خطا! ورودی را کنترل کنید
خطا! ورودی را کنترل کنید
ورود خودکار ؟
اگر فرم ثبت نام برای شما نمایش داده نمیشود، اینجا را کلیک کنید.
اگر فرم بازیابی کلمه عبور برای شما نمایش داده نمیشود، اینجا را کلیک کنید.
انجمن گفتگو استارتاپ و کار آفرینی
شما در حال مشاهده انجمن گفتگو استارتاپ های ایران هستید، این انجمن با هدف ایجاد بستر گفتگو پیرامون موضوعات حوزه کارآفرینی و کسب و کار های نوپا ایجاد شده است. با عضویت در این انجمن می توانید با اعضای اکوسیستم کارآفرینی کشور در ارتباط باشید.
این انجمن همچنین مرجع کاملی از شتاب دهنده ها، مراکز رشد و پارک های علم و فناوری، استارتاپ ها، اسامی منتور ها، سرمایه گذاران و فعالان کارآفرینی کشور را گرداوری نموده است.
ما به شما این اطمینان را می دهیم که با جستجو در این انجمن بتوانید هر موضوعی را در رابطه با استارتاپ ها پیدا کنید. کارشناسان ما نیز بطور 24 ساعته پاسخگوی سوالات شما خواهند بود.
آموزش "هوش مصنوعی" در دانشگاههای چین وزارت آموزش و پرورش چین برنامه دارد تا در پنج سال آینده به 500 استاد و پنج هزار دانشجو آخرین نظریات "هوش مصنوعی" را تدریس کند. به گزارش ایسنا و به نقل از چاینادیلی ، وزارت آموزش و پرورش چین برنامه آموزشی 5 ساله "آموزش و استعدادیابی هوش مصنوعی" خود را راهاندازی کرده تا تعداد متخصصان در حوزه "هوش مصنوعی" (AI) افزایش یابد. قرار است در پنج سال آینده، 500 استاد و 5 هزار دانشجو به عنوان بخشی از این طرح در این برنامه شرکت کنند و این برنامه در برترین دانشگاههای چین اجرایی شود. برنامه آموزش بینالمللی "هوش مصنوعی" برای دانشگاههای چین، هم اکنون در دانشگاه "پکینگ"(Peking) چین در حال اجرا است. "دولت"،"شرکتها"، "دانشگاهها"، "وزارت آموزش و پرورش"، شرکت سرمایهگذاری فناوری "Sinovation Ventures" و "دانشگاه پکینگ" چین به عنوان بخشهایی از این برنامه هستند. در این برنامه، متخصصان برجسته "هوش مصنوعی" دعوت خواهند شد تا یک گروه اولیه متشکل از 100 استاد و 300 دانشجو را آموزش دهند و این افراد چارچوب کلی "هوش مصنوعی" را بیاموزند. قرار است در این برنامه آموزشی، آخرین نظریات و شیوههای "هوش مصنوعی" تدریس شود. وزارت آموزش و پرورش این کشور برنامه دارد تا با ایجاد رشتههای "هوش مصنوعی" و همچنین ارتقای این حوزه به سطح اول آموزش خود، سیستم انضباطی "هوش مصنوعی" در دانشگاه های چین را بهبود بخشد. همچنین برنامه دارد تا در آینده با دانشگاههای آمریکا نیز همکاری کند و امکان بورسیه تحصیلی برای متقاضیان تحصیل در خارج از کشور را برای آنها فراهم سازد و مبادلات آموزشی میان چین و آمریکا را افزایش دهد. انتهای پیام https://www.isna.ir/news/97012006083...86%DB%8C%D9%86
ورود هوش مصنوعی به تجارت رمزنگاریهمزمان با هجوم صندوق های سرمایه گذاری (Hedge Funds: صندوق هایی جهت جمع اوری پول از سرمایه گذاران و سپس سرمایه گذاری طبق یک استراتژی از پیش تعریف شده توسط مدیریت صندوق) برای ورود به فضای رمزارز، دیدگاه ما نیز نسبت به دورنمای سرمایه گذاری خرد در رمزارز بطور اساسی تغییر می کند. Marcel Chuo از News.Bitcoin.com، به گفتگو با Guy Zyskind مدیرعامل Enigmaدرباره چگونگی کمک تیم او به این صندوق ها با بکار گیریِ هوش مصنوعی و ربات های (bot) خودکار تجارت (Trading) برای ورود به فضای رمزنگاری، نشسته است. Guy به تشریح این ابتکاراساسی و بحث پیرامون نحوه آمادگی جامعه برای ظهور AI (هوش مصنوعی) در تجارت رمزنگاری شده پرداخت. هجوم صندوق های سرمایه گذاری به رمزنگاری برای درک وسعت بکارگیری هوش مصنوعی در صندوق های سرمایه گذاری، فقط کافیست تا به آمارها نگاه کنیم. AI برای جایگزینی 90.000 شغل مدیریتی و 45.000 شغل فروش و تجارت تا سال 2025 برنامه ریزی شده است. برخی از این صندوق های معروف که شروع به بکارگیری هوش مصنوعی در تجارت خود کرده اند، Renaissance Technologies، Two Sigmaو Bridgewater Associates می باشند. صندوق های سرمایه گذاری که کارکنان انسانی خود را با هوش مصنوعی جایگزین کرده اند، از همتایان سنتی خود بسیار بهتر عمل می کنند. در واقع، Renaissance Technologies، یکی از صندوق های با بیشترین وابستگی به AI، یک Medallion Fund دارد که در سالهای 2002 تا 2016 بازده مثبتی بین 20 تا 98 درصد داشته است. در طول بحران مالی سال های2007-2008، Medallion Fund بازده سالیانه بترتیب 85.8 و 98.2 درصدی را به خود اختصاص داد. این ها بازده چشمگیر و قابل توجهی برای بازار مالی با خواب سرمایه (legacy financial market) هستند. از آنجاییکه AI بر صنعت صندوق های سرمایه گذاری درسیستم legacy financial در حال تسلط است، هجوم این صندوق ها به سمت فضای رمزارز، ورود فناوری تجارت AI در بازار های رمزنگاری را غیر قابل اجتناب کرد. برای درک هرچه بیشتر این پدیده، من مصاحبه ای با Guy Zyskind داشته ام. مصاحبه با Guy Zyskind Marcel: News.Bitcoin.com به تازگی مقاله ای را منتشر کرده که در آن به تفصیل شرح داده است که درحال حاضر 124 صندوق سرمایه گذاری جدید به طور اختصاصی به رمزارزها پرداخته اند. تنها دو ماه پیش، Business Insider نیز مقاله ای با نگاه به 50 صندوق فعال در این نوع ارز را منتشر کرد، اما توسعه Catalyst (عامل واسطه یک توسعه و پیشرفت) نشان می دهد که این صندوق ها نمی توانند یکباره وارد این تجارت بشوند، و آنها باید پیش از ورود به این عرصه، راهبرد شرایط تجارت را شبیه سازی کرده و آن را مورد آزمایش قرار دهند. آیا می توانید کمی این موضوع را برای ما روشن کنید؟ Guy: درک پیشینه بازارهای سهام برای فهمیدن اینکه چگونه بازارهای رمزنگاری تکامل خواهند یافت، مهم است. پانزده سال پیش، بازارهای مالی دارای پیچیدگی کمتری بودند و شما شاهد سوداگرانی از هر طیف بودید. معامله گران، سهام را می خریدند وبا خرید وفروش آن در بازه های زمانی به سود می رسیدند که این امر تا حدی زیادی رایج بود. اما اکنون دادوستد توسط کامپیوترها و فرآیند داده های ماشین و نه توسط سوداگران اجرا می شود. صندوق های سرمایه گذاری در بازارهای مالی امروز عمدتا از الگوریتم ها و تجارت کمیتی استفاده می کنند. ما می خواهیم شاهد تکامل بازارهای رمزنگاری در همین جهت باشیم، اما باید بدانیم که رمزنگاری 10 برابر سریعتر از آنچه که در بازارهای سهام سنتی شاهدش بودیم، تکامل خواهد یافت. Marcel: چه چهارچوب زمانی را برای یک صندوق سرمایه گذاری که در تلاش برای ورود به تجارت رمزنگاری شده با استفاده از AI و روبات می باشد را متصور هستید؟ Guy: بستگی دارد. اگر این صندوق ها بخواهند پیش از ورود به این عرصه با ساخت پلتفرم خود، به آزمایش راهبرد های تجاری بپردازند، 3 ماه زمان می برد تا به نتیجه برسند. اگر این صندوق ها، رمزنگاری را همانند آنچه که 15 سال قبل در بازارهای سنتی مالی انجام می دادند مبادله کنند، وقوع این امر بلادرنگ و آنی خواهد بود. اما بیشتر آنها با این روش قدیمی کار نمی کنند. هدف پلتفرم ما یعنی Catalyst، کمک به این صندوق ها در صرفه جویی در زمان جمع آوری داده ها است. بنابراین صندوقهای سرمایه گذاری، Catalyst را دانلود، آن را نصب، تجارت را شبیه سازی، و پس از دریافت نتایج درعرض چند دقیقه، بلافاصله می توانند تجارت آنلاین خود را به راه بیاندازند. زمانبرترین بخش این فرآیند، توسعه راهبردهای تجاری خواهد بود، البته شناسایی این راهبردهای مؤثر، ماهیت وجودی این شرکتها ست. Marcel: به امروز برگردیم، یعنی زمانی که شما قادر به داوری و ارزیابی کوین ها در میان صرافی های مختلف هستید. زمانی که تجارت خودکار روبات پا به عرصه گذاشت، تقریبا انجام این کار برای سرمایه گذاران خرد غیرممکن شد. فکر می کنید AI وتجارت خودکار ربات ها چطور و چگونه بازارهای رمزنگاری شده را برای این سرمایه گذاران تغییر خواهند داد؟ Guy: این هم خوب است و هم بد. قسمت خوب آن در این است که تجارت خرد و متوالی، شگفتی هایی را در ارائه نقدینگی (تبدیل به پول شدن) به بازارهای سهام انجام داده است. امروزه یکی از بزرگترین مشکلات موجود در بازار رمزنگاری، نقد نشدن آن، به ویژه برای کوین های کم سرمایه است. باب کردن ربات ها موجب افزایش نقد پذیری می شود. سرمایه گذاران خرد قادربه دادوستد راحت تر بوده و بازار نیز متاثر از معاملات کوچک (وابسته به بازارهای سهام) نخواهد بود. نکته بد این است که سرمایه گذاران خرد برای باقی ماندن در این رقابت باید هرچه بیشتر خبره و ماهر باشند، به ویژه زمانی که در حال رقابت با یک AI دادوستد می کنند. آنها می بایست خود را با شرایط تطبیق بدهند، و یا باید عقب نشینی کرده و از میان بروند. آنها باید کمی بیشتر در این بازی تجارت شرکت کنند و تصمیم های بیشتری بر اساس داده ها بگیرند. Marcel: به نظر می رسد که AI و این ربات ها، نوسانات روزانه کوین ها را نیز کاهش می دهند. Guy: بسیاری از نوسانات روزانه از سفته بازی ها ناشی می شود و کاهش آن چیز خوبی است. انسان دربرابر ماشین Marcel: Makoto، یکی از توسعه دهندگان هسته اولیه NEM به من گفت، “مردم همیشه فکر می کنند چون AI یک انسان را در چیزی مثل Go ( نام یک بازی استراتژیک دونفره به منظور اشغال قلمروهای وسیعتر) یا در بازارهای تجارت رمزنگاری شده شکست میدهد، پس ماشینی است که انسان را نیز به شکست می کشاند. اما اینطور نیست، این تقریبا کل تیم توسعه نرم افزار است که یک ذات انسانی را از دور خارج می کند.” به عنوان یک شرکتی که AI خودتان را توسعه می دهید، شما چه نظری در این رابطه دارید؟ Guy: من این گفته را می پسندم، تفکر بسیار جالبی است و اضافه می کنم، در مقایسه یک هوش مصنوعی با یک انسان، AI ترکیب مجموع تمام تجربیات بسیاری از انسانهای متفاوت و نه فقط تیم توسعه دهنده آن است. داده ها، تجربه، و خرد جمعیِ انبوهی از مردم، بسیار راحت توسط ماشین فراگیری شده و پس از آن در گود مبارزه با یک متخصص انسانی قرار می گیرد. از این رو نیمی از گفته های Makoto درست است، این ماشین است که انسان را شکست می دهد، اما ماشینی که از خرد جمعی آحاد مردم بهره برده و آموخته است. https://coiniran.com/%D9%88%D8%B1%D9...7%D8%B1%DB%8C/
رشد سرمایهگذاری جهانی در اپلیکیشنهای مالی تجربه موفق و استقبال کاربران از خدمات بانکداری الکترونیکی منجر به ایجاد پدیده نوظهورتری به نام «فینتک» یا ادغام خدمات مالی با اپلیکیشنهای موبایلی در سیستم پرداخت شده است. دستاورد فینتکها برای صنعت بانکداری تغییر شکل امور مالی با کاهش هزینهها و بهبود کیفیت خدمات مالی و ایجاد یک چشمانداز مالی متنوعتر و با ثباتتر در امور خدمات بانکی است. تقویت خدمات بانکی از سوی این استارتآپها باعث شده در... تجربه موفق و استقبال کاربران از خدمات بانکداری الکترونیکی منجر به ایجاد پدیده نوظهورتری به نام «فینتک» یا ادغام خدمات مالی با اپلیکیشنهای موبایلی در سیستم پرداخت شده است. دستاورد فینتکها برای صنعت بانکداری تغییر شکل امور مالی با کاهش هزینهها و بهبود کیفیت خدمات مالی و ایجاد یک چشمانداز مالی متنوعتر و با ثباتتر در امور خدمات بانکی است. تقویت خدمات بانکی از سوی این استارتآپها باعث شده در سه ماه دوم سال 2017 بیش از 5 میلیارد دلار سرمایهگذاری برای حمایت از فینتکها صورت بگیرد که نسبت به سه ماه نخست سال 2017 حدود 83 درصد و نسبت به مدت مشابه در سال گذشته 38 درصد افزایش یافته است. همچنین تعداد معاملات در این مدت 251 فقره بود که 6 فقره بیشتر از سه ماه نخست سال 2017 و چهار فقره بیشتر از مدت مشابه در سال گذشته است. همچنین آمار به نقل از سایت تحلیلی CBinsights نشان میدهد بزرگترین معامله برای جذب سرمایهگذاری روی فینتکها در سه ماه دوم سال 2017 به ارزش 4/ 1 میلیارد دلار برای حمایت از یک استارتآپ هندی بوده که توسط شرکت سرمایهگذاری ژاپنی SoftBank Group انجام گرفته است. با حمایت مالی، مبلغ کل بودجه این فینتک تا 8/ 2 میلیارد دلار و ارزشگذاری آن را به 7 میلیارد دلار افزایش یافت. در واقع، این بزرگترین سرمایهگذاری در یک شرکت فینتک از سال 2012 بوده است. کل سرمایهگذاری VC آمریکا روی فینتکها در طول سه ماه دوم سال 2017 بیش از 5/ 1میلیارد دلار برای انجام 104 معامله بوده که نسب به دورههای قبل افزایش قابل توجهی داشته چرا که میزان سرمایهگذاری VC در سه ماه اول بالغ بر 1/ 1میلیارد دلار برای انجام 90 معامله بود. ارزش سرمایهگذاریVC در 10 معامله بزرگ آمریکا در سه ماه اول سال 2017 بیش از 750 میلیون دلار بود. میزان سرمایهگذاری انجام گرفته برای استارتآپهای فینتکی اروپایی در سه ماه نخست سال 2017 از 667 میلیون دلار فراتر نرفت که برای انجام 73 معامله بود. این در حالی بوده که مجموع سرمایهگذاری VC انجام گرفته در 10 معامله بزرگ اروپا بیش از 450 میلیون دلار است. مجموع سرمایهگذاری برای حمایت از 42 فینتک آسیایی در سه ماه نخست سال جاری 826 میلیون دلار بوده و مجموع سرمایهگذاری VC روی 10 معامله بزرگ آسیا در این مدت بیش از 340 میلیون بوده است. آمار CBinsights از یونیکورنهای(استارتآپ با ارزش بالای یک میلیارد دلار) حوزه فینتکها نشان میدهد در حال حاضر 22 یونیکورن وجود دارد که مجموع ارزش آنها 77 میلیارد دلار است. باارزش ترین فین تک جهان، شرکت 5/ 18میلیارد دلاری چینی به نام lu.com است. همکاری بانکها با فینتکها تجربه موفق و کمهزینه مشتریان برای استفاده از این نوع اپلیکیشنهای مالی برای انجام امور مالی باعث شد شركتهای فینتک بتوانند در کانون توجه کاربران قرار بگیرند. با این حال، توسعه آنها مستلزم همراهی زیرساختهای سنتی بانكها برای انتقال پول تعریف میشد. برخی از بانکهای بزرگ به تدریج استراتژی خود در زمینه سرمایهگذاری، خرید و حتی مشارکت در فعالیتهای تجاری با فینتکها را در جهت بهبود کیفیت خدمات تغییر دادند که این موضوع منجر به شکوفایی بازار فینتک و افزایش تعداد آنها شد. ایجاد و حفظ یک تجربه عالی برای مشتری، معامله سریع، اطمینان از پرداخت آسان، سریع و بیدرنگ و کاهش هزینه مبادله یکی از دلایل اصلی شکلگیری و توسعه این فضا بود. البته رشد بازار فینتکها دیگر به استارتآپ جدید و بانکها خلاصه نمیشود، بلکه غولهای آیتی مانند ApplePay یا Android Pay گوگل نیز به دنبال سهم از این بازار هستند. هماکنون همکاری بین بانکها و شرکتهای مالی و فینتکها در حال گسترش است، بهطوریکه سرمایهگذاری بانکها در استارتآپهای فینتکی به یک پدیده جهانی تبدیل شده است. بانکها از طریق مشارکت با فینتک به دنبال راهکارهایی هستند که بتوانند به کاهش ریسک و بهبود مشارکت مشتری کمک کنند. در اصل، شرکتهای فینتک و رقبای سنتی همدیگر را درک میکنند تا بدانند چگونه بهتر از این تکنولوژی بهره ببرند. در بانکداری خردهفروشی، از تکنولوژیهایی مانند هوش مصنوعی، هوش کسب و کار و یادگیری عمیق استفاده میشود تا ضمن شناسایی و درک بهتر مشتری، سفارش وی بیدرنگ و با قیمت مناسب ارائه شود. 10بانک برتر آمریکا با داراییهای تحت مدیریت (دارایی که یک صندوق سرمایهگذاری مشترک یا شرکت سرمایهگذاری خطرپذیر، از طرف سرمایهگذاران اداره میکند) از سال 2012در مجموع 6/ 3 میلیارد دلار برای 56 شرکت فینتک سرمایهگذاری کردهاند. هلدینگ بانک Capitec آفریقای جنوبی که نقش مهمی در انقلاب این کشور داشته، در همان مراحل ابتدایی رشد Creamfinance (سریعترین فینتک در حال رشد اروپا)، 21میلیون یورو سرمایهگذاری کرده است. بازی برد- برد بانکها و فینتکها انقلاب دیجیتالی در حال پیشروی است و دیر یا زود تمام بخشهای اقتصاد به ویژه خدمات بانکی را درگیر خواهد کرد. به عبارت دیگر، فینتکها که توانایی استفاده از هوش مصنوعی و یادگیری ماشین را برای ایجاد خدمات مالی بهتر فراهم میکنند، محبوبتر از همیشه میشوند. در حالي که ظهور فینتکها ميتواند اخبار بدي براي بانکهاي سنتي باشد، ولی همکاری با آنها و سرمایهگذاری برای توسعه آنها میتواند برای بانکها با سه مزیت مهم برای کسب درآمد همراه باشد. در وهله نخست، در صورت همکاری با فینتکها، دستیابی به نوآوریهای حوزه مالی با سرعت بیشتری برای بانکها محقق میشود. بانکها در حال حاضر یا باید انطباق با انقلاب دیجیتال را انتخاب کنند یا با از دست دادن سهم بازار مواجه شوند. بانکها به اندازه سرعت و چابکی فینتکها قادر به انطباق و بهروزرسانی نیستند. به این ترتیب، همکاری با این شرکتها باعث میشود تا بانکها رشد و سرعت بیشتری داشته باشند. برای نمونه، بانک Capitec تحت تاثیر تمرکز Creamfinance روی داده هوشمند(داده معتبر و دقیق است که میتواند پردازش اطلاعات را سریعتر کند) قرار گرفته است. بهکارگیری داده هوشمند امکانی برای بانک فراهم کرده تا برای مشتری وام هوشمند (وامی متناسب با نیاز و قدرت پرداخت مشتری) سریع ارائه دهد. در واقع داده هوشمند به صنعت خدمات مالی سرعت میبخشد. مزیت دوم، حصول اطمینان از اتخاذ تصمیمات دقیقتر است. پذیرش تکنولوژی یادگیری ماشین، یکی دیگر از دلایل لزوم همکاری بانکها با فینتکها است. الگوریتمهای یادگیری ماشین اغلب برای کمک به تصمیمگیری سریعتر، بهتر و دقیقتر مشتریان مثل درخواست وام استفاده میشوند. برای مثال، ممکن است مشتری بانک که میخواهد وام بگیرد مانند هر فرد عادی خطا کند. در همان زمان، فینتکها اجرای الگوریتمهای یادگیری ماشین را که در آن دادهها جمعآوری و تصمیمگیری بدون دخالت و خطای انسان اتخاذ شده، آغاز کردهاند و به دنبال آن بهترین گزینه ممکن برای اعطای وام را پیش روی بانک و مشتری قرار میدهند. مزیت سوم به حل مشکلات صنعت خاص برمیگردد، بهطوری که فینتکها با رصد دادههای مالی آنها میتوانند به بانکهای سنتی در اعطا یا پردازش کارت اعتباری کمک کنند. به هر حال، همکاری بانکهای سنتی و فینتکها یک بازی برد-برد است. فینتکها به بانکها برای بهرهبرداری از نوآوری در جهت تصمیمگیری سریع و دقیق کمک میکنند، از طرفی آنها به سرمایه، اطلاعات و حمایتهای مقرراتی بانکها متکی هستند. رشد سرمایهگذاری جهانی در اپلیکیشنهای مالی
استفاده از هوش مصنوعی در کسب و کار برای پیش گرفتن در رقابتاستفاده از هوش مصنوعیکسب و کارهای کوچک نمی توانند هوش مصنوعی را نادیده بگیرند. و آن را منحصر به شرکت ها و دانشگاه ها بدانند. آنها می بایست استفاده از هوش مصنوعی را آفاز کنند. در هوش مصنوعی ، استراتژی های مقرون به صرفه ای برای صرفه جویی در پول، ایجاد تجربه و به دست آوردن مزایایی برای پیش افتادن در رقابت وجود دارد. هنگامی که عبارت هوش مصنوعی (AI) را می شنوید، ممکن است به چیزهایی مانند، دانشگاه های برتر تحقیقاتی یا شرکت های بزرگ فناوری مانند گوگل، آمازون و مایکروسافت فکر کنید. برای کسب و کارهای کوچک، موضوع ممکن است بسیار پیچیده و یا بیش از حد گران باشد، و طبیعتا ممکن است آن را نادیده بگیرند. و استفاده از هوش مصنوعی را دور از تصور بدانند. اما شما نمی توانید از پس هزینه چشم پوشی از هوش مصنوعی برآیید. هوش مصنوعی می تواند سریعتر حرکت کند و بیشتر از سایر تکنولوژی ها تغییر کند. کامپیوترها و اینترنت برای روش های نوآورانه و سریعتر انجام دادن کارهاست، که بسیاری از کسب و کارها و مشاغل را مختل کرده است. شرکت های بزرگ از جمله آمازون، اپل، گوگل، مایکروسافت و بسیاری دیگر، میلیون ها دلار برای هوش مصنوعی سرمایه گذاری می کنند. کسب و کارهای کوچک نیز می توانند از مزایای هوش مصنوعی از طریق بهره برداری از محصولات آن، استفاده کنند. به این ترتیب استفاده از هوش مصنوعی ممکن می گردد. هوش مصنوعی چیست؟هوش مصنوعی به عنوان چتری برای تکنولوژی ها تبدیل شده است. با این حال، این تعریف دقیق AI نیست. هوش مصنوعی، به نرم افزارهایی اشاره می کند که تفکر مستقل را تقلید می کند و هنوز هم عمدتا در آزمایشگاه های تحقیقاتی روی آن تحقیق می شود. برای مطالعه بیشتر: نقش هوش مصنوعی در بهبود خدمات مشتری چیست؟ ۴ راه استفاده از هوش مصنوعی در استخدام و نیروی انسانی فن آوری های مرتبط با هوش مصنوعی عبارتند از:یادگیری ماشینی:یادگیری ماشینی چیزی است که مردم اغلب هنگام صحبت در مورد برنامه های کاربردی هوش مصنوعی مد نظر دارند. یادگیری ماشینی نرم افزاری است که توسط دستورالعمل های خاص کامپیوتری که برنامه نویس آن را نوشته، محدود نمی شود. این نرم افزار انعطاف پذیر است و نیاز به برنامه نویسی کمتری نسبت به نرم افزار سنتی دارد. یادگیری ماشینی نحوه رفتار نرم افزار را بر اساس داده یا نتایج تغییر می دهد. روبات های هوشمند:روبات های هوشمند به یادگیری ماشینی و فن آوری های دیگر افزوده می شوند تا وظایف را خودکار کرده و کار را کاهش دهند. آمازون دارای بیش از ۴۵۰۰۰ روبات است که در مراکز تحویل به مشتری آن کار می کنند. منشی مجازی (AV):منشی های مجازی بسیار پیشرفته تر شده و عملکرد سرویس و فروش را متحول می کنند. در وب سایت ها، اینها شروع به انجام معاملات برای مشتریان می کنند و منوها و فرم ها را جایگزین می کنند. تشخیص گفتار:این راهی برای برنامه های کامپیوتری است که به سخنان انسانی گوش فرا دهند و آن را درک کنند. گاهی تشخیص مطالب IVR های مرکز تماس دشوار است اما باید بگویم که فن آوری به سرعت در حال بهبود است و یادگیری ماشینی کمک می کند تا سیستم های تشخیص گفتار در انجام وظایف بسیار دقیق تر و موفق تر عمل کنند. (IVR کوتاه شده ی Interactive Voice Response که ترجمه ی فارسی آن “پاسخ صوتی تعاملی” است. در اصطلاح به سیستم هایی اطلاق می شود که با گرفتن شمارهای یک قطعهی ضبط شدهی صوتی فعال میشود و از شنونده میخواهد با استفاده از صفحه کلید تلفن خود، شمارهای یا کاراکتری (# یا *) را وارد کند تا سیستم از پایگاه داده، دادهای را برای شنونده بخواند. نمونه بارز آن سیستم های پاسخگوی خودکار در بانکها میباشد که به سیستمهای تلفنبانک و فاکسیبانک مشهور هستند). تولید متن در زبان طبیعی (NLG):NLG داده ها را تجزیه و تحلیل کرده و سپس متن قابل خواندن برای انسان را از روی آن می نویسد. این باعث تغییر هوش تجاری و گزارش دهی کسب و کار می شود. Narrative Wave داده های خام را از برنامه های کاربردی صنعتی مصرف می کند و سپس بینش ها را به وجود می آورد یا فرآیندها را بهینه می کند. محیط زیست کانادا با استفاده از NLG به طور خودکار گزارشات آب و هوا را به هر دو زبان فرانسه و انگلیسی ارسال می کند. فوربز از NLG برای جمع آوری و توضیح گزارش درآمد شرکت استفاده می کند. مدیریت تصمیم گیری:اصطلاحات “مدیریت تصمیم گیری سازمانی” و “مدیریت تصمیم گیری کسب و کار” هر دو برای توصیف تصمیم گیری خودکار استفاده می شود. آنها اغلب با یک یا چند فن آوری دیگر که برای تجزیه و تحلیل اطلاعات تعریف شده اند و تقریبا تصمیم گیری خودکار دارند، ترکیب شده اند. کسب و کار شما برای استفاده از هوش مصنوعی چه باید بکند؟شروع به آشنا شدن با این فناوری ها کنید. شما می توانید این کار را به راحتی انجام دهید. آمازون اکو و Google Home نقطه دسترسی به هوش مصنوعی برای مصرف کننده، و نمونه خوبی از فناوری های تبدیل صدا به متن و داده هستند.درباره کسب و کار خود دوباره فکر کنید. از خودتان بپرسید که در کدام بخش از صنعت تان می توانید از طریق حل مشکلات جدید و یا خودکار سازی وظایف، مزیت رقابتی را ایجاد کنید. اینها را در شرایط تجاری با اهداف قابل اندازه گیری بیان کنید و سپس از توصیه های متخصصان در مورد نحوه اجرای آنها استفاده کنید.اگر وب سایت شما با سوالات بسیاری سروکار دارد یا تماس های تلفنی زیادی از طرف مشتری دریافت می کند، یک chatbot اضافه کنید و شروع به جستجوی محصولاتی کنید که از تشخیص صدا استفاده می کنند. Chatbots هزینه های پشتیبانی را تا ۳۰ درصد کاهش می دهند.اگر در استفاده از هوش مصنوعی دچار مشکل شدید اصلا ناامید نشوید. این نوک یک کوه یخی است و به این فکر کنید که اگر از این تکنولوژی استفاده نکنید در اینصورت به مرور زمان نمی توانید در مقابل رقبایی که هزینه های خود را از طریق اتوماسیون و بهینه سازی روند با استفاده از تجزیه و تحلیل داده ها، یادگیری ماشینی و مدیریت تصمیم گیری کاهش می دهند، مقاومت کنید. سخن آخربه سوی پیشرفت و به روز کردن کسب و کار خود حرکت کنید. از شکست هایی که در طول مسیر با آنها مواجه می شوید نترسید. در بخشی از کسب و کار خود انقلاب ایجاد کنید. فکر کنید که چگونه می توانید از رقبای خود در یک فرآیند کسب و کار جلو بزنید. فقط مطمئن شوید که تاثیر تصمیمات جدید بر کسب و کارتان مربوط به یک تغییر عمده در کیفیت، خدمات یا هزینه است. شما لازم نیست که از شرکت های فن آوری بزرگ پیشی گیرید، اما باید از رقبای هم تراز خود پیشی بگیرید. با استفاده از هوش مصنوعی می توانید به این هدف دستیابید. استفاده از هوش مصنوعی در کسب و کار برای پیش گرفتن در رقابت
هوش ساز مشاور هوشمندسازی کسب و کار Telegram LinkedIn Mendeley Google Gmail اشتراک گذاری ارزش پولی که ما در همه عمرمان استفاده کردهایم، از طرف یک دولت یا نهادهای بزرگ و مسوول مشابه آن حمایت شده است. در واقع موجودیت ملموس و فیزیکی پولها همیشه به همین شکل بوده است. بیتکوین اما نه قابل لمس است و نه تحت حمایت و پشتیبانی؛ با این حال اما هنوز در انجام معاملات برای بعضی افراد ارزش دارد. این ارز دیجیتالی از سال ۲۰۰۹ در اینترنت رایج شد و در آن زمان ارزش هر بیتکوین کمی کمتر از ارزش پولهای واقعی بود. حالا اما هر بیتکوین ارزشی بیش از ۲۰۰۰ دلار دارد. هر چند بیتکوین در عصر دیجیتال و اینترنت جالب و مفید به نظر میرسد، اما ساختار ناشناخته و مرموز آن بستر مناسبی برای جرائم و حملات اینترنتی فراهم آورده است. بیتکوین چیست؟ در دنیای مدرن امروزی که ارز دیجیتالی و مجازی رایج شده است، شاید بسیاری از ما هنوز اهمیت استفاده از بیتکوین و حتی چگونگی کارکرد آن را به خوبی ندانیم. بیتکوین در حقیقت بهعنوان ارز رمزنگاریشده شناخته میشود؛ یک دارایی دیجیتالی که فقط بهعنوان داده وجود دارد. ساختار نوآورانه بیتکوین باعث شده است این ایده در مدت کوتاهی به یک واقعیت اثرگذار بر دنیای اقتصاد و مراکز سیاست جهانی تبدیل شود. پولی که در بانک دارید و بهصورت یک عدد اعتباری میزان آن را میدانید، میتواند به یک ارز فیزیکی و ملموس تبدیل شود. بیتکوین اما هرگز شکل و صورت فیزیکی نداشته و همیشه به همان شکل داده وجود خواهد داشت. همچنین بیتکوین هیچ مقررات خاص و چارچوب قانونی معمولی ندارد. از طرفی ارزش بیتکوین بهطور کلی و همیشه از سوی بازار تعیین میشود و این بازار ظاهرا این روزها حسابی داغ است. بیتکوین در یک کیف پول دیجیتالی ذخیره میشود و میتوان این کیف پول را روی یک هارددرایو یا موبایل هوشمند نگه داشت. پسانداز کردن بیتکوین شبیه به این است که تمام پولها را بدون نگرانی و دغدغه در محلی امن نگه داریم. اگر اتفاقی برای کیف پول دیجیتالی بیفتد، احتمالا اطلاعات مربوط به پولها در خطر قرار میگیرند. ارسال و دریافت پول با مشخص کردن مشتری یا طرف مقابل با یک آدرس بیتکوینی معین که هر کیف پول دیجیتالی دارد، انجام میشود. چند دقیقه بعد بیتکوینها کیف پول دیجیتالی شما را ترک کرده و در کیف پول دیجیتالی طرف مقابل نمایان میشوند. بیتکوین به کاربران این امکان را میدهد که بدون هیچ واسطهای، انتقال پول غیرقابل بازگشت انجام دهند. بیتکوین امکان پرداختهای بسیار کمهزینه را هم فراهم میکند. شبکه بیتکوین سیستم کنترلی متمرکز ندارد و از طریق هیچ سازمان، موسسه یا نهاد دولتی اداره نمیشود. زمان متوسط تایید هر انتقال بیتکوین، تقریبا ۱۰ دقیقه است. انتقال پول از یک نقطه به نقطه دیگر در تمام شبکه اطلاعرسانی شده و تمام طرفهای معامله از آن آگاه خواهند شد. وبسایتهای بسیار کمی بیتکوین را میپذیرند، اما به هر حال وجود دارند. مبادلات پولی در دنیای واقعی به طرز قابل توجهی آسیبپذیر است، اما به هر حال نباید فراموش کرد که استفاده از بیتکوین در یک فضای مجازی انجام میشود و احتمال حملات و سوءاستفادههای اینترنتی هم همیشه وجود دارد. آیا بیتکوین واقعا ناشناخته است؟ تراکنشهای مالی در قلب بیتکوین هستند و بیتکوین قدرتش را از بلاکچینها (نوعی دفاتر حسابرسی دیجیتال یا دیتابیسی که تراکنشهای مالی انجامشده با ارزهای دیجیتال و رمزنگاریشده مانند بیتکوین، در آنها ثبت و نگهداری میشوند) میگیرد. شما میتوانید اطلاعات بلاچین را برای هر آدرس کیف پول دیجیتالی هم نمایش بدهید. حتما لازم نیست بدانید که آن کیف پول دیجیتالی متعلق به کیست، اما به خوبی میدانید که درون بلاکچینها چه چیزهایی هست، چون بلاکچینها در واقع یک دفتر کل عمومی هستند. شاید درباره «بیتکوین ماینینگ» شنیده باشید؛ این اتفاق زمانی رخ میدهد که از یک کامپیوتر برای خرد کردن اعداد و ارقام برای استفاده در بلاکچین استفاده میکنید. این همان شیوهای است که تراکنشها از طریق آن تایید میشوند و در مقابل شما مقداری بیتکوین بهدست میآورید. این شیوه بسیار راحتی برای بهدست آوردن بیتکوین است، اما مشکل اینجاست که این شیوه نیاز به صرف زمان نسبتا زیادی دارد. بنابراین حالا شما به یک مزرعه سرور نیاز دارید تا از این روش بیتکوینهای بیشتری بهدست بیاورید. مدل و الگوی «اثبات کاری» برای بلاکچینها معمولا مورد توجه سازمانهایی است که نمیخواهند کار خاصی با بیتکوینها انجام بدهند. ساختار دیتابیس یک بلاکچین در برابر دستکاری و سوءاستفاده بسیار مقاوم است و به همین دلیل میتواند به شیوههای مختلف مدیریت شود. کشورهای سنگال و تونس در حال حاضر از ارزهای ملی مبتنی بر بلاکچین استفاده میکنند. بنیاد بیل و ملیندا گیتس هم امیدوار است استفاده از تکنولوژی بلاکچین به مردم فقیری که برای پسانداز و استفاده از پولهایشان به هیچ بانکی دسترسی ندارند، کمک کند. معنای بیتکوین برای اقتصاد چیست؟ ارزش بیتکوین در حال افزایش است، چون افراد بیشتری از آن استفاده میکنند. طرفداران بیتکوین معتقدند که بیتردید آینده مبادلات مالی و اقتصادی در اختیار بیتکوین خواهد بود. مردم عادی به ارزهای رمزنگاری شده علاقهمند میشوند، اما این تکنولوژی هنوز برای استفاده و پذیرش عمومی بسیار پیچیده است. اقتصاد جهانی مثل همیشه روندهای صعودی و نزولی دارد، همانطور که ارزش بیتکوین هم چنین روندهایی را تجربه میکند. اگر در سال ۲۰۱۰ هزار بیتکوین میخریدید، حالا این مقدار ارزشی برابر ۳۵ میلیون دلار داشت. اگرچه در صورتی که هزار بیتکوین را در اوایل سال ۲۰۱۴ میخریدید، حالا تنها یکچهارم این مبلغ ارزش داشت. تصور کنید بر مبنای بیتکوین حقوق میگرفتید و تنها چند روز بعد از آن ارزش حقوقتان به نصف کاهش پیدا میکرد. اقتصادی با چنین نرخ تورمی اصلا با ثبات نیست، اما بیتکوین مزیت بهرهبرداری در کنار پول رایج تحت حمایت دولت را دارد. تقریبا هیچ فردی همه داراییهایش را به بیتکوین تبدیل نمیکند. آیا بیتکوین دوام دارد؟ برنامهنویسان همچنان درباره بهترین شیوههای مدیریت بیتکوین برای آینده بحث میکنند. با این اوصاف بیتکوین به سرعت در حال رشد و رواج یافتن است. این در حالی است که گویا قرار است ارز رمزنگاری شده دیگری هم ایجاد شود تا بازار این نوع ارزهای مجازی شکل رقابتیتری به خودش بگیرد. در حال حاضر تعداد کشورها و وبسایتهای پذیرنده بیتکوین رو به افزایش است. ارزش بیتکوین در سال ۲۰۱۶ از ارزش تمام ارزهای بانکی فراتر رفت. این ارز مجازی از ماه فوریه تاکنون رکورد ارزشگذاری بازار را شکسته و حتی ارزش آن در ماه مارس برای مدتی از طلا هم بالاتر رفت. در کنار تمام رکوردهایی که به نام این واحد پولی ثبت شده است، رکورد دیگری هم در فضای مجازی به آن اختصاص یافته است. بیتکوین حالا در میان پنج جستوجوی برتر موتور جستوجوی گوگل در آمریکا قرار دارد. http://www.hooshsaz.com/2017/05/29/%...6%DB%8C%DA%A9/
تکنیکهای هوش مصنوعی در کسب وکار این دوابزاری نیرومنددرحل مسائلی كه به روش های سنتی گذشته قابل حل نبودند،شناخته شده اند توجه به كاربرد تكنیك های هوش مصنوعی و ابزارهای مدل سازی در حوزه كسب و كار به طور فزاینده ای در حال افزایش است. در این راستا سیستم های خبره جایگاه ویژه ای یافته اند. در چند دهه گذشته دو عنوان شبكه های عصبی و الگوریتم های ژنتیك از موضوعاتی بوده اند كه توجه بسیاری از دانشگاهیان را به خود جلب كرده اند . این دو به عنوان ابزاری نیرومند در حل مسائلی كه دیگر توسط متدلوژی ها و روش های سنتی گذشته قابل حل نبودند، شناخته شده و مورد استفاده قرارگرفته اند. این روزها استفاده از آنها به زندگی اجتماعی ما نیز تسری یافته تا جایی كه كاربرد آنها در تصمیم گیری ها نقش حیاتی یافته است . این مقاله شواهدی را مبتنی برامكان استفاده اخلاقی از شبكه های عصبی و الگوریتم ها ی ژنتیك كه به منجر به تصمیم گیریهای موفقیت آمیز در ارتباط با مسائل مرتبط با كسب و كار می شود ارائه می كند . برای این منظور لازم است كه بررسی تطبیقی ای در رابطه با تلاشهای دیگر محققان در قالب ادبیات موضوع صورت گیرد . به همین دلیل ، در تحقیق ما بر نقش محققان عملیاتی در حوزه كاربرد شبكه های عصبی و الگوریتم های ژنتیك تأكید شده است . همچنین در كنار ایجاد چنین پایگاهی برای محققان ، به سوالات اساسی زیر نیز پاسخ داده شده است : -1آیا كاربردهای سیستم های مبتنی بر هوش مصنوعی می تواند از فرایندهای تصمیم گیری شركت شما پشتیبانی كند ؟ -2آیا اسناد ودلایل و مدارك معتبری برای اثبات این ادعا وجود دارد ؟ -3آیا اینها تنها یك تئوری و ایده دانشگاهی است یا دارای قابلیت كاربرد و تعمیم نیز هست؟ به عبارت دیگر ، با درنظر گرفتن مطالعات مشابه در رابطه با استفاده از سیستم های خبره در كسب و كار، نویسندگان و محققان در آرزوی دستیابی به فرصتی جهت بحث مقایسه ای در باره این سه متدلوژی هوشمند هستند (متاكسیوس و پساراس 2003 ) . یكی از مهم ترین و بحثبرانگیزترین تحقیقات ، بررسی صورت گرفته توسط لایبوتز (2001) است كه نتیجه آن تحت عنوان «سیستمهای خبره و كاربرد آنها» مطرح شد. ساختار این مقاله به صورت زیر است: در ابتدا مروری بر پایه و اساس شبكه های عصبی و الگوریتم های ژنتیك خواهیم داشت و سپس به بازنگری جامعی بر كاربرد شبكه های عصبی و الگوریتم های ژنتیك در حوزه كسب و كار خواهیم پرداخت و نهایتا آن را با نتایج و پیشنهاداتی برای تحقیقات كاربردی آینده به پایان خواهیم رساند . فناوری شبكه عصبی شبكه های عصبی یك تكنیك پردازش اطلاعات مبتنی بر روش سیستم های عصبی بیولوژیكی مانند مغز و پردازش اطلاعات است. مفهوم بنیادی شبكه های عصبی ، ساختار سیستم پردازش اطلاعات است كه از تعداد زیادی واحدهای پردازشی (نورون) مرتبط با شبكه ها تشكیل شده اند. سلول عصبی بیولوژیكی یا نورون، واحد سازنده سیستم عصبی در انسان است. یك نورون ازبخشهای اصلی زیر تشكیل شده است : 1) بدنه سلولی كه هسته در آن است و سایر قسمتهای سلولی از آن منشأ گرفته است. 2) هسته 3) آكسون كه وظیفه آن انتقال اطلاعات از سلول عصبی است. 4) دندریت كه وظیفه آن انتقال اطلاعات از سلول های دیگر به سلول عصبی است یك سیستم شبكه عصبی از تكنیكهای مورد استفاده انسان در یادگیری از طریق استناد به مثالهایی از حل مسائل استفاده میكند (هایكین ،1994 ) . هر نورون ورودیهای متعددی را پذیراست كه با یكدیگر به طریقی جمع می شوند .اگر در یك لحظه تعداد ورودی های فعال نرون به حد كفایت برسد نرون نیز فعال شده و آتش می كند . در غیر اینصورت نورون به صورت غیر فعال و آرام باقی می ماند .فعالیت هر نورون از مجموعه ای از یك یا چند ورودی ، عملیات و وظیفه خروجی برای محاسبه خروجیهایش تشكیل شده است . عملكرد اساسی این مدل مبتنی بر جمع كردن ورودیها و به دنبال آن به وجود آمدن یك خروجی است . ورودیهای نورون از طریق دندریت ها كه به خروجی نورون های دیگر از طریق سیناپس متصل شده اند وارد می شوند . بدنه سلولی كلیه این ورودیها را دریافت می كند و چنانچه جمع این مقادیراز مقداری كه به آن آستانه گفته می شود بیشتر شود در اصطلاح بر انگیخته شده یا آتش می كند و درغیر این صورت خروجی نورون روشن یا خاموش خواهد شد. امروزه شبكه های عصبی در كاربردهای مختلفی از قبیل طبقه بندی داده ها و تشخیص الگو از طریق فرایند یادگیری كه خود شامل مسائلی مانند تشخیص خط و شناسایی گفتار وپردازش تصویر است به كار می روند .به مثابه سیستم های بیولوژیكی ، آموزش شامل تنظیم پیوندهای بین سیناپسها كه درهر نورون وجود دارند است. به عبارت دیگر، اطلاعات آموخته شده به شكل ارزشهای عددی بهنام «وزن» كه به هر واحد پردازش شبكه اختصاص داده میشود ،ذخیره می شوند .به طور كلی ، شبكه های عصبی می توانند بین :روشهای اتصال نورون ها، انواع روشهای ویژه محاسبه عملیات نورون ها، روش انتقال الگوی عملیات از خلال شبكه و روشهای یادگیری آنها كه شامل نرخ یادگیری است، تمایز قائل شوند . با در نظر گرفتن ارتباطات بین نورون ها ، می توان بین شبكه های لایه دار و بدون لایه تمایز قایل شد . شبكه های لایه دار گروهی ازنورون ها هستند كه در لایه هایی مجتمع گردیده اند كه بین لایه ورودی و خروجی – كه تنها پیوند خارجی دارند – یك یا چند لایه پنهان وجود دارد . داده های ورودی از لایه ورودی به وسیله لایه های پنهان (لایه میانی ) به لایه خروجی منتقل میشوند . سیگنالها ی جاری در شبكه های لایه دار به سمت جلو حركت می كنند كه در اصطلاح فنی به آنها پیش خور گفته می شود در حالی كه شبكه های بدون لایه دارای گره های اضافی بازخور هستند كه از تقسیمات درست لایه ها جلوگیری می كنند . ساختار پیوندها و تماسها و تعداد لایهها و نورون ها تعیین كننده معماری شبكه است كه بایستی قبل از استفاده از شبكههای عصبی تنظیم شود .اگرچه در موارد مشخصی می توان با موفقیت از شبكه های عصبی تك لایه استفاده كرد اما رسم بر این است كه شبكه های عصبی حداقل دارای 3 لایه باشند ( لایه ورودی ،لایه پنهان یا لایه میانی و لایه خروجی . قبل از آنكه شبكه آموزش داده شود، اوزان اختصاصی كوچك و به صورت تصادفی ارزش گذاری می شوند . در خلال روند آموزش ، اوزان شبكه به شكل تدریجی تعدیل می شود تا جایی كه محرز شود كه كاملاً روابط فرا گرفته شده است . این شكل از یادگیری ، یادگیری با سرپرست نامیده می شود . وقتی یك الگو در لایه ورودی بهكار گرفته می شود تا آن جا جلو می رود كه ستانده نهایی در لایه خروجی محاسبه شود . ستانده شبكه با نتایج مطلوب مورد انتظار مدل مقایسه و خطاهای موجود محاسبه میشود .این خطاها مجدداً به عنوان بازخورد به شبكه بازمی گردد تا تغییرات لازم در اوزان پیوندها برای كاهش خطا صورت گیرد .مجموعه ای از مثالهای آموزشی داده _ ستانده مكرراً ارائه می شود. تا جایی كه مجموع امتیازات خطا به سطح قابل قبولی كاهش یابد . در این جایگاه م توان آن شبكه را به عنوان شبكه ای آموزش دیده در نظر گرفت . اما در روش دیگری كه یادگیری بدون سرپرست نامیده می شود، شبكه عصبی باید بدون كمك گرفتن از جهان ، بتوانند كار آموزش را انجام دهد . واقعیت آن است كه در عمل ازروش یادگیری باسرپرست و یا حداكثر از روشهای تركیبی استفاده می شود و فرایند آموزش بدون سرپرست به شكل خالص تنها وعدهای است كه شاید بتواند در آینده تحقق یابد . در حال حاضر و در كاربردهای پیشرفته ، از روش آموزش بدون سرپرست برای ایجاد تنظیمات اولیه برروی سیگنال های ورودی شبكه های عصبی استفاده می شود و باقی مراحل آموزش به روش با سرپرست ادامه می یابد . حوزه های كاربردی شبكه های عصبی در موضوعات زیر است: _ همبستگی ناشناخته بین ویژگیهای مطلوب و ارزش متغیرهای مسائل تصمیم گیری (جایی كه راه حل مسائل ناشناخته است. _ مسائلی كه دارای راه حل الگوریتم نیستند. _ جایی كه داده های ناقص وجود دارد. مزیت اصلی شبكه های عصبی ، قابلیت فوق العاده آنها در یادگیری و نیز پایداری شان در مقابل اغتشاشات ناچیز ورودی است ( فاوست ، 1994) .به عنوان مثال اگر از روشهای عادی برای تشخیص دستخط یك انسان استفاده كنیم ممكن است در اثر كمی لرزش دست ، این روشها به تشخیص غلطی برسند در حالی كه یك شبكه عصبی كه به صورت مناسب آموزش داده شده است حتی در صورت چنین اغتشاشی نیز به پاسخ درست خواهد رسید .درنتیجه ، تاكید ما بر این حقیقت است كه انتخاب شبكه درست با محاسبات صحیح، عامل اصلی در تضمین موفقیت عملكرد است . فناوری الگوریتم ژنتیك الگوریتم های ژنتیك روش قدرتمندی را برای توسعه اكتشافی مسائل بهینه سازی تركیبی مقیاس بزرگ فراهم آورده است . انگیزه اصلی مطرح كردن الگوریتم ژنتیك می تواند این گونه عنوان شودكه «تكامل تدریجی» به شكل قابل ملاحظه ای در توسعه انواع وگونه های پیچیده از طریق مكانیزم های نسبتاً ساده تكمیلی نمود یافته است . حال سوال اساسی این است : پذیرش كدام ایده از تئوری تكامل تدریجی می تواند به ما در حل مسائل این قلمرو كمك كند ؟ این سوال با توجه به غنای پدیده تكامل تدریجی جوابهای متفاوتی دارد. هالند و دی جانگ (1975) از نخستین كسانی هستندكه با معرفی مفهوم الگوریتم ژنتیك به عنوان یك تكنیك جستجوی عمومی – كه از تكامل تدریجی بیولوژیك در قالب بقای افراد اصلح و مبادله ساختارمند و تصادفی اطلاعات الگوبرداری می كند- درصدد پاسخگویی به این سوال برآمدند . یك الگوریتم ژنتیك مسئله را به صورت مجموعه ای از رشته ها كه شامل ذرات ریزهستند كد گذاری می كند ، سپس برای تحریك فرایند تكامل تدریجی ،تغییراتی را بر روی رشته ها ا عمال میدارد. در مقایسه با الگوریتم های جستجوی محلی ، در جستجوی عمومی كه تنها یك راه حل قابل قبول وجود دارد ، الگوریتم های ژنتیك جامعه ای از افراد را در نظر میگیرند . كـــار با مجموعه ای از افراد، امكان مطالعه ساختارها و ویژگیهای اصلی افراد متفاوت را كه منجر به شناسایی و كشف راه حلهای كارآمد تر می شود، فراهم میسازد . در طی مطالعه ، الگوریتم ژنتیك رشته های متناسب با ارزش را برمی گزیند و آن دسته از رشتههایی را كه تنــاسب كمتری با جمعیت مورد بررسی دارند حذف میكنند . مروری بر كاربردهای تجاری بعد از مروری بر پیشینه شبكه های عصبی و الگوریتم های ژنتیك و پیشرفتهای آنها ، می توان حوزه های كاربردی آنها را در كسب و كار شناسایی كرد. بنابر این در این قسمت به بررسی انواع مسائل تجاری كه به شكلی مناسب بهوسیله شبكه های عصبی و الگوریتم های ژنتیك قابل حل خواهند بود ، می پردازیم . اما قبل از آن توضیحی مختصر در ارتباط با موضوعات مرتبط با این حوزه خواهیم داد . بازاریابی «انجمن بازاریابی آمریكا» از دیدگاه مدیریتی، بازاریابی را بدین گونه تعریف می كند : بازاریابی یك فرایند اجتماعی و مدیریتی است كه بهوسیله آن، افراد و گروهها ، نیازها و خواسته ها ی خود را از طریق تولید ، عرضه و مبادله كالاهای مفید و با ارزش با دیگران ، تأمین می كنند . به طور كلی ، بازاریابی دانشی ناشناخته است كه با ویژگیهایی از قبیل عدم اطمینان بالا ، ساختار گمشده علّـی ودانشی ناكامل و گسترده قابل شناسایی است .بسیاری از وظایف تصمیم گیری و حل مسـئله به صورت بدون ساختار یا نیمه ساختار یافته انجام می شود . به همین دلایل توسعه كاربرد شبكه های عصبی و الگوریتم های ژنتیك در بازاریابی نسبت به سایر حوزه های علم دشوارتر است . در سال 1991 ، كاری و ماتین هو به بحث در رابطه با نقش هوش مصنوعی در بازاریابی پرداختند و جایگاه یابی رقابتی را بهوسیله متدلوژی هدف گرا مورد تجزیه و تحلیل قرار دادند . الیس و همكارانش در سال 1991 گزارشی از پیشرفتهای كاربرد مدل های شبكه عصبی در مواجهه با استراتژی قیمت گذاری كششی ارائه كردند در حالیكه پراكتر در سال 1992 چگونگی كاربرد تكنولوژی شبكه های عصبی در یادگیری مدل های داده بازاریابی و نقش آنها را در ساختن سیستم های پشتیبانی از تصمیمات بازاریابی به نمایش گذاشت . در سال 1993 كاری و ماتین هو از تكنولوژی شبكه های عصبی در مدل سازی واكنش مصرف كننده به محرك تبلیغات استفاده كردند . رای و همكارانش در سال 1994 شبكه های عصبی را در كمّی سازی فاكتورهای موثر در كیفیت روابط خریدارو فروشنده مورد استفاده قرار دادند . برای این منظور شبكه ای با دو عنصر خروجی كیفیت روابط (رضایت از روابط و اعتماد ) و پنج ورودی ( گرایش فروش فروشنده ، مشتری گرایی ، تخصص، اخلاقیات ، و دوام روابط ) شكل گرفت . در مقایسه با رگرسیون های چند متغیره، تكنیك شبكه های عصبی به نتایج آماری قابل قبول تری دست یافت . از سوی دیگر ، هارلی و همكاران (1994) استفاده از الگوریتم های ژنتیك را در حل مسائل بهینه سازی بازاریابی مورد آزمایش قرار دادند . بر اساس مطالعه آنها ، كاربردهای بالقوه الگوریتم های ژنتیك در بازاریابی می تواند شامل موارد زیر باشد : 1- رفتار مصرف كننده _ یادگیری مدل های انتخاب مصرف كننده _ پردازش اطلاعات مصرف كننده _ تاثیر گروههای مرجع 2- بخش بندی،انتخاب بازار هدف، جایگاه یابی _ بهینه سازی ساختارهای محصول – بازار _ تجزیه و تحلیل فاكتورهای كلیدی خرید _ جایگاه یابی محصول 3-مدیریت عناصر آمیخته بازاریابی _ بهینه سازی چرخه حیات محصول _ طراحی محصول _ استراتژی تبلیغات و برنامه ریزی رسانهای _ مدیریت فروش گرین و اسمیت (1987) یك سیستم ژنتیك را برای یادگیری مدل های انتخاب مصرف كننده مطرح ساختند و تنگ و هولاك (1992 ) چارچوبی مفهومی را در پیوند مفاهیم بازاریابی با مكانیزم تكامل تدریجی داروین ارائه كردند . در سال 1992 بالاك ریشمن و جاكوب یك الگوریتم ژنتیك مبتنی بر سیستم پشتیبانی از تصمیم گیری برای طراحی محصول ارائه كردند . از سوی دیگرو در حركتی نوین وناگوپال و بیتز (1994) ازاشتراك شبكه های عصبی و تكنیكهای آماری در تحقیقات بازاریابی استفاده كردند. درنهایت ، می توان گزارشی از پیشرفتهای موجود در این زمینه رابه شكل زیر ارائه كرد : _ STRATEX _ یك سیستم دانشی با هدف پشتیبانی از انتخاب بخشهای بازار (بورچ و هارتویگسن ، 1991)) _ ADDUCE _ سیستمی در توجیه واكنش مصرف كننده به تبلیغات (بارك ، 1991)) _ COMSTRAT _ سیستمی برای تصمیمات استراتژیك بازاریابی با تاكید ویژه بر جایگـاه یابی رقابتی ( ماتین هو و همكاران 1993( _ MARSTRA _ سیستم هوش شبكه ای برای توسعه استراتژی های بازاریابی و ارزیابی فاكتورهای بازاریابی استراتژیك _ GLOSTRA _ سیستم هوش شبكه ای برای توسعه و بهبود استراتژی های بازاریابی جهانی و بازاریابی اینترنتی ( لی و دیویس، 2001 ( بانكداری و حوزه های مالی از كاربردهای مهم و مطرح شبكه های عصبی و الگوریتم های ژنتیك در بانكداری و حوزه مسائل مالی می توان به این موارد اشاره كرد : كاربردهای اعتباری ، تجزیه و تحلیل های مالی ، سرمایه گذاری مالی ، و تجزیه و تحلیل بازار مبادله سهام . محققان بسیاری به بررسی كاربردهای شبكه های عصبی و الگوریتم های ژنتیك در بانكداری و مالی پرداخته اند . ازآن جمله ، در سال 1993 ، تفتی و نیكبخت به بحث در ارتباط با استفاده از شبكه های عصبی توسط سازمانها وشركتهای مالی در جهت اهداف متفاوت امتیازبندی اعتباری پرداختند .تان و دی هاردجو (2001) از طریق افزایش زمان و دوره پیش بینی مدل به توسعه یك تحقیق ابتدایی در استفاده از شبكه های عصبی برای پیش بینی استرس های مالی در اتحادیه های اعتباری استرالیا پرداختند . دستاورد حاصل شده در مقایسه با نتایج به دست آمده از متوسط انحراف از میانگین، نتایج قابل قبولی بود . همچنین دیویس و همكاران نیز در 1996 به بررسی نگرشهای سیستمهای خودپرداز براساس تجزیه و تحلیل شبكههای عصبی پرداختند .ازسوی دیگر، شناسایی كاربردهای متنوع الگوریتم های ژنتیك از سوی افراد مختلف به صورت زیر ارائه شده است : انتخاب استراتژی های بازار انحصاری چند جانبه ( ماركز ، 1989 ) ، توسعه استراتژیهای سرمایه گذاری مالی(باور،1994 ) ،جستجو برای یافتن قوانین تكنیكی برای اعمال آنها در بازارسرمایه ( كارجالایننن، 1994 ) ، تجزیه و تحلیل ریسك در بانكداری ( وارتو ،1998 ) . علاوه بر این، در سال 1999 كارجالایننن و آلن از الگوریتمهای ژنتیك در پیدا كردن قوانین تكنیكی تجاری استفاده كردند. در همین زمان نیز آندرا و همكارانش (1999) از الگوریتم های ژنتیك در تجــزیه و تحلیل فنی در بازار سهام مادرید استفاده كردند .از دیگر سیستمهای مالی مبتنی بر شبكههای عصبی و الگوریتم های ژنتیك می توان به موارد زیر اشاره كرد : _ KABAL _ سیستم دانشی برای تجزیه و تحلیل مالی در بانكداری (هارت ویگسن ، 1990 ( _ CREDEX _ سیستمی برای ارزیابی اعتبارات ( پینسون ، 1990 ) _ FINEVA _ سیستم دانشی چند معیاری پشتیبانی از تصمیم گیری برای ارزیابی عملكرد و قابلیت حیات شركت ( زوپونی دیس ، 1996 ) پیش بینی پیش بینی یكی از قدیمی ترین فعالیتها و وظایف مدیریت وتجارت بوده است . درروزگاران قدیم نمونه هایی از پیشگوییها و پیش بینی ها وجود دارد . به طور كلی ، مدیری را می توان موفق دانست كه از قوه تجسم بالایی در تصمیم گیری و قضاوت برخوردار باشد . تجربه ، به انسان در پیش بینی آینده وانتخاب تصمیم درست و دادن رأی صحیح كمك می كند.روش های هوش مصنوعی توانایی بالایی را درپیش بینی و ارائه عملكرد بهتر در مواجهه بامسائل غیرخطی و سایر مشكلات مدل سازی سری های زمانی نشان داده اند .رحمان و بهتنگار (1998 ) یك سیستم خبره را برای پیش بینی كوتاه مدت طراحی كردند، این درحالی است كه چیو (1997) یك شبكه عصبی را در تركیب با سیستم خبره قانونمند برای همین منظور در تایوان مورد استفاده قرار داد . همچنین تحقیقات كانلن و جیمز (1998) نشان دادكه می توان بین خصیصه های داراییهای اقتصادی و ارزش داراییهای تجاری در یك بازار خاص پیوند برقرار كرد و به مدل ارزش گذاری ای رسید كه به پیش بینی كوتاه مدت نوسانات ارزش گذاری دراستفاده از شبكههای عصبی میپردازد. درنهایت بررسیهای انجام شده نشان میدهد كه در این حوزه بیشتر بر كاربرد شبكه های عصبی كار شده است تا الگوریتم های ژنتیك. سایر حوزه های تجاری تا اینجا درباره كاربردهای مختلف شبكه های عصبی و الگوریتم های ژنتیك در بخشهای كلیدی تجارت صحبت كردیم : بازاریابی ، بانكداری و مالی ، پیش بینی . قطعاً حوزه های دیگری از تجارت و كسب و كارنیز وجود دارد كه در اندازه های متفاوت می توانند از مزایای استفاده از شبكه های عصبی و الگوریتم های ژنتیك منتفع شوند . به عنوان مثال می توان به كاربرد شبكه های عصبی در صنعت هتلداری ( لاو ، 1998) ، ارزیابی داراییها (لنك و همكاران 1997 ) و پیش بینی تورم (آیكن ، 1999) اشاره كرد. علاوه بر این ، كاملاً مشهود است كه بخشهایی ( مانند تولید ، صنایع سنگین ، انرژی ، ساخت و ساز ) وجود دارند كه از نظر ما دور مانده اند . مزایای استفاده از این فناوریهای هوش مصنوعی با بررسی اجماعی نظریات و تحقیقات موجود می توان مزایای استفاده از فناوریهای هوش مصنوعی و الگوریتم های ژنتیك را در قالب گزاره های زیر خلاصه كرد : _ ارائه خدمات بهتر به مشتری _ تقلیل زمان انجام وتكمیل وظایف _ افزایش تولید _ استفاده اثربخش تر از منابع _ سازگاری و ثبات بیشتر در تصمیم گیری نتایج در این مقاله سعی كردیم با معرفی كاربردهای شبكه های عصبی و الگوریتم های ژنتیك در حوزه تجارت و بازرگانی بهویژه در محدودة بازاریابی، مالی و بانكداری و پیش بینی ، بعدی جدید از حوزه تجارت وكسب و كار را نمایان كنیم. نتیجه نهایی این مباحث به تنوع حوزه های كاربردی كه بر مزایا و منافع شبكه های عصبی و الگوریتم های ژنتیك اشاره دارد منتهی می شود . این دو تكنولوژی امروزه بیش از بیش به عنوان ابزار تصمیم گیری سازمانها مورد استفاده قرار می گیرند كه البته نتایج حاصل از كاربرد آنها ( همچون تصمیمات صحیح ، صرفه جوییهای زمانی ، انعطاف پذیری ،كیفیت بهبود یافته ، آموزش موثر) بر محبوبیت آنها افزوده است . اعتقاد ما بر این است كه در صورت ادغام مناسب این دو فناوری با سایر فناوریهای هوشمند (مانند سیستم های خبره ، عوامل هوشمند ، منطق فازی) و تكنیكهای تحقیق درعملیات بهویژه شبیه سازی می توان روز به روز بر موارد استفاده آنها در حوزه های مختلف افزود و از مزایای آنها بهره مند شد. بر اساس تحقیق كتابخانه ای انجام شده موارد زیر برای تحقیقات آینده پیشنهاد می شود: -بررسی مزایای استفاده از الگوریتم های ژنتیك در بهینه سازی مسائل بازاریابی _مقایسه كاربرد شبكه های عصبی و الگوریتم های ژنتیك و سیستم های خبره برای شناسایی مزایا و ضررهای هر كدام از این فناوریها. منابع -1 جكسون . تی و بیل . آر . آشنایی با شبكههای عصبی ، ترجمه دكتر محمود البرزی – تهران : موسسة انتشارات علمی دانشگاه صنعتی شریف ، چاپ دوم ، 1383 2-كاتلر ، فیلیپ . مدیریت بازاریابی ، ترجمه بهمن فروزنده – تهران : آتروپات ،1382 3- قمی ، علیرضا ” شبكه های عصبی مصنوعی “، نشریه دنیای كامپیوتر و ارتباطات – شماره 12 ، صفحات 66 تا 69 4- سعیدی ، مسعود ” شبكه های عصبی (2) ” ، نشریه شبكه _ شماره 52 ، اسفند 1383 ، صفحه 210 تا 211 5 -ممانی ، حامد ، نرگس پور اصغری حقی و ساعد علی ضمیر ، ” شبكه های عصبی و كاربرد آن در بهینه سازی ” ، نشریه صنایع _ شماره 30 6- نورزاد ، غلامرضا ” بیولوژی سلولی مولکولی ” ،انتشارات نوردانش ، تهران ، 1376 ، چاپ اول 7- Metaxiotis , Kostas & John Psarras (2004) “The Contribution of Neural networks and genetic algoritms to business decision support “Management decision , vol 42 ,no .2, Emerald group publishing limited , pp. 229.242 8- Curry , B & L. Moutinho (1993) “Neural Network in marketing : Modelling consumer Responses to Advertising Stimuli “European Journal of marketing , vol 27 , no . 7 , MCB university press , pp 5. 20 9- Wray , B , A. palmer & D. Bejou (1994) ” Using Neural Network Analysis to evaluate Buyer – Seller Relationships ” European Journal of Marketing , vol 28 , no. 10 , MCB university press , pp 32.48 10- Venugopal .V & W. Beats ( 1994 ) ” Neural networks and Statistical Techniques in marketing research ” Marketing intelligence & planning , vol 12 , no. 7 , MCB university press , pp 30 . 38 11- Davies , F , L . Moutinho & B . Curry (1996 ) ” ATM user attitudes : a neural network analysis ” , marketing intelligence & planning , vol 14 , no . 2 , MCB university press , pp 26 . 32 عنوان : تکنیکهای هوش مصنوعی و ابزارهای مدلسازی درحوزه کسب وکار دكتر حمیدرضا جعفریه، نگار معتمدی، الهه ملایی منبع : مديريت بازاريابي دفتر مشاوره و پژوهش بصیر
چگونه هوش مصنوعی بانکها را متاثر خواهد کرد؟به گزارش بانک برتر مجتبی مظفری فرد؛بدون شک امروزه رایانهها و ماشینهای الکترونیکی بخش جدایی ناپذیر فعالیتهای روزمره انسانها و خدمات را تشکیل دادهاند به طوری که دنیای بدون رایانهها تقریبا غیرقابل تصور است. در این بین رشد نمایی سرعت پردازش رایانهها و حرکت صنعت فناوری اطلاعات به سمت تعریف خدمات مبتنی بر یادگیری ماشینی (Machine Learning) موج جدیدی از تحولات را ایجاد کرده که به شکلی ساختارشکن نه تنها نحوهی ارائه خدمات را متحول کرده، بلکه خدمات و محصولاتی را پدید خواهد آورد که پیش از این اصلا وجود نداشتهاند. هوش مصنوعی به شکل: “هر عاملی است که نسبت به محیط اطراف خود آگاهی داشته و حداکثر تلاش خود را برای انجام موفق عملیات محوله به کار می بندد” تعریف خواهد شد. کاربردهای بیشماری را می توان برای عاملی که دارای مشخصات “آگاهی از محیط” و “خود بهبود دهندگی” باشد متصور بود. با این حال به نظر می رسد برخی از این کاربردها در شکل دادن آینده خدمات بانکداری نقش پر رنگتری خواهند داشت. ۱- مشاوره هوشمند(Robo-Advisor): به لطف دسترسی باز به اطلاعات و حجم بالای دادههای وب،روباتهای هوشمند قابلیت شناسایی فرصتهای ویژه را پیدا کردهاند. اکنون روباتهای هوشمند به دنبال بهترین فرصتهای سپرده پذیری گشته و آنها را به کاربران خود ارائه خواهند کرد. این روباتها خواهند بود که مدیریت حسابهای مشتریان را در دست خواهند گرفت و بهترین سبد حسابهای بانکی را با توجه به رفتارهای مالی مشتریان طراحی و پیشنهاد خواهند کرد. رباتهای هوشمند خواهند توانست بوسیله الگوریتمهای یادگیری حرکت سرمایه در بازارهای مختلف را شناسایی و بهترین فرصتهای سرمایه گذاری را پیشنهاد دهند. ۲- شناسایی مشتریان بالقوه: استفاده از الگوریتمهای تشخیصی در هوش مصنوعی در کنار استفاده از دادههای دریافتی از مشتریان شامل؛ اطلاعات جست و جوهای اینترنتی، محتوای تولیدی در شبکه، مکانهایی که مشتری از آن بازدید می کند، همه و همه دادههایی است که به بانکها کمک خواهد کرد تا رفتارهای مشتریان و نیازهای آنها را پیش بینی کنند. از این رو بانکها می توانند زمان مناسب برای پیشنهاد اعطای تسهیلات به مشتریان را شناسایی کرده و یا مشتریان نیازمند به خدمات بانکی را مشخص کنند. ۳-اعتبارسنجی مشتریان: استفاده از الگوریتمهای هوشمند برای برآورد اعتبار مشتریان مبتنی بر رفتارهای مالی و عمومی آنها یکی از کاربردهای تازه هوش مصنوعی در زمینه بانکداری است. امروزه بانکها با استفاده از الگوریتمهای یادگیری برخط (online learning) میزان ریسک اعتباری مشتریان مختلف را حتی قبل از افتتاح حساب در بانک برآورد می کنند. با استفاده از این روش میزان صحت و دقت اعتبارسنجی مشتریان به شدت بالا خواهد رفت. ۴- دستیاران هوشمند: ظهور دستیاران هوشمندی چون cortana,Siri,Google assistant دنیای جدیدی را پیش روی بازیگران فناوری اطلاعات باز کرده است. این دستیاران هوشمند میتوانند به عنوان حد واسط بین بانک و مشتریان به عنوان کانالی برای ارائه خدمات بانکی رفتار کنند. این فرصت در کنار الزامات ایجاد شده برای بانکداری باز و دسترسی به اطلاعات مشتریان باعث شده تا غولهای تکنولوژی همچون اپل و گوگل برای ایفای نقشهای جدید خود در زمینه پرداخت الکترونیک و بانکداری به تکاپو بیافتند. ۵-دادهکاوی و برآوردهای اقتصادی: بدون شک تحلیلهای اقتصادی به هنگام برای تعیین میزان اعتبارات اعطایی و امور بانکداری در بانکهای خصوصی اهمیت بسیار زیادی دارد. استفاده از هوش مصنوعی به عنوان بخشی از سیستم هوش تجاری در بانکها در برآورد اهداف تجاری بانکها نقشی اساسی و تاثیر گذار خواهد داشت. شناسایی فرصتهای سرمایهگذاری و بازارهای ممکن به همراه تعیین نرخهای مناسب برای خدمات از کاربردهای هوش مصنوعی در این بخش است. ۶-قیمت گذاری خدمات و اعتبارات: موفقیت در بازار وامها و تسهیلات متکی بر ارائه نرخهای بهتر در ارائه خدمات و شناسایی فرصتهای بهتر ارائه تسهیلات می باشد. این موضوع در کنار برآورد صحیح و پایای اعتبار مشتریان کمک خواهد کرد تا بانکها در بازار رقابت برای اعطای تسهیلات مزیت رقابتی خود را با در نظر داشتن ریسک مشتریان بهبود دهند. ۷-خدمات پشتیبانی: رباتهای پاسخگو یکی از روندهایی است که در ایجاد تجربه جدید کاربری در مشتریان تاثیر به سزایی خواهد داشت. میزان دقت و کیفیت ارائه خدمات در این دسته از عوامل اجرایی نسبت به کاربران انسانی به شدت بالاتر است. حال آنکه کاربردهای رباتهای پشتیبان در حال توسعه از ارائه پیشنهاد به سوی دستیاران پشتیبان با توانایی رفع مشکل یا ارائه خدمات بانکی تغییر کرده است. در آینده نه چندان دور ربات پشتیبان بانک خدمات پیشخوان بانک را ارائه خواهد داد. ۸-شناسایی حس مشتری و ایجاد تجربه منحصر به فرد: ارائه خدمات اختصاصی یکی از دستاوردهای ویژهای است که بهرهگیری از هوش مصنوعی آن را ممکن خواهد ساخت. بدون تردید هر فرد با علایق، خواسته ها و حالات روحی خاصی در مقاطع زمانی گوناگون روبروست. این مشخصات در کنار عادات رفتاری مشتری به الگوریتمهای یادگیرنده هوش مصنوعی اجازه خواهد داد تا به تناسب وضعیت مشتری محصولات و خدمات منحصر به فرد مشتری را پیشنهاد و ارائه دهد. این اختصاصی سازی در تمامی سطوح از نوع و رابط کاربری خدمات تا زمان ارائه خدمت گسترده خواهد بود. ۹-احراز هویت مشتریان: روند رو به رشد بهرهگیری از روشهای بیومتریک و رفتاری برای شناسایی مشتریان باعث شده تا بانکها نیز به سمت بهره گیری از این فناوری حرکت کنند. این روشها به بانکها کمک خواهد کرد تا روند احراز هویت مشتریان را از طرق جدید به انجام رسانده و سطح دقت و کیفیت روشهای شناسایی را تا حد زیادی بهبود دهند. این روشها نه تنها به مشخصات مشتری بلکه به رفتارهای ایشان متکی بوده و احتمال سو استفاده از هویت مشتریان را به حداقل خواهند رساند. ۱۰-کشف تقلب و جلوگیری از پولشویی: روشهای کشف تقلب مبتنی بر هوش مصنوعی با استفاده از الگوریتمهای شناسایی رفتار مشتریان و الگوهای رفتاری کمک خواهد کرد تا شناسایی رفتارهای مشکوک مشتریان به سادگی صورت گیرد. هوش مصنوعی با استفاده از ابزارهای اطلاعاتی و بانکهای اطلاعاتی در دسترس امکان جست و جو و پیگری منابع مالی و گردش مالی را در اختبار بانکها و نظام مالی قرار خواهد داد تا از فرآیندهای غیر قانونی چون پولشویی جلوگیری نمایند. صنعت بانکداری همواره از صنایع پیشرو در بهرهبرداری از فناوریهای نو بوده و در این بین استفاده از هوش مصنوعی یکی از بدیهیات و فرضیات اصلی در آینده بانکداری خواهد بود. بانکداری باز به عنوان تسهیلگر این روند الزاماتی را برای بانکها فراهم نموده که سرعت بهرهبرداری از هوش مصنوعی در صنعت بانکداری را به شدت بالا خواهد برد. آنچه قطعی است حضور هوش مصنوعی در بانکداری قطعی و حتمی است و بانکها میبایست خود را برای بهرهبرداری از این فرصت آماده کنند. این تغییرات تدریجی خواهد بود ولی قطعا انتهای این مسیر به بانکداری کاملا هوشمند مبتنی بر ماشینها ختم خواهد شد. چگونه هوش مصنوعی بانکها را متاثر خواهد کرد؟ - پایگاه خبری تحلیلی بانک برتر
کاربرد هوش مصنوعی در بازارهای مالیدر حال حاضر هوش مصنوعی در بازارهای مالی نقش مهمی ایفا میکند. بسیاری از فعالین بازارهای مالی شفاف و کارا در سطح جهان نظیر بازارهای بزرگ بورس دنیا، از متخصصین علوم کامپیوتر و ریاضی هستند که با ایجاد برنامههای کامپیوتری، فضایی را در این بازارهای مالی ایجاد کردهاند که رقابت اصلی میان تحلیل و دانش ریاضیدانان و دانشمندان علوم کامپیوتر باشد. بدین صورت که برنامههای کامپیوتری که این تحلیلگران الگوریتمهای آنها را پیادهسازی کردهاند، به صورت اتوماتیک به خرید و فروش سهام، کالا یا ابزارهای مشتقه مالی پرداخته و شهود و احساس معاملهگران در آن دخالتی ندارد. در واقع تمامی رقابت نیز میان الگوریتمها و بهبود آنهاست. علوم تخصصی حوزهی کامپیوتر، نظیر دادهکاوی، پردازش زبانهای طبیعی، یادگیری ماشین و مشتقات آن نظیر الگوشناسی آماری، شبکههای عصبی همگی میتوانند در حوزهی پیشبینی روند آتی بازارهای مالی نقش تعیین کنندهای ایفا کنند. الگوشناسی آماری یا بازشناخت الگو نیز حوزهای از هوش مصنوعی و یادگیری ماشین است که به دنبال طبقهبندی الگوهاست، برای مثال اگر ورودیهای یک برنامهی الگوشناسی آماری، تصاویر انسان و درخت باشند، چنین برنامهای میتواند با مشاهدهی تعدادی دادهی یادگیری، در ادامه تصاویر مختلفی که به عنوان ورودی به آن داده میشود را تحت عنوان انسان یا درخت تشخیص داده و برچسب گذاری کند. در مثال دیگر اینکه چنین برنامههایی میتوانند با مشاهدهی تعداد زیادی از ایمیلهای هرزنامه و غیر هرزنامه به ایمیلهایی که به عنوان ورودی به برنامه داده میشود، برچسب هرزنامه یا عادی را بزنند. طبقهبندی، خوشهبندی، رگرسیون و دیگر الگوریتمهای حوزهی الگوشناسی آماری همگی در راستای ایجاد هوشمندی بدون دخالت انسان ایجاد شدهاند. چنین الگوریتمهایی در بازارهای مالی نیز میتوانند به ایفای نقش پرداخته و الگوهای بالارونده را از الگوهای پایین رونده تشخیص داده و برچسب گذاری کرده و یا به محاسبات احتمالی برای آنها بپردازند. سایت تحلیلی آموزشی طلانگر که فعالیت آزمایشی خود را در زمینه معاملات بازار آتی سکه بهار آزادی به تازگی آغاز کرده است نیز در راستای چنین فعالیتهایی بوجود آمده است. به گفتهی سرپرست این گروه، این سایت که حاصل تلاش فارغ التحصیلان و نخبگان دانشگاه صنعتی شریف است در پی پیوند فناوری هوش مصنوعی و به طور خاص الگوشناسی آماری و بازارهای مالی در ایران است. گردانندگان این سایت قصد دارند تا در جهت ایجاد هوشمندی در بازارهای مالی بکوشند. آنها میخواهند تا فضایی را فراهم کنند که متخصصین کامپیوتر، هوش مصنوعی و ریاضی به بازارهای مالی ایران ورود کرده و بازارهای مالی ایران نیز چون بازارهای کارای موجود در سطح جهان، فضای رقابت میان متخصصین شود و سوداگران و دارندگان رانتهای اطلاعاتی نقش تعیین کنندهای نداشته باشند. کاربرد هوش مصنوعی در بازارهای مالی - جديدترين اخبار ايران و جهان ممتاز نیوز
بازار یابی و هوش مصنوعی بازاريابي «انجمن بازاريابي آمريكا» از ديدگاه مديريتي، بازاريابي را بدين گونه تعريف مي كند : بازاريابي يك فرايند اجتماعي و مديريتي است كه بهوسيله آن، افراد و گروهها ، نيازها و خواسته ها ي خود را از طريق توليد ، عرضه و مبادله كالاهاي مفيد و با ارزش با ديگران ، تأمين مي كنند . به طور كلي ، بازاريابي دانشي ناشناخته است كه با ويژگيهايي از قبيل عدم اطمينان بالا ، ساختار گمشده علّـي ودانشي ناكامل و گسترده قابل شناسايي است .بسياري از وظايف تصميم گيري و حل مسـئله به صورت بدون ساختار يا نيمه ساختار يافته انجام مي شود . به همين دلايل توسعه كاربرد شبكه هاي عصبي و الگوريتم هاي ژنتيك در بازاريابي نسبت به ساير حوزه هاي علم دشوارتر است . در سال 1991 ، كاري و ماتين هو به بحث در رابطه با نقش هوش مصنوعي در بازاريابي پرداختند و جايگاه يابي رقابتي را بهوسيله متدلوژي هدف گرا مورد تجزيه و تحليل قرار دادند . اليس و همكارانش در سال 1991 گزارشي از پيشرفتهاي كاربرد مدل هاي شبكه عصبي در مواجهه با استراتژي قيمت گذاري كششي ارائه كردند در حاليكه پراكتر در سال 1992 چگونگي كاربرد تكنولوژي شبكه هاي عصبي در يادگيري مدل هاي داده بازاريابي و نقش آنها را در ساختن سيستم هاي پشتيباني از تصميمات بازاريابي به نمايش گذاشت . در سال 1993 كاري و ماتين هو از تكنولوژي شبكه هاي عصبي در مدل سازي واكنش مصرف كننده به محرك تبليغات استفاده كردند . راي و همكارانش در سال 1994 شبكه هاي عصبي را در كمّي سازي فاكتورهاي موثر در كيفيت روابط خريدارو فروشنده مورد استفاده قرار دادند . براي اين منظور شبكه اي با دو عنصر خروجي كيفيت روابط (رضايت از روابط و اعتماد ) و پنج ورودي ( گرايش فروش فروشنده ، مشتري گرايي ، تخصص، اخلاقيات ، و دوام روابط ) شكل گرفت . در مقايسه با رگرسيون هاي چند متغيره، تكنيك شبكه هاي عصبي به نتايج آماري قابل قبول تري دست يافت . از سوي ديگر ، هارلي و همكاران (1994) استفاده از الگوريتم هاي ژنتيك را در حل مسائل بهينه سازي بازاريابي مورد آزمايش قرار دادند . بر اساس مطالعه آنها ، كاربردهاي بالقوه الگوريتم هاي ژنتيك در بازاريابي مي تواند شامل موارد زير باشد : 1) رفتار مصرف كننده _ يادگيري مدل هاي انتخاب مصرف كننده _ پردازش اطلاعات مصرف كننده _ تاثير گروههاي مرجع 2) بخش بندي،انتخاب بازار هدف، جايگاه يابي _ بهينه سازي ساختارهاي محصول – بازار _ تجزيه و تحليل فاكتورهاي كليدي خريد _ جايگاه يابي محصول 3) مديريت عناصر آميخته بازاريابي _ بهينه سازي چرخه حيات محصول _ طراحي محصول _ استراتژي تبليغات و برنامه ريزي رسانهاي _ مديريت فروش گرين و اسميت (1987) يك سيستم ژنتيك را براي يادگيري مدل هاي انتخاب مصرف كننده مطرح ساختند و تنگ و هولاك (1992 ) چارچوبي مفهومي را در پيوند مفاهيم بازاريابي با مكانيزم تكامل تدريجي داروين ارائه كردند . در سال 1992 بالاك ريشمن و جاكوب يك الگوريتم ژنتيك مبتني بر سيستم پشتيباني از تصميم گيري براي طراحي محصول ارائه كردند . از سوي ديگرو در حركتي نوين وناگوپال و بيتز (1994) ازاشتراك شبكه هاي عصبي و تكنيكهاي آماري در تحقيقات بازاريابي استفاده كردند. درنهايت ، مي توان گزارشي از پيشرفتهاي موجود در اين زمينه رابه شكل زير ارائه كرد : _ STRATEX _ يك سيستم دانشي با هدف پشتيباني از انتخاب بخشهاي بازار (بورچ و هارتويگسن ، 1991) _ ADDUCE _ سيستمي در توجيه واكنش مصرف كننده به تبليغات (بارك ، 1991) _ COMSTRAT _ سيستمي براي تصميمات استراتژيك بازاريابي با تاكيد ويژه بر جايگـاه يابي رقابتي ( ماتين هو و همكاران 1993) _ MARSTRA _ سيستم هوش شبكه اي براي توسعه استراتژي هاي بازاريابي و ارزيابي فاكتورهاي بازاريابي استراتژيك (لي، 2000) _ GLOSTRA _ سيستم هوش شبكه اي براي توسعه و بهبود استراتژي هاي بازاريابي جهاني و بازاريابي اينترنتي ( لي و ديويس، 2001 ) بانكداري و حوزه هاي مالي از كاربردهاي مهم و مطرح شبكه هاي عصبي و الگوريتم هاي ژنتيك در بانكداري و حوزه مسائل مالي مي توان به اين موارد اشاره كرد : كاربردهاي اعتباري ، تجزيه و تحليل هاي مالي ، سرمايه گذاري مالي ، و تجزيه و تحليل بازار مبادله سهام . محققان بسياري به بررسي كاربردهاي شبكه هاي عصبي و الگوريتم هاي ژنتيك در بانكداري و مالي پرداخته اند . ازآن جمله ، در سال 1993 ، تفتي و نيكبخت به بحث در ارتباط با استفاده از شبكه هاي عصبي توسط سازمانها وشركتهاي مالي در جهت اهداف متفاوت امتيازبندي اعتباري پرداختند .تان و دي هاردجو (2001) از طريق افزايش زمان و دوره پيش بيني مدل به توسعه يك تحقيق ابتدايي در استفاده از شبكه هاي عصبي براي پيش بيني استرس هاي مالي در اتحاديه هاي اعتباري استراليا پرداختند . دستاورد حاصل شده در مقايسه با نتايج به دست آمده از متوسط انحراف از ميانگين، نتايج قابل قبولي بود . همچنين ديويس و همكاران نيز در 1996 به بررسي نگرشهاي سيستمهاي خودپرداز براساس تجزيه و تحليل شبكههاي عصبي پرداختند . ازسوي ديگر، شناسايي كاربردهاي متنوع الگوريتم هاي ژنتيك از سوي افراد مختلف به صورت زير ارائه شده است : انتخاب استراتژي هاي بازار انحصاري چند جانبه ( ماركز ، 1989 ) ، توسعه استراتژيهاي سرمايه گذاري مالي (باور، 1994 ) ،جستجو براي يافتن قوانين تكنيكي براي اعمال آنها در بازارسرمايه ( كارجالايننن، 1994 ) ، تجزيه و تحليل ريسك در بانكداري ( وارتو ،1998 ) . علاوه بر اين، در سال 1999 كارجالايننن و آلن از الگوريتمهاي ژنتيك در پيدا كردن قوانين تكنيكي تجاري استفاده كردند. در همين زمان نيز آندرا و همكارانش (1999) از الگوريتم هاي ژنتيك در تجــزيه و تحليل فني در بازار سهام مادريد استفاده كردند . از ديگر سيستمهاي مالي مبتني بر شبكههاي عصبي و الگوريتم هاي ژنتيك مي توان به موارد زير اشاره كرد : _ KABAL _ سيستم دانشي براي تجزيه و تحليل مالي در بانكداري (هارت ويگسن ، 1990 ) _ CREDEX _ سيستمي براي ارزيابي اعتبارات ( پينسون ، 1990 ) _ FINEVA _ سيستم دانشي چند معياري پشتيباني از تصميم گيري براي ارزيابي عملكرد و قابليت حيات شركت ( زوپوني ديس ، 1996 ) پيش بيني پيش بيني يكي از قديمي ترين فعاليتها و وظايف مديريت وتجارت بوده است . درروزگاران قديم نمونه هايي از پيشگوييها و پيش بيني ها وجود دارد . به طور كلي ، مديري را مي توان موفق دانست كه از قوه تجسم بالايي در تصميم گيري و قضاوت برخوردار باشد . تجربه ، به انسان در پيش بيني آينده وانتخاب تصميم درست و دادن رأي صحيح كمك مي كند. روش هاي هوش مصنوعي توانايي بالايي را درپيش بيني و ارائه عملكرد بهتر در مواجهه بامسائل غيرخطي و ساير مشكلات مدل سازي سري هاي زماني نشان داده اند .رحمان و بهتنگار (1998 ) يك سيستم خبره را براي پيش بيني كوتاه مدت طراحي كردند، اين درحالي است كه چيو (1997) يك شبكه عصبي را در تركيب با سيستم خبره قانونمند براي همين منظور در تايوان مورد استفاده قرار داد . همچنين تحقيقات كانلن و جيمز (1998) نشان دادكه مي توان بين خصيصه هاي داراييهاي اقتصادي و ارزش داراييهاي تجاري در يك بازار خاص پيوند برقرار كرد و به مدل ارزش گذاري اي رسيد كه به پيش بيني كوتاه مدت نوسانات ارزش گذاري دراستفاده از شبكههاي عصبي ميپردازد. درنهايت بررسيهاي انجام شده نشان ميدهد كه در اين حوزه بيشتر بر كاربرد شبكه هاي عصبي كار شده است تا الگوريتم هاي ژنتيك. ساير حوزه هاي تجاري تا اينجا درباره كاربردهاي مختلف شبكه هاي عصبي و الگوريتم هاي ژنتيك در بخشهاي كليدي تجارت صحبت كرديم : بازاريابي ، بانكداري و مالي ، پيش بيني . قطعاً حوزه هاي ديگري از تجارت و كسب و كارنيز وجود دارد كه در اندازه هاي متفاوت مي توانند از مزاياي استفاده از شبكه هاي عصبي و الگوريتم هاي ژنتيك منتفع شوند . به عنوان مثال مي توان به كاربرد شبكه هاي عصبي در صنعت هتلداري ( لاو ، 1998) ، ارزيابي داراييها (لنك و همكاران 1997 ) و پيش بيني تورم (آيكن ، 1999) اشاره كرد. علاوه بر اين ، كاملاً مشهود است كه بخشهايي ( مانند توليد ، صنايع سنگين ، انرژي ، ساخت و ساز ) وجود دارند كه از نظر ما دور مانده اند . مزاياي استفاده از اين فناوريهاي هوش مصنوعي با بررسي اجماعي نظريات و تحقيقات موجود مي توان مزاياي استفاده از فناوريهاي هوش مصنوعي و الگوريتم هاي ژنتيك را در قالب گزاره هاي زير خلاصه كرد : _ ارائه خدمات بهتر به مشتري _ تقليل زمان انجام وتكميل وظايف _ افزايش توليد _ استفاده اثربخش تر از منابع _ سازگاري و ثبات بيشتر در تصميم گيري No body is perfect...i'm nobody - بازار یابی و هوش مصنوعی
تکنیک های هوش مصنوعی و ابزارهای مدلسازی درحوزه کسب وکار مقدمه توجه به کاربرد تکنیک های هوش مصنوعی و ابزارهای مدل سازی در حوزه کسب و کار به طور فزاینده ای در حال افزایش است. در این راستا سیستم های خبره جایگاه ویژه ای یافته اند. در چند دهه گذشته دو عنوان شبکه های عصبی و الگوریتم های ژنتیک از موضوعاتی بوده اند که توجه بسیاری از دانشگاهیان را به خود جلب کرده اند . این دو به عنوان ابزاری نیرومند در حل مسائلی که دیگر توسط متدلوژی ها و روش های سنتی گذشته قابل حل نبودند، شناخته شده و مورد استفاده قرارگرفته اند. این روزها استفاده از آنها به زندگی اجتماعی ما نیز تسری یافته تا جایی که کاربرد آنها در تصمیم گیری ها نقش حیاتی یافته است . این مقاله شواهدی را مبتنی برامکان استفاده اخلاقی از شبکه های عصبی و الگوریتم ها ی ژنتیک که به منجر به تصمیم گیریهای موفقیت آمیز در ارتباط با مسائل مرتبط با کسب و کار می شود ارائه می کند . برای این منظور لازم است که بررسی تطبیقی ای در رابطه با تلاشهای دیگر محققان در قالب ادبیات موضوع صورت گیرد . به همین دلیل ، در تحقیق ما بر نقش محققان عملیاتی در حوزه کاربرد شبکه های عصبی و الگوریتم های ژنتیک تأکید شده است . همچنین در کنار ایجاد چنین پایگاهی برای محققان ، به سوالات اساسی زیر نیز پاسخ داده شده است : -1آیا کاربردهای سیستم های مبتنی بر هوش مصنوعی می تواند از فرایندهای تصمیم گیری شرکت شما پشتیبانی کند ؟ -2آیا اسناد ودلایل و مدارک معتبری برای اثبات این ادعا وجود دارد ؟ -3آیا اینها تنها یک تئوری و ایده دانشگاهی است یا دارای قابلیت کاربرد و تعمیم نیز هست؟ به عبارت دیگر ، با درنظر گرفتن مطالعات مشابه در رابطه با استفاده از سیستم های خبره در کسب و کار، نویسندگان و محققان در آرزوی دستیابی به فرصتی جهت بحث مقایسه ای در باره این سه متدلوژی هوشمند هستند (متاکسیوس و پساراس 2003 ) . یکی از مهم ترین و بحثبرانگیزترین تحقیقات ، بررسی صورت گرفته توسط لایبوتز (2001) است که نتیجه آن تحت عنوان «سیستمهای خبره و کاربرد آنها» مطرح شد . ساختار این مقاله به صورت زیر است: در ابتدا مروری بر پایه و اساس شبکه های عصبی و الگوریتم های ژنتیک خواهیم داشت و سپس به بازنگری جامعی بر کاربرد شبکه های عصبی و الگوریتم های ژنتیک در حوزه کسب و کار خواهیم پرداخت و نهایتا آن را با نتایج و پیشنهاداتی برای تحقیقات کاربردی آینده به پایان خواهیم رساند . فناوری شبکه عصبی شبکه های عصبی یک تکنیک پردازش اطلاعات مبتنی بر روش سیستم های عصبی بیولوژیکی مانند مغز و پردازش اطلاعات است. مفهوم بنیادی شبکه های عصبی ، ساختار سیستم پردازش اطلاعات است که از تعداد زیادی واحدهای پردازشی (نورون ) مرتبط با شبکه ها تشکیل شده اند. سلول عصبی بیولوژیکی یا نورون، واحد سازنده سیستم عصبی در انسان است. یک نورون ازبخشهای اصلی زیر تشکیل شده است : 1) بدنه سلولی که هسته در آن است و سایر قسمتهای سلولی از آن منشأ گرفته است . 2) هسته 3) آکسون که وظیفه آن انتقال اطلاعات از سلول عصبی است . 4) دندریت که وظیفه آن انتقال اطلاعات از سلول های دیگر به سلول عصبی است یک سیستم شبکه عصبی از تکنیکهای مورد استفاده انسان در یادگیری از طریق استناد به مثالهایی از حل مسائل استفاده میکند (هایکین ،1994 ) . هر نورون ورودیهای متعددی را پذیراست که با یکدیگر به طریقی جمع می شوند .اگر در یک لحظه تعداد ورودی های فعال نرون به حد کفایت برسد نرون نیز فعال شده و آتش می کند . در غیر اینصورت نورون به صورت غیر فعال و آرام باقی می ماند .فعالیت هر نورون از مجموعه ای از یک یا چند ورودی ، عملیات و وظیفه خروجی برای محاسبه خروجیهایش تشکیل شده است . عملکرد اساسی این مدل مبتنی بر جمع کردن ورودیها و به دنبال آن به وجود آمدن یک خروجی است . ورودیهای نورون از طریق دندریت ها که به خروجی نورون های دیگر از طریق سیناپس متصل شده اند وارد می شوند . بدنه سلولی کلیه این ورودیها را دریافت می کند و چنانچه جمع این مقادیراز مقداری که به آن آستانه گفته می شود بیشتر شود در اصطلاح بر انگیخته شده یا آتش می کند و درغیر این صورت خروجی نورون روشن یا خاموش خواهد شد. امروزه شبکه های عصبی در کاربردهای مختلفی از قبیل طبقه بندی داده ها و تشخیص الگو از طریق فرایند یادگیری که خود شامل مسائلی مانند تشخیص خط و شناسایی گفتار وپردازش تصویر است به کار می روند .به مثابه سیستم های بیولوژیکی ، آموزش شامل تنظیم پیوندهای بین سیناپسها که درهر نورون وجود دارند است. به عبارت دیگر، اطلاعات آموخته شده به شکل ارزشهای عددی بهنام «وزن» که به هر واحد پردازش شبکه اختصاص داده میشود ،ذخیره می شوند .به طور کلی ، شبکه های عصبی می توانند بین :روشهای اتصال نورون ها، انواع روشهای ویژه محاسبه عملیات نورون ها، روش انتقال الگوی عملیات از خلال شبکه و روشهای یادگیری آنها که شامل نرخ یادگیری است، تمایز قائل شوند . با در نظر گرفتن ارتباطات بین نورون ها ، می توان بین شبکه های لایه دار و بدون لایه تمایز قایل شد . شبکه های لایه دار گروهی ازنورون ها هستند که در لایه هایی مجتمع گردیده اند که بین لایه ورودی و خروجی - که تنها پیوند خارجی دارند - یک یا چند لایه پنهان وجود دارد . داده های ورودی از لایه ورودی به وسیله لایه های پنهان (لایه میانی ) به لایه خروجی منتقل میشوند . سیگنالها ی جاری در شبکه های لایه دار به سمت جلو حرکت می کنند که در اصطلاح فنی به آنها پیش خور گفته می شود در حالی که شبکه های بدون لایه دارای گره های اضافی بازخور هستند که از تقسیمات درست لایه ها جلوگیری می کنند . ساختار پیوندها و تماسها و تعداد لایهها و نورون ها تعیین کننده معماری شبکه است که بایستی قبل از استفاده از شبکههای عصبی تنظیم شود .اگرچه در موارد مشخصی می توان با موفقیت از شبکه های عصبی تک لایه استفاده کرد اما رسم بر این است که شبکه های عصبی حداقل دارای 3 لایه باشند ( لایه ورودی ،لایه پنهان یا لایه میانی و لایه خروجی . قبل از آنکه شبکه آموزش داده شود، اوزان اختصاصی کوچک و به صورت تصادفی ارزش گذاری می شوند . در خلال روند آموزش ، اوزان شبکه به شکل تدریجی تعدیل می شود تا جایی که محرز شود که کاملاً روابط فرا گرفته شده است . این شکل از یادگیری ، یادگیری با سرپرست نامیده می شود . وقتی یک الگو در لایه ورودی بهکار گرفته می شود تا آن جا جلو می رود که ستانده نهایی در لایه خروجی محاسبه شود . ستانده شبکه با نتایج مطلوب مورد انتظار مدل مقایسه و خطاهای موجود محاسبه میشود .این خطاها مجدداً به عنوان بازخورد به شبکه بازمی گردد تا تغییرات لازم در اوزان پیوندها برای کاهش خطا صورت گیرد .مجموعه ای از مثالهای آموزشی داده _ ستانده مکرراً ارائه می شود. تا جایی که مجموع امتیازات خطا به سطح قابل قبولی کاهش یابد . در این جایگاه م توان آن شبکه را به عنوان شبکه ای آموزش دیده در نظر گرفت . اما در روش دیگری که یادگیری بدون سرپرست نامیده می شود، شبکه عصبی باید بدون کمک گرفتن از جهان ، بتوانند کار آموزش را انجام دهد . واقعیت آن است که در عمل ازروش یادگیری باسرپرست و یا حداکثر از روشهای ترکیبی استفاده می شود و فرایند آموزش بدون سرپرست به شکل خالص تنها وعدهای است که شاید بتواند در آینده تحقق یابد . در حال حاضر و در کاربردهای پیشرفته ، از روش آموزش بدون سرپرست برای ایجاد تنظیمات اولیه برروی سیگنال های ورودی شبکه های عصبی استفاده می شود و باقی مراحل آموزش به روش با سرپرست ادامه می یابد . حوزه های کاربردی شبکه های عصبی در موضوعات زیر است : _ همبستگی ناشناخته بین ویژگیهای مطلوب و ارزش متغیرهای مسائل تصمیم گیری (جایی که راه حل مسائل ناشناخته است. _ مسائلی که دارای راه حل الگوریتم نیستند. _ جایی که داده های ناقص وجود دارد. مزیت اصلی شبکه های عصبی ، قابلیت فوق العاده آنها در یادگیری و نیز پایداری شان در مقابل اغتشاشات ناچیز ورودی است ( فاوست ، 1994) .به عنوان مثال اگر از روشهای عادی برای تشخیص دستخط یک انسان استفاده کنیم ممکن است در اثر کمی لرزش دست ، این روشها به تشخیص غلطی برسند در حالی که یک شبکه عصبی که به صورت مناسب آموزش داده شده است حتی در صورت چنین اغتشاشی نیز به پاسخ درست خواهد رسید .درنتیجه ، تاکید ما بر این حقیقت است که انتخاب شبکه درست با محاسبات صحیح، عامل اصلی در تضمین موفقیت عملکرد است . فناوری الگوریتم ژنتیک الگوریتم های ژنتیک روش قدرتمندی را برای توسعه اکتشافی مسائل بهینه سازی ترکیبی مقیاس بزرگ فراهم آورده است . انگیزه اصلی مطرح کردن الگوریتم ژنتیک می تواند این گونه عنوان شودکه «تکامل تدریجی» به شکل قابل ملاحظه ای در توسعه انواع وگونه های پیچیده از طریق مکانیزم های نسبتاً ساده تکمیلی نمود یافته است . حال سوال اساسی این است : پذیرش کدام ایده از تئوری تکامل تدریجی می تواند به ما در حل مسائل این قلمرو کمک کند ؟ این سوال با توجه به غنای پدیده تکامل تدریجی جوابهای متفاوتی دارد. هالند و دی جانگ (1975 ) از نخستین کسانی هستندکه با معرفی مفهوم الگوریتم ژنتیک به عنوان یک تکنیک جستجوی عمومی - که از تکامل تدریجی بیولوژیک در قالب بقای افراد اصلح و مبادله ساختارمند و تصادفی اطلاعات الگوبرداری می کند - درصدد پاسخگویی به این سوال برآمدند . یک الگوریتم ژنتیک مسئله را به صورت مجموعه ای از رشته ها که شامل ذرات ریزهستند کد گذاری می کند ، سپس برای تحریک فرایند تکامل تدریجی ،تغییراتی را بر روی رشته ها ا عمال میدارد. در مقایسه با الگوریتم های جستجوی محلی ، در جستجوی عمومی که تنها یک راه حل قابل قبول وجود دارد ، الگوریتم های ژنتیک جامعه ای از افراد را در نظر میگیرند . کـــار با مجموعه ای از افراد، امکان مطالعه ساختارها و ویژگیهای اصلی افراد متفاوت را که منجر به شناسایی و کشف راه حلهای کارآمد تر می شود، فراهم میسازد . در طی مطالعه ، الگوریتم ژنتیک رشته های متناسب با ارزش را برمی گزیند و آن دسته از رشتههایی را که تنــاسب کمتری با جمعیت مورد بررسی دارند حذف میکنند . مروری بر کاربردهای تجاری بعد از مروری بر پیشینه شبکه های عصبی و الگوریتم های ژنتیک و پیشرفتهای آنها ، می توان حوزه های کاربردی آنها را در کسب و کار شناسایی کرد . بنابر این در این قسمت به بررسی انواع مسائل تجاری که به شکلی مناسب بهوسیله شبکه های عصبی و الگوریتم های ژنتیک قابل حل خواهند بود ، می پردازیم . اما قبل از آن توضیحی مختصر در ارتباط با موضوعات مرتبط با این حوزه خواهیم داد . بازاریابی «انجمن بازاریابی آمریکا» از دیدگاه مدیریتی، بازاریابی را بدین گونه تعریف می کند : بازاریابی یک فرایند اجتماعی و مدیریتی است که بهوسیله آن، افراد و گروهها ، نیازها و خواسته ها ی خود را از طریق تولید ، عرضه و مبادله کالاهای مفید و با ارزش با دیگران ، تأمین می کنند . به طور کلی ، بازاریابی دانشی ناشناخته است که با ویژگیهایی از قبیل عدم اطمینان بالا ، ساختار گمشده علّـی ودانشی ناکامل و گسترده قابل شناسایی است .بسیاری از وظایف تصمیم گیری و حل مسـئله به صورت بدون ساختار یا نیمه ساختار یافته انجام می شود . به همین دلایل توسعه کاربرد شبکه های عصبی و الگوریتم های ژنتیک در بازاریابی نسبت به سایر حوزه های علم دشوارتر است . در سال 1991 ، کاری و ماتین هو به بحث در رابطه با نقش هوش مصنوعی در بازاریابی پرداختند و جایگاه یابی رقابتی را بهوسیله متدلوژی هدف گرا مورد تجزیه و تحلیل قرار دادند . الیس و همکارانش در سال 1991 گزارشی از پیشرفتهای کاربرد مدل های شبکه عصبی در مواجهه با استراتژی قیمت گذاری کششی ارائه کردند در حالیکه پراکتر در سال 1992 چگونگی کاربرد تکنولوژی شبکه های عصبی در یادگیری مدل های داده بازاریابی و نقش آنها را در ساختن سیستم های پشتیبانی از تصمیمات بازاریابی به نمایش گذاشت . در سال 1993 کاری و ماتین هو از تکنولوژی شبکه های عصبی در مدل سازی واکنش مصرف کننده به محرک تبلیغات استفاده کردند . رای و همکارانش در سال 1994 شبکه های عصبی را در کمّی سازی فاکتورهای موثر در کیفیت روابط خریدارو فروشنده مورد استفاده قرار دادند . برای این منظور شبکه ای با دو عنصر خروجی کیفیت روابط (رضایت از روابط و اعتماد ) و پنج ورودی ( گرایش فروش فروشنده ، مشتری گرایی ، تخصص، اخلاقیات ، و دوام روابط ) شکل گرفت . در مقایسه با رگرسیون های چند متغیره، تکنیک شبکه های عصبی به نتایج آماری قابل قبول تری دست یافت . از سوی دیگر ، هارلی و همکاران (1994) استفاده از الگوریتم های ژنتیک را در حل مسائل بهینه سازی بازاریابی مورد آزمایش قرار دادند . بر اساس مطالعه آنها ، کاربردهای بالقوه الگوریتم های ژنتیک در بازاریابی می تواند شامل موارد زیر باشد : 1- رفتار مصرف کننده _ یادگیری مدل های انتخاب مصرف کننده _ پردازش اطلاعات مصرف کننده _ تاثیر گروههای مرجع 2- بخش بندی،انتخاب بازار هدف، جایگاه یابی _ بهینه سازی ساختارهای محصول – بازار _ تجزیه و تحلیل فاکتورهای کلیدی خرید _ جایگاه یابی محصول 3-مدیریت عناصر آمیخته بازاریابی _ بهینه سازی چرخه حیات محصول _ طراحی محصول _ استراتژی تبلیغات و برنامه ریزی رسانهای _ مدیریت فروش گرین و اسمیت (1987) یک سیستم ژنتیک را برای یادگیری مدل های انتخاب مصرف کننده مطرح ساختند و تنگ و هولاک (1992 ) چارچوبی مفهومی را در پیوند مفاهیم بازاریابی با مکانیزم تکامل تدریجی داروین ارائه کردند . در سال 1992 بالاک ریشمن و جاکوب یک الگوریتم ژنتیک مبتنی بر سیستم پشتیبانی از تصمیم گیری برای طراحی محصول ارائه کردند . از سوی دیگرو در حرکتی نوین وناگوپال و بیتز (1994) ازاشتراک شبکه های عصبی و تکنیکهای آماری در تحقیقات بازاریابی استفاده کردند. درنهایت ، می توان گزارشی از پیشرفتهای موجود در این زمینه رابه شکل زیر ارائه کرد : _ STRATEX _ یک سیستم دانشی با هدف پشتیبانی از انتخاب بخشهای بازار (بورچ و هارتویگسن ، 1991) ) _ ADDUCE _ سیستمی در توجیه واکنش مصرف کننده به تبلیغات (بارک ، 1991) ) _ COMSTRAT _ سیستمی برای تصمیمات استراتژیک بازاریابی با تاکید ویژه بر جایگـاه یابی رقابتی ( ماتین هو و همکاران 1993 ( _ MARSTRA _ سیستم هوش شبکه ای برای توسعه استراتژی های بازاریابی و ارزیابی فاکتورهای بازاریابی استراتژیک _ GLOSTRA _ سیستم هوش شبکه ای برای توسعه و بهبود استراتژی های بازاریابی جهانی و بازاریابی اینترنتی ( لی و دیویس، 2001 ( بانکداری و حوزه های مالی از کاربردهای مهم و مطرح شبکه های عصبی و الگوریتم های ژنتیک در بانکداری و حوزه مسائل مالی می توان به این موارد اشاره کرد : کاربردهای اعتباری ، تجزیه و تحلیل های مالی ، سرمایه گذاری مالی ، و تجزیه و تحلیل بازار مبادله سهام . محققان بسیاری به بررسی کاربردهای شبکه های عصبی و الگوریتم های ژنتیک در بانکداری و مالی پرداخته اند . ازآن جمله ، در سال 1993 ، تفتی و نیکبخت به بحث در ارتباط با استفاده از شبکه های عصبی توسط سازمانها وشرکتهای مالی در جهت اهداف متفاوت امتیازبندی اعتباری پرداختند .تان و دی هاردجو (2001) از طریق افزایش زمان و دوره پیش بینی مدل به توسعه یک تحقیق ابتدایی در استفاده از شبکه های عصبی برای پیش بینی استرس های مالی در اتحادیه های اعتباری استرالیا پرداختند . دستاورد حاصل شده در مقایسه با نتایج به دست آمده از متوسط انحراف از میانگین، نتایج قابل قبولی بود . همچنین دیویس و همکاران نیز در 1996 به بررسی نگرشهای سیستمهای خودپرداز براساس تجزیه و تحلیل شبکههای عصبی پرداختند .ازسوی دیگر، شناسایی کاربردهای متنوع الگوریتم های ژنتیک از سوی افراد مختلف به صورت زیر ارائه شده است : انتخاب استراتژی های بازار انحصاری چند جانبه ( مارکز ، 1989 ) ، توسعه استراتژیهای سرمایه گذاری مالی(باور،1994 ) ،جستجو برای یافتن قوانین تکنیکی برای اعمال آنها در بازارسرمایه ( کارجالایننن، 1994 ) ، تجزیه و تحلیل ریسک در بانکداری ( وارتو ،1998 ) . علاوه بر این، در سال 1999 کارجالایننن و آلن از الگوریتمهای ژنتیک در پیدا کردن قوانین تکنیکی تجاری استفاده کردند. در همین زمان نیز آندرا و همکارانش (1999) از الگوریتم های ژنتیک در تجــزیه و تحلیل فنی در بازار سهام مادرید استفاده کردند .از دیگر سیستمهای مالی مبتنی بر شبکههای عصبی و الگوریتم های ژنتیک می توان به موارد زیر اشاره کرد : _ KABAL _ سیستم دانشی برای تجزیه و تحلیل مالی در بانکداری (هارت ویگسن ، 1990 ( _ CREDEX _ سیستمی برای ارزیابی اعتبارات ( پینسون ، 1990 ) _ FINEVA _ سیستم دانشی چند معیاری پشتیبانی از تصمیم گیری برای ارزیابی عملکرد و قابلیت حیات شرکت ( زوپونی دیس ، 1996 ) پیش بینی پیش بینی یکی از قدیمی ترین فعالیتها و وظایف مدیریت وتجارت بوده است . درروزگاران قدیم نمونه هایی از پیشگوییها و پیش بینی ها وجود دارد . به طور کلی ، مدیری را می توان موفق دانست که از قوه تجسم بالایی در تصمیم گیری و قضاوت برخوردار باشد . تجربه ، به انسان در پیش بینی آینده وانتخاب تصمیم درست و دادن رأی صحیح کمک می کند.روش های هوش مصنوعی توانایی بالایی را درپیش بینی و ارائه عملکرد بهتر در مواجهه بامسائل غیرخطی و سایر مشکلات مدل سازی سری های زمانی نشان داده اند .رحمان و بهتنگار (1998 ) یک سیستم خبره را برای پیش بینی کوتاه مدت طراحی کردند، این درحالی است که چیو (1997) یک شبکه عصبی را در ترکیب با سیستم خبره قانونمند برای همین منظور در تایوان مورد استفاده قرار داد . همچنین تحقیقات کانلن و جیمز (1998) نشان دادکه می توان بین خصیصه های داراییهای اقتصادی و ارزش داراییهای تجاری در یک بازار خاص پیوند برقرار کرد و به مدل ارزش گذاری ای رسید که به پیش بینی کوتاه مدت نوسانات ارزش گذاری دراستفاده از شبکههای عصبی میپردازد. درنهایت بررسیهای انجام شده نشان میدهد که در این حوزه بیشتر بر کاربرد شبکه های عصبی کار شده است تا الگوریتم های ژنتیک . سایر حوزه های تجاری تا اینجا درباره کاربردهای مختلف شبکه های عصبی و الگوریتم های ژنتیک در بخشهای کلیدی تجارت صحبت کردیم : بازاریابی ، بانکداری و مالی ، پیش بینی . قطعاً حوزه های دیگری از تجارت و کسب و کارنیز وجود دارد که در اندازه های متفاوت می توانند از مزایای استفاده از شبکه های عصبی و الگوریتم های ژنتیک منتفع شوند . به عنوان مثال می توان به کاربرد شبکه های عصبی در صنعت هتلداری ( لاو ، 1998 ) ، ارزیابی داراییها (لنک و همکاران 1997 ) و پیش بینی تورم (آیکن ، 1999) اشاره کرد . علاوه بر این ، کاملاً مشهود است که بخشهایی ( مانند تولید ، صنایع سنگین ، انرژی ، ساخت و ساز ) وجود دارند که از نظر ما دور مانده اند . مزایای استفاده از این فناوریهای هوش مصنوعی با بررسی اجماعی نظریات و تحقیقات موجود می توان مزایای استفاده از فناوریهای هوش مصنوعی و الگوریتم های ژنتیک را در قالب گزاره های زیر خلاصه کرد : _ ارائه خدمات بهتر به مشتری _ تقلیل زمان انجام وتکمیل وظایف _ افزایش تولید _ استفاده اثربخش تر از منابع _ سازگاری و ثبات بیشتر در تصمیم گیری نتایج در این مقاله سعی کردیم با معرفی کاربردهای شبکه های عصبی و الگوریتم های ژنتیک در حوزه تجارت و بازرگانی بهویژه در محدوده بازاریابی، مالی و بانکداری و پیش بینی ، بعدی جدید از حوزه تجارت وکسب و کار را نمایان کنیم. نتیجه نهایی این مباحث به تنوع حوزه های کاربردی که بر مزایا و منافع شبکه های عصبی و الگوریتم های ژنتیک اشاره دارد منتهی می شود . این دو تکنولوژی امروزه بیش از بیش به عنوان ابزار تصمیم گیری سازمانها مورد استفاده قرار می گیرند که البته نتایج حاصل از کاربرد آنها ( همچون تصمیمات صحیح ، صرفه جوییهای زمانی ، انعطاف پذیری ،کیفیت بهبود یافته ، آموزش موثر) بر محبوبیت آنها افزوده است . اعتقاد ما بر این است که در صورت ادغام مناسب این دو فناوری با سایر فناوریهای هوشمند (مانند سیستم های خبره ، عوامل هوشمند ، منطق فازی) و تکنیکهای تحقیق درعملیات بهویژه شبیه سازی می توان روز به روز بر موارد استفاده آنها در حوزه های مختلف افزود و از مزایای آنها بهره مند شد. بر اساس تحقیق کتابخانه ای انجام شده موارد زیر برای تحقیقات آینده پیشنهاد می شود : -بررسی مزایای استفاده از الگوریتم های ژنتیک در بهینه سازی مسائل بازاریابی _مقایسه کاربرد شبکه های عصبی و الگوریتم های ژنتیک و سیستم های خبره برای شناسایی مزایا و ضررهای هر کدام از این فناوریها . منابع -1 جکسون . تی و بیل . آر . آشنایی با شبکههای عصبی ، ترجمه دکتر محمود البرزی – تهران : موسسه انتشارات علمی دانشگاه صنعتی شریف ، چاپ دوم ، 1383 -2کاتلر ، فیلیپ . مدیریت بازاریابی ، ترجمه بهمن فروزنده – تهران : آتروپات ، 1382 3- قمی ، علیرضا " شبکه های عصبی مصنوعی " ، نشریه دنیای کامپیوتر و ارتباطات – شماره 12 ، صفحات 66 تا 69 -4 سعیدی ، مسعود " شبکه های عصبی (2) " ، نشریه شبکه _ شماره 52 ، اسفند 1383 ، صفحه 210 تا 211 -5 ممانی ، حامد ، نرگس پور اصغری حقی و ساعد علی ضمیر ، " شبکه های عصبی و کاربرد آن در بهینه سازی " ، نشریه صنایع _ شماره 30 -6 نورزاد ، غلامرضا " بیولوژی سلولی مولکولی " ،انتشارات نوردانش ، تهران ، 1376 ، چاپ اول 7- Metaxiotis , Kostas & John Psarras (2004) "The Contribution of Neural networks and genetic algoritms to business decision support "Management decision , vol 42 ,no .2, Emerald group publishing limited , pp. 229.242 8- Curry , B & L. Moutinho (1993) "Neural Network in marketing : Modelling consumer Responses to Advertising Stimuli "European Journal of marketing , vol 27 , no . 7 , MCB university press , pp 5. 20 9- Wray , B , A. palmer & D. Bejou (1994) " Using Neural Network Analysis to evaluate Buyer – Seller Relationships " European Journal of Marketing , vol 28 , no. 10 , MCB university press , pp 32.48 10- Venugopal .V & W. Beats ( 1994 ) " Neural networks and Statistical Techniques in marketing research " Marketing intelligence & planning , vol 12 , no. 7 , MCB university press , pp 30 . 38 11- Davies , F , L . Moutinho & B . Curry (1996 ) " ATM user attitudes : a neural network analysis " , marketing intelligence & planning , vol 14 , no . 2 , MCB university press , pp 26 . 32 دکتر حمیدرضا جعفریه، نگار معتمدی، الهه ملایی تکنیک های هوش مصنوعی و ابزارهای مدلسازی درحوزه کسب وکار
مشاهده قوانین انجمن