ترجمه مقاله یادگیری عمیق در تجزیه و تحلیل کسب و کار: برخورد انتظارات و واقعیت – سال 2023
مشخصات مقاله:
عنوان فارسی مقاله:
یادگیری عمیق در تجزیه و تحلیل کسب و کار: برخورد انتظارات و واقعیت
عنوان انگلیسی مقاله:
Deep learning in business analytics: A clash of expectations and reality
کلمات کلیدی مقاله:
یادگیری ژرف – یادگیری ماشین – واکاوش کسب و کار – هوش مصنوعی – تصمیم گیری داده محور – تحول دیجیتال – استراتژی دیجیتال
مناسب برای رشته های دانشگاهی زیر:
مدیریت – مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
مدیریت کسب و کار – مدیریت فناوری اطلاعات – هوش مصنوعی – علوم داده
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1- مقدمه
2- مواد و روش ها
3- نتایج عددی
4- DL در واکاوش کسب و کار: یک بررسی واقع بینانه
5- نتیجه گیری
منابع
قسمتی از مقاله انگلیسی و ترجمه آن:
a b s t r a c t
Our fast-paced digital economy shaped by global competition requires increased data-driven decision-making based on artificial intelligence (AI) and machine learning (ML). The benefits of deep learning (DL) are manifold, but it comes with limitations that have – so far – interfered with widespread industry adoption. This paper explains why DL – despite its popularity – has difficulties speeding up its adoption within business analytics. It is shown that the adoption of deep learning is not only affected by computational complexity, lacking big data architecture, lack of transparency (black-box), skill shortage, and leadership commitment, but also by the fact that DL does not outperform traditional ML models in the case of structured datasets with fixed-length feature vectors. Deep learning should be regarded as a powerful addition to the existing body of ML models instead of a “one size fits all” solution. The results strongly suggest that gradient boosting can be seen as the go-to model for predictions on structured datasets within business analytics. In addition to the empirical study based on three industry use cases, the paper offers a comprehensive discussion of those results, practical implications, and a roadmap for future research
چکیده
اقتصاد دیجیتال پرسرعت ما که به واسطه ی رقابت جهانی شکل گرفته مستلزم افزایش تصمیم گیری داده محور براساس هوش مصنوعی (AI) و یادگیری ماشین (ML) می باشد. مزایای یادگیری ژرف (DL) بسیار زیاد و فراوان می باشند، اما با محدودیت هایی نیز همراه است که تا کنون با پذیرش و اتخاذ گسترده ی صنعت تداخل داشته اند. این مقاله به توضیح این مسئله می پردازد که چرا یادگیری ژرف (DL) – علی رغم شهرت و آوازه اش – در سرعت بخشیدن به پذیرش و اتخاذش در واکاوش کسب و کار با دشواری هایی مواجه است. نشان داده شده است که پذیرش یادگیری ژرف نه تنها تحت تأثیر پیچیدگی محاسباتی قرار می گیرد، درحالیکه فاقد معماری کلان داده، فاقد شفافیت (جعبه سیاه)، کمبود مهارت، و تعهد رهبری می باشد، بلکه تحت تأثیر این واقعیت نیز قرار می گیرد که DL در مورد مجموعه داده های ساختاریافته با بردارهای ویژگی با طول ثابت بهتر از مدل های ML (یادگیری ماشین) عمل نمی کند. یادگیری ژرف را باید به صورت یک گزینه ی اضافی قدرتمند برای پیکره ی موجود مدل های ML به جای یک راه حل همه کاره و مناسب درنظر گرفت. نتایج به شدت نشان می دهند که تقویت گرادیان (گرادیان بوستینگ) را می توان به صورت مدل برو به برای پیش بینی هایی در مورد مجموعه داده های ساختاریافته در واکاوش کسب و کار دید. علاوه بر مطالعه ی تجربی براساس سه مورد و نمونه ی کاربردی صنعت، این مقاله بحثی جامع از آن نتایج، کاربردهای عملی، و دستورکاری برای تحقیقات آتی را ارائه می کند.
