هوش مصنوعی (AI)، یادگیری ماشین (ML)، و یادگیری عمیق (DL) تأثیر به سزایی روی بانکداری (فناوری مالی یا فین تک)، سلامت و بهداشت (فناوری سلامت)، قانون (فناوری مقررات گذاری)، و سایر بخش هایی مثل جمع آوری کمک های مالی برای خیریه (فناوری خیریه) دارند. سرعت نوآوری مرتبط با فناوری و توانایی سیستم های هوش مصنوعی برای فکر کردن درست شبیه به انسان ها (شبیه ...
بیشتر
هوش مصنوعی (AI)، یادگیری ماشین (ML)، و یادگیری عمیق (DL) تأثیر به سزایی روی بانکداری (فناوری مالی یا فین تک)، سلامت و بهداشت (فناوری سلامت)، قانون (فناوری مقررات گذاری)، و سایر بخش هایی مثل جمع آوری کمک های مالی برای خیریه (فناوری خیریه) دارند. سرعت نوآوری مرتبط با فناوری و توانایی سیستم های هوش مصنوعی برای فکر کردن درست شبیه به انسان ها (شبیه سازی هوش انسان)، انجام وظایف و کارها به صورت مستقل، توسعه و بسط هوش براساس تجارب خود، و پردازش لایه های اطلاعاتی برای یادگیری بازنمایی های همواره پیچیده از داده ها (ML/DL) به این معناست که ارتقا و پیشرفت در نرخ هایی که در آن ها این فناوری می تواند وظایف پیچیده، فنی، و زمان بر را انجام دهد، مردم، اشیاء، صداها، الگوها و غیره را شناسایی کند، مشکلات را زودتر بررسی کند، و راه حل ها را ارائه نماید، سودهای خیره کننده ای را در شرایط اقتصادی، سیاسی، و اجتماعی فراهم نماید. هدف از انجام این مقاله بررسی دقیق اختراعات و پیدایش های جدید در هوش مصنوعی، یادگیری ماشین، و یادگیری عمیق در بستر چالش تطبیق مقرراتی است که مؤسسات مالی در بریتانیا (UK) با آن مواجه می شوند.
فناوری های تحول آفرین مانند اینترنت اشیا، تحلیل داده های بزرگ، بلاکچین و هوش مصنوعی شیوه ی عملیات کسب و کارها را تغییر داده اند. از بین تمام فناوری های تحول آفرین، هوش مصنوعی جدیدترین فناوری تحول آفرین است و پتانسیل زیادی در متحول سازی بازاریابی دارد. متخصصین در سرتاسر جهان تلاش می کنند تا آن دسته از راه حل هایی هوش مصنوعی را پیدا کنند ...
بیشتر
فناوری های تحول آفرین مانند اینترنت اشیا، تحلیل داده های بزرگ، بلاکچین و هوش مصنوعی شیوه ی عملیات کسب و کارها را تغییر داده اند. از بین تمام فناوری های تحول آفرین، هوش مصنوعی جدیدترین فناوری تحول آفرین است و پتانسیل زیادی در متحول سازی بازاریابی دارد. متخصصین در سرتاسر جهان تلاش می کنند تا آن دسته از راه حل هایی هوش مصنوعی را پیدا کنند که بهترین تناسب و هماهنگی را با نقش های بازاریابی خود دارند. با این حال، مرور نظام مند پیشینه ی تحقیقاتی می تواند اهمیت هوش مصنوعی را در بازاریابی نشان داده و مسیرهای تحقیقاتی آتی را نشان دهد. مطالعه ی حاضر بدنبال پیشنهاد مرور جامع هوش مصنوعی در بازاریابی با استفاده از تحلیل شبکه ی کتاب سنجی، مفهومی و عقلانی پیشینه ی تحقیقاتی موجود منتشر شده بین سال های 1982 تا 2020 می باشد. مرور جامع 1580 مقاله به شناسایی عملکرد کنشگران علمی مانند مناسب ترین نویسندگان و مناسب ترین منابع کمک کرد. علاوه براین، تحلیل استناد مشترک و هم رخدادی، شبکه ی مفهومی و عقلانی را پیشنهاد کرد. خوشه بندی داده ها با استفاده از الگوریتم لوواین، به شناسایی مضامین فرعی پژوهش و مسیرهای تحقیقاتی آتی به منظور بسط و توسعه ی هوش مصنوعی در بازاریابی کمک کرد.
شواهد داستان گونه نشان می دهند که تکنولوژی های هوش مصنوعی (AI) نقش موثری در بازاریابی دیجیتال دارند و محبوبیت آنها در بازاریابی کسب کار به کسب وکار (بنگاه به بنگاه) (B2B) به سرعت در حال افزایش است؛ اما تحقیقات تجربی زیادی در مورد بازاریابی B2B مبتنی بر هوش مصنوعی بهویژه جنبههای اجتماعی تکنیکی استفاده از آن انجام نشده است. این مطالعه از ...
بیشتر
شواهد داستان گونه نشان می دهند که تکنولوژی های هوش مصنوعی (AI) نقش موثری در بازاریابی دیجیتال دارند و محبوبیت آنها در بازاریابی کسب کار به کسب وکار (بنگاه به بنگاه) (B2B) به سرعت در حال افزایش است؛ اما تحقیقات تجربی زیادی در مورد بازاریابی B2B مبتنی بر هوش مصنوعی بهویژه جنبههای اجتماعی تکنیکی استفاده از آن انجام نشده است. این مطالعه از نظریه فعالیت (AT) به عنوان یک لنز نظری استفاده می کند تا بازاریابی B2B مبتنی بر هوش مصنوعی را به عنوان یک سیستم فعالیت جمعی بررسی کند و همچنین تضادها در طول پذیرش و پیادهسازی هوش مصنوعی در بازاریابی سنتی B2B را نشان دهد. نظریه فعالیت متناسب با چارچوب این مطالعه است، زیرا نشان میدهد که چگونه تضادها بهعنوان محرک تغییر عمل میکنند و به جای اینکه تنشها را تهدیدی برای حذف زودهنگام انتخاب و اجرای هوش مصنوعی در بازاریابی B2B بدانند، تغییرات تحول گرا را بوجود می آورد. بر اساس هجده مصاحبه با کارشناسان صنعت و دانشگاه، این مطالعه تضادهایی را مشخص می کند که محققان و متخصصان بازاریابی باید با آنها مقابله کنند. نشان می دهیم که مواجهه با این تضادها از نظر فرهنگی یا سیاسی چالشبرانگیز است و حتی زمانی که حل شود، میتواند پیامدهای مطلوب ونامطلوب داشته باشد.
"ارزیابی" همیشه یک چالش اساسی در توسعه نرم افزارهای مبتنی بر هوش مصنوعی (AI) به دلیل پیچیدگی فنی نرم افزار و فرآیندهای پیچیده اجتماعی – فنی موجود درآن، بوده است. پیشرفت های اخیر در یادگیری ماشین (ML) که توسط شبکه های عصبی عمیق امکان پذیر شده است ، چالش ارزیابی چنین نرم افزارهاییی را به دلیل ماهیت مبهم این محصولات مصنوعی مبتنی بر ML ، تشدید ...
بیشتر
"ارزیابی" همیشه یک چالش اساسی در توسعه نرم افزارهای مبتنی بر هوش مصنوعی (AI) به دلیل پیچیدگی فنی نرم افزار و فرآیندهای پیچیده اجتماعی – فنی موجود درآن، بوده است. پیشرفت های اخیر در یادگیری ماشین (ML) که توسط شبکه های عصبی عمیق امکان پذیر شده است ، چالش ارزیابی چنین نرم افزارهاییی را به دلیل ماهیت مبهم این محصولات مصنوعی مبتنی بر ML ، تشدید کرده است. یک موضوع مهم کلیدی ، توانایی (ناتوانی) این سیستم ها در تولید توضیحات مفید در مورد خروجی هایشان است و ما معتقدیم که مسائل توضیح و ارزیابی به طور تنگاتنگی با هم مرتبط هستند. این مقاله عناصر یک سیستم AI مبتنی بر ML را در زمینه برنامه های تصمیم گیری بخش دولتی (PSD) شامل هوش مصنوعی و انسانی مدل سازی می کند ، و در ارزیابی و توضیح، این عناصر را بر خلاف مسائل ترسیم می کند و نحوه ارتباط این دو را نشان می دهد. ما با توجه به مدل خود تعدادی مدل کاربرد PSD متداول را در نظر می گیریم و مجموعه ای از موضوعات اصلی مرتبط با توضیح و ارزیابی را در هر مورد شناسایی می کنیم. در نهایت ، ما چندین استراتژی را برای ترویج پذیرش گسترده تر فناوری های AI / ML در PSD پیشنهاد می کنیم ، به طوری که هر کدام بر اساس تمرکز بر عناصر مختلف مدل ما تفکیک می شوند ، و به سیاست گذاران PSD اجازه می دهد رویکردی که متناسب با زمینه و نگرانی های آنها باشد، انتخاب کنند.