Development of an automated system for task distribution and employee workload monitoring

Abstract

Сучасні робочі місця потребують ефективного управління завданнями та розподілу навантаження для підтримання продуктивності й благополуччя працівників. У цьому дослідженні представлено новий підхід до розроблення автоматизованої системи розподілу завдань і моніторингу навантаження, що інтегрує алгоритми машинного навчання та методи оптимізації. Систему розроблено для динамічного призначення завдань залежно від доступності працівників, їхніх навичок і даних про навантаження в реальному часі. Основна методологія поєднує алгоритми планування завдань і прогнозні моделі на основі нейронних мереж для прогнозування продуктивності працівників за різних навантажень. Ключовий внесок включає розроблення адаптивної системи, здатної до безперервного оцінювання навантаження, та інтеграцію відгуків працівників для вдосконалення стратегій призначення завдань. Результати демонструють істотне підвищення ефективності розподілу завдань і балансу навантаження, що сприяє загальній продуктивності команди. Модульна структура системи дає змогу легко інтегрувати її з наявними інструментами управління проєктами. Майбутні дослідження вивчатимуть передові моделі машинного навчання для підвищення точності прогнозування та задоволеності користувачів.Modern workplaces require efficient task management and workload distribution to maintain productivity and employee well-being. This research presents a novel approach to developing an automated task distribution and workload monitoring system, integrating machine learning algorithms and optimization techniques. The system is designed to assign tasks dynamically based on employee availability, skills, and real-time workload data. The core methodology combines task scheduling algorithms and neural network-based predictive models to forecast employee performance under varying workloads. Key contributions include developing an adaptive system capable of continuous workload assessment and integrating employee feedback to improve task assignment strategies. The results demonstrate significant improvements in task allocation efficiency and workload balance, contributing to overall team performance. The system's modular structure allows easy integration with existing project management tools. Future research will explore advanced machine learning models to enhance predictive accuracy and user satisfaction.