هوش مصنوعی

هوش مصنوعی (AI) به‌عنوان سیستم‌های کامپیوتری، دستگاه‌ها یا برنامه‌هایی توصیف می‌شود که ویژگی‌های هوشمند قابل‌مقایسه با انسان را نشان می‌دهند و توانایی‌هایی مانند یادگیری و سازگاری را به نمایش می‌گذارند. پایه و اساس آن در فناوری‌های محوری شامل یادگیری ماشینی، پردازش زبان طبیعی، سیستم‌های خبره مبتنی بر قوانین، شبکه‌های عصبی، یادگیری عمیق، روبات‌های فیزیکی و اتوماسیون فرایند روباتیک است (رانا و همکاران، ۲۰۲۲).

از یک زاویه جایگزین، هوش مصنوعی را می‌توان بر اساس کاربردهای بازاریابی و تجاری آن، مانند ساده کردن عملیات، استخراج بینش معنادار از داده ها، یا ایجاد ارتباط با مشتریان و کارکنان، طبقه بندی کرد. ریشه‌های هوش مصنوعی به ریشه‌های تاریخی برمی‌گردد که به معرفی این اصطلاح در سال ۱۹۵۶ برمی‌گردد، که از آرزوی ماشین‌ها برای تجسم قدرت فکری برابر با انسان‌ها سرچشمه می‌گیرد، همانطور که در ابتدا توسط آلن تورینگ پیشگام محاسبات در سال ۱۹۵۰ بیان شد (رانه، ۲۰۲۳). اخیراً، آلال و همکاران (۲۰۲۱) هوش مصنوعی را مجموعه‌ای از مؤلفه‌ها، مانند الگوریتم‌ها، روباتیک و شبکه‌های عصبی، توانمندسازی نرم‌افزار با ظرفیت‌های شناختی قابل‌توجهی که همتایان انسانی را منعکس می‌کند، با پتانسیل یادگیری خودراهبر توصیف می‌کنند.

هوش مصنوعی یک فناوری علوم رایانه است که به رایانهها درك و تقلید از ار تباطات و رفتار انسانى را مى آموزد (نظر پور و همكاران، ١٣٩٩). امروزه در سراسر جهان، هوش مصنوعى به يكك موضوع داغ در بسيارى از علوم وبحث هاى عمومى در جامعه تبديل شده است؛ زیرا به نظر میرسد ظرفیت شناختی انسان را گسترش داده و به چالش می کشد. بدیھی است که هوش مصنوعی در درازمدت به بخشی جداییناپذیر از هر نهاد تجاری در سراسر جهان تبدیل خواهد شد. یکی از تعاریف هوش مصنوعی عبارت است از آموزش کامپیو ترها برای یاد گيرى، استدلال و ساز گارى (باردو اريتاو همكاران، ٢٠٢٠). هوش مصنوعى قرار است هوش انسانى را شبيه سازى كند تا توانايى هاى انسان را پشتيبانى يا حتى كسترش دهد (اوته، ٢٠١٩) در تعاریف دیگر، برخوردارى ماشين ها از تفكر وعمل عقلانى وانسانى مورد تأكيد قرار گرفته است (برى هيل وهمكاران، ٢٠١٩). تكيه بر بعد عقلانى وانسانى در تعريف هوش مصنوعی، ویزگیهای بینایی، پردازش زبان طبیعی، تشخیص گفتار، رويكر دهاى مبتنى بر دانش، قوانین، برنامهریزی و بهینهسازی را در آن برجسته مى سازد (فرانك و همکاران ،٢٠١٩؛ جردن، ٢٠١٩). به طور منطقی هوش مصنوعی با چنین ویژ گیهایی در حال حركت از سطح عمومى بهسوى هوش انسانى است (راستل كارهو وهمكاران، ٢٠٢١).

تحولات در زمینه هوش مصنوعی فرصت ها و چالش های جدیدی را برای اموزش و یادگیری در آموزش عالی فراهم می كند. علاوه بر اين، هوش مصنوعی این امکان را دارد که تغییرات اساسی در طراحی اصلی موسسات آموزش عالى ايجاد كند. هوش مصنوعى در حال حاضر با سرعت زیادی در حال پیشرفت است و این امر از قبل بر ماهيت عميق خدمات در آموزش عالى تأثير مى گذارد. به عنوان مثال، دانشكاه Deakin در استراليا از ابر رايانه IBM Watson به عنوان نوعی هوش مصنوعی در حال ظهور و راه حلی برای ارائه مشاوره به دانشجویان استفاده كرده است. این نوآوری به طور قابل توجهی باعث تغییر کارآمد در کیفیت خدمات و نیروی کار و زمان در دانشگاه شد( فهیمی راد و کتامجانی، ٢٠١٨).

برای بیش از نیم قرن، راه حل های مبتنی بر هوش مصنوعى و ياد گيری ماشین به طور گسترده در طیفی از شاخه ها مانند خودرو یا پزشكى معرفى شده اند. از قبل در دهه ١٩٨٠ دانشمندان میدانستند که هوش مصنوعی نحوه برنامه ریزی و اجرای استراتژی های بازاریابی را تغيير خواهد داد. پيش بينى هاى آنها بر اساس تكامل سيستم هاى بشتيبانى تصميم گيرى بازاریابی در آن زمان بود (اوته، ٢٠١٨). بااین حال، کاربرد هوش مصنوعی و یاد گیری ماشین در حوزه علوم اجتماعی و اقتصادی، مدیریت، بازاریابی، تبليغات و فروش نسبتاً جديد است. در سال های اخیر، توسعه ابزارهای هوش مصنوعی برای متخصصان بازاریابی به طور قابل توجهى افزايش يافته است كه بيشتر به دليل پيشرفت فناورى هاى مرتبط با هوش مصنوعى مانند يادگيرى ماشين يا بينايى كامييوترى است (ها ومالتوزه، ٢٠٢٠). روند تحول ديجيتال تأثیر قابل توجهی بر نحوه ایجاد استراتژی شر کتها برای تبلیغات و فروش گذاشته است (ریم و همكاران، ٢٠٢٠).

پیامدهای افشای اطلاعات و فناوری و هوش مصنوعی

امروزه تحولات شگرفی در زمینه فناوری اطلاعات رخ داده و پیشرفتهای آن فراگیر شده است به طوریکه روندهای دگر گونی را در زمینه های مختلف ایجاد کرده است. مهمترین ویژگی های آن سرعت زیاد در پردازش داده ها، دقت فوق العاده زیاد، سرعت بالاى دسترسى به اطلاعات، به روز بودن، امكان مبادله الكترونيكى اطلاعات، كيفيت بالا، قيمت فوق العاده ارزان و رو به کاهش آن می باشد و از طرفى گسترش حجم عملیات و پيچيدەتر شدن امور را در پیش رو دارد،با توجه به این عوامل، دیگر نیازی به توجیه استفاده از فناوری اطلاعات در دنیای امروز وجود نخواهد داشت و حسابداری نیز ناگزیر به کاربرد و استفاده از تمام یا برخی از روشهای نو در ارائه خدمات و وظایف خود میباشد. با توجه به این که نقش اطلاعات در جامعه اهمیت بیشتری پیدا کرده؛ پس تهیه کنندگان اطلاعات به خصوص حسابداران باید تهيه كننده اطلاعات پيشرفته وبا كيفيت باشند تا خدماتشان با قيمت هاى بيشترى خريدار داشته باشد، در غير اين صورت در آينده جايكاهى نخواهند داشت(بندريان وهمكاران، ١٣٩٨).

اطلاعات باکیفیت تر همواره با عدم اطمينان و ريسك كمتر روبه رو است. واحدهاى تجارى با افشاى اطلاعات باكيفيت موجب مى شوند عدم اطمینان سرمایه گذاران به سهام آنها کاهش یافته و تمایل برای معامله سهام افزایش یابد که این امر به كاهش ریسک و متناسب با آن، بازده سهام میشود، کیفیت اطلاعات مالی در نرخ بازده مدنظر سرمایه گذاران مؤثر است و با تغيير كيفيت اطلاعات مالى، اين نرخ افزايش يا كاهش مى يابد. به طور كلى افشاى اطلاعات باكيفيت، سبب کاهش عدم اطمینان سرمایه گذاران در خصوص ارزیابی ریسک سیستماتیک و ریسک نقدشوند گی سهام و درنهایت ریسک کل میشود و با تغییر ریسک کل، سرمایه گذاران نرخ بازده مدنظر خود را متناسب با آن تعدیل میکنند، کیفیت پایین اطلاعات مالی به ریسک اطلاعاتى سهامداران و درنتيجه افزايش هزينه سرمايه شركت، افزایش انحرافهای جانبدارانه در گزارش سوداوری، مى تواند به كاهش اثربخشى و كارايى عمليات تجاری و در نتيجه تداوم نداشتن سوداورى شركت منجر شود؛ بنابراين انتظار مى رود كيفيت ضعيف اطلاعات در شاخص ريسك سيستماتيك شركتها، تأثير مستقيم داشته باشد (موسوى شيرى و همکاران، ١٣٩٧).

محققان حسابداری، تکنولوژی ها و تکنیک های هوش مصنوعی را با موفقيت هايی چند، براى کارهای خاصی در گزارشگری و تحلیل مالی حسابرسی و اطمینان بخشى و در موارد ديگر بكاربرده اند. با گسترش و افزایش حجم تولید اطلاعات و همچنین سرعت پاسخگوئی به نیازهای سیال بازار لازم است از ابزار توانمندى استفاده شود تا بتواند بجاى انسان بررسى ، تحليل ،پيش بينى و سپس تصمیم گیری نماید یکی از اين ابزارهاى كارآمد در فرايند تصميم كيرى در هر سازمان هوش تجارى است ،هوش تجارى به عنوان ابزارى به منظور طراحى ومديريت اثر بخش در جرخة عمر سيستم در راستاى پشتیبانی از تصمیم گیرى هاى هوشمندانه مورد پذيرش قرار گرفته است(نجارى وهمكاران، ١٣٩٩). يكى از مهمترين عوامل در تصميم كيرى صحيح سهامداران شركتها، كيفيت اطلاعات مناسب ومرتبط با موضوع تصميم در مورد سرمایه گذاری یا عدم سرمایه گذاری است که اگر به درستی فراهم و پردازش نشوند اثرات منفى براى فرد یا نهاد تصمیم گیرنده خواهد داشت و نوع وچگونگی دستیابى به اطلاعات نيز حائز اهميت مى باشد(سيدين بروجنی و پناهیان ،١٣٩۴).

بررسی‌ها در آزمایشگاه‌ها عمدتاً با استفاده از سیستم‌های خودکار انجام می‌شود که به سه عنصر اصلی نسبت داده می‌شود: حجم زیاد داده‌های موجود، پیشرفت در شبکه‌های عصبی مصنوعی (ANN)، و کاهش ارزش سخت‌افزار. قابل ذکر است، انتظارات برای هوش مصنوعی، به ویژه در مواردی مانند وسایل نقلیه خودران، بسیار مبهم به نظر می رسد. با وجود کاهش قطعی تعداد تصادفات، مردم می خواهند هوش مصنوعی استانداردهای ایمنی بی عیب و نقص را رعایت کند. بی میلی نسبت به هوش مصنوعی ناشی از عدم اطمینان و عدم اطمینان در مورد کمبودهای عاطفی است و به افزایش انتظارات کمک می کند. ویژگی های وظیفه به طور مشابه سطوح پذیرش هوش مصنوعی را شکل می دهد. با توجه به این باور که هوش مصنوعی فاقد هوش هیجانی یا ویژگی های همدلانه است، وظایفی که حاوی نگرش ها یا احساسات ذهنی هستند باعث ناراحتی می شوند (کاپاتینا و همکاران، ۲۰۲۰).

علاوه بر این، درجات متعددی از شدت با وظایف مختلف همراه است. انتخاب های سرگرمی در مقایسه با رانندگی که عواقب سنگین تری به همراه دارد، پیامدهای جزئی دارد. ریسک درک شده مانع پذیرش هوش مصنوعی می شود، به ویژه در میان مصرف کنندگان محتاط حساس به ریسک (رانا و همکاران، ۲۰۲۲).

در نهایت، ویژگی های فردی بر پذیرش هوش مصنوعی تأثیر می گذارد. دو اصل اصلی موقعیت ما را مشخص می کند: ۱) پیامدهای شدید خطر درک شده را تشدید می کند، ۲) زنان گزارش می دهند که نگرانی بیشتری را تجربه می کنند و در مقایسه با مردان ریسک کمتری می کنند. یافته‌های قبلی تمایل زنان به پیاده‌سازی هوش مصنوعی را به‌ویژه در لحظات مؤثر تأیید می‌کند (خریس، ۲۰۲۰).

فراتر از متغیرهای ساده جمعیتی، عوامل خارجی نیز در تغییرات در پذیرش هوش مصنوعی نقش دارند، مانند میزان ارتباط بین یک کار و هویت مشتری. اگر مصرف کننده یک عمل خاص را نزدیک به خودپنداره خود ببیند، ترجیح می دهد نقش نتایج حاصل را بپذیرد. اجرای هوش مصنوعی برای چنین عملیاتی می تواند شبیه به تقلب باشد و از مسئولیت پس از مصرف جلوگیری کند (عنایت و رسول، ۲۰۲۴).

مواجهه با حجم زیاد داده مشکلات ذخیره سازی و کنترل را افزایش می دهد. افزایش تنوع به موانع ترجمه می‌افزاید، انباشت سریع مستلزم اصلاح و اولویت‌بندی مستمر است، و پرسش‌های مربوط به دقت به عنوان نگرانی‌های متعدد مطرح می‌شوند. داده های بزرگ را از نظر اندازه، پیچیدگی و موانع فنی تعریف می کنند. با این حال، این رقابت مداوم بین مجموعه داده ها و قدرت های ارزیابی را نادیده می گیرد که به طلوع محاسبات باز می گردد (چنگ و جیانگ، ۲۰۲۲).

مؤسسه ملی استانداردها و فناوری توضیح مفیدتری ارائه می‌دهد: داده‌های بزرگ انتقالی از سیستم‌های ایزوله و مقیاس‌پذیر عمودی به معماری‌های توزیع‌شده افقی را نشان می‌دهند که خوشه‌های شل را برای مقابله با حجم‌ها، تغییرات و سرعت‌های در حال رشد ترکیب می‌کنند. با این حال، برخی از انتقادات ارائه می شود. کارشناسان استدلال می کنند که شایستگی های نوظهور بیشتر در مورد مدیریت مصنوعات سازمانی مرتبط با محاسبات خوشه ای در مقیاس بزرگ و زیر سوال بردن نگهداری این پیکربندی های مختلف است (دونهو، ۲۰۱۷).

منابع

سيدين بروجنى، الهام السادات وحسين پناهيان، (١٣٩٢)، “تعيين رابطه بين عدم تقارن اطلاعاتى و مديريت سود در صندوق هاى مشترک سرمايه گذارى”، تحقيقات حسابدارى وحسابرسى، انجمن حسابداری ایران ٣٢، تهران٢.

موسوى شيرى، محمود، معصومه روشندل وحسن خلعت برى، (١٣٩٧)، “بررسى اثر كيفيت اطلاعات بر ریسک نقدشوند گی سھام و ریسک بازار”، مدیریت دارایی و تأمین مالى، ۶(٢)، صص ١۵-٣٢.

نجاری، هانی، فرزانه حیدر پور و آزيتا جهانشاد، (١٣٩٩)، “بكارگيرى هوش تجارى در كيفيت اطلاعات مالی با تاکید بر اصول و قیود و اندازهگيرى درحسابدارى”، تحقيقات حسابدارى وحسابرسى، ١٢(٢٨)، صص ١٢١-١٣. ۲۰۲۰٫۱۲۸۲۲۹٫doi: 10.22034/iaar

نظريور؛ محمود، نسل موسوى؛ سيدحسين، حسينى شيروانى، ميرسعيد. (١٣٩٩). كاربرد هوش مصنوعى در حسابرسى مالياتى. دانش حسابرسى، ٢٠(٨١)، ١٩٨-٢٢٥

Allal-Chérif, O., Simón-Moya, V., & Ballester, A. C. C. (2021). Intelligent purchasing: How artificial intelligence can redefine the purchasing function. Journal of Business Research, ۱۲۴, ۶۹-۷۶٫‏

Anayat, S., & Rasool, G. (2024). Artificial intelligence marketing (AIM): connecting the dots using bibliometrics. Journal of Marketing Theory and Practice, ۳۲(۱), ۱۱۴-۱۳۵٫‏

Barredo Arrieta, A., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., Garcia, S., Gil-Lopez, S., Molina, D., Benjamins, R., Chatila, R., & Herrera, F., (2020). Explainable Artificial Intelligence (XAI). Inf. Fusion 58 (2019), 82–۱۱۵٫

Berryhill, J., Heang, K.K., Clogher, R., & McBride, K., (2019). Hello, World: Artificial intelligence and its use in the public sector. OECD. https://oecd-opsi.org/wp-content/uploads/2019/11/AI-Report-Online.pdf

Capatina, A., Kachour, M., Lichy, J., Micu, A., Micu, A. E., & Codignola, F. (2020). Matching the future capabilities of artificial intelligence-based software for social media marketing with potential users’ expectations. Technological Forecasting and Social Change, ۱۵۱, ۱۱۹۷۹۴٫‏

Cheng, Y., & Jiang, H. (2022). Customer–brand relationship in the era of artificial intelligence: understanding the role of chatbot marketing efforts. Journal of Product & Brand Management, ۳۱(۲), ۲۵۲-۲۶۴٫‏

Fahimirad, M., & Kotamjani, S. S. (٢٠١٨). A review on application of artificial intelligence in teaching and learning in educational contexts. International Journal of Learning and Development, 8(٤), ١٠٦- ١١٨.

Frank, M.R., Wang, D., Cebrian, M., & Rahwan, I., (2019). The evolution of citation graphs in artificial intelligence research. Nat. Mach. Intell. 1 (2), 79–۸۵٫ https://doi. org/10.1038/s42256-019-0024-5.

Huh, J., & Malthouse, E. (2020). Advancing computationaladvertising: Conceptualiztion of the field and future directions. Journal of Advertising 49 (4):367–۷۶٫

Jordan, M., (2019). Artificial intelligence—the revolution hasn’t happened yet. Harv. Data Sci. Rev. 1 (1) https://doi.org/10.1162/99608f92.f06c6e61

Khrais, L. T. (2020). Role of artificial intelligence in shaping consumer demand in E-commerce. Future Internet, ۱۲(۱۲), ۲۲۶٫‏

Otte, R. (2019). Künstliche Intelligenz für Dummies [Artificial Intelligence for Dummies]. WILEY-VCH Verlag GmbH

Rana, J., Gaur, L., Singh, G., Awan, U., & Rasheed, M. I. (2022). Reinforcing customer journey through artificial intelligence: a review and research agenda. International Journal of Emerging Markets, ۱۷(۷), ۱۷۳۸-۱۷۵۸٫‏

Rane, N. (2023). Enhancing customer loyalty through Artificial Intelligence (AI), Internet of Things (IoT), and Big Data technologies: improving customer satisfaction, engagement, relationship, and experience. Internet of Things (IoT), and Big Data Technologies: Improving Customer Satisfaction, Engagement, Relationship, and Experience (October 13, 2023).‏

Reim, W., Åström, J., & Eriksson, O. (2020). Implementation of Artificial Intelligence (AI): A Roadmap for Business Model Innovation. AI, 1(2), 180- 191. https://www.mdpi.com/2673-2688/1/2/11

Rusthollkarhu, S., Hautamaki, P., & Aarikka-Stenroos, L. (2021). Value (co-)creation in B2B sales ecosystems. The Journal of Business and Industrial Marketing, 36(4), 590–۵۹۸٫ https://doi.org/10.1108/JBIM-03- 2020-0130