الذكاء الاصطناعي: أحدث التطورات

وقد أثارت تطور الذكاء الاصطناعي (الذكاء الاصطناعي) ثورة في العديد من القطاعات، والسياحة ليست الاستثناء. وقد سمحت الرقمنة المتزايدة في القطاع بتطبيق تقنيات الذكاء الاصطناعي المتقدمة لتحسين تجربة المستخدم، وتحسين إدارة الخدمات، وتسهيل اتخاذ القرارات الاستراتيجية. وفي هذا السياق، فإن النظام SYSTEM-TH-001 يقدم كحل مبتكر يدمج التعلم الآلي، وأنظمة إدارة المعرفة، والوكلاء الذكيين لتحسين التخصيص والكفاءة في صناعة السياحة.

التعلم الآلي (Machine Learning, ML) هي واحدة من التقنيات الرئيسية في هذا المجال. مستوحاة من التعلم البشري، ML يسمح الكشف عن النماذج في كميات كبيرة من البيانات، مما يسهل التنبؤات الدقيقة والتوصيات. وقد أثبتت نماذج التصنيف مثل آلات الدعم الفكري (SVM) والشبكات العصبية فعاليتها في تخصيص العروض وتقسيم العملاء في قطاع السياحة.

بالإضافة إلى ذلك، تلعب أنظمة إدارة المعرفة (KMS) دورًا رئيسيًا في تنظيم واسترداد المعلومات ذات الصلة بكفاءة. وتتيح هذه الأنظمة هيكل كميات كبيرة من البيانات وتسهيل الوصول إلى المعرفة المفيدة لاتخاذ القرارات.

من ناحية أخرى ، العوامل الذكية ، مصممة بموجب المنهجية SOFTWARE-TH-001 يتيح التفاعل الديناميكي مع البيئة و بينهما ، ويقدم حلول تلقائية وتكيفية في SYSTEM-TH-001. هذا النهج الملهمة بالبيو يسهل تحسين المهام وتوزيع أعباء العمل بكفاءة.

وتجعل هذه التقنيات في SYSTEM-TH-001 في نظام قوي ومستمر يحدد مرة أخرى كيف يمكن للسياحة الاستفادة من الذكاء الاصطناعي، وتحسين تجربة المستخدم، وتحسين إدارة الموارد المتاحة.

2.1 مقدمة

في هذا الفصل، يتم استكشاف تقنيات الذكاء الاصطناعي المستخدمة في النظام. SYSTEM-TH-001 وتسليط الضوء على حالة الفن في السياحة عندما يكون ذلك ممكنا. يتناول التعلم الآلي، مقارنة تشابهه مع التعلم البشري وتطبيقه لتحديد النماذج في كميات كبيرة من البيانات، مما يزيد من اتخاذ القرارات. يتم فحص نماذج التصنيف ، مثل SVM و الشبكات العصبية ، بالتفصيل. بالإضافة إلى ذلك، يتم مناقشة أنظمة إدارة المعرفة والتوصية، وتطبيقها لتحسين الخبرة في السياحة. كما يتناول العاملون الذكيون، وقدرتهم على التفاعل مع البيئة، وتطبيقها في SYSTEM-TH-001 من خلال المنهجية SOFTWARE-TH-001.

سيتم تحليل حالة الفن في كل مجال، وتوفير إطار نظرية وعملية من شأنها أن تسمح لفهم أهمية وتأثير الذكاء الاصطناعي على تطور السياحة الرقمية.

2.2 التعلم الآلي

التعلم البشري والتعلم الآلي، على الرغم من أنهم يبدو مختلفين، يشاركون مجموعة من المبادئ والعمليات المماثلة. أساسا يتطلبون من اكتساب وتجهيز المعلومات، والتي تظهر في تطوير المهارات والمعرفة والقدرة على التكيف مع المواقف الجديدة لاندلي ( 2022 ) بوتفينيك و آل. ( 2017 ).

من وجهة نظر فلسفية، يتجاوز التعلم البشري مجرد اكتساب المهارات ويؤدي إلى تشكيل الطابع والتنمية الأخلاقية والقدرة على التفكير النقدي. أرسطو، في عمله: "أخلاقيات نيكوماتوس"، يدرس أهمية العادة والممارسة في تطوير الفضائل، ويرى أن التعلم هو عملية مستمرة تحسن وتطوير شخصي. وَالْمُسْتَقِيمِينَ وَالْمُسْتَقِيمِينَ ( 2022 )

يمكن أن يفهم التعلم الآلي (ML) كإضافية، حالياً، للتعلم البشري. في ML ، تتعلم الآلات ، وتكتسب المعرفة وبعض المهارات من خلال برامج الكمبيوتر ، ونحن نسميها خوارزميات لتبسيطها ، والتي تسمح للآلة بالتعلم بشكل متزايد على مر الزمن ، من خلال الممارسة. ML هو المجال الذي على أساس البيانات والنماذج الرياضية، يسمح لتحديد النماذج التي تحسن اتخاذ القرارات القائمة على البيانات Meltzoff et al. ( 2009 ).

هذا الموازنة ليس انحناءً حديثاً، في الواقع، أحد الرائدين في مجال الذكاء الاصطناعي، ألان تورينغ، قد اعترف بالفعل بقدرة الموازنة على التخلص من هذه المشكلة.

آلات قابلة للبرمجة لتعلم من الخبرة وتحسين الأداء في المهام المحددة نكا ومرفي ( 2015 ). إذا تعمقنا في معرفة الذكاء الاصطناعي ، يمكننا أن نلاحظ الجهود الكبيرة لتطوير أنظمة التعلم التي تقفز أو تتجاوز حتى المهارات المعرفية في التعلم البشري Lake et al. ( 2016 وَقَالَ رَسُولُ اللَّهِ صَلَّى اللَّهُ عَلَيْهِ وَسَلَّمَ: 2023 ).

واحدة من الميزات ML الأكثر تقديرا اليوم، هو القدرة على تحليل كميات كبيرة من البيانات في البحث عن النماذج، والمهارة بعيدة جدا عن ما نستمتع به البشر راسل ونورفيغ ( 2010 ).

وهذا يجعل ML تقدماً كبيراً في مجال الذكاء الاصطناعي، حيث يسمح للآلات بالتعلم، من الطريقة التي يتم تعريفها، لتحسين التكيف مع التغييرات في البيئة. وتقدم هذه القدرة إمكانية بناء حلول مبتكرة وفعالة على نطاق واسع من المجالات بما في ذلك السياحة. من خلال استخدام ML يمكن أن تستفيد قطاع السياحة من عمليات تحليل البيانات المتحسنة ، والتعرف على النماذج ، والتوصيات المخصصة ، ومعالجة المهام الآلية ، والتي يمكن أن تنمو في تجربة عمل أفضل وتحسين العمليات ، مع زيادة أداء الأعمال Afsahhosseini و Al-Mulla ( 2020 )

وتشمل منطقة ML ثلاثة أنواع من نهج التعلم: المراقبة، غير المراقبة، وتعزيز التعلم. في التعلم المراقب ، يتم تدريب النموذج مع مجموعة من البيانات حيث تكون الإدخالات مرتبطة بقيم الخروج المتوقعة المقابلة ، مما يسمح للنموذج بالتعلم عن الأنماط والعلاقات الموجودة في البيانات ، وبالتالي تطبيق هذا المعرفة لإجراء التنبؤات حول بيانات جديدة ليو وواو ( 2012 ). في غير المراقبة، يركز على اكتشاف النماذج والعلاقات في مجموعة من البيانات غير المسمى، وهذا هو، دون دليل القيم الخروج المحددة مسبقا هينتون و سيهونوفسكي ( 1999 ). تعزيز التعلم، يسمح للنماذج للتفاعل مع البيئة، وتلقي تعليقات في شكل المكافآت أو العقوبات، لتعديل أفعالهم لتحقيق أقصى قدر من العودة المتوقعة فرانسيسكو-لايفيت و. 2018 )

يتم قياس نجاح نموذج ML من خلال قدرته على حل مهمة محددة بشكل فعال ، مثل التصنيف والتنبؤ والإنتاج. المهام التي تتمتع قيمة مضافة عالية في جميع الصناعات، مثل السياحة، من خلال استخدام تقنيات تحليل البيانات، التصنيف، التعرف على النماذج، التنبؤ وأخيرا أوتوماتيك المهام، فضلا عن أنظمة التوصية كازاك et al. ( 2020 وَقَوْلُهُ تَعَالَى: {يَا أَيُّهَا الَّذِينَ آمَنُوا اتَّقُوا اللَّهَ وَكُونُوا مَعَ الصَّادِقِينَ} 2020 ).

إن إجراء تحليلات البيانات من خلال ML، يسمح لك بالكشف عن أنماط وعلاقات خفية معقدة في البيانات، مما يسهل اتخاذ القرارات.

ماما. على سبيل المثال، من خلال التعرف على النماذج وتقنيات التصنيف، تسمح لتحديد العديد من المتغيرات من تجربة السفر، مثل تلك التي يمكن أن تأتي من تفضيلات العميل، وكيفية شراء، فضلا عن خصائص الخدمات المشتركة Shafiee و Varjani ( 2016 ). وتستخدم تقنيات التنبؤ البيانات التاريخية للصواريخ لتنبؤ السلوك المستقبلي، مما يسمح للشركة بتحسين التكيف مع التغيير، والاستجابة للتغيرات في الطلب على الخدمات والأسعار، من بين العديد من العوامل الأخرى نوربرت ( 2011 ). بالإضافة إلى ذلك ، من خلال ML ، يمكن تلقائيًا مهام الشركة وعملياتها بطريقة ذكية. كما أن أنظمة التوصية التي تستخدم خوارزميات ML، وتوفير توصيات مثالية، مما يؤدي إلى تحسين في الخبرة والرضا من قبل المشتري Borràs et al. ( 2014 ).

على الرغم من أن إمكانات ML في قطاع السياحة كبيرة، فمن الضروري عند استخدامها، والنظر في بعض التأثيرات الأخلاقية والتنمية المستدامة لهذه التكنولوجيا. من الضروري إيلاء الاهتمام لخصوصية البيانات، والخرافات الخوارزميّة، والتأثير الاجتماعي لهذه الأنظمة، بحيث تكون فوائد هذه التكنولوجيا متاحة بطريقة مستدامة ومفيدة لجميع المقررين Vesni ́c-Alujevi ́c et al. ( 2020 ).

2.2.1 نماذج التصنيف

النماذج التصنيفية هي فئة أساسية من الخوارزميات في مجال التعلم الآلي والإحصاء. الهدف الرئيسي هو تخصيص علامة أو فئة لملاحظة ، استنادًا إلى مجموعة من الخصائص أو المتغيرات المتوقعة. وتستخدم هذه النماذج على نطاق واسع في مختلف المجالات مثل الطب والتمويل والتسويق والأمن، وذلك بسبب قدرتها على التنبؤ والتصنيف بدقة.

النماذج الرئيسية للتصنيف

هناك العديد من نماذج التصنيف، كل منها مع مزاياها وعيوبها، اعتمادا على طبيعة المشكلة والبيانات المتاحة. بعض الأكثر شيوعا تشمل:

رجوع اللوجستية

إن الانعكاس اللوجستي هو واحد من أكثر النماذج بسيطة وفعالة لمشاكل التصنيف الثنائي. يقدر احتمال أن ينتمي الملاحظة إلى فئة معينة باستخدام وظيفة سيغمويد. ومن المفيد بشكل خاص عندما تكون العلاقات بين المتغيرات المتوقعة والمتغيرات المستهدفة خطية.

آلات الدعم الفكتوري (SVM)

SVMs هي نماذج قوية تبحث عن خطة متفوقة مثالية تقسيم الفصول في الفضاء من الميزات. يستخدمون "الذخيرة"لإدارة البيانات غير الخطية ، مما يجعلها متنوعة ودقيقة في العديد من السياقات.

وقد ظهرت SVM كخوارزميات قوية ومتعددة التطبيقات، من التعرف على الصور ومعالجة اللغة الطبيعية إلى التنبؤ المالي والبيولوجي. وقد تم إدخالها هناك على مر السنين 90 ، ونتيجة لتطبيقها كله نجاح ، بسبب مجموعة واسعة من المشاكل التي يمكنك تحليلها ، حتى مع أداء أكبر من التقنيات الأخرى. الميزة الرئيسية لـ SVM هي قدرتها على العثور على متفردات متفردة مثالية تصل إلى حد كبير من الفجوة بين الطبقات ، مما يخلق حلًا يتضمن عددًا قليلًا فقط من أجهزة الدعم ، وهي ميزة تسهل تطبيقها في مشاكل طويلة الأمد في Moguerza و Muñoz ( 2006 ).

في مجال التمويل ، أثبتت SVM فعاليتها في الكشف عن الاحتيال باستخدام بطاقات الائتمان. مقارنة مع غيرها من التصنيفات، SVM يمكن أن تحل كل من المشاكل الثنائية التصنيف خطية وغير خطية، وتحديد الخطة العليا التي تفصل أفضل بيانات إدخال C. لي و آل ( 2021 ). على سبيل المثال، استخدام SVM في تقنيات المخاطر الائتمانية، أظهرت قدرة كبيرة على التكيف، وتوليد حل عالمي فعال لاتخاذ القرارات في هذه المشكلة S.-L. لي و آل ( 2006 ). مشكلات أخرى في نجاح تطبيقها كانت مشاكل الخصم أو حتى الدراسات حول العملات المشفرة Nazareth و Reddy ( 2023 ). وقدرة SVM على إدارة البيانات ذات الأبعاد العالية والضوضاء، وتوضع هذه التقنية كأداة ذات قيمة عالية في البيئة المالية، على الرغم من أن نجاحها قد وصلت أيضا إلى مناطق أخرى مثل التعرف على الصور أو المشاكل في الأمن المدني، من بين أمور أخرى كثيرة، مما يظهر غروره الكبير Moguerza و Muñoz ( 2006 ).

وقد ثبت أن SVM هي تقنية فعالة للغاية ، ومع ذلك ، فإن اختيار وظيفة النواة الصحيح واختيار المعلمات العليا المناسبة أمر حاسم لتحسين أداءها ، كما يشير إلى الأدب Bing-yu et al. ( 2009 ). على وجه التحديد داخل المشروع SYSTEM-TH-001 وقد تم فحص هذه الطريقة كأداة للكشف عن الجنس من النص، وظيفة لم يتم تنفيذها بعد ولكن يمكن أن تكون مفتاحا في المستقبل من ذلك، وبما أنه يمكن تفسير سلوكها بشكل جيد. وتستمر مجال البحوث في تطوير SVM، لذلك يمكننا أن نتوقع تقدمًا جديدًا وتطبيقات جديدة تخرج من حدودها.

شجرة القرار

الأشجار القرار هي نماذج بديهية تصنف الملاحظات من خلال هيكل القرار الهرمي. سهلة التفسير ومفيدة للمشاكل مع البيانات الفئة أو العددية. عند الجمع بينها في الغابات العشوائية (غابات عشوائية) ، تحسن بشكل كبير دقةها وقوةها.

الشبكات العصبية

الشبكات العصبية هي نماذج مستوحاة من الدماغ البشري ، مثالية للمشاكل المعقدة وغير الخطية. يستخدمون عدة طبقات من الأعصاب لتعلم التمثيلات الهرمية للبيانات ، مما يجعلها فعالة للغاية في تصنيف الصور ، ومعالجة اللغة الطبيعية ، وأكثر من ذلك.

تقييم النماذج

يتم تقييم كفاءة نماذج التصنيف باستخدام مقياسات مثل الدقة والرصيد والنتيجة F1 والمناطق تحت منحنى ROC (AUC-ROC). بالإضافة إلى ذلك ، من المهم تجنب مشاكل مثل التكيف المفرط ، باستخدام تقنيات مثل التحقق المتقاطع والتنظيم.

2.2.2 نماذج التحسين

النماذج التصنيفية والتحسين هي فئة أساسية من الخوارزميات في مجال التعلم الآلي والإحصاء. الهدف الرئيسي هو تخصيص علامة أو فئة لملاحظة، استنادا إلى مجموعة من الخصائص أو المتغيرات التنبؤية، في حين تسعى لتحسين المعلمات النموذجية لتحقيق أداء مثالي. وتستخدم هذه النماذج على نطاق واسع في مختلف المجالات مثل الطب والتمويل والتسويق والأمن، وذلك بسبب قدرتها على التنبؤ والتصنيف بدقة. هناك العديد من النماذج التي تستخدم تقنيات التحسين لتحسين أداءها. بعض الأكثر شيوعا تشمل آلات الدعم الفكتوري (SVM) ، والتي هي نماذج قوية تبحث عن خطة متفوقة تفرق الصفوف في الفضاء المميز. يعتمد التحسين في SVM على تحسين الفجوة بين الفصول ، مما يضمن تحسين التعميم. لتجهيز البيانات غير الخطية، تستخدم SVM "الذخيرة" مثل النواة غاسيا أو البولينومية، والتي تحول البيانات إلى مساحات أكبر حيث تكون الطبقات منفصلة. من ناحية أخرى ، فإن الانكماش اللوجستي هو واحد من أكثر النماذج بسيطة وفعالة لمشاكل التصنيف الثنائي. يتم تحسينها عن طريق تقليل وظيفة التكلفة القائمة على الانتروبيا المتقاطعة ، باستخدام أساليب مثل انخفاض الحفرة الستوكاستيكية (SGD). هذا النهج يضمن أن المعلمات النموذجية تتحول نحو الأفضلية العالمية.

الأشجار القرار هي النماذج الهرمية التي تصنف الملاحظات من خلال مجموعة من القرارات القائمة على خصائص محددة. وتشمل التحسينات في هذه النماذج اختيار أقسام تقلل من المعادن مثل entropy أو مؤشر Gini. في الغابات العشوائية ، يتم تحسين الأداء عن طريق الجمع بين العديد من الأشجار باستخدام تقنيات "الخياطة" ، مما يقلل من خطر الإفراط في التكيف. من ناحية أخرى، الشبكات العصبية هي نماذج مستوحاة من الدماغ البشري، مثالية للمشاكل المعقدة وغير الخطية. يستخدمون تقنيات التحسين مثل انخفاض الحدائق، وانخفاض الحدائق مع الوقت، والخوارزميات المتقدمة مثل آدم. هذه التقنيات تعديل الوزن من الاتصالات بين الأعصاب لتقليل وظيفة الخسارة وتحسين الأداء. بالإضافة إلى ذلك ، تستخدم نماذج مثل Gradient Boosting و AdaBoost و XGBoost تقنيات التحسين الإيتراتي لتعديل نماذج بسيطة ، مثل أشجار القرار ، في التسلسل. كل إيتراشن يصلح الأخطاء في النموذج السابق، وتقليل وظيفة الخسارة التراكمية.

تحسين دعم Vector Machines

SVM هي خوارزمية تعتمد أداءها على استخدام النواة. K(x، y) هو وظيفة القيمة الحقيقية K: X × X → R التي تعمل كمنتج تسلق في الفضاء الفكتوري الحقيقي Z. لهذا، هناك وظيفة:

ف: X → Z ، ( 2.1 )

وَمَا كُنْتُمْ تَعْلَمُونَ (وَمَا كُنْتُمْ تَعْلَمُونَ) X و Z هي، على التوالي، المعروفة باسم مساحات الدخول والخصائص.

SVM ينتمي إلى نوع الخوارزميات القائمة على نظرية تنظيم Moguerza et al. ( 2006 ). هذه الأساليب تسمح بناء وظائف التصنيف لحل مشكلة التحسين في شكل Tikhonov و Arsenin ( 1977 ):

n x

م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م 1 n

I = 1 L(yi، f(xi)) + μ ⁇ f ⁇ 2 ك ) 2.2 )

حيث μ > 0; HK يحدد مساحة هيلبرت من النواة التكرار (RKHS) المرتبطة النواة K؛ ⁇ f ⁇ K هو معيار f في RKHS؛ xi هي نقطة البيانات المعروضة؛ yi ∈{− 1, + 1 } يشير إلى اثنين من الطبقتين المحتملة من xi؛ وأخيرا، L(yi، f(xi)) هو وظيفة خطأ. في هذا السياق ، f(x) = 0 هذا هو مساحة القرار في HK. يستخدم النهج النموذجي SVM وظيفة الخطأ المحددة L ، تسمى فقدان البصرة (Hinge Loss) ، والتي يتم تعريفها على أنها:

L(yi ، f(xi)) = ( 1 −yi f(xi)) +، ( 2.3 )

مع (x) + = m ́ax(x ، 0 ).

في هذه الحالة ( 2.2 ) ، μ يساعد على وضع التزام بين تعديل حل f للبيانات ، مقياس بواسطة L ، و تعقيد وظيفة f ، مقياس بواسطة ⁇ f ⁇ K.

ومن المهم أن نثبت أن ⁇ f ⁇ 2 K = ⁇ w ⁇ 2 حيث w = Pn i αiΦ(xi) و Φ هو الخريطة المحددة في ( 2.1 ). و في هذه الحالة ( 2.2 يمكن إعادة تشكيلها على النحو التالي:

n x

م م م م م م م م م م م م م 1 n

I = 1 ( 1 −yi(wTΦ(xi) + b))+ + μ ⁇ w ⁇ 2. ( 2.4 )

مشكلة ( 2.4 ) هو ما يعادل حل المشكلة التالية من التحسين المزدوج Moguerza et al. ( 2006 ):

م م م ب 1 2 بـتـكـبـيـتـكـبـيـتـكـبـيـتـكـبـيـتـك

( 2.5 )

s.t. yTβ = 0,

0 ≤β ≤Ce،

حيث β = (β1 ،.. ، βn)T ، و = (y1 ،... ، yn)T ، 0 هو فيكتور من الصلب، وهو فيكتور من

واحد، Q هو تعريف n × n مع المصفوفة التماثيلية الإيجابية مع Qi j = yiy jK(xi، x j)، و C = 1 2 و هو ثابت. هذه المشكلة هي معادية ومربعة، وبالإضافة إلى ذلك كل الحد الأدنى المحلي هو أيضا الحد الأدنى العالمي.

في سياق البساطة ، يتم تعريف g(β) على أنه درجة من وظيفة المشكلة المستهدفة ( 2.5 ) ، وهذا هو ، g(β) = Qβ −e.

و فيكون الـ ( ب ) نقطة ثابتة من ( 2.5 ( ) إذا و فقط إذا كان هناك عدد د وثلاثة فيكتورين غير سلبية λ و μ ، بحيث:

g(β) + dy = λ −μ ،

ليبي = 0, i = 1... n ،

( 2.6 )

μi (C −βi) = 0, i = 1... n ،

لي، مي ≥ 0, i = 1 و. n.

يمكن أن تظهر ، Chen et al. ( 2006 (ب) أن يكون فيكتور ب مثل 0 ≤βi ≤C يلبي الشروط ( 2.6 إذا و فقط إذا

−yig(β)i ≤d، ∀i ∈Iup(β)،

⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ 2.7 )

حيث Iup(β) ≡{t♰ βt < C, yt = 1 أو BT > 0, yt = − 1 }، و

إلوا(β) ≡{t♰ βt < C, yt = − 1 أو BT > 0 ⁇ ⁇ = 1 }. ( 2.8 )

من ( 2.7 ) ، يقال أن m(β) ≤ M(β) ، حيث:

⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

(وَمَا كُنَّا مُعَذِّبِينَ حَتَّى نَبْعَثَ رَسُولًا) 2.9 )

في سياق المشاكل ( 2.5 يتم حلها باستخدام ما يسمى الخوارزميات من نوع التحسين الأدنى الثانوي (SMO) (Joachims ، 1999; بليت 1998 ). هذه الخوارزميات هي أساسا أساليب نيوتن المربعة التي، من أجل جعل المشكلة قابلة للتعامل مع الحوسبة، تعتبر فقط مجموعة فرعية من المتغيرات في كل إيتراها، ما يسمى مجموعة العمل، بدلا من العمل مع جميع المصفوفة Q.

النظرية 1. (السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة التي تنتجها السلسلة ) 2.5 ). ثم إذا كان Q هو مربع محدد إيجابي ، فإن نقطة الحد {βk} هي الحد الأدنى الوحيد والمتكامل للمشكلة ( 2.5 ).

إظهار. انظر Chen et al. ( 2006 ). □

وبالتالي، يتم الحفاظ على الكورولاي التالي.

كورولاري 1.1. إذا {βk} هو تسلسل لا نهاية له ، فإن الحدود التالية اثنتين موجودتين وهي متساوية: l'ım k→∞m(βk) = l'ım k→∞M(βk) ( 2.10 )

مع الأخذ بعين الاعتبار تعريف مجموعات Iup و Ilow من المعادلة ( 2.8 )، وخاصة من βk المشاركة داخل كل مجموعة (في حدود) إلى k كبير بما فيه الكفاية ومتسامح صغير ε > 0, تفي بالشروط التالية: m(βk) −M(βk) ≤ε, ( 2.11 )

هذا هو:

⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

m(βk) −M(βk) = 0.

على أساس هذه النتائج ، تنفذ خوارزميات نوع SMO...

دليل معايير الاعتقال:

m(βk) −M(βk) ≤ε. ( 2.12 )

2.3 معالجة اللغة الطبيعية

معالجة اللغة الطبيعية، PLNs، هو فرع من الذكاء الاصطناعي الذي يركز على التفاعل بين الكمبيوتر والإنسان، من خلال اللغة. يسمح للآلات لفهم وتفسير وإنتاج اللغة الطبيعية. وتتطور هذه المجال بشكل ديناميكي وتتطور بسرعة كبيرة، وتولد تقدماً كبيراً في السنوات الأخيرة، مع تطبيقات في مجالات مختلفة مثل ترجمة اللغات، وتحليل المشاعر، والواجهة الموجهة نحو المحادثة ( 2019 ).

PLNs، وتطوير مجموعة واسعة من التقنيات والنهج، بما في ذلك فهم وتوليد اللغة الطبيعية، فضلا عن معالجة الكلام. هذه التقنيات عادة ما تستخدم القدرة على MLs والتعلم العميق، فضلا عن تقنيات الحوسبة الأخرى، لتحليل وفهم وتوليد اللغة البشرية. في الوقت الحاضر PLNs يظهر تقدما كبيرة جدا، واحدة منها هو القدرة على فهم الهياكل والمعاني من مجموعات البيانات في اللغة الطبيعية، والتقنيات مثل التحليل أو parsing، وتسمية، وتحليل السمنة، هي الأساليب التي تسمح لأجهزة الكمبيوتر تتصرف تقريبا مثل الإنسان من وجهة نظر اللغة Young et al. ( 2017 ).

وقد أثارت Deep Learnings (DLs) ثورة في مجال PLNs ، مما يتيح إنشاء نماذج تتعلم التمثيلات المعقدة للغة ، من البيانات على نطاق واسع. في كثير من الأحيان شبكات الأعصاب تظهر أداء أعلى من غيرها من الأساليب، والمهمات مثل الترجمة أو توليد النص أصبحت فعالة جدا مع هذا النوع من النماذج Lan et al. ( 2024 ).

ومن بين التطورات الأخيرة في PLNs هو إدخال LLMs، large language models، مثل: SOFTWARE-TH-003 و GPT، التي أثبتت قدرة مثيرة للإعجاب في تاريخ من المهام Yenduri et al. ( 2023 ). يمكن تعديل هذه النماذج قبل التدريب، من خلال عملية fine-tunnning، لمهمات محددة، مما يزيد بشكل فعال من المعرفة الغنية للغة التي تم الحصول عليها أثناء التدريب قبل التدريب.

PLNs، مستمرة في التطور، والباحثين والمستخدمين يواجهون العديد من التحديات، مثل تحسين، قوة، وتفسير النماذج، وإغلاق الثقب بين ضغط وتخفيف اللغة الطبيعية واستكشاف التطور.

تكرار مع مجالات أخرى، مثل التعلم المتعدد الأوجه وتقديم المعرفة Khurana et al. ( 2022 ).

2.3.1 استنتاج الجنس من النصوص

وقد أدى تصنيف الجنس في النص إلى تعزيز البحوث في هذا المجال. واحدة من التطبيقات الأكثر شيوعا هو اكتشاف الجنس من الشخص الذي كتب نص Mukherjee و Bala ( 2017 ); هانغ و آل. ( 2014 ) ، مؤلفي رسالة البريد الإلكتروني Corney et al. ( 2002 ), رسائل الدردشة Kucukyilmaz et al. ( 2006 أضف تعليقًا لـ ( يان و يان ) 2006 ) ، المساهمين في المشاريع على الانترنت التعاونية Vasilescu et al. ( 2014 ); ب ب ب لين و سيربرنيك ( 2016 ); ألواح و ألواح ( 2017 ); م م وَلَا تَعْلَمُوا أَنَّ اللَّهَ عَزِيزٌ ( 2019 ) أو الكشف عن الجنس من التعليقات الخلفية للمستخدمين على منصات CRM Lau et al. ( 2005 ); الحبيب و الحبيب ( 2018 ). وقد تم إجراء ملف تعريف النصوص من المؤلفين تحت العديد من اللغات Kocher و Savoy ( 2017 ); فاتيما و آل. 2017 ); ألفا و ليفربول و آل. 2020 ) ، مما يؤكد مزايا الأساليب التي تستند إلى المحتوى. يمكن أن تكون هذه المشاكل من خلال استخدام كراتشمر وبرق ( 2005 ); الوردي والوردي ( 2016 ) وكذلك علامة Part Of Speech (POS)Fourkioti et al. ( 2019 ).

في كريستال و هيرمان ( 2019 فالمؤلفون يفحصون 215 أعماله السابقة المنشورة بين 2017 و و 2019 عن معرفة الجنس من المؤلفين. وفقا لهذه المراجعة، أفضل التجربة في الأدب البحث السابقة يظهر دقة من 93.4 % من القضايا التي تم إدراجها في المنشورات SERVICE-005 مريم و آل ( 2017 ). ويستحق الإشارة، أن جميع المنشورات من البحوث التي تعتبر هذه الاستطلاع، وتنفيذ إجراءات القياسية من التعلم الآلي لإعداد إدخال النصوص، بما في ذلك توكينال وقياس النص Eisenstein ( 2019 (كما هو الحال مع التصريح أو التصريح). كما هو موضح في القسم 5.3 ، من خلال هذا النهج ، أدخلنا التغييرات في الإجراءات القياسية لتحسين الأداء في تحديد الجنس كما هو موضح في أبحاث أخرى مسبقة Uysal و Gunal ( 2014 ). بالإضافة إلى ما سبق، واحدة من القيود المشتركة للدراسات الأخرى هو أن النظر فقط في التمييز الثنائي (سوف تذهب بعمق في هذه الأفكار في القسم 5.4.4 ).

وفقا لـ كريستال و هيرمان ( 2019 ) ، هناك اختلاف كبير في دقة تحديد الجنس باستخدام لغات مختلفة. ويظهر نظرة أعمق على الأعمال السابقة في هذا المراجعة أن التجارب مع اللغات التي توفر معلومات غنية عن الجنس، مثل الإسبانية والبرتغالية، تقدم أداء أفضل من الإنجليزية. في هذه الطريقة الجديدة التي يتم تقديمها ، من المفيد SYSTEM-TH-001 نحن نبحث عن تأكيد ما إذا كان من الممكن استخدام خصائص محددة لبعض اللغات من أجل إجراء تحديد الجنس.

تحديد الجنس في النص، أي، تحديد الجنس لشخص ما

ووصفها في نص، وقد حصلت على مضاعفة من الاهتمام مقارنة في الدراسات السابقة. ومع ذلك ، هناك تطبيقات للإعلانات الموجهة إلى Jansen et al. ( 2013 ) ، تقييم الاختلافات بين الجنسين في أسواق العمل عبر الإنترنت Foong et al. ( 2018 ) و الاعتراف بالهيئات المسمى (NER) Cho et al. ( 2013 ). على عكس النهج السابقة، predominantemnete القائمة على خدمات قاعدة بيانات Wais ( 2016 ); (السيدات و الميتا و الميتا ) 2018 أحدث من قبل S. وَالْمُسْتَقِيمِ ( 2021 يظهرون فائدة تطبيق خوارزميات التعلم الآلي التي تحلل المعلومات السياحية. اقتراح ل SYSTEM-TH-001 هو الجمع بين خوارزميات التعلم الآلي مع الاحتفاظ بالعنصر المورفولوجي الذي يحتوي على معلومات عن الجنس في بعض اللغات، لتحسين أداء العلامة الشخصية الموصوفة في النص.

2.4 نظم إدارة المعرفة

المعرفة إدارة الأنظمة، المعرفة إدارة الأنظمة (KMSs)، هو مجال مع نهج متخصص، وغالبا ما يتم دمجها داخل أنظمة أخرى على أساس المعرفة الأوسع لإدارة الموارد المعرفية من قبل منظمة غريس و بوتلر ( 2005 ). وتهدف هذه الأنظمة إلى تخزين ومعالجة واستخدام المعرفة اللازمة لتحقيق أهداف منظمة تامبي ( 2008 ). على وجه التحديد، KMSs، عادة ما تكون مأوى المعرفة المنظمة، من خلال استخدام المخزونات مثل قواعد البيانات، Data Lakes وغيرها من الهياكل، ولكن أيضا تسمح لتحليل هذه المعرفة المخزنة في البحث عن الاتجاهات، ودعم عملية اتخاذ القرارات المنظمة من وجهة نظر استراتيجية Sensuse et al. ( 2018 ).

واحدة من الوظائف الرئيسية للمؤسسات الصغيرة والمتوسطة هي زيادة فعالية وكفاءة المنظمة، في التغلب على التحديات التي تنشأ من مشكلة توفير الوصول إلى المعرفة ذات الصلة، والعملية التي تم الحصول عليها من خلال القدرة على النظام لإنتاج مستويات متعددة من efectividd، والتي يتم تحسينها بشكل متزايد بمجرد دمج المعرفة الجديدة المكتسبة Thampi ( 2008 ). KMSs لديها العديد من التطبيقات عبر العديد من المجالات، بما في ذلك أنظمة إدارة المستندات والمحتوى، ومنصات التعلم الإلكتروني، وشبكات الاتصالات، وأنظمة العمل التعاونية غريس وبوتلر ( 2005 ).

على سبيل المثال، يركز مديرو المستندات والمحتوى على توفير المستخدم الوصول في الوقت الحقيقي للمحتوى المخزن من المنظمة، وعادة ما يتم تنظيمه من خلال المواضيع. يتم تنفيذ هذه الأنظمة من خلال بنية البيانات الميتة التي تسهل الاسترداد والبحوث بين المحتويات Sensuse et al. ( 2018 ). نظم التعلم الإلكتروني، تركز على تعليم وتدريب المستخدمين من خلال توفير المعرفة المنظمة والمنظمة

بطريقة ودية. تم تصميم هذه الأنظمة لتحسين عملية التعلم، من خلال تحفيز الالتزام المستخدم، والسماح للاكتساب من المهارات والقدرات الجديدة، وبشكل كبير المساهمة في التنمية المهنية العامة للرأسمال البشري من قبل منظمة غريس و بوتلر ( 2005 وَقَالَ أَبُو هُرَيْرَةَ: 2020 ). وقد نشأت KMSs أيضا كنهج شعبية جدا للمنظمات التي تسعى لتعزيز التعاون والاجتماع والاندماج في فريق C البشري. ك. وَالْمُسْتَقِيمِينَ ( 2002 ). يمكن العثور على هذه الأنظمة في العديد من مجالات التطبيق، من بينها، وجدنا أنظمة التوصية للتعليم التامبي ( 2008 ) ، الألعاب التعليمية Grace و Butler ( 2005 تطبيقات الواقع المعزز C. ك. وَالْمُسْتَقِيمِينَ ( 2002 ). كما أنها متكاملة كشبكات الاتصالات، والتي تخدم كمنصة لتبادل وإدارة المعرفة Eiriemiokhale و Idiedo ( 2020 )

ومع ذلك، يمكن أن يكون تنفيذ KMS بنجاح وتكاملها مع عمليات التعلم الداخلي وحتى مشاركتها معقدًا، حيث يتطلب النظر في العديد من العوامل الحاسمة للنجاح، مثل التوافق بين النظام والأهداف الاستراتيجية والتفاعل النشط مع الموظفين وتأسيس ثقافة تنظيمية دعم C. ك. وَالْمُسْتَقِيمِينَ ( 2002 ).

مثال على KMSs هو الإطار. SYSTEM-TH-001 ’، الذي هو أيضا مدير وثائقية ومحتوى الذي ينظم المعلومات المتعلقة بالأنشطة المختلفة في مجال السياحة لتسهيل اكتشاف المعرفة واستعادة.

وتتطلب تنفيذ KMSs بنجاح معرفة متعمقة وفهم العوامل الاجتماعية والاقتصادية التي يمكن أن تؤثر على مشاركة المعرفة في المنظمة، فضلا عن التوافق الاستراتيجي مع أهداف التعلم وإدارة المعرفة في نفس C. ك. وَالْمُسْتَقِيمِينَ ( 2002 ). وبالإضافة إلى ذلك، يتم التركيز على أهمية الفهم على مستوى الفرد من الدوافع وراء عمل مشاركة المعرفة، وقد حددت الدراسات الحالية العديد من العوامل التي يمكن أن تؤثر على نجاح هذه التكنولوجيا، بما في ذلك خصائص المستخدمين، مثل توجيهها لتبادل المعرفة، ثقتها في النظام، فضلا عن ديناميات القوة، ولكن وذكر أيضاً أنّه من أهمّ ما يُعرف به علم النفس ( 2019 ). لضمان تنفيذ كفاءة من المعايير الصناعية، يجب على المنظمات أن تأخذ بعين الاعتبار هذه العوامل الحاسمة وتطوير استراتيجيات تعزز ثقافة الدعم، وتسليط النظام على الأهداف الاستراتيجية والتفاعل مع المستخدمين من خلال الأنشطة ذات الصلة بالعمل. لين ( 2007 ).

2.4.1 نظم التوصية

تم تصميم أنظمة التوصية لتوفير اقتراحات مخصصة للمستخدمين من خلال إنشاء ملف تعريف فريد لكل فرد ، استنادًا إلى مجموعة متنوعة من المعلمات التي تعكس اهتماماتهم وتفضيلاتهم ومعتقداتهم. هذه الملفات الشخصية المستخدم مع أساسيات لتمكين أنظمة التوصية لتكييف وتلبية الطبيعة الديناميكية من احتياجات ومتطلبات المستخدمين. وَالْمُسْتَقِيمِينَ ( 2022 )

إن عملية بناء ملفات تعريف المستخدم عادة ما تتضمن جمع البيانات من مصادر مختلفة، مثل معلومات التسجيل، وتاريخ الملاحة، وتاريخ الشراء، والتعليقات الخلفية الواضحة المقدمة من قبل المستخدم ( 2016 ). يتم تحليل هذا المجموعة من البيانات لتحديد النماذج التي تسمح بتحديد تفضيلات المستخدمين ( 2019 ). وبما أن تفضيلات المستخدم يمكن أن تتغير مع مرور الوقت، فإن بناء الملفات الشخصية يسمح بتكيف أفضل لهذا التغيير، مما يخلق توصيات أفضل، مما يخلق تجربة استخدام أفضل للمستخدمين ( 2010 ).

يمكن تنفيذ أنظمة التوصية لاستخدام أساليب التوصية المختلفة، على سبيل المثال، نهج في استعادة المحتوى ذات الصلة أو مع سمعة جيدة Paudel et al. ( 2016 ). من خلال النظر في هذه العوامل المختلفة، يمكن أن توفر هذه الأنظمة للمستخدمين مجموعة متنوعة من التوصيات التي تغطي اهتمامات وتفضيلات المستخدمين. كينغ ( 2022 )

إن تطوير ملف تعريف مستخدم محسن ودقيق هو، لذلك، عنصر حاسم في تصميم أنظمة التوصية الفعالة، حيث يسمح لهذه الأنظمة بالتكيف وتقديم اقتراحات مخصصة متوافقة مع تفضيلات المستخدمين. ( 2015 )

لهذا السبب، والقدرة على إنشاء والحفاظ على مجموعة من ملفات تعريف المستخدم على مر الزمن، هو واحد من المفتاحين للنجاح النهائي لنظام التوصية، لأنه السبب الذي يسمح لك لتقديم اقتراحات فعالة من خلال تحسين ذلك رضا المستخدم Paudel et al. ( 2016 ).

وفي حالة الإطار SYSTEM-TH-001 هو نظام التوصية الذي يمكن أن يقدم توصيات لوكيل السفر حول العملاء الأكثر عرضة للشراء، وبالتالي يمكن تصنيفها على أنها نظام القاعدة ذات الصلة.

2.5 الوكلاء الأذكياء

وكلاء ذكيون هي كيانات البرمجيات التي يمكن أن تتفاعل مع بيئتها وغيرها من الوكلاء داخلها، وتبادل المعلومات وتظهر السلوكيات التي تحاكي تعقيد العالم الحقيقي. وَالْمُسْتَقِيمِينَ ( 2008 ). يمكن للموظفين الذكيين، الذين لديهم الاستقلال والقدرة على التفاعل مع بيئتهم، أن يمارسوا مهام تنظيمية فعالة لتحقيق أهداف محددة Itaiwi et al. ( 2012 ).

الطبيعة الديناميكية للنظم القائمة على العاملين، حيث العاملين تخصهم من العديد من الأدوار والمسؤوليات، يسمح لمحاكاة السيناريوهات المعقدة التي تحاول نموذج العالم. من خلال نمذجة العوامل القائمة على خصائص المجتمع الحالي، يمكن للباحثين دراسة السلوكيات التي تظهر مع التفاعل بين العوامل، مما يوفر معرفة قيمة من خصائص النظم المعقدة التكيف أحمد et al. ( 2005 )

وكلاء ذكيون، الذين يُمكن فهمهم حالياً في شكل الروبوتات المادية أو الروبوتات الدردشة، هم بديل موعد للمساعدين البشريين في المهام ذات المستوى العالي، حيث يمتلكون قدرات الملاحة الذاتية عبر بيئات معقدة وديناميكية ويستخدمون معرفتهم وقدراتهم الفكرية لتحقيق مجموعة من الأهداف Z. كينغ ( 2021 ). هذه الوكلاء هي إيجابية، مستقلة ومستقلة، وتستند على معرفتها الخاصة بالقواعد المحددة مسبقا لحل المشاكل بورغين ودوديغ-كرنكوفي ( 2009 ). وقد تستخدم قدراتها التفاعلية لحل المشاكل المعقدة أو توزيع الأعباء العملية مع درجة معينة من التنسيق بين بورغين ودوديغ-كرنكوفي ( 2009 ). وتشمل دورة حياة العاملين الذكيين، تحقيق مجموعة من الأهداف من خلال المعرفة المتاحة واستخدام مجموعة من المفاهيم المرتبطة ( 2.1 ) بيرغين ودوديغ-كرنكوفي'c ( 2009 ). يمكن أن تكون هذه الأهداف مستقلة أو أن تكون منظمة من خلال الهدفين الفرعيين الذين يسمحون لك لتحقيق أهداف عالية المستوى عندما يتم تحقيقها. الهدفات مرتبطة بالمهام التي يقوم بها العاملون، كلاهما، والهدفات والمهام هي عناصر من حالة العقل العاملين، مما يخدم لتخزين القواعد والمعرفة، والتي تسمح بتنفيذ المهام وتحقيق الأهداف بورغين ودوديغ-كرنكوفي ( 2009 ).

المنظمة في شكل أنظمة متعددة العاملين MASs مفتوحة للتعاون والمنافسة والتفاوض، من خلال استخدام معايير تقنيات النمذجة والهندسة البرمجيات القائمة على العاملين Z. كينغ ( 2021 ); فانكس و آل ( 2023 ); هولينبورغ ( 2009 ).

النمذجة القائمة على العوامل، Agent-Based Modeling (ABM) Uddin et al. ( 2021 )، ومهندسة البرمجيات الموجهة نحو الوكلاء، وكيل-مجهز الهندسة البرمجيات.

صورة 2.1: المفاهيم الرئيسية SOFTWARE-TH-001 لتطوير المجموعات.

وَقَالَ الْمُحَمَّدُ بْنُ عَبْدِ اللَّهِ بْنُ عَبْدِ اللَّهِ بْنِ عَبْدِ اللَّهِ بْنِ عَبْدِ اللَّهِ بْنِ عَبْدِ اللَّهِ بْنِ عَبْدِ اللَّهِ بْنِ عَبْدِ اللَّهِ بْنِ عَبْدِ اللَّهِ بْنِ عَبْدِ اللَّهِ بْنِ عَبْدِ اللَّهِ بْنِ عَبْدِ اللَّهِ بْنِ عَبْدِ اللَّهِ بْنِ عَبْدِ اللَّهِ بْنِ عَبْدِ اللَّهِ بْنِ عَبْدِ اللَّهِ بْنِ عَبْدِ اللَّهِ بْنِ 2018 ) ، هي المعايير في المجال الذي يوفر العناصر والكيانات تنفيذها. بعض النهج المعروفة التي تستخدم MASs لحل المشاكل المعقدة أو محاكاة البيئات الحقيقية هي، محاكاة حركة المرور الطرق Fernández-Isabel et al. ( 2020 )، والأنظمة الموزعة لدعم القرار غونزاليس-فرنانديز و ( 2020 ) ، أنظمة التعلم الآلي الملهمة الحيوية رؤوس و أل. ( 2020 ألعاب الفيديو J. وَالْمُسْتَقِيمِينَ وَالْمُسْتَقِيمِينَ ( 2022 ).

يتم تصميم MASs عادة باستخدام أدوات محددة وكيانات خاصة.

إجراء مراحل مختلفة من تطوير النظم المعقدة. وهذا يسمح لك لخلق العلاقات والتفاعلات بين العوامل التي يتم تمثيلها رسميا ثم تحويلها تلقائيا إلى رمز المصدر. SOFTWARE-TH-001, GAIA, Prometheus, and Tropos are methodologies of agents well known in the domain Siswahyudi et al. ( 2018 ).

منصات الوكلاء، ومكتبات المصدر لبعض لغات البرمجة، هي عادة الحل لتنفيذ MAS التي تم نموذجها مسبقا. أمثلة واضحة في هذا المجال هي SOFTWARE-TH-004 (جافا) Bergenti et al. 2020 ) و MESA (Python)Kazil et al. 2020 ).

من أجل تطوير SYSTEM-TH-001 ، تم استخدام منهجية الوكلاء INGE- NIAS ، وتكييف نموذج الوكلاء إلى إطار MESA لتنفيذه. نموذج العامل هو نموذج متوزع مستوحاة من البيولوجيا استنادا إلى تنظيم مستعمرة من البراغيث، لإنتاج MAS متوزع في العديد من البراغيث التي تعمل معا أو مستقلة وفقا لعبء العمل النظام.