基于机器学习算法的业务管理信息化的发展对策

基于机器学习算法的业务管理信息化的发展对策

谌根叶1，徐新正2

(1.杭州翼行广创科技有限公司，杭州 310000；2.宁波迦南智能电气股份有限公司，宁波 315203)

摘要：企业管理是社会服务和治理的重要组成部分，随着经济和技术的发展，企业参与市场竞争的压力逐渐增加，建立基于信息的企业管理系统尤为重要，但在企业业务管理信息化发展过程中仍存在许多问题，严重制约了企业的全面发展。一方面，现有的业务管理信息系统缺乏有效的安全和监管环节，另一方面，企业内部缺乏专业的信息技术人才。机器学习是专门研究如何模拟人类学习行为的学科，能够不断学习新的知识结构以使自身进步和发展，企业业务管理信息化的发展与机器学习本身的发展方向一致，本文提出了一种基于机器学习算法的业务管理信息化建设方法，旨在进一步推动企业在信息化和现代化方向上的发展，提高企业的信息化水平。

关键词：机器学习算法；企业管理；业务管理信息化；信息技术人才

1 导论

随着互联网等技术的迅猛发展，业务管理在企业决策中的作用日益突出。Khosravi等学者指出，业务管理的绩效评估对社会和经济的发展至关重要，因此需要建立完善的绩效评估体系，基于此结合人工智能和卷积神经网络，建立了相应的绩效研究模型[1]。Sahoo等人开发了基于机器学习和不确定性分析的集成建模框架，用于预测地下水位的变化。他们利用互信息、遗传算法和滞后分析来选择输入数据集，并在多层感知器网络中模拟地下水位的季节性变化[2]。Khosravi等人利用机器学习算法预测Osorio风电场的风速数据，并通过多层前馈神经网络预测时间序列风速[1]。Wahid等人则研究了机器学习在识别和测量骨骼肌电活动方面的应用[3]。尽管专家学者们从不同角度分析了机器学习的应用，但尚未研究其在业务管理信息化建设中的具体应用。

2 企业管理与信息化发展

信息化是新兴生产力的代表，以智能工具为主，其中计算机是最常用的工具之一，信息化在推动经济发展方面起着不可替代的作用，改变了企业的传统管理模式，实现了对各个过程的有效控制和管理。专家学者共同研究后，达成了关于信息化的一系列共识，信息技术建设的基础在于使用和探索信息技术，其核心是提高信息资源利用效率，减少不必要的信息能耗[4]。信息技术的建设离不开实际产业的支持，外延产品是信息技术建设的重要基石。在信息化建设的实践中，信息化概念逐渐形成，并不断涌现出六个主要元素：信息网络、信息资源、信息技术、信息产业、信息监管环境和信息人才。信息技术关系图的六个元素之一如图1所示。

图1 六大信息化元素之间的关系图

企业管理最初源自管理和经济学，但随着时代进步，现代企业管理受到更多当代要求的影响，信息时代的到来要求企业管理者和专家紧跟时代潮流，持续推动信息技术建设，提升企业和社会的信息管理水平，以更好地应对动态变化。随着企业管理信息化的发展，雇佣和信息成本将显著降低，从而降低企业的运营成本，提高市场实际收益和竞争力。这为企业进行新一轮信息化建设奠定了信心。然而，业务管理信息化的发展需要持续努力，其发展过程如表1所示。

表1 企业管理信息化的发展历程

企业管理信息化的出现通常受业务需求驱动。随着信息化的深化，企业内部处理的信息量不断增加，这需要对信息技术进行更高水平的管理[5]。在信息化的发展过程中，受到多种内外因素的影响，出现了诸多问题[6]。企业希望通过信息化实现管理能力的提升，但又不愿意投入大量资金和资源，因为信息化建设周期长、收益周期长，且缺乏科学指导，难以说服董事会进行投资。同时，企业也面临着缺乏专业信息技术人才、信息服务保障不足等问题。在业务管理信息化的快速发展中，拥有科学的信息化发展计划至关重要。企业建立的当前业务管理信息系统结构如图2所示。

图2 业务管理信息系统结构

企业管理的信息系统结构主要包括基本信息架构、计算机安全、信息服务、信息管理和信息技术[7]。在这个结构中，业务管理信息系统可以与其他部分合作，进行信息的交流和沟通，最小化资源的浪费。然而，该系统缺乏明显的监督和安全系统，无法为企业的信息化建设提供保障。

3 机器学习

机器学习是大数据和人工智能领域的核心，是实现智能的主要途径之一[8]，它通过模拟人类行为的方法，持续训练和预测，获得满足问题的最优解集，进一步提高预测和判断准确性。机器学习涉及多个研究领域，如线性代数、概率论、信息论、算法理论和数值计算，是一门跨学科的学科。由于其涵盖多个学科和领域，应用范围广泛。机器学习的基本应用领域如图3所示。

图3 机器学习的应用领域

在信息化发展过程中，网络安全是最常见且影响最大的问题之一，但在机器学习的视角下，像其他问题一样，网络安全问题可以通过持续的训练和预测来解决，虽然网络故障不会对企业信息化建设造成致命打击，但它会在一定程度上阻碍企业业务管理信息化建设的进程。网络故障是网络安全问题的一个分支，机器学习网络故障诊断的过程如图4所示。

图4 机器学习网络故障诊断过程

在诊断网络故障的过程中，首先需要获取数据以发现网络故障的一般表现，根据症状制定对策，后在问题基础上对数据进行特征提取，建立预处理模型为机器学习打下基础，最终利用机器学习进行训练、分析和输出结果。

随着信息化的深入发展，信息化建设与网络之间的关系越来越密切。为确保信息化建设的顺利进行，必须保障网络链接的安全。在确保网络安全的基础上，还可进一步推动业务管理与信息化的融合。机器学习模型能够有效地预测和捕捉网络问题，但前提是对数据进行分类和训练。其中，基于质心的分类模型的公式为（1）~（3）：

           （1）

          （2）

        （3）

在公式（1）~（3）中，C代表质心向量，A代表在分类过程中距离质心最远的样本集，S代表质心距离，其中包含两个参数x和y。根据上述分类方法对数据进行分类后，就可以开始训练相关数据，如公式（4）和（5）所示：

        （4）

            （5）

在这个过程中，f代表目标函数，ω代表训练特征参数，xmax和xmin分别代表训练过程中的最大值和最小值。

从上述算法可以看出，在数据分布不均匀的情况下，其训练效果并不理想，根据分类原则可以知道，位于中线左侧的A类别样本将错误地分配到B类别。误分类的示意图如图5所示。

图5 不同类别错误分类示意图

为解决这个问题，需要在训练之前对数据进行处理，使其服从均匀分布，假设数据是随机给定的，数据的均质化过程如公式（6）和（7）所示：

          （6）

       （7）

其中，g(x)代表概率分布函数，遵循二次分布，P代表数据的均质化程度，其值范围从0到1，如果其值越接近1，表示数据的分布更加均匀；反之，表示数据的分布不均匀，为了解出数据的系数ω和偏移b，需要对其进行微分。

  （8）

         （9）

         （10）

其中，h(x)代表导数后的函数，J(ω,b)代表梯度下降函数，可以实现参数的迭代更新。在训练过程中，为了确保数据的收敛性，迭代过程如公式（11）和（12）所示：

  （11）

  （12）

经过t次迭代，可以基本得到w和b的值，从而可以对数据进行简单的预测和处理，但上述实现是基于单目标和单任务背景的，对于多目标任务，SVM方法是最佳选择。

  （13）

  （14）

  （15）

其中，W代表权重，c代表截距，γi代表函数区间内的最小值，即分类的正确性，其几何意义可以表达如下：

        （16）

从公式（16）可以看出，样本数据的几何意义表示样本点与平面之间的距离，在这个过程中可获取数据样本的参数并用于确定多个目标之间的关系，从而实现多目标分类，在收集一定的数据和信息之后，可以检测和检查网络安全问题，以防止网络入侵或其他网络故障。

     （17）

     （18）

在公式（17）和（18）中，T代表网络中的路径，Δt代表路径上的信息增量，通过处理和分类网络路径上的信息，可以提取并预处理网络入侵的特征参数，以确保信息建设的安全性，根据上述的最优匹配参数，可初步形成一个网络安全检测模型。

     （19）

     （20）

在公式（19）和（20）中，（C, σ）代表检测参数，P代表检测的正确率，在这个过程中信息服务的网络保障基本建立，网络安全的综合管理也得到了加强，基于上述概念，该方法还可以进一步扩展，以保护业务管理信息建设。

4 机器学习背景下业务管理信息化发展的对策

基于机器学习的理论与实践，企业可以不断完善业务管理信息技术网络[9]。网络安全和故障问题是制约企业信息技术发展的重要因素，通过机器学习，企业可以及时检测和预测网络问题，确保信息技术建设的安全性，建立安全科学的业务管理信息平台是提高业务管理流程质量和水平的关键。建立业务管理信息技术网络可以加强信息技术建设的监督，促进现代化建设并改进监管体系，企业在建设或升级信息技术网络系统时，应同时改进和升级公共区域网络，并不断优化信息技术管理平台，为业务管理和监管提供更好的帮助，重新建立基于机器学习的信息技术安全与监督系统是改善信息技术建设结构、避免安全风险的重要举措，如图6所示。

图6 信息安全和监督系统

在先前的业务管理信息化架构中，缺乏一个有效的监管系统来监督信息化建设，因此添加了一个基于机器学习的安全与监督系统，在这个系统中，信息资源的获取和资源的分配必须经过安全保障模块的验证，以确保信息的安全性，还与信息管理标准进行了接口，以实现实时更新并保持业务管理信息建设的创新性，建立信息安全与监督系统可以进一步推动社会信息管理系统的升级。

5 结论

业务管理信息化在企业和社会中占据着重要地位，需要持续进行信息化建设以满足时代需求，本文从业务管理的信息化出发，分析了信息化概念及相关问题，并介绍了将业务管理与信息化相结合的优势。重点聚焦于机器学习在推动业务管理和信息化整合方面的作用，并提出相关对策以促进业务管理信息化的发展。未来将继续从信息技术的底层探索信息发展的新趋势。

参考文献：

[1] Khosravi A , Machado L , Nunes R O .Time-series prediction of wind speed using machine learning algorithms: A case study Osorio wind farm, Brazil[J]. Applied Energy, 2018, 224(15):550-566.

[2] Sahoo S , Russo T A , Elliott J ,et al.Machine learning algorithms for modeling groundwater level changes in agricultural regions of the U.S.[J].Water Resources Research, 2017, 53(5):3878-3895.

[3] Wahid M F , Tafreshi R , Al-Sowaidi M ,et al. Subject- Independent Hand Gesture Recognition using Normalization and Machine Learning Algorithms[J]. Journal of Computational Science, 2018, 27(7):69-76.

[4] Fan L , Wan-Chun Z , Jie C ,et al.Design of Personnel Information Management System based on Blockchain[J]. Communications Technology, 2019.

[5] N.A.Hammade, R.Ghazali, S.A.Mostafa, et al, CouponCar: an android based application to automate the street parking payment, Fusion: Practice and Applications, 2021: 6(2), 72-85.

[6] Pincus R , Winker D , Bony S ,et al. Preface to the Special Issue ISSI Workshop on Shallow Clouds and Water Vapor, Circulation and Climate Sensitivity [J], 2018.

[7] Kadtsyna E S. The Conceptual Model for Estimation and Opmimization of the Regional Informatization Process Development[J]. Vestnik of the Plekhanov Russian University of Economics, 2018(6): 185-198.

[8] Wang G .Blockchain Technology Helps the Development of Meteorological Informatization[J]. Journal of Business and Management Sciences, 2019, 7(3):112-120.

[9] A.L. Buczak and E. Guven, A survey of data mining and machine learning methods for cyber security intrusion detection, IEEE Communications Surveys & Tutorials[J]. Computer Networks, 2021,18(2):1153-1176.