یادگیری ماشین

روش های سنتی حلّ و فصل اختلافات تجاری به وسیله داور، باتوجه به گسترش معاملات الکترونیکی و حجم زیادی از اسناد، سرعت، دقت و کارایی داوری را کم رنگ می کند. هدف نوشتار حاضر، تأثیر روش های هوش مصنوعی در فرایند صحت سنجی ادله داوری و پاسخ به این سؤال است که آیا سیستم های هوش مصنوعی با بهره گیری از روش یا الگوریتم های نوین در عصر حاضر، تأثیری در تسهیل یا تسریع فرایند اعتبار سنجی مستندات طرفین حلّ اختلاف دارد ؟ آیا صرف اکتفا به یافته های هوش مصنوعی در اعتبار سنجی ادله کافی است؟ این نوشتار با رویکرد توصیفی_ تحلیلی پیش رفته و پس از تحلیل موضوع، نتیجه گیری می کند که هوش مصنوعی با بهره گیری از روش های پیشرفته همچون، یادگیری ماشین بدون نظارت یا با نظارت، یادگیری تقویتی و استفاده از پردازش زبان طبیعی فرایند رسیدگی و صحت سنجی ادله را در داوری به صورت چشمگیری تسهیل و تسریع می کند. اما، بهره گیری از روش های نوین با چالش های اخلاقی و حقوقی مثل عدم شفافیت و محدودیت دسترسی به داده مواجه است، لذا نظارت انسانی بر فرایند صحت سنجی ادله و وضع قوانین و مقررات در این حوزه باتوجه به خلأ قانونگذاری، از اهمیت بالایی برخوردار است. از نکات بدیع نوشتار حاضر، بررسی نقش روش های هوش مصنوعی در ارزیابی مستنداتی است که بعضاً در روش های سنتی حلّ و فصل اختلافات یا فرایند قضایی، به دلیل فقدان تخصص مورد چشم پوشی قرار می گیرد.

با پیشرفت فنّاوری و افزایش استفاده از شبکه های اجتماعی و اینترنت، حجم تولید داده ها افزایش چشمگیری داشته و بهره گیری از مفهوم «کلان داده ها» نیز به تبع آن، به طور فزاینده ای در پژوهش های علمی مختلف به چشم می خورد؛ اما سازمان دهی و تحلیل ادبیات موجود با محوریت بهره گیری از کلان داده ها در حوزه گردشگری برای شناسایی وضعیت تحقیقات صورت گرفته در این عرصه، خود مسئله ای است که هدف این مطالعه است؛ ازاین رو این پژوهش به بررسی میزان بهره گیری از کلان داده در تحقیقات گردشگری منتشر شده از سال ۲۰۱۶ تا ۲۰۲۲، به شناسایی شکاف های پژوهشی و فرصت های پیشرفت های آتی پرداخته است. ازآنجاکه این پژوهش در پی ارائه تصویری کلی از کارهای انجام شده در مقالات منتشر شده در حوزه گردشگری است، از روش مطالعه نگاشت نظام مند استفاده شده است. مقاله ها براساس این ویژگی ها بررسی شدند: موضوع تحقیق، توصیف مفهومی و نظری، منابع داده، نوع داده و اندازه، روش های جمع آوری داده ها، روش های تجزیه وتحلیل داده ها و گزارش و تجسم داده ها. یافته های این مطالعه حاکی از افزایش تحقیقات انجام شده در حوزه مدیریت مهمان نوازی و گردشگری با استفاده از روش های تحلیلی برای کلان داده هاست. بااین حال، این حوزه پژوهشی از نظر دامنه نسبتاً پراکنده و در روش شناسی محدود است و شکاف های متعددی را نشان می دهد. نتیجه دیگر آن که پژوهش های گردآوری شده نشان می دهند هنوز از پتانسیل کلان داده ها به طور کامل استفاده نشده و فرصت های زیادی پیش روی صنعت گردشگری از بعد پژوهشی وجود دارد. همچنین آشنانبودن کامل پژوهشگران این حوزه با ابزارهای تحلیل و تصمیم گیری داده محور چالشی است که در این پژوهش نمایان شده است. 

کربن سیاه (BC) یکی از اجزای مهم ذرات ریز معلق در هواست که تأثیر قابل توجهی بر آب و هوا و سلامت انسان دارد و فعالیت های انسانی همراه با شرایط آب و هوایی بر تغییرپذیری آن در طولانی مدت تأثیر می گذارد. از این رو، مطالعه حاضر به بررسی روابط آماری بین پارامترهای هواشناسی (دما، بارش، سرعت باد، رطوبت نسبی، فشار هوا، ساعات آفتابی، تابش خورشیدی و ابرناکی)، آلاینده های معیار هوا (CO، NO2، SO2، O3، PM10 و PM2.5) و آلاینده کربن سیاه و همچنین ارزیابی و مقایسه کارایی پنج الگوریتم یادگیری ماشین (رگرسیون خطی چندگانه (MLR)، مدل جمعی تعمیم یافته (GAM)، درخت طبقه بندی و رگرسیون (CART)، جنگل تصادفی (RF) و تقویت گرادیان (GBM)) در مدلسازی آلاینده ها و عوامل آب و هوایی مؤثر در تغییرات سطح غلظت آلاینده کربن سیاه در تبریز و تهران (2021 -2004) با استفاده از نرم افزار R 4.3.2 پرداخته است. نتایج مطالعه ی حاضر بیانگر تفاوت آشکار تأثیر پارامترهای هواشناسی و آلاینده های جوی معیار بر سطح غلظت آلاینده کربن سیاه در تبریز و تهران به دلیل موقعیت جغرافیایی، شرایط آب و هوایی و ساختار منطقه ای متفاوت این شهرها است. ذرات کربن سیاه روند صعودی معناداری را با سرعت نسبتاً برابر در طول دوره آماری مورد مطالعه در شهرهای تبریز و تهران تجربه کرده اند. بر اساس یافته های حاصل از تحلیل همبستگی اسپیرمن، ذرات کربن سیاه دارای همبستگی مثبت با آلاینده های PM2.5، NO2، CO و SO2 و همبستگی منفی با O3 است. آلاینده کربن سیاه دارای بیشترین همبستگی با پارامترهای سرعت باد (منفی) و رطوبت نسبی (مثبت) در تبریز و پارامترهای دما (منفی) و فشار هوا (مثبت) در تهران است. بر اساس ارزیابی عملکرد مدل های پیشگو و با توجه به اصل صرفه جویی، در تبریز مدل GAM و در تهران مدل مبنای MLR از عملکرد بهتری در پیش بینی مقادیر کربن سیاه نسبت به سایر مدل ها برخوردار بودند.

تورم های بالا و پرنوسان موضوعی بسیار مهم در اقتصاد ایران است که در سال های اخیر تبعات اقتصادی و تنش های اجتماعی زیادی را موجب شده است. رسیدگی و حل مشکل تورم توسط سیاست گذاران نیاز به شناخت مهم ترین عوامل اثرگذار بر ایجاد تورم دارد. با وجود اینکه اکثر اقتصاددانان رشد نقدینگی بیشتر از رشد تولید در اقتصاد را عامل اصلی تورم های ماندگار در اقتصاد ایران می دانند اما افراد کمی نیز وجود دارند که چنین باوری نداشته و تورم در ایران را به موضوعاتی چون افزایش نرخ ارز، تحریم و مشکلات ساختاری ربط می دهند. این مطالعه به دنبال شناسایی مهم ترین عوامل اثرگذار بر تورم های بالا و ماندگار در اقتصاد ایران است و برای این منظور از داده های مربوط به متغیرهای کلان اقتصادی ایران و چند متغیر بازارهای جهانی طی دوره زمانی 1387-1401 استفاده شده است. در این پژوهش از روش های گروهی مبتنی بر درخت که از روش های هوشمند یادگیری ماشین می باشند، استفاده شده است. به علاوه، از رویکرد توضیحات افزودنی (SHAP) برای تفسیر چگونگی پیش بینی و تعیین بااهمیت ترین متغیر اثرگذار در مدل های پیش بینی استفاده شده است. بر اساس نتایج بدست آمده، سه مدل گرادیان تقویتی (GB)، جنگل تصادفی (RF) و گرادیان تقویتی شدید (XGB) بهترین مدل ها با کمترین خطا بر اساس هر سه معیار خطای MAE،MAPE  و RMSE می باشند. در مورد نتیجه حاصل از تفسیر مدل و اهمیت ویژگی، مشخص شد که مؤثرترین متغیر اثرگذار بر تورم های بالا و ماندگار در اقتصاد ایران، با میانگین 72 درصدی در کل مدل ها، رشد نقدینگی است. نرخ ارز نیز با میانگین حدود 17 درصد در رتبه بعدی قرار گرفته و در مقایسه با حجم نقدینگی نمی تواند نقش مهمی در شکل گیری ماندگار نیروهای تورمی داشته باشد.

هدف: شناسایی و طبقه بندی مشتریان بیمه درمان به منظور شناسایی جامعه هدف و در نتیجه افزایش سودآوری شرکت های بیمه، ایجاد توازن در پرداختی حق بیمه و طراحی استراتژی بازاریابی. روش شناسی: در این مقاله از 5 الگوریتم یادگیری ماشین درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، بیز ساده و رگرسیون لجستیک به منظور طبقه بندی مشتریان به دو دسته سود ده و زیان ده استفاده شده است. به این منظور از داده ها و اطلاعات تعداد 2897 بیمه نامه درمان یک شرکت بیمه خصوصی در بازه زمانی آذر 1400 تا آذر 1401 استفاده شده است. یافته ها: این مقاله نشان می دهد که با استفاده از روش های یادگیری ماشین و ویژگی های ثبت شده از مشتریان در پرسشنامه سلامت می توان سود ده یا زیانده بودن آن ها را تا حدود مناسبی پیش بینی کرد. این مقاله نشان می دهد که تمرکز بر روی جامعه هدف معرفی شده توسط مدل شانس موفقیت و افزایش سود را به مقدار چشم گیری افزایش می دهد. نتیجه گیری: می توان با استفاده از روش های یادگیری ماشین به درک مناسبی از مشخصه های مشتریان بیمه درمان و نیاز های آنها رسید. پیدا کردن جامعه هدف علاوه بر این که به افزایش سود شرکت بیمه منجر می شود می تواند با تمرکز بر خواسته های مشتریان به افزایش رضایتمندی آن ها نیز منجر شود.

اکنون ایجاد ادراک در نرم افزارهای رایانه ای از مهم ترین چالش های معماری دیجیتال است. چرا که نرم افزارهای رایانه ای از مهم ترین ادوات معماران و یا طراحان به شمار رفته و به صورت گسترده در زمینه طراحی پروژه ها، به کار گرفته می شوند. در طراحی به کمک نرم افزارهای دیجیتالی، رسیدن به طرح و چیدمان بهینه یکی از مراحل مهم و تأثیرگذار به شمار می رود. اما نرم افزارهای رایانه ای هیچ شهود ذاتی در مورد فرایند طراحی ندارند و این علت اصلی عدم واگذاری فرایندهای طراحی به رایانه ها است. ازاین رو هدف این پژوهش تبیین روشی محاسباتی مبتنی بر نمونه داده های کمی و کیفی برای ایجاد شهود نسبی در ماشین ها از طریق ترکیب الگوریتم های تکاملی و یادگیری ماشین است. روش پژوهش کمی و کیفی در بستر الگوریتم های ژنتیک (Genetics)، یادگیری ماشین (k-means clustering) و همچنین یادگیری مبتنی بر نمونه (instance based) است. نتایج این پژوهش نشان می دهد برخلاف روش های مبتنی بر ترکیب الگوریتم های ژنتیک و برنامه نویسی ژنتیک می توان با ترکیب سه الگوریتم ژنتیک، یادگیری ماشین و مبتنی علاوه بر ایجاد شهود نسبی در ماشین ها، دقت و سرعت تولید نقشه ها را افزایش داد. همچنین ویژگی دیگر روش پیشنهادی، نرخ یادگیری نزدیک به نود درصد در شناسایی و ارائه طرح ها است. البته تولید پلان توسط رایانه ها در گام های اولیه خود است و هنوز فرایند طولانی لازم دارد تا این گام توسط رایانه ها به طور کامل برداشته شود.

 تحویل به موقع داروها، تجهیزات پزشکی و سایر لوازم ضروری برای مراقبت از بیمار بسیار حیاتی بوده و اغلب می تواند نجات دهنده باشد. تأخیر تحویل در زنجیره تأمین مراقبت های بهداشتی می تواند منجر به افزایش هزینه ها و چالش های عملیاتی برای سازمان های حوزه سلامت شده و بر مراقبت از بیمار و ثبات مالی تأثیر بگذارد. مدیریت زنجیره تأمین کارآمد و قابل اعتماد برای کاهش این خطرها و اطمینان از عملکرد یکپارچه در صنعت مراقبت های بهداشتی بسیار حائز اهمیت است. این پژوهش بهمسئله تأخیر در تحویل کالای مراقبت های بهداشتی در زنجیره تأمین مراقبت های بهداشتی جهانی آژانس جهانی توسعه ایالات متحده پرداخته و یک چارچوب برای پیش بینی وضعیت تحویل کالاهای مراقبت های بهداشتی ارائه می نماید. همچنین ویژگی هایی که بیشترین تأثیر را در پیش بینی وضعیت تحویل کالا داشته اند، برای مدیریت زنجیره تأمین مراقبت های بهداشتی داده محور تعیین می کند. روش پژوهش مطالعه پیش رو، علم طراحی است که یک چارچوب بر پایه روش ماشین بردار پشتیبان و بهینه سازی بیزی برای پیش بینی وضعیت تحویل کالاهای مراقبت های بهداشتی را ارائه کرده و عملکردهای مختلف الگوریتم های طبقه بندی برای پیش بینی وضعیت تحویل کالای مراقبت های بهداشتی را مقایسه کرده است. نتایج نشان می دهد  که چارچوب ارائه شده بر پایه روش ماشین بردار پشتیبان و بهینه سازی بیزی منجر به دقت طبقه بندی ۹۵ درصد می شود که در مقایسه با دیگر روش های به کار گرفته شده برای پیش بینی تأخیر تحویل عملکرد بهتری دارد. نتایج حاصل نشان داد که ویژگی های کشور مقصد، روش حمل، تأمین کننده و مکان تولید تأثیرگذارترین ویژگی ها در پیش بینی وضعیت تحویل می باشند.

این پژوهش باهدف کاربرد رویکرد کنترل بهینه در بهینه سازی سیستم های موجودی تولیدی در زنجیره تأمین انجام گرفته است. این تحقیق از نوع کاربردی بوده و روش پیشنهادی آن بر اساس هسته ی چندجمله ای برای مدل سازی متغیرهای حالت و توابع کنترل توسعه یافته است. به منظور دستیابی به پارامترهای وزن دهی برای هسته ی چندجمله ای، از رگرسیون بردار پشتیبان کمترین مربعات در طول فرآیند آموزش استفاده شده است. روش پیشنهادی امکان پیش بینی دقیق و کنترل مؤثر سطوح موجودی را فراهم می آورد که درنهایت منجر به کاهش هزینه ها و بهینه سازی عملیات زنجیره تأمین می شود. در این پژوهش با ارائه نمونه های آزمایشی مبتنی بر اطلاعات شرکت موردمطالعه، اثربخشی رویکرد پیشنهادی را بررسی می کند و نمودارهای سطح تولید بهینه و سطح بهینه موجودی فروشنده و خریدار را نشان می دهد. نتایج تحقیق نشان می دهند که شرکت سرنگ سازی می تواند ظرفیت تولیدی خود را از طریق بهینه سازی وضعیت فعلی با رویکرد مدل سازی عددی افزایش دهد. همچنین، با استفاده از کنترل بهینه و یادگیری ماشین، شرکت مذکور می تواند موجودی، هزینه های تولید و هزینه های نگهداری و جریان تولید را بهبود بخشد به گونه ای که تولید سالانه بهینه و مطلوب باشد. این تحقیق راه حل های متعددی برای افزایش اثربخشی فرآیندهای تولید ارائه می دهد که شامل بهبود فرآیندهای عملیاتی، فناوری و تجهیزات، زمان بندی، لجستیک، آموزش کارکنان، کیفیت محصول، تعمیرات و نگهداری، جریان اطلاعات و بازخورد مشتریان می شود. علاوه بر این، این تحقیق می تواند به عنوان مرجعی برای بهبود فرآیندهای تولید در صنایع مشابه مورداستفاده قرار گیرد.