SCI论文（www.lunwensci.com）:
摘要：RPA技术替代人工操作的业务流程有利于进一步提升企业的办公效率，同时基于机器学习等算法能够有效提升企业办公的智能化。为结合RPA以及机器学习，本文设计了利用机器人流程自动化RPA以及机器学习算法对企业固定资产管理等业务流程操作、资产配置决策、资产报废评估意见得出方面进行优化的方案，并就方案的实施进行了分析。
关键词：流程自动化；智能化；机器学习
Application Research of RPA Process Automation Technology Based on Machine Learning
TU Qiang
(CNOOC Energy Development Co.,Ltd.Sales Service Company,Tianjin 300457)
【Abstract】：RPA technology replaces the business process of manual operation,which is conducive to further improve the office efficiency of enterprises.At the same time,algorithms based on machine learning can effectively improve the intelligence of enterprise office.In order to combine RPA and machine learning,this paper designs a scheme to optimize the business process operation,asset allocation decision and asset retirement evaluation opinions of enterprise fixed assets management by using robot process automation RPA and machine learning algorithm,and analyzes the implementation of the scheme.
【Key words】：process automation;intellectualization;machine learning
1研究背景
在企业流程自动化方面，常用的技术是RPA，通过RPA能提升企业的流程效率。同时，随着企业发展，数据资产增加，如何利用数据提升RPA的效率，是各个企业关心的热点问题，充分利用机器学习等技术提升RPA的效率是一条可以提升企业流程的可行路径。
2文献综述
机器人流程自动化(Robotic Process Automation，RPA)是通过计算机自动执行固定流程的技术，有效提高企业办公效率。Willcocks等认为RPA具有标准化的特点，能够对企业流程实行标准化管理[1]。Aguirre等认为RPA可以辅助OA流程，提升效率[2]。Cohen等提出建立RPA流程自动化的方法体系[3]。
在国内，RPA逐步得到应用。戚蓓蓓将RPA用于企业内部风险控制[4]。程平等将RPA用于企业财务流程自动化，提高财务效率[5]。傅元略认为RPA技术能够带来企业价值的提升[6]。
在结合机器学习算法方面，蒲天添认为决策树的应用能够进一步提高RPA的智能化水平[7]。王艳等认为采用数据挖掘，可以让RPA进行自适应，提高流程效率[8]。
3基于机器学习的RPA流程自动化框架
基于机器学习的RPA流程自动化框架基于前期的优化需求分析，并结合大机器学习的具体方法，通过设计需求优化内容以实现各项流程的自动化，以固定资产管理为例，完整的框架如图1所示。
根据图1，结合机器学习与RPA技术对固定资产进行管理时，采用数据挖掘等智能模型替换原有的主观决策。采用数据挖掘，比如决策树、神经网络等对以往影响固定资产管理的因素构建模型，自动进行决策。RPA将固定资产管理流程化，然后在申请固定资产时，通过BP神经网络等模型进行自动判断，比如员工申请报废电脑，自动发起RPA流程，由BP神经网络模型预测报废电脑是否可以得到批准，进一步降低人为的判断，提高流程效率。
4基于机器学习的RPA流程自动化实施
本文采用Uipath构建RPA自动流程。该工具包括Studio等流程可视化开发工具，以及Robot流程自动运行引擎，同时提供Orchestrator对不同流程进行管理。以采用Uipath开发固定资产管理的RPA流程为例，其开发流程如图2所示。
在实施基于机器学习的RPA流程自动化管理时，可以选择不同的机器学习算法，以图1的资产管理为例，主要选择BP神经网络模型以及决策树模型。BP神经网络的输入层，主要是接受数据的输入。预测指标经过输入层以后，传递到隐含层。隐含层的每一个神经单元都会接受输入层传递过来的指标数据，然后按照式(1)的方式形成计算结果，并传递到输出层。
BP神经网络会对比预测结果以及样本的真实状态，并统计出现这种预测误差的指标情况，并调整隐含层神经单元连接的权重数据。在采用sigmod作为神经单元的激励函数时，误差的情况可以采用式(2)进行表示。
其中，sigmod'代表对sigmod求一阶导数，Tj代表样本真实状态，Oj代表神经网络对样本预测状态。为了让BP神经网络具有最好的预测结果，需要让预测的误差达到最小。则隐含层可以采用式(3)代表该层的预测误差。
隐含层不断进行迭代计算，然后计算不同神经单元连接权重的更新值，如式(4)所示：
在生成决策树时，会选择最优的预测指标，在该指标上进行决策树的分支，一般可以采用基尼系数来选最佳的分支节点指标。基尼系数越小，说明该指标对分类的效果越好。假设每存在K个状态，那么使用pk表示该样本属于第k个状态的概率，则基尼值的表达式如式(5)所示：
在采用二叉树进行分支时，假设k为2，则可以转化为如式(6)所示：
在选择某个指标来进行决策树的分裂时，假设该指标为A，比如代表固定资产的配置，那么样本集合D可以为划分为已经配置以及未配置两个子集合，那么在固定资产为配置状态(采用A=a表示)时，基尼指数的计算方法如式(7)所示：
在基于RPA流程自动化并使用BP神经网络以及决策树模型时，搜集历史的样本，包括固定资产使用状况的历史数据集合。为了保持对固定资产管理的预测能力，将历史数据划分为训练样本与测试样本。通过训练样本建立BP神经网络，获得BP神经网络的网络节点权重、学习率等参数。然后采用测试样本，分析BP神经网络模型的预测能力。采用该模型自动对固定资产管理的申请等情况进行判定。
5研究总结
本文结合机器学习与RPA流程自动化技术，进一步提高企业流程自动化的运行效率。将RPA中以往需要人工操作的环节，采用BP神经网络以及决策树等机器学习算法进行替换，进一步提高流程的效率以及对流程的控制质量。同时，结合企业的数据资产，为提高RPA在企业中的应用性提供参考。
参考文献
[1]WILLCOCKS L,LACITY M,CRAIG A.Robotic Process Automation:Strategic Transformation Lever for Global Business Services?[J].Journal of Information Technology Teaching Cases,2017,7(1):17-28.
[2]AGUIRRE S,RODRIGUEZ A.Automation of a Business Process Using Robotic Process Automatio(RPA):ACase Study[J].Applied Computer Sciences in Engineering,2017:65-71.
[3]COHEN M,ROZARIO A,ZHANG C Y.Exploring the Use of Robotic Process Automation(RPA)in Substantive Audit Procedures[J].The CPA Journal,2019(07):49-53.
[4]戚蓓蓓.基于人工智能视角的财务机器人流程自动化应用探析[J].财务与会计,2018(17):58-59.
[5]程平,王文怡.基于RPA的财务共享服务中心费用报销优化研究[J].会计之友,2018(13):146-151.
[6]傅元略.智慧会计:财务机器人与会计变革[J].辽宁大学学(哲学社会科学版),2019,47(1):68-78.
[7]蒲天添.基于决策树的工程项目管理优化研究[J].现代电子技术,2018,41(01):169-172.
[8]王艳,蒋天伦.融合决策树的分布式多工厂协同生产调度方法[J].系统仿真学报,2019,31(11):2181-2197.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/41045.html
