هوش مصنوعی و تأثیر آن در تجارت الکترونیک

نشریه ای قابل دسترس در باره كاربردهای هوش مصنوعی برای تجارت الكترونیك با بهترین دانسته ها وجود ندارد این مقاله در واقع مرور اجمالی تكنیك های متنوع هوش مصنوعی است كه در طراحی و توسعه سیستم های تجارت الكترونیك استفاده می شوند. این تكنیك ها از نظر نام و عنوان به سه گروه تقسیم بندی می شوند.

تكنیك های هوش مصنوعی برای تجارت الكترونیك B2B

تكنیك های هوش مصنوعی برای تجارت الكترونیك B2C

تكنیك های هوش مصنوعی برای تجارت الكترونیك B2B و B2C

بعلاوه این مقاله نشان می دهد كه چگونه تكنیك های هوش مصنوعی در تجارت الكترونیك استفاده می شوند.

مقدمه

هوش مصنوعی یك روش انظباطی است كه كمك به فهم طبیعت هوش بشری از طریق ساختار برنامه های كامپیوتری می كند كه تقلید كننده رفتار هوشمندانه ( بشر ) است. تكنیك های هوش مصنوعی بطور موفقیت آمیز توسعه یافته و در بیشتر سطوح علمی ، مهندسی، آموزش و رورش، تجارت و غیره استفاده می شوند. ما اصطلاحات دیدگاه ها ، تكنیك ها، تكنولوژی ها، ابزار ، سبك ها، و سیستم ها را بطور معاوضه(به جای هم) در بقیه این مقاله استفاده می كنیم. لیست كامل كلمات اختصار در ضمیمه این مقاله مهیا می باشد.

تجارت الكترونیك یا E-Commerce عبارت است از تكنولوژی های محاسبات و ارتباطات در تجارت بین برخی یا تمام قسمت های یك تجارت و مشتریان آن . تكنیك های هوش مصنوعی بطور گسترده در توسعه سیستم تجارت الكترونیك همچنین استفاده می شوند. حوزه تجارت الكترونیك می تواند دسته بندی شود به تجارت الكترونیك B2C و تجارت الكترونیك B2B . برحسب تكنیك های هوش مصنوعی مرتبط در این حوزه. در این مقاله ما برخی تكنیك های هوش مصنوعی مهم را نشان می دهیم كه در طراحی و توسعه سیستم های تجارت الكترونیك مفید هستند.

هوش مصنوعی در انواع متفاوت تجارت الكترونیك

دیدگاه های هوش مصنوعی در توسعه سیستم های تجارت الكترونیك B2B و B2C مفید هستند . تجارت الكترونیك B2B دارای تقریبا 80 درصد اشتراك بازار تجارت الكترونیك مجموع است و B2C بقیه این سهم را از آن خود دارد. اما بیشتر توجه در هوش مصنوعی برای توسعه تجارت بر تبادلات و بازار B2C متمركز شده است.

در تجارت الكترونیك B2C هوش مصنوعی عمدتا استفاده می شود برای محصول و مسائل و امور توصیه ای، مذاكراتی، حراج، حل مسائل زمان بندی دنیای واقعی و افزایش مقیاس پذیری سرورها، تولید پاسخ خودكار و تصمیم گیری روی دسته بندی و قیمت گذاری اجناس و غیره.در تجارت الكترونیك B2B هوش مصنوعی عمدتا استفاده می شود برای مدیریت زنجیره ای تامین و تدارك تكنولوژی های هوش مصنوعی یعنی موجودیت ها(Ontologies) از هر دو نوع سیستم های تجارت الكترونیك استفاده می شوند. بخش زیر این جزئیات را شرح می دهد.

هوش مصنوعی در مزایدات On-Line

امروزه تقریبا 2000 سایت On-Line حراج در اینترنت وجود دارد. بیشتر مزایدات On-Line مقدار-مشترک هستند(Common-Value) .برای مثال مزایدات برای ماشین ها یا کامپیوترها تکنیک های معرف نمایندگی قابل تنظیم عمومی استفاده می شوند برای نمایش کاربران در مزایدات مستقیم. این نمایندگان (معرف ها) می توانند تنظیم، مقدار دهی و نظارت از یک رابط On-Line شوند.عموما لعنت و نفرین شخص برنده (Winner’s Curse) اتفاق می افتد اگر یک مزایده کننده دارای خطای مثبت بزرگ در ارزیابی اش باشد. اگر یک مشتری بتواند ارزیابی کننده این بخش بطور صحیح باشد بنابراین او می تواند از نفرین و لعن برنده احتراز کند. برای ارزیابی این بخش بطور صحیح تر نیاز دارد به یافتن یا تخمین زدن قیمت بازاری این اقدام چون قیمت بازاری مشتری را قادر می کند به ارزیابی صحیح تر این قلم جنس . کاربر می تواند برای قیمت بهینه یک قلم جنس در مزایده شرکت کند اگر ارزش بازاری قلم جنس را پیشگوئی کند.اطلاعات جمع آوری شده از سایت های مزایده ای متفاوت فراهم کننده اطلاعات مفید در باره مقدار بازاری این قلم است. اما این وظیفه مشکلی برای یک کاربر است یعنی کارکردن با سایت های مزایده ای چندگانه بطور همزمان . دیدگاه های هوش مصنوعی برای کمک به مشتریان استفاده می شوند برای جمع آوری اطلاعات و اهداف پیشگوئی. این دیدگاه ها مبتنی هستند بر تکنولوژی های عامل. آنها یکی کننده تعدادی عوامل مزایده کننده و یک عامل ارشد برای هماهنگ کردن آنها هستند. کارگزارهای مزایده کننده متفاوت واگذار می شوند به سایت های مزایده ای متفاوت. این کارگزاران (معرف ها) بطور همزمان قیمت های یک قلم جنس را در چند سایت مزایده ای نظارت کرده و در بین خودشان هماهنگ می کنند. با کمک کارگزار ارشد برای رسیدن به یک مقدار تخمین قلم لازمه. در واقعیت یک کاربر تخمین زننده یک قیمت بازاری مبتنی بر اطلاعات قیمتی جمع آوری شده توسط این کارگزاران است.

هوش مصنوعی در تجارت الكترونیك B2C

در این بخش برخی دیدگاه های مهم هوش مصنوعی را نشان می دهیم كه در توسعه سیستم های تجارت الكترونیك B2C استفاده می شوند.

هوش مصنوعی در تولید واکنش های خودکار، دسته بندی و قیمت گذاری اجناس

با فراهم کردن پاسخ های خودکار نیاز اشخاص ماهر به پاسخ دادن پرس و جوهای مشتریان حذف می شود. اگر یک تولید کننده دارای اجناس متفاوت باشد بنابراین او می تواند آنها را دسته بندی و قیمت گذاری به روش های نتفاوت کند. از قبیل قیمت گذاری در هر مقاله ، دسته بندی خالص یا ترکیبی و غیره. برای جلب مشتریان بیشتر تولید کننده مجبور است به تصمیم گیری با ملاحظه آنکه چه اجناسی را می تواند پیشنهاد کند، چگونه پیشنهاد کند و چگونه این اجناس باید همراه با هم دسته بندی شوند و غیره . بسته های تلویزیونی ماهواره ای متفاوت بالیست گیری های قیمتی متفاوت که برای ما قابل دسترس هستنددر بازار مثال هائی از این هستند. قیمت گذاری مناسب و تصمیم گیری های دسته بندی حیاتی هستند برای توسعه و افزایش مشتری و نیز افزایش سود(Customer-Based) . مرسوم بر این است که انسان این تصمیم ها را می گیرد . تصمیم گیری خودکار ساده کننده تصمیم گیری مشکل ساز انسان است. تکنیک های دسته بندی بطور وسیع برای این وظایف استفاده می شوند. ارتباطاتی از قبیل زیر کلاس، سوپر کلاس و غیره بین کلاس های متفاوت اشیاء در سیستم های دسته بندی ساختمان استفاده می شود. دیدگاه های تئوری تصمیم گیری نیز در تصمیم گیری مناسب مفید هستند.

هوش مصنوعی در تجارت الکترونیک B2B

SCM عامل کلیدی برای بازارهای B2B موفق است. در نتیجه کلیدی است برای تجارت الکترونیک B2B . افزایش تجارت الکترونیکی بیشتر اهمیت SCM را روشن کرده است. مانند فرآیندهای مهندسی مجدد شرکت ها همانطوری که On-Line حرکت داده می شوند. زنجیر تغذیه یک شبکه ورودی های تجاری شبه مستقل یا مستقل مسئول فراهم آوری، تولید و فعالیت های توزیع است مطابق با یک یا خانواده های بیشتر تولیدات مربوطه. یک زنجیر تغذیه جامع تجارت می کند برای تسهیم کردن اطلاعات بلادرنگ و بطور چشمگیر کاهش دادن هزینه های حامل. این برای تجارت الکترونیک B2B خیلی مهم است. تعدادی دیدگاه برای حل مسئله SCM مبتنی بر هوش مصنوعی قابل دسترس هستند. بیشتر آنها مبتنی بر کارگزار بوده و هر کارگزار مسئول یک یا فعالیت های بیشتر SCM است. بیشتر دیدگاه های کارگزاری برای تجارت الکترونیکی متمرکز بر معلومات تبادلاتی، معلومات لازم برای توافق بر قیمت ، تاریخ تحویل، مقدار محصولات و غیره هستند و این دیدگاه ها با این مشکل به عنوان CSP مرکزی برخورد می کنند. این بدلیل آن است که امروزه ارتباطات در زنجیره تغذیه ای بین زوج های اعضاء نمی باشد بلکه بین تمام اعضای یک زنجیر تغذیه داده شده است. در دیدگاه های CSP مرکزی مسئله SCM روی یک CSP نگاشت می شود و یک الگوریتم CSP مناسب برای حل آن استفاده می گردد. برخی دیدگاه های مبتنی بر کارگزاران می توانند حفظ کنندهخ معلومات و دانسته های آنسوی تبادلات باشد و می تواند دانسته های SCM را یکی کند. برخی دیدگاه های مبتنی بر کارگزار برای حل مسئله SCM می تواند مدل ساز بشریت یا سازمان ها باشد. این مدل ها برای اهداف شبیه سازی و تحلیل ریسک سود استفاده می شوند. سیستم هائی وجود دارند که استفاده کننده کارگزاران برای زیر قراردادها هستند. در سیستم های نیمه قرار دادی مختصات زنجیر تغذیه منتقل می شود به زنجیر تغذیه مجازی در یک سیستم چند کارگزاری از طریق مذاکرات در میان کارگزاران نرم افزار. تبادلات اطلاعات در سیستم های B2B و B2C حیاتی است. موجودیت ها برای این استفاده می شوند. آنها در بخش بعدی شرح داده می شوند.

نتیجه گیری 

این مقاله نشان دهنده برخی تکنیک های هوش مصنوعی مهم است مه مفید در توسعه سیستم های تجارت الکترونیک هستند . ما تکنیک های هوش مصنوعی را تقسیم به 3 دسته کرده ایم: موارد استفاده شده در تجارت الکترونیک B2C ، موارد استفاده شده در تجارت الکترونیک B2B ، و موارد استفاده شده در هر دو نوع آنها. مطابق با یک گزارش چاپ شده در Dataquest یک پروژه درآمدی سراسری برای تجارت الکترونیک انتظار می رود که 380 میلیارد دلار آمریکا تا سال 2003 باشد. تنها در ایالات متحده این پروژه 147 میلیارد دلار آمریکا است و در اروپا 115 میلیارد دلار آمریکاست. در حال حاضر بیشتر و بیشتر افراد و سازمان ها تشخیص دهنده نیاز تکنیک های هوش مصنوعی در کاربردهای تجارت الکترونیک هستند. ما امیدواریم که در آینده هوش مصنوعی یک نقش بزرگتری در توسعه سیستم های تجارت الکترونیک ایفا نماید به امید آنکه نتایج خبروی بتوانند برای تجارت الکترونیک B2C توسعه یابند. ما انتظار داریم پژوهش و توسعه در استعمال تجارت هوش مصنوعی برای B2B صورت گیرد. تکنیک های هوش مصنوعی ترکیبی با XML ، UML و تکنولوژی های شی گرای دیگر می توانند به تکنیک های مفید تری برای تبادل اطلاعات در تجارت الکترونیک منجر شوند. بقیه نتیجه گیری ها متمرکز است بر اینکه چگونه کاربردهاب هوش مصنوعی آینده برای تجارت الکترونیک بتوانند ارزیابی شوند. یکی از اهداف پایه هوش مصنوعی عبارت است از ساختن سیستم هائی که بتوانند تقلید کننده رفتار بشر باشد توسط افزودن اجزاء هوش مصنوعی ، یک سیستم تجارت الکترونیک باید برای کاربرانش طبیعی تر رفتار کند. مثلا سیستم های توصیه کننده شبیه هر تکنولوژی دیگر هوش مصنوعی نیز باید افزایش دهنده کارآئی/کارکرد یک سیستم تجارت الکترونیک باشد. کارآئی بر حسب تولید راه حل های ظریف و معرف منبع سیستمی کمتر است. مثلا تکنیک های Client خبره و راه حل های مبتنی بر هوش مصنوعی SCM کمک به رسیدن به این هدف می کنند. توسعه موجودیت های مستقل دامنه ای پیچیده خیلی مهم برای ارتباطات موفق با سیستم های تجارت الکترونیک هستند. در نتیجه هر پژوهش هوش مصنوعی که بتواند افزایش دهنده این بعد باشد مفید است. در نتیجه گیری طبیعی بودن ، کارآئی و فراهم آوری رابط بهتر برای ابعاد مهم هستند که می توانند در ارزیابی و سنجش کاربردهای هوش مصنوعی برای تجارت الکترونیک استفاده شوند.

ratingValue4.8 worstRating 1 bestRating 5 reviewCount 418