میرامید حاجی میرصادقی

عضو هیأت علمی دانشکده علوم ریاضی دانشگاه صنعتی شریف و مدیرعامل شرکت سرچ‌وایز، دکترای ریاضی از دانشگاه پیر و ماری کوری (پاریس) و دانشگاه صنعتی شریف، سابقه فعالیت پژوهشی در دانشگاه تگزاس در آوستین، مشاور علوم داده در اسنپ‌پی و دیجی‌کالا

کاوه مهدویانی

پژوهشگر و متخصص یادگیری ماشین در شرکت آمازون، استادیار سابق گروه علوم کامپیوتر در دانشگاه تورنتو کانادا، سابقه همکاری با Bell Labs در آلمان و دانشگاه آلبرتا، دکترای مهندسی برق و کامپیوتر از دانشگاه تورنتو

بهنام بهین آئین

پژوهشگر و متخصص داده‌کاوی و یادگیری ماشین در شرکت Insight Data Science، دکترای مهندسی برق و کامپیوتر از دانشگاه کویینز کانادا

زهرا نریمانی

استادیار علوم کامپیوتر در دانشگاه تحصیلات تکمیلی علوم پایه زنجان، پژوهشگر حوزه هوش مصنوعی و یادگیری ماشین، سابقه فعالیت پژوهشی در دانشگاه بن آلمان ، مدیر سابق پروژه نرم‌افزار و تحلیل داده در شرکت ایمن رایانه شرق (IRS)

سعید مجیدی

متخصص یادگیری ماشین، پردازش زبان‌های طبیعی و مدل‌های زبانی بزرگ در گروه صنعتی انتخاب و شرکت پردازش و تحلیل داده دقیقه، دکترای علوم کامپیوتر با گرایش یادگیری ماشین و پردازش زبان از دانشگاه تافتس آمریکا

مژگان سعیدی

پژوهشگر و متخصص یادگیری ماشین، پردازش زبان‌های طبیعی و مدل‌های یادگیری عمیق در دانشگاه استنفورد

محمدعلی قرائت

مهندس ارشد یادگیری ماشین، پردازش زبان طبیعی (NLP) و هوش مصنوعی در شرکت همکاران سیستم، کارشناسی ارشد علوم کامپیوتر از دانشگاه آلبرتا کانادا، توسعه‌دهنده راهکارهای مبتنی بر داده، مدل‌های یادگیری ماشین و فناوری‌های مرتبط با زبان

ساجده فدائی

دانش‌آموخته‌ بیوانفورماتیک‌ از‌ دانشکده‌ مهندسی‌ کامپیوتر‌ دانشگاه‌ صنعتی‌ شریف‌، مسئول‌یادگیری‌سازمانی‌ و‌ پشتیبانی‌ آموزشی‌ در‌ مدرسه‌ دقیقه

ثبت نام

فرم درخواست پذیرش

بستر برگزاری

برگزارکننده

برای شرکت در دوره از طریق فرم درخواست پذیرش در لینک زیر اقدام کنید:

ثبت‌نام

دسترسی به محتوای اختصاصی

برای دسترسی به محتوای اختصاصی رویداد لطفا کدی را که در اختیار شما قرار گرفته را وارد کنید و بقیه مراحل را طی کنید.

کد ثبت نام ثبت نام

The post دوره جامع یادگیری ماشین و مهندسی هوش مصنوعی دانشگاه صنعتی شریف appeared first on مدرسه پردازش و تحلیل داده دقیقه.

اگر به پیش‌بینی و مدلسازی از نوع classification با استفاده از داده‌های واقعی در خرده‌فروشی، تجارت الکترونیک، اف‌ام‌سی‌جی‌ها و مارکت‌پلیس‌ها علاقه‌مندید، انجام این پروژه فرصتی عالی برای دست‌و‌پنجه‌نرم‌کردن با مسائل علوم داده در یک کسب‌وکار، دریافت ارزیابی و بازخورد دقیق است. 

نفرات برگزیده برای استخدام به عنوان متخصص علوم داده (Data Scientist)، مهندس یادگیری ماشین (Machine Learning Engineer) و تحلیلگر داده (Data Analyst) به شرکت پین‌دیس معرفی خواهند شد.

پیش‌بینی سفارش در شبکه خرده‌فروشی

هدف پروژه پیش‌بینی سفارش در شبکه خرده‌فروشی، ساخت یک مدل یادگیری ماشین از نوع نظارت‌شده است که برای هر خرده‌فروش با استفاده از داده‌های واقعی، احتمال خرید یک «برند» مشخص را در بازهٔ زمانی آینده پیش‌بینی کند و آن را در قالب یک متغیر خرید 1 و عدم خرید 0 گزارش کند. 

این پروژه یک مسئلهٔ دسته‌بندی دودویی (Binary Classification) است: خروجی مدل باید برای هر خرده‌فروش یک احتمال بین ۰ و ۱ باشد که نشان می‌دهد آن خرده‌فروش در بازهٔ هدف، سفارشی شامل برند هدف ثبت می‌کند یا خیر و نتیجه پیش‌بینی خود را در قالب یک متغیر دودویی ارائه کند. 

این مسئله مستقیماً بازتاب یکی از کاربردهای واقعی بخش علوم داده در چنین کسب‌و‌کارهایی است: هدف‌گیری هوشمند خرده‌فروش‌ها برای کمپین‌های فروش یک برند مشخص، بر اساس رفتار قبلی سفارش‌ها و بدون اتکا به تخفیف یا تغییر قیمت.

توضیحات بیشتر درباره پروژه را در لینک زیر مشاهده کنید:

شرح پروژه

(مشاهده شرح پروژه و نمونه‌ای از داده‌های آن نیازی به ثبت نام ندارد.)

فرصت ثبت‌نام

۲۰ مرداد ۱۴۰۵

روز

ساعت

دقیقه

ثانیه

فرصت ثبت نام برای انجام این پروژه و دریافت بازخورد از این طریق تمام شده است.

مهلت تحویل پروژه

۲۵ مرداد ۱۴۰۵

تمامی پروژه‌های دریافت‌شده ارزیابی خواهند شد و شاخص‌های عملکرد پیش‌بینی خود را دریافت خواهند کرد. پس از ارزیابی پروژه‌ها در مدرسه دقیقه، از بهترین پروژه‌ها برای دریافت مستندات بیشتر و توضیحات روش‌شناختی دعوت خواهد شد. ارائه‌های برگزیده جهت مصاحبه شغلی به شرکت پین‌دیس معرفی خواهند شد.

برای انجام این پروژه ثبت نام کنید:

The post انجام پروژه پیش‌بینی سفارش در شبکه خرده‌فروشی (شرکت پین‌دیس) appeared first on مدرسه پردازش و تحلیل داده دقیقه.

 * در این مقاله، زنجیره تأمین صرفاً نمونه‌ای است برای معرفی رویکردی که به سایر حوزه‌ها قابل تعمیم است.

مرور کلی

هوش مصنوعی عامل می‌تواند شیوه تصمیم‌گیری سازمان‌ها را از گزارش‌دهی واکنشی به اقدام پیش‌دستانه و هدفمند تبدیل کند. این مقاله توضیح می‌دهد چه ویژگی‌هایی سامانه‌های هوش مصنوعی عامل را از تحلیل داده‌های سنتی و تحلیل پیش‌بینانه متمایز می‌کند و چرا این تحول برای رهبرانِ سازمان‌های پیچیده و مبتنی بر حجم بالای داده اهمیت دارد.

همچنین با تکیه بر پژوهش‌های صنعتی و مثالی واقعی از حوزه زنجیره تأمین، نشان می‌دهد هوش مصنوعی عامل چگونه می‌تواند عملیات را خودکار کند، کیفیت داده‌ها را بهبود بخشد، کارهای دستی را کاهش دهد و تاب‌آوری عملیاتی^[1] را تقویت کند.

علاوه بر این، به چالش‌های مدیریتی این فناوری جدید، از جمله سطح آمادگی سازمان در به‌کارگیری داده‌ها، راهبری^[2] داده‌ها و هوش مصنوعی عامل، اعتماد و یکپارچه‌سازی سامانه‌ها می‌پردازد و راهکارهای عملی برای پذیرش مسئولانه هوش مصنوعی عامل ارائه می‌دهد.

هدف هوش مصنوعی عامل این نیست که جایگزین ارزیابی و قضاوت انسانی شود، بلکه هدفش تقویت این ارزیابی و قضاوت برای تصمیم‌گیریِ سریع‌تر، دقیق‌تر و در مقیاس بزرگ‌تر است. به عبارت ساده‌تر، هدف نهایی صرفا افزایش بهره‌وری نیست، بلکه ایجاد زیرساخت‌های لازم برای هوش مصنوعی قابل اعتماد در حضور و با نظارت انسان در فرایند تصمیم‌گیری است، زیرساختی که بتواند پشتوانه تحول در سراسر سازمان باشد.

مقدمه

رهبران و مدیران زنجیره تأمین بیش از هر زمان دیگری تحت فشارند تا در محیط پرنوسان، تصمیم‌های سریع‌تر و دقیق‌تری بگیرند و هم‌زمان همه سفارش‌ها را نیز مستمر پیگیری کنند. هوش مصنوعی عامل می‌تواند با خودکارسازی بینش‌های تحلیلی، بهینه‌سازی فرایندها، تسهیل ارتباطات و پیش‌بینی نتایج به رهبران کمک کند، با اطمینان بیشتری هم تصمیم دقیق‌تری بگیرند، هم کمتر برای کارهای تکراری و بیشتر برای تحولات ارزش‌آفرین وقت بگذارند.

گزارش گارتنر (۲۰۲۵) پیش‌بینی می‌کند استفاده از هوش مصنوعی عامل، در راستای اجرای هوش تصمیم‌گیری^[3]، ۵۰ درصد از تصمیم‌های کسب‌وکاری را تقویت یا خودکار خواهد کرد. بر اساس گزارش IBM در سال گذشته میلادی، ۶۲ درصد از پاسخ‌دهندگان گفته‌اند هوش مصنوعی عامل سرعت عمل را بالا می‌برد و ۷۶ درصد نیز معتقدند این فناوری فرایندها را در سازمان‌های زنجیره تأمین اثربخش‌تر می‌کند.

هوش مصنوعی عامل چیست؟

مفهوم اصلی هوش مصنوعی عامل ساده است، هر چند اغلب پیچیده توضیحش می‌دهند.  طبق تعریف BCG، هوش مصنوعی عامل در واقع مجموعه‌ای از سامانه‌هایی هوشمند است که برای رسیدن به اهدافی مشخص به کار می‌رود، زمینه فعالیت را حین انجام وظایف مختلف به خاطر می‌سپارد و با کمترین نظارت انسانی تصمیم می‌گیرد چه زمانی به سامانه‌های داخلی یا خارجی دسترسی پیدا کند.

به زبان ساده:

• در تحلیل‌های سنتی:
                  انسان سؤال می‌پرسد ← سامانه پاسخ می‌دهد ← انسان تصمیم می‌گیرد.
• در سازمان مجهز به هوش مصنوعی عامل:

هوش مصنوعی عامل شرایط را می‌پاید ← مسئله را شناسایی می‌کند ← وضعیت را تحلیل می‌کند ← اقدامات لازم را انجام می‌دهد ← در صورت نیاز، انسان می‌تواند اقدام عامل را لغو یا اصلاح و فرایند را راهبری کند.

به این ترتیب، رویکرد سازمان متحول می‌شود: رویکرد واکنشی و منفعل به رویکرد پیش‌دستانه تبدیل می‌شود و قواعد بازی تغییر می‌‌‌‌‌‌‌کند.

هوش مصنوعی عامل چگونه کار می‌کند؟

عامل‌ها در حلقه‌ای تکرارشونده عمل می‌کنند:

• شروع کار: با یک شرطِ از پیش تعیین‌شده یا یک اتفاق، مثلا ورود داده‌های جدید به سامانه، گردش کارِ عامل آغاز می‌شود.
• تصمیم‌گیری و اقدام: عامل وضعیت را تفسیر می‌کند و برای گام بعدی تصمیم می‌گیرد.
• ارزیابی و تکرار: عامل نتایج را دوباره ارزیابی می‌کند، برنامه خود را بر اساس آن تنظیم می‌کند و این حلقه را تا زمانی ادامه می‌دهد که کار تکمیل شود یا به یک شرط توقف^[4] برسد.

همین حلقه تکرار باعث می‌شود، هرچه بیشتر از هوش مصنوعی‌های عامل استفاده کنیم، هوشمندتر و قابل‌اعتمادتر شوند.

از تحلیل داده تا هوش مصنوعی عامل: تفاوت‌های کلیدی

تفاوت‌های میان این سه رویکرد تحلیلی در جدول ۱ خلاصه شده است.

جدول ۱. مقایسه تحلیل داده، تحلیل پیش‌بینانه و هوش مصنوعی عامل

چرا به هوش مصنوعی عامل نیاز داریم؟

فرض کنید در جلسه‌ای مهم و حساس، در حضور تیم‌های مختلف، درباره زنجیره تأمین نشسته‌اید. باید هم‌زمان چندین صفحه گسترده، ایمیل، صورت‌جلسه و گفت‌وگوها را بررسی کنید و داده‌ها را از منابع مختلف، از جمله سامانه‌های داخلی، تأمین‌کنندگان و شرکت‌های حمل‌ونقل، جمع‌آوری کنید تا بفهمید وضعیت فعلی چیست، چه بخش‌هایی با مشکل مواجه‌‌اند و بتوانید برای این موقعیت‌های حساس، اطلاعات لازم را در اختیار تصمیم‌گیرندگان قرار دهید.

در چنین شرایطی، هوش مصنوعی عامل می‌تواند وارد عمل شود تا فرایندهای زنجیره تأمین را ساده‌تر کند و بینش‌های تحلیلی خودکار را در اختیار کاربران قرار دهد. نتایج مورد انتظار عبارت‌اند از:

• افزایش اثربخشی عملیات
• کاهش ارجاع مسائل به مدیران ارشد
• بهبود شاخص‌های کلیدی عملکرد
• شناسایی پیش‌دستانه گلوگاه‌ها
• کاهش خطاهای انسانی
• حذف فعالیت‌های دستی
• افزایش دقت در تصمیم‌گیری
• تسهیل وظایف پیچیده، طوری که انجام دقیق آنها آموزش کمتری بطلبد
• ارائه سریع‌تر بینش‌ها برای تصمیم‌گیری‌های راهبردی
• و مهم‌تر از همه، آزاد کردن منابع ارزشمند برای اقدامات مؤثرتر

ظهور هوش مصنوعی عامل در بهینه‌سازی زنجیرهٔ تأمین، بازتابی از یک تحول گسترده‌تر در کل صنعت است. پیش‌بینی می‌شود بازار جهانی هوش مصنوعی با رشدی سریع، از ۲۹۴ میلیارد دلار در سال ۲۰۲۵ به ۱٫۷۷ تریلیون دلار تا سال ۲۰۳۲ برسد، که نشان می‌دهد سامانه‌های مبتنی‌بر هوش مصنوعی تا چه اندازه نقشی محوری در تصمیم‌گیری‌های راهبردی یافته‌‌‌‌‌‌‌‌اند (Fortune Business Insights, 2025).

نمونه واقعی (مطالعه موردی)

هوش مصنوعی عامل در مدیریت عملیات زنجیره تأمین (SCOM)

تصور کنید در حال بهینه‌سازی مدیریت عملیات زنجیره تأمین برای ساخت یا نگهداری مراکز داده و زیرساخت‌های رایانش ابری بسیار پیچیده هستید، محیطی که در آن مدیران زنجیره تأمین دائما همه سفارش‌های خریدِ تجهیزات حیاتی را مدیریت و پیگیری می‌کنند.

در بهترین حالت، اگر از سامانه‌ها هوشمند استفاده کنید، باید از ابتدا تا انتها، یکپارچه عمل کنند: همه سفارش‌های خرید بدون هیچ مشکلی در تمام مراحل فرایندِ از پیش طراحی‌شده جریان یابند و مطابق برنامه به مراکز داده برسند. بدون هیچ‌گونه استثناء!!!

این نیاز در واقع برای رفع چالش‌های مداوم در مدیریت سفارش‌های خرید دیده شده است زیرا بسیار مهم است که حجم بالای کارهای دستی برای دسترسی به‌موقع به وضعیت سفارش‌ها کاهش یابد، مشکلات مربوط به کیفیت داده‌ها کمتر شود و فرایندهای مدیریتی در این زمینه کارآمدتر شوند. حجم بالای کارهای دستی نه فقط عملیات را کُند می‌کند، بلکه خطر نرسیدن به تاریخ تحویل سفارش را نیز بالا می‌برد.

با یکپارچه کردن قابلیت‌های مختلف، از جمله مدیریت استثناها^[7]، هشدار وضعیت‌های بحران‌ساز و ردیابی لحظه‌ای در قالب یک هوش مصنوعی عامل، شناسایی موارد غیرعادی خودکار خواهد شد؛ مواردی مانند تأخیر تأمین‌کنندگان، نداشتن تخمینی از زمان تحویل و مغایرت در محموله‌ها. هوش مصنوعی عامل همچنین ارتباطات را ساده‌تر می‌کند و از طریق رابط برنامه‌نویسی کاربردی (API)، تطبیق دقیق‌تر و به‌موقع داده‌ها را میان سامانه‌های داخلی، تأمین‌کنندگان، شرکت‌های حمل‌ونقل و اطلاعات ردیابی لحظه‌ای تضمین می‌کند. نقش API در واقع انتقال داده‌های خارج از سازمان به هوش مصنوعی عامل است. این راهکار باعث کاهش فعالیت‌های دستی (به خصوص برای ورود داده‌های خارج از سازمان به سامانه‌های در دسترس هوش مصنوعی)، افزایش شفافیت، فراهم شدن امکان مداخله پیش‌دستانه و در نهایت ایجاد ارزش قابل اندازه‌گیری برای کسب‌وکار می‌شود. همچنین از بهبود فرایندها به روش لین^[8] پشتیبانی می‌کند و پایه‌ای برای خودکارسازی مقیاس‌پذیر فراهم می‌آورد.

به خاطر داشته باشید حتی اختلالی کوچک در مدیریت عملیات زنجیره تأمین می‌تواند ماه‌ها برنامه‌ریزی دقیق را بی‌اثر کند و تأثیر منفی قابل‌توجهی بر رضایت مشتری بگذارد. پژوهش‌ها نشان می‌دهد حدود ۱۵ درصد از تحویل‌ها به پیگیری و رسیدگی بیشتری نیاز دارند. (Moxo Team, ۲۰۲۵)

نمی‌توانیم از هوش مصنوعی استفاده نکنیم؟

شرحی ساده‌، و احتمالا آشنا، از وضعیت سازمان در همین مطالعه موردی می‌تواند جواب این سؤال را روشن کند. یک سال پیش، شنبه‌ها شروع کار چطور بود؟ با آشفتگی آغاز می‌شد. مدیران عملیات زنجیره تأمین تقریباً تمام روز را صرف بررسی ده‌ها ایمیل، صفحه گسترده و داشبورد می‌کردند تا بتوانند وضعیت سفارش‌های خرید مربوط به تجهیزات حیاتی را کنار هم قرار دهند و تصویر کاملی از آن بسازند. هیچ منبع واحد و قابل اتکایی وجود نداشت. اعضای تیم ساعت‌ها وقت صرف می‌کردند تا به صورت دستی بررسی کنند تأمین‌کنندگان سفارش‌های خرید را تأیید کرده‌اند، تاریخ ارسال ثبت شده است، و اینکه میان اطلاعات داخلی سازمان و به‌روزرسانی‌های تأمین‌کنندگان، شرکت‌های حمل‌ونقل و سامانه‌های ردیابی مغایرتی وجود دارد یا نه.

هر وقت مشکلی شناسایی می‌شد؛ مثل تأخیرِ تأمین‌کننده یا نداشتن تخمینی از تاریخ تحویل، یکی از اعضای تیم باید با تیم‌های داخلی، تأمین‌کنندگان یا شرکت‌های حمل‌ونقل تماس می‌گرفت یا مسئول مستقیم آن مشکل را پیدا و موضوع را پیگیری می‌کرد. تأخیر در ارسال یک محموله، ممکن بود پنهان بماند و گاهی کسی، بر حسب اتفاق، متوجه‌اش می‌شد. همچنین، ارجاع موضوع به سطوح بالاتر به صورت دستی و معمولا وقتی انجام می‌شد که کار از کار گذشته بود و قطعات یا تجهیزات سر موعد به مراکز داده در حال ساخت/نگهداری (یعنی همان مقصد نهایی) نرسیده بود.

واضح است که صبح‌ هر شنبه کل سازمان درگیر کوهی از کارهای دستی و تکراری، اقدام برای رفع مشکلات و نگرانی دائمی از نادیده گرفتن موضوعی مهم بود. توان سازمان به جای آنکه صرف برنامه‌ریزی پیش‌دستانه یا اجرای تحولاتی شود که ارزش افزوده ایجاد کنند، صرف رفع مشکلات فوری و موردی می‌شد.

نمای کلی راه حل: هوشمندسازی مدیریت عملیات زنجیره تأمین

برای رفع مشکل، اکنون برای مدیریت عملیات زنجیره تأمین در این سازمان از هوش مصنوعی عامل استفاده می‌شود. این راهکار هوشمند ظرف ۱۰ هفته پیاده شد و هدفش متحول کردن شیوه مدیریت سفارش‌های خرید بود.

این راهکار سه عامل را با یکدیگر ترکیب می‌کند:

• عامل هوشمند ارتباطات (چت‌بات‌ها)
• عامل هوشمند اقدام
• عامل هوشمند تحلیل داده

این سه عامل در کنار هم، فرایندهای عملیاتی را ساده‌تر می‌کنند، حجم کارهای دستی را کاهش می‌دهند و کیفیت داده‌ها را بهبود می‌بخشند.

 عامل هوشمند ارتباطات

وظیفه چت‌بات‌ها چیست؟
مدیران عملیات زنجیره تأمین می‌توانند درباره ردیابی کامل سفارش خرید از ابتدا تا انتهای فرایند سؤال بپرسند؛ از جمله وضعیت هر مرحله، اطلاعات ردیابی ، تغییرات اولویت، جزئیات قراردادهای تجاری و بسیاری موارد دیگر. چت‌بات نیز فوری و در همان محیط گفت‌وگو پاسخ می‌دهد.

چگونه کار می‌کند؟
این عامل، اطلاعات را از سامانه‌های داخلی، تأمین‌کنندگان، اطلاعات شرکت‌های حمل‌ونقل و ردیابی لحظه‌ای گردآوری می‌کند. اگر مغایرتی پیدا کند — برای مثال، تأمین‌کننده وضعیت سفارش را «ارسال شده» اعلام کرده، اما شرکت حمل‌ونقل هیچ سابقه‌ای از آن نداشته باشد — چت‌بات هنگام پاسخ‌گویی این مغایرت‌ها را نیز اعلام می‌کند.

چه ارزشی برای کسب‌وکار ایجاد می‌کند؟
کاربران می‌توانند فوراً پاسخ‌های دقیق و قابل‌اعتماد درباره وضعیت سفارش‌ها دریافت کنند؛ در نتیجه، زمانی که صرف جست‌وجوی اطلاعات یا تماس با دیگران می‌شود، کاهش قابل توجهی می‌‌‌یابد.

عامل هوشمندِ اقدام

چه وظیفه‌ای دارد؟
پیوسته همه سفارش‌های خرید را می‌پاید تا موارد استثنا را شناسایی کند. این موارد شامل نقص یا مغایرت در اطلاعات مربوط به مراحل مختلف است؛ مانند تأخیر در تأیید سفارش توسط تأمین‌کننده، ثبت نشدن تاریخ ارسال و بسیاری موارد دیگر. همچنین، این عامل هوشمند مغایرت میان اطلاعات سامانه‌های داخلی، تأمین‌کنندگان، شرکت‌های حمل‌ونقل و سامانه‌های ردیابی را نیز شناسایی می‌کند.

چطور کار می‌کند؟

• از یک الگوریتم هوش مصنوعی برای شناسایی موارد استثنا استفاده می‌کند.
• موارد استثنا را در ابزار مدیریت سفارش خرید ثبت می‌کند تا مدیران عملیات زنجیره تأمین در آینده نیز به آنها دسترسی و نسبت به آنها دید کافی داشته باشند.
• به مدیران عملیات زنجیره تأمین این امکان را می‌دهد موارد استثنا را تأیید یا رد کنند یا از طریق اصلاحات دستی و موردی، نحوه برخورد با آن‌ها را به عامل هوشمند آموزش دهند.
• هر ۳ ساعت یک‌بار، در صورت نیاز به اقدام، به‌طور خودکار برای تیم‌های مرتبط ایمیل هشدار ارسال می‌کند و کارشناسان حوزه‌های مرتبط را نیز در جریان قرار می‌دهد.

چه ارزشی برای کسب‌وکار ایجاد می‌کند؟
مشکلات در همان مراحل اولیه شناسایی و به سطوح مربوطه ارجاع داده می‌شوند؛ در نتیجه، تأخیرها و حجم کارهای دستی کاهش می‌یابد. مدیران عملیات زنجیره تأمین می‌توانند به‌جای صرف وقت برای پیدا کردن این موارد استثنا، تمرکز خود را بر حل مسائل مهم‌تر، تحلیل علل ریشه‌ایِ آنها و ارجاع هر مسئله به تیم مناسب بگذارند.

عامل هوشمندِ تحلیل داده

چه وظیفه‌‌‌‌‌‌‌‌‌ای دارد؟
اطمینان حاصل می‌کند هرگونه مغایرت در داده‌ها به‌سرعت به تیم‌های داخلی، تأمین‌کنندگان و شرکت‌های حمل‌ونقل اطلاع داده شود.

چطور کار می‌کند؟

• هنگامی که داده‌های تأمین‌کنندگان یا شرکت‌های حمل‌ونقل نیاز به اصلاح داشته باشد، برای آن‌ها ایمیل‌های هدفمند ارسال می‌کند.
• اگر مشکلی در سامانه داخلی همچنان برطرف نشود، هوش مصنوعی عامل می‌تواند برای تیم‌های مهندسی درخواست پشتیبانی صادر کند.

چه ارزشی برای کسب‌وکار ایجاد می‌کند؟
کیفیت داده‌ها به‌مرور بهبود پیدا می‌کند، خطاهای تکرارشونده کاهش می‌یابد و تضمین می‌کند همه افراد بر اساس مجموعه اطلاعات دقیق و یکسان کار می‌کنند.

عامل هوشمندِ مدیریت عملیات زنجیره تأمین با تلفیق خودکارسازی، بینش‌های لحظه‌ای و برقراری ارتباطات پیش‌دستانه، عملیات زنجیره تأمین را سریع‌تر، هوشمندتر و تاب‌آورتر می‌کند. این مطالعه موردی نمونه‌ای از راهکار مبتنی بر هوش مصنوعی با نظارت و راهبری انسان را نشان می‌دهد؛ راهکاری که در آن هوش مصنوعی عامل خودش وظایف شناسایی، تحلیل و برقراری ارتباطات را انجام می‌دهد، اما تصمیم‌گیری نهایی همچنان در اختیار انسان می‌ماند.

سازمان‌ها باید میزان ابتکار و استقلال عمل این عامل‌ها را متناسب با میزان بازگشت‌پذیری تصمیم‌ها و میزان خطرپذیری خود تنظیم کنند.

نحوه عملکرد: قبل و بعد

همان‌طور که در جدول ۲ نشان داده شده است، هوش مصنوعی عامل کارهای دستی را چشمگیر کاهش می‌دهد و اثربخشی را بالا می‌برد.

• کاهش کارهای دستی: با خودکارسازی شناسایی موارد استثنا و برقراری ارتباطات، اعضای تیم زمان کمتری صرف کارهای تکراری می‌کنند و زمان بیشتری برای فعالیت‌های دارای ارزش افزوده خواهند داشت.
• تصمیم‌گیری سریع‌تر و دقیق‌تر: هشدارهای لحظه‌ای و داده‌های یکپارچه به تیم کمک می‌کند سریع‌تر به مشکلات واکنش نشان دهد، تأخیرها را کاهش دهد و دقت در مدیریت سفارش‌ها را افزایش دهد.
• خودکارسازی مقیاس‌پذیر^[9]: هوش مصنوعی عامل، زیرساخت لازم را برای توسعه خودکارسازی در آینده فراهم می‌کند و از بهبود فرایندها به روش لین پشتیبانی می‌کند.
• داده‌های بهتر، غافلگیری کمتر: تطبیق خودکار داده‌ها و اعلان‌های پیش‌دستانه داده‌ها را دقیق و به‌روز نگه می‌دارد و احتمال از دست رفتن سفارش‌ها یا بروز تأخیر را کاهش می‌دهد.

جدول ۲. شاخص‌های عملیاتی قبل و بعد از استقرار هوش مصنوعی عامل

واضح است که در عمل، هوش مصنوعی عامل چگونه و تا چه اندازه توانسته عملیات زنجیره تأمین را متحول کند و آن را سریع‌تر، هوشمندتر و تاب‌آورتر سازد.

سه چالش بنیادیِ پیشِ روی رهبران

هوش مصنوعی شیوه فعالیت سازمان‌ها را متحول می‌کند و آن را بر پایه توانمندی‌های انسان و هوش مصنوعی عامل، در کنار هم و با نظارت انسان، شکل می‌دهد. مدیریت این مرحله گذار مستلزم تصمیم‌گیری آگاهانه و سنجیده رهبران کسب‌وکار درباره سرعت و هدف اجرای این تحولاست.

در ادامه، سه چالش بنیادی در این مسیر مطرح می‌شود:

زیرساخت و کیفیت داده‌ها: بدون داده، هوش مصنوعی وجود ندارد!

الگوی شکست:
درست مثل انسان‌ها که برای تصمیم‌گیریِ درست به اطلاعاتِ قابل‌اعتماد نیاز دارند، عامل‌های هوش مصنوعی هم برای درکِ زمینه فعالیت، کاملاً به کیفیتِ داده‌‌های دریافتی وابسته‌اند. بر اساس گزارش Deloitte در سال جاری میلادی (۲۰۲۶)، کیفیت داده کماکان یکی از پرتکرارترین چالش‌هایی است که سازمان‌ها هنگام توسعه طرح‌های هوش مصنوعی با آن مواجه می‌شوند.

در سازمان‌های زنجیره تأمین، سامانه داخلی منبعِ اصلی و معتبرِ اطلاعات است، اما داده‌های تأمین‌کنندگان با دوره‌های زمانی متفاوت به‌روزرسانی می‌شوند و موارد ثبت‌شده در شرکت‌های حمل‌ونقل ممکن است با مراحل ثبت‌شده در سامانه داخلی همخوانی نداشته باشند. اگر داده‌ها، پیش از استفاده، کیفیت‌سنجی نشوند، عامل هوشمند ناچار است داده‌های نامنسجم را با یکدیگر تطبیق دهد و در نتیجه ممکن است مغایرت‌های داده‌ به ابزارهای مدیریت سفارش خرید نیز منتقل شود.

چالش مرتبط دیگر، متصل کردن هوش مصنوعی عامل به همه سامانه‌هایی است که برای انجام وظایف خود به آن‌ها وابسته است. سازمان‌ها از ابزارهای متعددی مانند سامانه برنامه‌ریزی منابع سازمانی (ERP)، سامانه‌های تدارکات، سامانه‌های لجستیک و سامانه‌های متعلق به تأمین‌کنندگان و شرکت‌های حمل‌ونقل شخص ثالث^[11] استفاده می‌کنند و هر یک از این سامانه‌ها داده‌ها را به شکل متفاوتی ساختاربندی و تبادل می‌کنند.

حتی کاری به ظاهر ساده، مانند دریافت آخرین اطلاعات وضعیت محموله از یک شرکت حمل‌ونقل، به رابط‌های برنامه‌نویسی کاربردی (APIs) پایدار، شناسه‌های منطبق و تعریف‌های یکسان از رویدادها نیاز دارد. هنگامی که این ارتباطات ضعیف یا ناقص باشند، هوش مصنوعی عامل فقط بخشی از اطلاعات را دریافت می‌کند یا با داده‌های متناقض مواجه می‌شود.

در نتیجه، عامل نمی‌تواند تصویر دقیق و کاملی از وضعیت بسازد و تواناییش در شناسایی مشکلات یا پیشنهاد دادن اقدامات مناسب محدود می‌شود.

راهکارهای کاهش ریسک (Mitigation Strategies)

• مسیرهای پیش‌پردازش داده را پیاده کنید تا داده‌های قابل‌اعتمادی در اختیار هوش مصنوعی عامل قرار گیرد.
• سامانه‌های پایش خودکاری ایجاد کنید که پیش از رسیدن داده‌ها به عامل‌های هوشمند، درباره مشکلات کیفیت داده — مانند ستون‌های خالی یا مقادیر قدیمی — هشدار می‌دهند. این کار باعث کاهش رفتارهای غیرقابل‌پیش‌بینی عامل‌های هوشمند می‌شود.
• در بخش یکپارچه‌سازی، روی رابط‌های برنامه‌نویسی کاربردی (APIs) پایدار و دارای مستندات مناسب سرمایه‌گذاری کنید و اطمینان حاصل کنید سامانه‌های برنامه‌ریزی منابع سازمانی (ERP)، تدارکات، لجستیک و شرکت‌های حمل‌ونقل، داده‌ها را در قالب‌هایی قابل‌پیش‌بینی ارائه می‌کنند.
• الگویی یکپارچه برای داده^[12] ایجاد کنید تا رویدادهای داخلی و خارجی به‌صورت سازگار و یکسان تفسیر شوند.

اعتماد به هوش مصنوعی عامل

الگوی شکست:

هوش مصنوعی عامل شیوه پاسخ‌گویی و نظارت در تیم‌ها را تغییر می‌دهد. تیم‌ها معمولاً بین دو رفتار افراطی در نوسان هستند: یا به خروجی‌هایی که هوش مصنوعی عامل با اطمینان ارائه می‌دهد، بیش از حد اعتماد می‌کنند، یا تقریباً همه تصمیم‌هایش را نادیده می‌گیرند و آن را دستی بازنویسی یا اصلاح می‌کنند.

در این شرایط، تمرکز راهبری سامانه باید بر تدوین سیاست‌های روشن، اعتبارسنجی منطق هوش مصنوعی و تعیین  موقعیت‌هایی باشد که حضور و مداخله انسان بیشترین ضرورت را دارد.

برای مثال، وقتی منطق هوش مصنوعی عامل با قضاوت یا برداشت انسانی در تضاد قرار می‌گیرد — مانند زمانی که سفارش خرید ثبت شده، اما هنوز از سوی تأمین‌کننده تأیید نشده است — اگر کاربران بدون بازنگری در اهداف و محدودیت‌های تعریف‌شده، مکرر تصمیم‌های عامل هوشمند را به‌صورت دستی تغییر دهند، اعتماد به سامانه و حتی اعتماد به قضاوت انسانی نیز تضعیف خواهد شد.

چالش اصلی، حفظ تعادل است: نظارت انسانی باید به اندازه‌ای باشد که مخاطرات را مهار کند، در عین حال مانعی برای افزایش بهره‌وری و نوآوری ایجاد نکند. (McKinsey Global Institute, ۲۰۲۵)

راهکارهای کاهش ریسک

• پیگیری شاخص‌هایی مانند نرخ لغو اقدامات هوش مصنوعی عامل (همراه با کدهای دلیل آن)، تعداد خطاها یا حادثه‌های در شرف وقوعی که پیشگیری شده‌اند، مدت زمان رسیدن به اجماع^[13] و بازخورد کاربران درباره اینکه «در چه شرایطی به عامل هوشمند اعتماد دارم» می‌تواند به کاهش مخاطرات کمک کند. «مدت زمان رسیدن به اجماع» در واقع زمان صرف‌شده از لحظه‌ای است که عامل مشکلی را تشخیص می‌دهد، به انسان ارجاع می‌دهد، افراد ذی‌ربط درباره‌اش تصمیم می‌گیرند و به توافق می‌رسند. طبعا هر چه این مدت کوتاه‌تر باشد، مطلوب‌تر است.
• برای تصمیم‌گیری، مرزهای دقیق و روشنی بین عامل و انسان‌ تعیین کنید تا مشخص باشد عامل مجاز است در چه اقداماتی استقلال عمل داشته باشد — برای مثال، ارسال یادآوری موارد استثنا، هر ۳ ساعت یکبار — و چه اقداماتی حتماً به تأیید انسان نیاز دارند.
• زنجیرهٔ استدلال را فقط با جزییاتی که برای عملیات لازم است بسازید. زنجیرهٔ استدلال به مجموعه گام‌هایی گفته می‌شود که عامل هوش مصنوعی برای رسیدن به نتیجهٔ نهایی طی می‌کند. اگر این زنجیره را نسازید، نمی‌توانید علتِ بروزِ استثناها را پیدا کنید؛ اما اگر زنجیره شامل گام‌های بسیار جزئی باشد، هم هزینهٔ پردازشیِ هوش مصنوعی را بالا می‌برد و هم هزینهٔ بررسیِ انسانی را. این زنجیره کمک می‌کند مشخص شود چرا موردی به‌عنوان استثنا شناسایی شده است؛ مانند پیدا کردن شواهد و اطلاعاتی از داده‌های داخلی، وضعیت لحظه‌ای تأمین‌کننده و رویدادهای ردیابیِ حمل‌ونقل که مبنای هوش مصنوعی عامل برای تشخیص موارد استثنا بوده‌اند، و همچنین قاعده یا پرامپتی که موجب فعال‌شدنِ آن استثنا شده است. شناسایی این علل به تصمیمات راهبردی کمک مؤثری خواهد کرد.  (Deng et al., 2025; Sahu et al., 2024).
• به چالش کشیدنِ تصمیم‌های هوش مصنوعی عامل را به فرهنگ و رویه‌‌ عمومی تبدیل کنید، نتایج این بررسی‌ها را ثبت کنید و از آن‌ها برای بهبود مستمر راهکارهای هوش مصنوعی عامل استفاده کنید.

راهبری

الگوی شکست:

ویژگی‌های اصلی هوش مصنوعی عامل عبارت‌اند از استقلال عمل^[14]، انطباق‌پذیری و پیچیدگی. همین ویژگی‌ها راهبری هوش مصنوعی عامل را دشوارتر می‌کنند.

مهم‌ترین نگرانی مربوط به میزان ممیزی‌پذیری این عامل‌ها در زمینه‌های زیر است:

• تصمیم‌های جعبه‌سیاه^[15]: تصمیم‌هایی که گام‌های عامل برای رسیدن به آن‌ها برای ناظرِ انسانی قابل‌مشاهده یا قابل‌تشخیص نیست.
• انحراف مدل^[16]: افتِ تدریجیِ دقتِ مدل؛ داده‌های دنیای واقعی رفته‌رفته از الگویی که مدل با آن آموزش دیده، فاصله می‌گیرند.
• سوگیری: گرایش ساختاری مدل به نتایجی نادرست یا غیرمنصفانه، معمولاً به دلیل الگوهای پنهان در داده‌هایی که عامل با آن‌ها آموزش دیده است.

در مثال زنجیره تأمین که مفصل به آن پرداخته‌ایم، عامل‌های هوشمند سیگنال‌های دریافتی از چندین سامانه را با یکدیگر ترکیب و تحلیل می‌کنند و اقداماتی مانند هشداردهی، ثبت اطلاعات در سامانه، یادآوری به تأمین‌کنندگان و ثبت درخواست پشتیبانی را پیشنهاد می‌دهند.

اگر سازوکارهای کنترلی — مانند سیاست‌های دقیق و روشن، قابلیت پایش و محدودیت دسترسی مبتنی بر نقش هوش مصنوعی عامل — تعریف نشده باشد، دامنه اختیارات عامل‌ به‌تدریج فراتر از محدوده اولیه گسترش می‌یابد و ممکن است منطق پنهان^[17] در سامانه شکل گیرد.

علاوه بر این، سوگیری نیز یکی دیگر از چالش‌های مهم است. سامانه‌های هوش مصنوعی از داده‌های تاریخی یاد می‌گیرند و اگر این داده‌ها دارای سوگیری باشند، هوش مصنوعی ممکن است آن سوگیری‌ها را تقویت کند.

در نتیجه، هوش مصنوعی عامل ممکن است تصمیم‌هایی نامطلوب بگیرد؛ برای مثال، ترجیح دادن کارایی سازمان به تصمیم‌ها و اقدامات منصفانه^[18] نسبت به ذینفعان یا افراد و گروه‌های متأثر. (World Economic Forum, ۲۰۲۵)

راهکارهای کاهش ریسک (Mitigation Strategies)

• زیرساخت کاملی برای راهبری عامل‌های هوش مصنوعی خود بسازید؛ زیرساختی شامل چند بخش: مدیریت درست داده‌ها (با استفاده از ابزارهایی مانند Purview)، امکان پایش رفتار عامل‌ها از طریق لاگ (برای بررسی دقیق اقدامات موردی هر عامل) و داده‌های تله‌متری (برای بررسی روند کلی عملکرد عامل‌ها)، رعایت اصول امنیتی و محدود کردن دسترسی افراد بر اساس نقش‌شان، و تعریف دروازه‌های کنترل مشخص در طول چرخهٔ عمر هر عامل (از لحظهٔ ایجاد تا بازنشستگی). دروازهٔ کنترل در واقع نقطه‌ای برای پیش‌ارزیابی هوش مصنوعی عامل است: ارزیابی عملکرد هوش مصنوعی عامل، قبل از آن‌که وارد مرحلهٔ بعدی در چرخهٔ عمرش شود؛ از ارزیابیِ آغاز به کار گرفته تا ارزیابیِ پایان فعالیت و بازنشستگی.
• همچنین می‌توان از عامل‌های راهبر^[19] استفاده کرد. این عامل‌ها برای پایش و ارزیابی عملکرد سایر عامل‌ها طراحی می‌شوند و می‌توانند از بروز آسیب‌های احتمالی جلوگیری کنند (Stryker & Schmueli-Scheuer, 2025).

علاوه بر کیفیت داده، اعتماد به هوش مصنوعی عامل و راهبری، چالش‌های متعدد دیگری نیز وجود دارد؛ از جمله تجمیع و یکپارچه‌سازی سامانه‌ها، چارچوب دسترسی عامل به داده و تغییر فرهنگ مجموعه نیروی کار شامل انسان و هوش مصنوعی^[20].

راهکارهای عملی برای رهبران

برای بهره‌برداری کامل از ظرفیت‌های هوش مصنوعی عامل، رهبران باید بر چند راهبرد کلیدی تمرکز کنند؛ همان‌طور که در شکل ۱ نشان داده شده است.

لین + هوش مصنوعی = آینده کار

لین^[21] نگرشی اثبات‌شده برای حل مسئله است و هدفش شناسایی و حذف اتلاف‌ها، افزایش حداکثری بهره‌وری و ایجاد ارزش برای مشتری است.

شش سیگما^[22] روشی مبتنی بر داده است که مجموعه‌ای از ابزارها را برای کاهش و رفع نقایص و بهبود کیفیت به کار می‌برد. یکی از رایج‌ترین چارچوب‌های حل مسئله در شش سیگما، DMAIC است که از پنج مرحله تشکیل می‌شود:

• تعریف (Define)
• اندازه‌گیری (Measure)
• تحلیل (Analyze)
• بهبود (Improve)
• کنترل (Control)

این چارچوب برای بهبود مستمر فرایندها به کار گرفته می‌شود.

ترکیب اصولِ لین و شش سیگما رویکردی اثبات‌شده و روشی مبتنی بر داده برای شناسایی و رفع علت‌های ریشه‌ای است. هدف این رویکرد، کاهش اتلاف‌ها و رفع نقایص، بهبود کیفیت و ایجاد ارزش برای مشتری با نتایجی قابل‌اندازه‌گیری است.

رویکرد لین به همراه هوش مصنوعی آینده کار را شکل می‌دهد و این مسیر از خود شما آغاز می‌شود. ابتدا با به‌کارگیری اصول لین، اتلاف‌ها را حذف و مسائل را ریشه‌ای حل کنید؛ سپس هوش مصنوعی را به کار بگیرید تا ظرفیت‌های بی‌سابقه‌ای برای نوآوری آزاد شود و بیشترین بهره را از اهرم عملیاتی^[23] خود ببرید.

شما می‌توانید با نهادینه کردن اصول لین، ارائه آموزش، هدایت بهبود مستمر و تقویت نوآوری مبتنی بر هوش مصنوعی، تیم‌های خود را توانمند کنید. رهبرانی که از رویکرد لین حمایت می‌کنند، محیطی می‌‌‌سازند که در آن نوآوری و بهره‌وری به‌طور هم‌زمان رشد می‌کند و شکوفا می‌شود.

هم‌راستا کردن ذینفعان داخل سازمان

در مرحله شروع، جلسات مشترکی شامل متخصصان حوزه‌های مرتبط (SMEs)، ذینفعان داخلی و تیم‌های مهندسی برگزار کنید تا اهداف پروژه را مشخص کنند.

می‌توانید جلسات منظم بین‌واحدی برگزار کنید تا مطمئن شوید همه تیم‌ها در یک مسیر قرار دارند و مسائل را با مشارکت حل می‌کنند. همچنین، چشم‌انداز و مزایای خودکارسازی را شفاف برای همه تیم‌ها توضیح دهید.

از آنجا که خودکارسازی در فعالیت چندین تیم تأثیر می‌گذارد، هم‌راستایی بین واحدهای مختلف کمک می‌کند ارزش مورد انتظار برای کسب‌وکار محقق شود، موارد استثنا سریع‌تر برطرف شود و کیفیت داده‌ها در سراسر سازمان بهبود یابد.

سازمان را در قبال داده‌ها مسئولیت‌پذیر کنید.

برای ورود داده‌ها و اصلاح آن‌ها، مسئولیت‌های مشخص تعیین کنید. همچنین از هشداردهی خودکار و داشبوردها برای پایش کیفیت داده و موارد استثنای حل‌نشده استفاده کنید.

هنگامی که تیم‌ها بدانند هر بخش از داده‌ها بر عهده چه کسی است، اصلاح اطلاعات سریع‌تر انجام می‌شود و رسیدگی به موارد استثنا نیز مطمئن‌تر خواهد بود.

ریسک‌ها را پایش و مهار کنید.

برای کمک به کارکنان در گذار از گردش کار دستی به خودکار، آموزش‌های عملی و پشتیبانی مستمر ارائه دهید.

حلقه‌های بازخورد و امکان مداخله یا بازنویسی دستی را برای تصمیم‌های نهایی انسانی فراهم کنید. همچنین، گزارش‌های اقدامات هوش مصنوعی عامل در موارد استثنا^[24] و الگوهای ارجاع به سطوح بالاتر را منظم بررسی کنید تا الگوریتم‌های هوش مصنوعی عامل بهبود یابند و تعداد هشدارهای بی‌اساس (یا همان «مثبت‌های کاذب^[25]») به حداقل برسد. «مثبت کاذب» به وضعیتی می‌گویند که سیستم به‌اشتباه مشکلی تشخیص می‌دهد یا موردی را استثناء شناسایی می‌کند، در حالی که در واقعیت مشکل یا استثنائی در کار نیست.

با پایش پیش‌دستانه و فراهم کردن امکان مداخله دستی توسط متخصصان حوزه‌های مربوطه، می‌توان از تداوم فعالیت کسب‌وکار محافظت کرد و اعتماد به سامانه هوشمند را حفظ نمود.

فرهنگ بهبود مستمر را تقویت کنید.

هم‌زمان با اجرای بهبودهای جدید در فرایندها، رهبران باید از بهبودهای تدریجی و مستمر در عملکرد هوش مصنوعی عامل و گردش‌کارهای مرتبط حمایت کنند تا سامانه هوشمند، هم‌زمان با تغییر نیازهای کسب‌وکار، همچنان مقیاس‌پذیر و تاب‌آور بماند.

رهبرانی که فعالانه تیم‌ها را در این دوره گذار هدایت می‌کنند، کارکنان را هر چه بیشتر با شرایط جدید همراه می‌کنند، نگرانی‌ها را کاهش می‌دهند و روند پذیرش فناوری را سرعت می‌بخشند.

همچنین، اندازه‌گیری نتایج و تأثیرات حاصل از این تغییرات و اطلاع‌رسانی درباره آنها، حمایت بیشتری جلب می‌کند و مزایای ملموس هوش مصنوعی و خودکارسازی را به‌روشنی به تیم‌ها نشان می‌دهد.

بلوغ هوش مصنوعی در پنج گام: چارچوب ارزیابی

برای کمک به رهبران در درک جایگاه فعلی سازمان، این چارچوب ارزیابی مجموعه‌ای از پرسش‌های ساده و متناسب با هر مرحله را ارائه می‌دهد.

شکل ۲، مدل پنج‌مرحله‌ای بلوغ هوش مصنوعی را، که مبنای چارچوب ارزیابی است، نشان می‌دهد. هر پرسش به شما کمک می‌کند شکاف‌های موجود در سطح بلوغ سازمان را به‌سرعت شناسایی کنید و مشخص کنید سامانه‌های هوش مصنوعی، گردش‌کارها و ساختارهای راهبریِ^[26] فعلی، آمادگی ورود به مرحله بعدی تحول را دارند یا نه.

آگاهی و ایجاد زیرساخت

در آغاز مسیر پیاده‌سازی و فعالیت هوش مصنوعی، داشتن چشم‌اندازی روشن و بلندپروازانه برای این مسیر بسیار مهم است.

همچنین باید بر تدوین راهبرد بنیادی^[27]، اصول راهبری^[28]، جلب حمایت و همراهی مدیران و ارزیابی آمادگی زیرساخت و کیفیت داده‌ها از همان ابتدا تمرکز کنید. به یاد داشته باشید: بدون داده، هوش مصنوعی وجود ندارد!

پرسش‌های ارزیابی

• آیا برای پذیرش هوش مصنوعی در سازمان، چشم‌انداز، نتایج مورد انتظار کسب‌وکار یا هدف راهبردی مشخصی تعریف کرده‌ایم؟
• آیا پیش از استقرار هوش مصنوعی، زیرساخت‌های لازم برای راهبری داده، مدیریت سطح دسترسی و امنیت را فراهم کرده‌ایم؟
• آیا تیم‌های اجرایی و فناوری اطلاعات درک مناسبی از قابلیت‌ها و محدودیت‌های سامانه‌های هوش مصنوعی دارند؟

اجرای آزمایشی فعال و توسعه مهارت‌ها

در این مرحله، از میان همه ایده‌های مطرح، مهم‌ترین فرصت‌ها^[29] را شناسایی کنید: ارزش کسب‌وکاری هر ایده را در برابر میزان تلاش و منابع مورد نیاز ارزیابی کنید.

کار را با اجرای نمونه‌های آزمایشی اولیه و هدفمند^[30] آغاز کنید؛ نمونه‌هایی که در مدت کوتاهی قابل آزمایش و ارزیابی باشند.

هم‌زمان، تخصص داخلی سازمان را نیز توسعه دهید. تیم‌های خود را توانمند کنید، برای ارتقای مهارت‌ها سرمایه‌گذاری کنید، انجام آزمایش و تجربه را تشویق کنید و فرهنگی مبتنی بر یادگیری مستمر و تبادل دانش در میان اعضای تیم‌ها ایجاد کنید.

پرسش‌های ارزیابی

• آیا روشی ساختاریافته برای ارزیابی اینکه کدام نمونه‌های آزمایشی اولیه ارزش توسعه و گسترش دارند، در اختیار داریم؟
• آیا نمونه اولیه هوش مصنوعی نتایج قابل‌اندازه‌گیری ایجاد می‌کند یا صرفاً نمایشی از قابلیت‌ها ارائه می‌دهد؟
• آیا نمونه اولیه می‌تواند هشدارهایی دهد که خودتان پیش‌بینی نکرده بودید؟

عملیاتی‌سازی و استقرار راهبری

وقتی عملکرد نمونه آزمایشی اولیه رضایت‌بخش بود، راهکارهای هوش مصنوعی را در گردش کارهای اصلی کسب‌وکار گسترش دهید و مستقر کنید. این کار باید همراه با راهبری و پایش انجام شود تا مطمئن شوید ابتکارهای هوش مصنوعی  ارزش ملموس مستمر ایجاد می‌کند.

همچنین، بر بهبود همکاری انسان و هوش مصنوعی تمرکز کنید تا اعضای تیم بتوانند وظایف تکراری و روزمره را به هوش مصنوعی عامل واگذار و زمان و انرژی خود را صرف فعالیت‌های با ارزش بیشتر کنند.

پرسش‌های ارزیابی

• آیا افراد می‌توانند خروجی‌های هوش مصنوعی را ردیابی یا ممیزی کند؟ آیا افراد به‌جای انجام مستقیم کارها، بر گردش‌کار پیچیده هوش مصنوعی نظارت می‌کنند؟
• آیا سامانه‌های هوش مصنوعی را از نظر عملکرد، پایداری و ایمنی آزمایش می‌کنید؟
• آیا هوش مصنوعی عامل در گردش‌کارها به‌عنوان همکار مستقل فعالیت می‌کند، یا هنوز فقط نقش دستیار را بر عهده دارد؟

کسب‌وکار خود را با هوش مصنوعی عامل در کل سازمان

برای ایجاد تحول پایدار در کسب‌وکار با تکیه بر هوش مصنوعی، سازمان‌ها باید این فناوری را در همه جنبه‌های عملیات و فرهنگ سازمانی خود نهادینه کنند.

همچنین، باید راهبری را تقویت کنند تا بتوانند با چالش‌های پیشرفته این فناوری روبه‌رو شوند؛ از جمله توسعه مسئولانه هوش مصنوعی مولد به کل سازمان و کاهش مؤثر توهم هوش مصنوعی^[31].

پرسش‌های ارزیابی

• آیا یادگیری مستمر، سازگاری و بهینه‌سازی مبتنی بر هوش مصنوعی در همه جنبه‌های فرهنگ و فرایندهای کسب‌وکار ما نهادینه شده است؟

جمع‌بندی

هوش مصنوعی عامل صرفا باعث صرفه‌جویی در زمان نمی‌شود؛ بلکه شیوه تصمیم‌گیری را نیز متحول می‌کند. عامل‌های هوشمند دیگر صرفا ابزار نیستند و در تمامی فرایندها و سطوح سازمانی، از پیش‌بینی اختلال‌های زنجیره تأمین گرفته تا شناسایی لحظه‌ایِ تقلب و کلاهبرداری، به همکارِ انسان در انجام اثربخش فعالیت‌ها تبدیل شده‌اند. بنابراین، دفعه بعد که خواستید تصمیم مهمی بگیرید، از خودتان بپرسید:

«هوش مصنوعی عامل چگونه می‌تواند به من کمک کند؟»

^[1] Operational Resilience

^[2] Governance

^[3] Decision Intelligence

^[4] Stop Condition

^[5] Multi-Agent Frameworks

^[6] Query-Triggered Analysis

^[7] Exception Handling

^[8] Lean Process Improvements

^[9] Scalable Automation

^[10] Cycle Time – CT

^[11] Third-Party Suppliers and Carriers

^[12] Unified Data Model

^[13] Time to Consensus

^[14] Autonomy

^[15] Black-Box Decisions

^[16] Model Drift

^[17] Shadow Logic

^[18] Fair

^[19] Governance Agents

^[20] Human–AI Workforce Culture Change

^[21] Lean

^[22] Six Sigma

^[23] Operating Leverage

^[24] Exception Logs

^[25] False Positives

^[26] Governance Structures

^[27] Foundational Strategy

^[28] Governance Principles

^[29] Big Bets

^[30] Targeted Prototypes

^[31] AI Hallucinations

The post چطور با هوش مصنوعیِ عامل، تصمیم‌گیری را در سازمان‌مان متحول کنیم؟ appeared first on مدرسه پردازش و تحلیل داده دقیقه.

The post پنجرهٔ بازار کار دقیقه appeared first on مدرسه پردازش و تحلیل داده دقیقه.

چطور بفهمیم در حوزه پژوهشی‌مان چه خلأها یا کاستی‌هایی وجود دارد تا بتوانیم پروژه مطالعاتی جدیدی تعریف و از اصالت آن دفاع کنیم؟
چطور بتوانیم متخصصان حوزه پژوهشی‌مان را متقاعد کنیم مطالعه مجدد روی موضوعی که در گذشته بررسی شده، ارزشمند و حتی لازم است؟

این کار که در ادبیات عمومی پژوهش به تحلیل شکاف‌ (Gap Analysis) معروف است، مستلزم مرور جامع ادبیات موضوع پژوهش است و فرایندی ساختاریافته، دقیق، زمان‌بر و طاقت‌فرسا دارد.
پژوهشگران معمولا برای شناسایی موارد مغفول‌مانده، کمتر بررسی‌شده یا حل‌نشده در پیکره ادبیاتِ حوزه‌ای خاص آنچه را تا کنون مطالعه‌شده — شامل نظریه‌ها، روش‌شناسی‌ها، جوامع آماری، بافت‌ها و یافته‌ها — ترسیم می‌کنند و سپس آن را با آنچه ناشناخته باقی‌مانده، مقایسه می‌نمایند. انواع رایج شکاف‌های پژوهشی عبارت‌اند از:

• شکاف‌های نظری (پدیده‌های تبیین‌نشده یا فقدان چارچوب‌های مفهومی)
• شکاف‌های روش‌شناختی (محدودیت‌های موجود در طرح‌های پژوهشی یا رویکردهای گردآوری داده پیشین)
• شکاف‌های تجربی (شواهد ناکافی در بافت‌ها یا جوامع آماری خاص)
• یافته‌های متناقض (که نیازمند مطالعات بیشتری هستند).

شناسایی شکاف پژوهشی واقعی علاوه بر اثبات اهمیت و اصالت مطالعه جدید، مستقیما بر تدوین سؤالات پژوهشی، اهداف و فرضیه‌ها تأثیر می‌گذارد.
این فرآیند معمولاً در بخش مقدمه یا مرور پیشینه مقالات علمی، پایان‌نامه‌ها و طرح‌های پژوهشی مستند و مستدل می‌شود.

خوشبختانه با توسعه هوش مصنوعی (عامل و مولد)، می‌شود فرایند تحلیل شکاف را بسیار کوتاه‌تر از قبل طی کرد و به نتایج بسیار دقیق‌تر و قابل‌دفاع‌تر رسید.

پدرام عطایی، معمار سیستم‌های هوش مصنوعی و نویسنده کتاب «هوش مصنوعی: درس‌های نامتعارف» در این ویدیو (لینک زیر) تحلیل شکاف به کمک هوش مصنوعی را (به زبان انگلیسی) توضیح داده است:

Gap Analysis with AI and Prompt Engineering

اگر می‌خواهید این مهارت و مهارت‌های تخصصی دیگری را در این زمینه (البته بدون پیشنیاز و به زبان فارسی) فرا بگیرید در «کارگاه جامع به‌کارگیری هوش مصنوعی در پژوهش‌های دانشگاهی و صنعتی» شرکت کنید.

کارگاه جامع به‌کارگیری هوش مصنوعی در پژوهش‌های دانشگاهی و صنعتی ویژه پژوهشگران، دانشجویان تحصیلات تکمیلی، تحلیل‌گران تخصصی کسب‌وکارها و استادان دانشگاه مدرس: پدرام عطایی – معمار سیستم‌های هوش مصنوعی – دکترای مهندسی برق و کامپیوتر از دانشگاه بریتیش کلمبیا – مُبدِع الگوریتم‌های هوش مصنوعی خریداری‌شده توسط متا – نویسنده کتاب «هوش مصنوعی: درس‌های غیرمتعارف»

The post سوال پژوهش خود را چگونه طراحی می‌کنید؟ آیا فرایند مشخصی وجود داد؟ appeared first on مدرسه پردازش و تحلیل داده دقیقه.

آمنه ابراهیم ولوجردی

متخصص آمار زیستی، داور متدولوژی ژورنال پزشکی جمهوری اسلامی ایران و ژورنال هلال احمر، سابقه همکاری با مراکز تحقیقات دانشگاهی و شرکت‌های داروئی، کارشناسی آمار دانشگاه تهران و کارشناسی ارشد آمار زیستی دانشگاه علوم پزشکی ایران

کیارش تنها

متخصص آمار زیستی در گروه مطالعات واکسن دانشگاه آکسفورد، کارشناسی ارشد آمار زیستی دانشگاه علوم پزشکی ایران

پریسا رضانژاد

متخصص آمار زیستی با بیش از ۱۴ سال سابقه مشاوره در وزارت بهداشت، درمان و آموزش پزشکی و مشارکت فعال در پروژه‌های ملی، دکترای آمار زیستی و عضو استعدادهای درخشان دانشگاه علوم پزشکی شهید بهشتی

ابزار غالبِ تحلیل داده و مدلسازی آماری در پزشکی، داروسازی، زیست‌شناسی، سلامت عمومی، اقتصاد سلامت و رشته‌های مرتبط با آن‌ها در دنیا R است. در ابتدای این دوره، شیوه کار با R و برخی از کتابخانه‌های آن به اختصار مرور خواهد شد. اگر به مطالعه این موارد نیاز دارید منابع لازم قبل از شروع دوره در اختیار شما قرار خواهد گرفت.

برای راحتی بیشتر شرکت‌کنندگان، امکان ثبت‌نام گروهی در این دوره فراهم شده است. اگر قصد دارید همراه با دوستان، هم‌کلاسی‌ها یا همکارانتان در دوره شرکت کنید، می‌توانید از شرایط ویژه گروهی بهره‌مند شوید. همچنین دانشجویان عزیز می‌توانند با ارائه کارت دانشجویی معتبر از تخفیف اختصاصی دانشجویی استفاده کنند.

برای دریافت اطلاعات بیشتر یا هماهنگی ثبت‌نام گروهی، لطفاً از طریق پشتیبانی با ما در ارتباط باشید.

برای شرکت در این دوره کافیست فرایند پرداخت و ثبت نام را در ادامه تکمیل کنید.

ثبت‌نام و پرداخت

هزینه ثبت نام

برای استفاده از تخفیف‌ها تا جمعه 9 مرداد 1405 ثبت نام کنید.

پراخت کامل

(با تخفیف ۳۰٪)

۸.۱۰۰  میلیون تومان

۵.۶۷۰ میلیون تومان

کد ثبت نام پرداخت

در سه قسط

(با تخفیف ۲۵٪)

۲.۷۰۰  میلیون تومان

۲.۰۲۵ میلیون تومان

کد ثبت نام پرداخت

با پرداخت قسط اول، ثبت نام شما قطعی در نظر گرفته خواهد شد.

بستر برگزاری

d-learn.ir

The post کارگاه استنباط عِلّی در تحلیل داده‌های پزشکی و زیستی appeared first on مدرسه پردازش و تحلیل داده دقیقه.

امیرخسرو بهادری

امیرخسرو بهادری فارغ‌التحصیل کارشناسی و کارشناسی ارشد مهندسی صنایع از دانشگاه صنعتی شریف و مدیر محصول چندین برند بین‌المللی است. او بیش از ده سال سابقه تدریس دانشگاهی و آموزش در بخش خصوصی را در کارنامه خود دارد. مدیریت برند در شرکت پاکشوما، مدیریت تیم‌های برنامه‌ریزی و تحقیقات بازار هلدینگ کوبل‌دارو و مدیریت گزارش‌های بازاریابی و فروش شرکت British American Tobacco (BAT) از جمله مواردی است که امیرخسرو در آن‌ها سابقه فعالیت دارد. او هم‌اکنون به عنوان مدیر محصول در شرکت استرالیایی Dirodi مشغول به فعالیت است و همچنین ‌به سازمان‌ها و کسب‌وکارهای مختلف خدمات آموزشی و مشاورۀ برنامه‌ریزی و تدوین استراتژی‌های مبتنی بر تحلیل داده ارائه می‌دهد.

اکسل (Excel) یکی از محبوب‌ترین و پر‌استفاده‌ترین ابزارهای مدیریت و تحلیل داده‌های کسب‌وکار در دنیا است. سازماندهی و استفاده از داده‌ها در قالب جدول‌های دو بعدی، یکی از رایج‌ترین و در عین حال کارآمدترین رویکردها در پردازش داده و تحلیل اطلاعات است. دسترسی آسان به جدول‌های اکسل و سهولت کار با آن در قیاس با سایر نرم افزارها، آن را به پرکاربردترین ابزار سازماندهی و تحلیل داده در دنیا تبدیل کرده است.

ثبت‌نام و پرداخت

هزینه ثبت نام

برای استفاده از تخفیف‌ها تا جمعه 9 مرداد 1405 ثبت نام کنید. 

نقدی

۴  میلیون تومان

۳ میلیون تومان

کد ثبت نام ثبت‌نام

اقساط

۲  میلیون تومان

۱.۶۰۰ میلیون تومان

کد ثبت نام ثبت‌نام

d-learn.ir

The post اکسل برای تحلیل داده‌های کسب‌وکار appeared first on مدرسه پردازش و تحلیل داده دقیقه.

داده‌های مرتبط

دسترسی به داده‌های رمزارز

داده‌‌های ماهانه قیمت و تعداد معاملات مسکن مناطق شهر تهران

داده‌های آماری معاملات واحدهای مسکونی کشور

آرشیو روزانه قیمت دلار از سال ۱۳۶۰ تا تیر ۱۴۰۵

The post آرشیو روزانه قیمت دلار از سال ۱۳۶۰ تا تیر ۱۴۰۵ appeared first on مدرسه پردازش و تحلیل داده دقیقه.

پدرام عطایی

معمار سیستم‌های هوش مصنوعی

دکترای مهندسی برق و کامپیوتر از دانشگاه ‌British Columbia

مُبدِع الگوریتم هوش مصنوعی پیشگام خریداری‌شده توسط شرکت Meta

نویسنده کتاب «Aritficial Inteligence; Unorthodox lessons»

ثبت‌نام و پرداخت

هزینه ثبت نام

برای استفاده از تخفیف‌ها تا جمعه 2 مرداد 1405 ثبت نام کنید. 

نقدی

۶  میلیون تومان

۴.۵۰۰ میلیون تومان

کد ثبت نام ثبت‌نام

اقساط

۳  میلیون تومان

۲.۴۰۰ میلیون تومان

کد ثبت نام ثبت‌نام

d-learn.ir

The post کارگاه جامع به‌کارگیری هوش مصنوعی در پژوهش‌های دانشگاهی و صنعتی appeared first on مدرسه پردازش و تحلیل داده دقیقه.

اگر دستی در تحلیل داده‌های اجتماعی و اقتصادی دارید و با استنتاج آماری آشنایید، انجام این پروژه می‌تواند فرصت خوبی برای تمرین و برقراری ارتباط با بازار کار تحلیل داده برای شما‌ باشد:

تحلیل داده‌های اشتغال زنان در ایران؛

تلاش برای کشف متغیرهای همبسته، روابط معنادار و ارائه ایده‌های راهگشا

در این پروژه باید تلاش کنید با استفاده از داده‌های عمومی و در دسترس مانند آخرین سرشماری مرکز آمار و دیگر داده‌های مرکز آمار مانند داده‌های هزینه و درآمد (+) و داده‌های بازار کار مرکز آمار این پدیده را در سطح استان و شهرستان توضیح دهید و بگویید چه متغیرهایی با اشتغال زنان همبستگی و احیانا رابطه معنادار دارد. به عنوان نمونه آیا متغیرهایی مانند سن، جمعیت، میزان شهرنشینی و درصد جمعیت تحصیل‌کرده و مانند آن‌ها با اشتغال زنان همبستگی دارد؟ آیا این روابط برای مردان نیز به همین صورت است؟
پس از آزمودن رابطه متغیرهای مختلف با اشتغال زنان، آن‌ها را در یک مدل رگرسیون قرار دهید و رابطه آن‌ها با اشتغال زنان را در حضور یکدیگر تحلیل و نتایج را گزارش کنید.
آیا می‌توانید نتایج به دست آمده را با استفاده از آمارهای تجمیع‌شده با بیان ساده‌تری ارائه کنید؟
پس از تحلیل درخواست‌شده و گزارش نتایج، تحلیل خود درباره موضوع را ارائه کنید و با اتکا به نتایج به دست‌آمده ایده‌هایی برای تدوین سیاست‌های جدید به منظور افزایش اشتغال زنان پیشنهاد کنید. توضیحات بیشتر درباره پروژه را در لینک زیر مشاهده کنید:

شرح پروژه

(مشاهده شرح پروژه نیازی به ثبت نام ندارد.)

فرصت ثبت‌نام

۲ مرداد ۱۴۰۵

روز

ساعت

دقیقه

ثانیه

فرصت ثبت نام برای انجام این پروژه و دریافت بازخورد از این طریق تمام شده است.

مهلت تحویل پروژه

تا ۹ مرداد ۱۴۰۵ تمدید شد!

موارد خواسته‌شده در این پروژه‌ را تا این تاریخ تحویل دهید و برای بهبود کار خود بازخورد اختصاصی دریافت کنید.

تمامی پروژه‌های دریافت‌شده ارزیابی خواهند شد و بازخورد مکتوب دریافت خواهند کرد. پس از ارزیابی پروژه‌ها در مدرسه دقیقه، از بهترین پروژه‌ها برای ارائه در حضور تیم داوری دعوت خواهد شد. ارائه‌های برگزیده جهت مصاحبه شغلی به کارفرمایان متقاضی معرفی خواهند شد (اگر ساکن تهران نیستید جلسه ارائه به صورت آنلاین برگزار خواهد شد).

برای انجام این پروژه ثبت نام کنید:

The post انجام پروژه تحلیل داده‌های اشتغال زنان appeared first on مدرسه پردازش و تحلیل داده دقیقه.