新型智能化培訓(xùn)系統(tǒng)設(shè)計(jì)探究

趙 磊，楊 昀，屠月海，吳鋒豪，吳 熙

(國網(wǎng)浙江省電力有限公司 建設(shè)分公司，浙江 杭州 310000)

化工、電力行業(yè)是國民經(jīng)濟(jì)的支柱，也是人民生活的重要保障?；?、電力等企業(yè)基建施工過程關(guān)系到諸多建設(shè)環(huán)節(jié)，每個(gè)不同的環(huán)節(jié)就需要大量的技術(shù)學(xué)習(xí)才能上崗，建筑設(shè)計(jì)中的員工培訓(xùn)范圍廣、技術(shù)面寬、難度大，一個(gè)工程項(xiàng)目通常包括幾百個(gè)、甚至上百個(gè)技術(shù)難度，常規(guī)的人工培訓(xùn)方法和信息共享系統(tǒng)就難以滿足項(xiàng)目建設(shè)的需求。

針對上述問題，現(xiàn)有技術(shù)也進(jìn)行了相關(guān)技術(shù)研究，文獻(xiàn)在施工管理的過程中充分利用信息技術(shù)和互聯(lián)網(wǎng)技術(shù),提高了自身管理能力，完善了工程的管理工作，但該技術(shù)無法實(shí)現(xiàn)基建施工不同項(xiàng)目的自我學(xué)習(xí)和培訓(xùn)。文獻(xiàn)基于學(xué)習(xí)型組織方式，設(shè)計(jì)了企業(yè)員工培訓(xùn)體系，通過該文獻(xiàn)的設(shè)計(jì)，員工能夠在諸如基建等陌生的環(huán)境中積極適應(yīng)環(huán)境，通過自我學(xué)習(xí)，能夠獲取陌生外界事物。但該學(xué)習(xí)機(jī)制智能化程度太差，無法實(shí)現(xiàn)智能學(xué)習(xí)、培訓(xùn)和評估。

針對上述技術(shù)的不足，本研究構(gòu)建了新型的智能員工培訓(xùn)系統(tǒng)，并對其關(guān)鍵技術(shù)進(jìn)行研究。

1 智能員工培訓(xùn)系統(tǒng)設(shè)計(jì)

本設(shè)計(jì)的基本概要為：

(1)構(gòu)建了具有數(shù)據(jù)層、分析層、智能學(xué)習(xí)交互層和應(yīng)用層的人工智能培訓(xùn)系統(tǒng)，能夠?qū)崿F(xiàn)從基建施工知識網(wǎng)絡(luò)、員工學(xué)習(xí)畫像、員工學(xué)習(xí)課程個(gè)性化推薦及學(xué)習(xí)行為監(jiān)測方面出發(fā)，全面展示員工學(xué)習(xí)行為過程，實(shí)現(xiàn)電網(wǎng)員工學(xué)習(xí)智能化。

(2)構(gòu)建了人工智能學(xué)習(xí)算法，能夠?qū)崿F(xiàn)培訓(xùn)效益指標(biāo)的評價(jià)，實(shí)現(xiàn)了員工個(gè)性化學(xué)習(xí)和電網(wǎng)項(xiàng)目實(shí)時(shí)缺陷管理等功能，提高了員工的自我學(xué)習(xí)能力和培訓(xùn)。

基于上述要點(diǎn)，本研究設(shè)計(jì)出如圖1所示的智能員工培訓(xùn)系統(tǒng)架構(gòu)圖。

圖1 智能員工培訓(xùn)系統(tǒng)框架圖

由圖1可知，研究的數(shù)據(jù)層源于員工和課程信息數(shù)據(jù)；員工畫像層由員工畫像標(biāo)簽體系和畫像類型組成；智能學(xué)習(xí)交互層由個(gè)性化推薦和學(xué)習(xí)行為監(jiān)測構(gòu)成；應(yīng)用層有學(xué)習(xí)培訓(xùn)、知識庫和知識搜羅等。所謂的企業(yè)員工培訓(xùn)，就是企業(yè)通過各種學(xué)習(xí)形式來增強(qiáng)和豐富員工的知識和技能。本文所開發(fā)的智能員工培訓(xùn)系統(tǒng)在考慮員工學(xué)習(xí)培訓(xùn)個(gè)性化、碎片化及高效管理缺陷的基礎(chǔ)上，還包括缺陷管理、在線學(xué)習(xí)推薦、學(xué)習(xí)行為監(jiān)測、互動問答、知識搜羅、維護(hù)員工信息等。通過實(shí)現(xiàn)這些功能，幫助員工及時(shí)施工管理、高效學(xué)習(xí)，提高企業(yè)及社會經(jīng)濟(jì)效益。

2 關(guān)鍵技術(shù)

為了評估員工經(jīng)過培訓(xùn)后產(chǎn)生的未來效益，本研究構(gòu)建員工培訓(xùn)效益評估模型，并采用優(yōu)化方法來提高評估模型的預(yù)測精度。

2.1 員工培訓(xùn)效益評估模型構(gòu)建

本研究基于灰色理論構(gòu)建員工培訓(xùn)效益評估模型，其主要分為2步驟。

步驟1：定義多級指標(biāo)體系。企業(yè)員工培訓(xùn)效益在實(shí)際應(yīng)用中具有多維特征，但是在這些多維影響因素中，有4個(gè)主要因素，其中包括人才效益、技術(shù)效益、經(jīng)濟(jì)效益和社會效益等；將指標(biāo)體系劃分一級和二級兩個(gè)級別的權(quán)重屬性，分別表示子項(xiàng)重要度和要素重要度。但是類似地，該模型的權(quán)重屬性應(yīng)滿足一定的約束條件，即所有權(quán)重之和應(yīng)為1。其滿足以下約束條件條件：

(1)

(2)

式中：為第1級權(quán)重屬性中的權(quán)重的值；為第2級權(quán)重屬性中的權(quán)重的值。這些參數(shù)的具體數(shù)值是通過設(shè)計(jì)人員的經(jīng)驗(yàn)來確認(rèn)的。

步驟2：構(gòu)建員工培訓(xùn)效益評估模型。在定義智能化培訓(xùn)效益指標(biāo)體系后，本研究從理論層面、應(yīng)用前景和思想廣度3個(gè)角度來構(gòu)建員工培訓(xùn)評估模型，這個(gè)三角模型的領(lǐng)域就是教育訓(xùn)練的效果。另外，通過該模型的3方面進(jìn)階協(xié)調(diào)，可以實(shí)現(xiàn)區(qū)域(培訓(xùn)效益)的最大化。其企業(yè)員工培訓(xùn)效益的計(jì)算：

=···-·

(3)

式中：為對員工進(jìn)行培訓(xùn)的收入；為對員工進(jìn)行培訓(xùn)的收入時(shí)間；為一個(gè)培訓(xùn)班的員工人數(shù)；為平均效率方差；為員工培訓(xùn)的人均費(fèi)用；為表示效率參數(shù),其計(jì)算公式：

(4)

通過對企業(yè)員工培訓(xùn)的收入進(jìn)行了研究，并由以下公式表示：

=(1+)

(5)

關(guān)于邊際凈值模型：

=(1+)-

(6)

關(guān)于培訓(xùn)效益模型為：

=(1+)+(MRP-MLC)

(7)

式(5)～式(7)中：為對員工進(jìn)行培訓(xùn)教育的收入數(shù)；為當(dāng)前資本年利率；表示進(jìn)行員工培訓(xùn)的投資額；MRP表示教育培訓(xùn)的邊際資本收入；表示進(jìn)行員工培訓(xùn)的投資周期；MLC表示人均培訓(xùn)費(fèi)用。

2.2 評估模型中的優(yōu)化方法

針對基于灰色理論構(gòu)建智能培訓(xùn)效益評估模型誤差高的缺陷，本研究通過設(shè)置分割點(diǎn)構(gòu)造滑動窗口，并結(jié)合3種平滑指數(shù)算法對灰色模型數(shù)據(jù)進(jìn)行實(shí)時(shí)分割，獲得數(shù)據(jù)的實(shí)時(shí)統(tǒng)計(jì)特征，構(gòu)造序列誤差預(yù)測與壓縮比之間的函數(shù)關(guān)系，利用誤差預(yù)測序列以進(jìn)行分割點(diǎn)判斷并提高評估模型的準(zhǔn)確性。該優(yōu)化方法具體步驟如下。

步驟1：構(gòu)造滑動窗口。在分割形式的平滑度指標(biāo)預(yù)測中，假設(shè)在時(shí)刻獲得模型的預(yù)測輸出；在時(shí)間的實(shí)際企業(yè)員工培訓(xùn)價(jià)值為，則預(yù)測結(jié)果的誤差為-，且該預(yù)測誤差滿足以下定義特征：

設(shè)置表示長度為的企業(yè)員工培訓(xùn)時(shí)間數(shù)據(jù)序列；是在設(shè)定的分割點(diǎn)處企業(yè)員工培訓(xùn)的預(yù)測誤差；設(shè)置SKPS={，…，}作為分割點(diǎn)集，為設(shè)置長度；具有隨機(jī)變量特征，在依賴形式內(nèi)滿足相同的分布特征，并且還滿足正態(tài)分布[，]的特征，其表達(dá)式：

(8)

式中：、分別表示正態(tài)分布中的期望值與方差。

從中心極限理論可以看出，如果樣本數(shù)趨于無窮大，則產(chǎn)生的具有隨機(jī)特征的數(shù)據(jù)滿足正態(tài)分布特征。將當(dāng)作隨機(jī)變量，則表示分割點(diǎn)的預(yù)測誤差。如果企業(yè)員工培訓(xùn)時(shí)間序列趨于無限長，則預(yù)測序列誤差滿足正態(tài)分布特征。因此，其子序列也滿足正態(tài)分布[，]的特征。

步驟2：計(jì)算序列數(shù)據(jù)分割誤差。假設(shè)企業(yè)員工培訓(xùn)時(shí)間序列數(shù)據(jù)的壓縮分割率為，則可以得到以下不等式關(guān)系：

2(2)-1≤1-

(9)

式中：為平均誤差范圍；為分布累積函數(shù)。它們符合正態(tài)分布特征。

假設(shè)企業(yè)員工培訓(xùn)時(shí)間序列的壓縮分割比例為，則分割點(diǎn)的可能概率小于1-。越接近，分割點(diǎn)的概率越大；越遠(yuǎn)，分割點(diǎn)的概率越??；平滑度指數(shù)分割預(yù)測過程假定分布范圍滿足偏差平均值的標(biāo)準(zhǔn)偏差。因此，分割點(diǎn)在[-2，+2]的區(qū)間內(nèi)分布；同時(shí)，分割點(diǎn)的存在概率小于1-。假設(shè)代表隨機(jī)變量，則可以得到：

{-2<+2}≤1-

(10)

式中：{}表示概率函數(shù)。

通過變換式(10)，可得到：

(11)

根據(jù)中心極限定理，經(jīng)過隨機(jī)變量轉(zhuǎn)換后，所得到的(-)應(yīng)滿足正態(tài)分布(0，1)的特征。因此，可以通過式(11)推斷出式(9)成立。

根據(jù)預(yù)測誤差，可以實(shí)現(xiàn)企業(yè)員工培訓(xùn)時(shí)間序列數(shù)據(jù)的細(xì)分子數(shù)據(jù)序列。該序列滿足單一趨勢，在獨(dú)立區(qū)間內(nèi)具有一定的穩(wěn)定性。如果在一個(gè)數(shù)據(jù)趨勢和當(dāng)前序列趨勢之間產(chǎn)生了較大的偏差，則該點(diǎn)就是可能存在的數(shù)據(jù)序列分割點(diǎn)。

步驟3：得出3平滑指數(shù)。在與這2指數(shù)的基礎(chǔ)上，構(gòu)建3個(gè)平滑指數(shù)模型，可以得到：

(12)

式中：=2，3，…，是時(shí)刻的1次平滑指數(shù)值；是時(shí)刻的2次平滑指數(shù)值；是時(shí)刻的第3平滑指數(shù)值；是時(shí)間時(shí)企業(yè)員工培訓(xùn)的時(shí)間序列數(shù)據(jù){}的真實(shí)收集數(shù)據(jù)；是平滑度因子，且滿足區(qū)間∈(0，1)。

在+時(shí)刻企業(yè)員工培訓(xùn)的預(yù)測值為：

+=++

(13)

式中：為企業(yè)員工培訓(xùn)數(shù)據(jù)的預(yù)測視覺長度，一般值為正整數(shù)。

在3個(gè)平滑指數(shù)預(yù)測過程中存在2個(gè)問題，需要妥善處理：

(1)初始值、、平滑度參數(shù)設(shè)置；

(2)平滑度因子參數(shù)的設(shè)定。

步驟4：效益評估模型預(yù)測過程?；诨瑒哟翱诘钠交戎笖?shù)預(yù)測過程是使用分段算法對企業(yè)員工培訓(xùn)的歷史時(shí)間序列數(shù)據(jù)進(jìn)行趨勢預(yù)測，以達(dá)到數(shù)據(jù)歷史值與預(yù)測值之間的均方誤差。實(shí)現(xiàn)該算法的具體程序流程如圖2所示。

由圖2可知，為平滑度指數(shù)預(yù)測的值；為企業(yè)員工培訓(xùn)的實(shí)時(shí)值；為分段算法的初始指數(shù)設(shè)置值，=(++)3；是平滑度指數(shù)設(shè)置權(quán)重，=02；是用于保存預(yù)測誤差的向量；Seg是存儲分割點(diǎn)的集合；是原始序列和擬合序列之間的分割點(diǎn)殘差值。

從圖2還可以看出，在平滑指數(shù)預(yù)測算法中；是實(shí)時(shí)數(shù)據(jù)的當(dāng)前時(shí)間；用于保存預(yù)測誤差值；基于分段更新策略，計(jì)算均方差，得到誤差的預(yù)測內(nèi)部。根據(jù)設(shè)定的壓縮比和引理1計(jì)算均值偏差。最后，可以得到Seg集合。上述預(yù)測過程將循環(huán)執(zhí)行直到實(shí)時(shí)數(shù)據(jù)處理結(jié)束為止。

圖2 三平滑度指數(shù)預(yù)測過程

在參數(shù)初始化之后，第1步，使用平滑單指數(shù)預(yù)測計(jì)算平滑度值，并將其作為時(shí)間的下一個(gè)預(yù)測值；第2步，獲得真實(shí)的企業(yè)員工培訓(xùn)數(shù)據(jù)時(shí)刻通過收集，獲得預(yù)測誤差值-，并將該值保存在向量中；第3步，計(jì)算矢量標(biāo)準(zhǔn)偏差和平均值l，并更新這兩個(gè)參數(shù)；第4步，驗(yàn)證分割點(diǎn)是否合適，如果不合適，則繼續(xù)執(zhí)行下一個(gè)循環(huán)點(diǎn)。設(shè)置此標(biāo)記位置并緩存此分割點(diǎn)是合適的。如果以下數(shù)據(jù)點(diǎn)也滿足分割點(diǎn)的要求，則將該點(diǎn)保存到Seg中；同時(shí)，重新初始化分割段的初始并繼續(xù)執(zhí)行循環(huán)操作。

3 實(shí)驗(yàn)與分析

實(shí)驗(yàn)硬件環(huán)境為Pentium()CPU、8核16 G內(nèi)存，電腦的硬盤容量為512 G的硬件環(huán)境，軟件的操作系統(tǒng)Windows10，JDK5.0，通過MATLAB軟件系統(tǒng)進(jìn)行仿真。本研究以某企業(yè)最近4年有關(guān)員工培訓(xùn)實(shí)際流向數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)樣本，通過構(gòu)建智能員工培訓(xùn)指標(biāo)體系得到該企業(yè)從2018年到2021年數(shù)據(jù)樣本。由于指標(biāo)較多，本文采用資產(chǎn)利潤率、受訓(xùn)員工勞動效率以及受訓(xùn)員工技術(shù)水平這3種指標(biāo)用于實(shí)驗(yàn)，其結(jié)果如表1所示。

表1 平滑度指標(biāo)數(shù)據(jù)樣本

通過MATLAB軟件處理數(shù)據(jù)，采用統(tǒng)計(jì)表征作為受訓(xùn)人員個(gè)人因素的方式，采用概率統(tǒng)計(jì)作為其他影響因素的方法。資產(chǎn)利潤率影響、受訓(xùn)員工勞動效率影響和受訓(xùn)員工技術(shù)水平影響產(chǎn)生的效益指標(biāo)的概率密度如圖3所示，這3個(gè)因素均采用歸一化形式作為程序輸入。

(a)資產(chǎn)利潤率影響的概率密度

從圖3可以看出，資產(chǎn)利潤率影響、受訓(xùn)員工勞動效率影響以及受訓(xùn)員工技術(shù)水平影響這3個(gè)平滑度參數(shù)的不同值都會對培訓(xùn)效益產(chǎn)生一定的影響，并且都呈現(xiàn)先增加后減少的情況?？梢钥闯?，當(dāng)資產(chǎn)利潤率影響值在0.41左右時(shí)，效益目標(biāo)最大；當(dāng)勞動效率的價(jià)值在0.2左右時(shí)，效益目標(biāo)最大；當(dāng)受訓(xùn)員工技術(shù)水平影響值約為0.3時(shí)，效益目標(biāo)最大。

為了驗(yàn)證本研究基于滑動窗口的員工培訓(xùn)評估模型比傳統(tǒng)評估模型更加適用，以文獻(xiàn)[2]中企業(yè)培訓(xùn)體系作為實(shí)驗(yàn)對比對象，本研究通過統(tǒng)計(jì)在2021年3月至6月期間的員工培訓(xùn)學(xué)習(xí)評估數(shù)據(jù)，計(jì)算這2種評估模型所預(yù)測評估值，并將預(yù)測結(jié)果與真實(shí)評估值進(jìn)行對比，得出誤差數(shù)值如表2所示。

表2 2種預(yù)測模型評估結(jié)果對比

本文基于滑動窗口結(jié)合3種平滑指數(shù)算法對灰色模型數(shù)據(jù)進(jìn)行實(shí)時(shí)分割，獲得數(shù)據(jù)的實(shí)時(shí)統(tǒng)計(jì)特征，構(gòu)造序列誤差預(yù)測與壓縮比之間的函數(shù)關(guān)系，利用誤差預(yù)測序列以進(jìn)行分割點(diǎn)判斷，提高評估模型的準(zhǔn)確性。

4 結(jié)語

針對企業(yè)基建施工，設(shè)計(jì)了一套智能化員工培訓(xùn)系統(tǒng)?；诨疑Ｐ屠碚摌?gòu)建了員工培訓(xùn)計(jì)劃評價(jià)預(yù)測模型，并建立回歸預(yù)測目標(biāo)函數(shù)；基于企業(yè)員工培訓(xùn)的多維特征，構(gòu)建了評價(jià)指標(biāo)和基于滑動窗口三指數(shù)的統(tǒng)計(jì)方法。所設(shè)計(jì)的智能化培訓(xùn)系統(tǒng)降低了培訓(xùn)學(xué)習(xí)成本，提高了員工自我學(xué)習(xí)和培訓(xùn)能力。