یادگیری ژرف در واکاوش کسب و کار

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. 

1-    مقدمه
     دهه ی اخیر با ارتقا و پیشرفت های عظیم در ذخیره سازی داده ها و قابلیت های واکاوش شکل گرفت (بیسنس، باپنا، مارسدن، وانتینن، و ژائو، 2016؛ هنکه و همکاران، 2016). آنچه که به صورت انقلاب کلان داده آغاز شد (کوشاواها، کار، دوویدی، 2021) عصر تغییرات دائم دیجیتالی را ضمن سرعت بخشیدن به جهانی سازی، و حرکت پیوسته به سمت یک اقتصاد جهانی دیجیتال را به ارمغان آورد. شرکت هایی که در دنیای امروز مشغول به کار هستند باید با رقابت جهانی در بازاری با سرعتی فوق العاده زیاد مقابله کنند (داونپورت، 2018)، و مدیریت اطلاعات مبتنی بر هوش مصنوعی (بورگز، لوریندو، اسپینولا، گونچالوز و ماتوس، 2021؛ کولینز، دنهی، کونبوی، و میکالف، 2021؛ دوآن، ادواردز، و دوویدی، 2019؛ ورما، شارما، دب، و مایترا، 2021) کلید هدایت طوفان دیجیتالی قرن بیست و یکم می باشد. 
     هوش مصنوعی (AI) و یادگیری ماشین (ML) به طور گسترده ای به عنوان تکنولوژی همه فن حریف برای تصمیم گیری (آگراوال، گانز، و گلدفارب، 2019) در میان انواع حوزه ها، صنایع، و کاربردهایی از جمله زیست فناوری، مراقبت های بهداشتی (ساندراجاه و همکاران، 2022؛ یانگ و استیل، 2022)، بازاریابی (ورما و همکاران، 2021)، مدیریت منابع انسانی (وتو، والچا، نجفی راد، و رائو، 2021)، خدمات و سرویس های مالی (اشمیت، 2020؛ سینگ، چن، سینگانیا، ناناواتی، و گوپتا، 2022)، بیمه (راوات، راوات، کومار، و سابیتا، 2021)، مدیریت ریسک (فوجی، ساکاجی، ماسویاما، و ساساکی، 2022؛ اشمیت، b2022)، امنیت سایبری (تادئو، مک کوچئون، و فلوریدی، 2019؛ تورات، پرخ، و منگرولکار، 2021)، و بسیاری دیگر (کومار، کار، و ایلاواراسان، 2021) پذیرفته شده اند. سیستم های اطلاعات و واکاوش داده ها (کوشاواها و همکاران، 2021) مبنا و اساسی را برای بینش های عملی ایجاد کردند و جزء توانمندسازها و عاملان اولیه برای تصمیم گیری مبتنی بر هوش مصنوعی در میان تمامی حوزه ها می باشند. 

5-    نتیجه گیری
     پیشروی و پیشرفت های غیرمنتظره ی صورت گرفته از طریق DL غیرقابل انکار هستند، همانطور که می توان شاهد آرایه ی گسترده ای از کاربردهای جدید دنیای واقعی در اطراف خود بود. علی رغم این واقعیت، نرخ پذیرش و از این رو انتشار و گسترش در میان کاربردهای واکاوش کسب و کار پشت سر گذاشته شده است. این مطالعه به توضیح فقدان فعلی پذیرش DL در کاربردهای واکاوش کسب و کار کمک کرده است. آنالیز و تحلیل ادبیات تحقیقی نشان داد که فقدان پذیرش در میان کاربردهای کسب و کار براساس پنج محدودیت و نقطه ضعف می باشد، از جمله پیچیدگی محاسبانی، عدم وجود معماری کلان داده، فقدان شفافیت/ ماهیت جعبه سیاه DL، کمبود مهارت، و تعهد رهبری. با این حال، مطالعه ی تجربی براساس سه مطالعه ی موردی دنیای واقعی نشان داد که DL همانطور که به طور گسترده فرض شده، زمانی که برای پیش بینی ها براساس مجموعه داده های ساختار یافته به میان می آید مزیت عملکردی را ارائه نمی کند. این مسئله باید به هنگام استفاده از یادگیری ژرف برای تصمیمات داده محور 

Abstract

     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.

1. Introduction

     The last decade was shaped by huge improvements in data storage and analytics capabilities (Baesens, Bapna, Marsden, Vanthienen, & Zhao, 2016; Henke et al., 2016). What started as the big-data (Kushwaha, Kar, & Dwivedi, 2021) revolution brought us the age of constant digital change, accelerating globalization, and the continuous move toward a digital world economy (Davenport, 2018; Warner & Wäger, 2019). Companies operating in today’s world have to deal with global competition in an ultra-fast marketplace (Davenport, 2018), and AI-enabled information management (Borges, Laurindo, Spínola, Gonçalves, & Mattos, 2021; Collins, Dennehy, Conboy, & Mikalef, 2021; Duan, Edwards, & Dwivedi, 2019; Verma, Sharma, Deb, & Maitra, 2021) is the key to navigating the digital storm of the 21st century.

     Artificial intelligence (AI) and machine learning (ML) have been widely accepted as general-purpose technology for decision-making (Agrawal, Gans, & Goldfarb, 2019) across a variety of domains, industries, and functions including biotech, healthcare (Sounderajah et al., 2022; Young & Steele, 2022), marketing (Verma et al., 2021), human resource management (Votto, Valecha, Najafirad, & Rao, 2021), financial services (Schmitt, 2020; Singh, Chen, Singhania, Nanavati, & Gupta, 2022), insurance (Rawat, Rawat, Kumar, & Sabitha, 2021), risk management (Fujii, Sakaji, Masuyama, & Sasaki, 2022; Schmitt, 2022b), cybersecurity (Taddeo, McCutcheon, & Floridi, 2019; Thorat, Parekh, & Mangrulkar, 2021), and many others (Kumar, Kar, & Ilavarasan, 2021). Data analytics and information systems (Kushwaha et al., 2021) build the foundation for actionable insights and are the primary enablers for AI-based decision-making across all domains.

5. Conclusion

     The progress and breakthroughs achieved by DL are undeniable as can be witnessed by a vast array of new real-world applications all around us. Despite this fact, the adoption rate and hence diffusion across business analytics functions has been lacking behind. This study helped to explain the current lack of adoption of DL in business analytics functions. The literature analysis suggested that the lack of adoption across business functions is based on the five bottlenecks computational complexity, no existing big-data architecture, lack of transparency/blackbox nature of DL, skill shortage, and leadership commitment. However, the empirical study based on three real-world case studies revealed that DL does not offer – as widely assumed – a performance advantage when it comes to predictions based on structured data sets. This has to be taken into account when using deep learning for data-driven decisions within the context of business analytics and answers the question of why analytics departments do not deploy those models consistently. Overall, ML as a general-purpose technology for data-driven prediction will further find its way into business analytics and shape the field of information management. Deep learning is a valuable addition to the ML ecosystem and enhanced our ability to generate insights from unstructured data. But it is not yet possible to replace the other models. Especially treebased models such as random forest and gradient boosting are powerful classifiers when it comes to structured datasets. Practitioners should concentrate on creating new use cases that leverage the strengths of DL instead of forcing the replacement of traditional models.

(جهت بزرگ نمایی روی عکس کلیک نمایید)

چکیده
1-    مقدمه
2-    مواد و روش ها
2-1 یادگیری ماشین
2-1-1 رگرسیون لجستیک
2-1-2 جنگل تصادفی
2-1-3 تقویت گرادیان
2-1-4 یادگیری ژرف
2-2 طرح آزمایشی
2-2-1 داده ها و پیش پردازش
2-2-2 نرم افزار
3-    نتایج عددی
3-1 مطالعه ی موردی: ریسک اعتباری
3-2 مطالعه ی موردی 2: ادعاهای خسارت بیمه
3-3 مطالعه ی موردی 3: بازاریابی و فروش
4-    DL در واکاوش کسب و کار: یک بررسی واقع بینانه
4-1 بحث در مورد نتایج
4-2 کمک به ادبیات پژوهشی
4-3 پیامدها و مفاهیمی برای تمرین
4-4 تحقیقات آتی
5-    نتیجه گیری
منابع

Abstract
1. Introduction
2. Methods and materials
2.1. Machine learning
2.1.1. Logistic regression
2.1.2. Random forest
2.1.3. Gradient boosting
2.1.4. Deep learning
2.2. Experimental design
2.2.1. Data and preprocessing
2.2.2. Software
3. Numerical results
3.1. Case study 1: credit risk
3.2. Case study 2: insurance claims
3.3. Case study 3: marketing and sales
4. DL in business analytics: a reality check
4.1. Discussion of results
4.2. Contributions to literature
4.3. Implications for practice
4.4. Future research
5. Conclusion
Declaration of Competing Interest
References

این محصول شامل پاورپوینت ترجمه نیز می باشد که پس از خرید قابل دانلود می باشد. پاورپوینت این مقاله حاوی 19 اسلاید و 5 فصل است. در صورت نیاز به ارائه مقاله در کنفرانس یا سمینار می توان از این فایل پاورپوینت استفاده کرد. 

در این محصول، به همراه ترجمه کامل متن، یک فایل ورد ترجمه خلاصه نیز ارائه شده است. متن فارسی این مقاله در 7 صفحه (1800 کلمه) خلاصه شده و در داخل بسته قرار گرفته است.

علاوه بر ترجمه مقاله، یک فایل ورد نیز به این محصول اضافه شده است که در آن متن به صورت یک پاراگراف انگلیسی و یک پاراگراف فارسی درج شده است که باعث می شود به راحتی قادر به تشخیص ترجمه هر بخش از مقاله و مطالعه آن باشید. این فایل برای یادگیری و مطالعه همزمان متن انگلیسی و فارسی بسیار مفید می باشد.

بخش مهم دیگری از این محصول لغت نامه یا اصطلاحات تخصصی می باشد که در آن تعداد 55 عبارت و اصطلاح تخصصی استفاده شده در این مقاله در یک فایل اکسل جمع آوری شده است. در این فایل اصطلاحات انگلیسی (تک کلمه ای یا چند کلمه ای) در یک ستون و ترجمه آنها در ستون دیگر درج شده است که در صورت نیاز می توان به راحتی از این عبارات استفاده کرد.