization. In Proceedings of the 61st Annual Meeting of the Association for Computational Linguistics, Vol.1, (pp. 3819–3834). https://doi.org/10.18653/v1/2023.acl-long.212
Gupta, S. K., & Verma, M. (2022). A Comprehensive Review of Statistical Approaches in Task Scheduling for Distributed Systems. Advances in Statistical Computing.
Gupta, S., & Bharti, D. (2020). Application of Statistical Techniques in Project Monitoring and Control. In: Kapur, P.K., Singh, O., Khatri, S.K., Verma, A.K. (eds) Strategic System Assurance and Business Analytics. Asset Analytics. Springer, Singapore. https://doi.org/10.1007/978-981-15-3647-2_7.
Hu, Q., Wu, X. & Dong, S. (2023). A Two-Stage Multi-Objective Task Scheduling Framework Based on Invasive Tumor Growth Optimization Algorithm for Cloud Computing. J Grid Computing 21, 31 https://doi.org/10.1007/s10723-023-09665-y
Huang, H., Liu, H., Xia, C., Mei, H., Gao, X., & Liang, B. (2023). Sampling-based time-optimal path parameterization with jerk constraints for robotic manipulation. Robotics and Autonomous Systems, Vol. 170, p. 104530). Elsevier BV. https://doi.org/10.1016/j.robot.2023.104530
Ivanisenko, I. N., & Radivilova, T. A. (2015). Survey of major load balancing algorithms in distributed system. In 2015 Information Technologies in Innovation Business Conference (ITIB) IEEE. (pp. 89–92). https://doi.org/10.1109/itib.2015.7355061
Jones, M. (2021). Exploring the Role of Statistical Analysis in Distributed System Optimization. International Journal of Distributed Systems.
Lee, J. H., & Kim, T. Y. (2023). Optimization Strategies for Distributed Task Scheduling Using Statistical Methods. Applied Computing.
Li, J., Cong, M., Liu, D. and Du, Y. (2023). Enhanced task parameterized dynamic movement primitives by GMM to solve manipulation tasks. Robotic Intelligence and Automation, Vol. 43, No. 2, pp. 85-95. https://doi.org/10.1108/RIA-07-2022-0199.
Mahmood, Y., Meier, A., & Schmidt, J. (2023). Parameterized Complexity of Logic-based Argumentation in Schaefer’s Framework. ACM Transactions on Computational Logic, Vol. 24, Issue 3, pp. 1–25. ACM. https://doi.org/10.1145/3582499
Michaud F. A statistical review of delay analysis methods used over the last decade. Retrieved from: https://www.hka.com/a-statistical-review-of-delay-analysis-techniques-used-over-the-last-decade/.
Perez-Villeda, H., Piater, J., & Saveriano, M. (2023). Learning and extrapolation of robotic skills using task-parameterized equation learner networks. Robotics and Autonomous Systems, Vol. 160, p. 104309. Elsevier BV. https://doi.org/10.1016/j.robot.2022.104309.
Pham, X. L., & Yang, Z. (2023). Task Scheduling in Distributed Computing Environments with Heuristic Algorithms. Journal of Parallel and Distributed Computing.
Shi, H., Jiang, L., Zheng, J., & Zeng, J. (2023). Self-Parameterization Based Multi-Resolution Mesh Convolution Networks. In Computer-Aided Design (Vol. 162, p. 103550). Elsevier BV. https://doi.org/10.1016/j.cad.2023.103550
Trautmann, M., Voelcker-Rehage, C. & Godde, B. (2011). Fit between workers’ competencies and job demands as predictor for job performance over the work career. ZAF 44, 339–347 https://doi.org/10.1007/s12651-011-0078-2
Wang, H., & Lin, Y. (2023). Dynamic Task Allocation for Cloud Computing Systems Using Hybrid Algorithms. Cloud Computing Journal.
Xie, T., Yin, M., Zhu, X., Sun, J., Meng, C., & Bei, S. (2023). A Fast and Robust Lane Detection via Online Re-Parameterization and Hybrid Attention. Sensors, Vol. 23, Issue 19, p. 8285). MDPI AG. https://doi.org/10.3390/s23198285.
Zhang, L. (2023). The Changing Role of Managers. American Journal of Sociology, Vol. 129, Issue 2, pp. 439–484. University of Chicago Press. https://doi.org/10.1086/727145
##submission.downloads##
-
PDF
Завантажень: 7
