فراابتکارها برای هوش داده سازمانی ۲۰۲۴
Metaheuristics for Enterprise Data Intelligence 2024

با ظهور اقتصاد داده‌محور، اطلاعات به جزء لاینفکی از تعالی کسب‌وکار تبدیل شده‌اند. هر سازمانی، صرف نظر از حوزه فعالیتش، در فعالیت‌های روزمره خود حجم زیادی از داده‌ها را حمل و پردازش می‌کند. تبدیل مجموعه‌های داده عظیم به اطلاعات روشنگرانه، نقش مهمی در توسعه‌ی راهکارهای تجاری بهتر ایفا می‌کند. هوش داده و تحلیل آن چالش‌های متعددی را در زمینه‌های بازنمایی داده، ساخت سیستم‌های دانش‌محور، حل مسائل و سیستم‌های پیش‌بینی‌کننده برای تحلیل روندها و تصمیم‌گیری مطرح می‌کند. داده‌های موجود می‌توانند از هر نوعی باشند، به ویژه زمانی که داده‌ها با حوزه‌هایی مانند بهداشت و درمان، زیست‌پزشکی، مالی، خرده‌فروشی، امنیت سایبری، شبکه‌سازی، مدیریت زنجیره تامین، تولید و غیره مرتبط باشند. بهینه‌سازی چنین سیستم‌هایی، بنابراین، برای دستیابی به بهترین نتایج و برداشت‌ها بسیار حیاتی است. در این راستا، روش‌های بهینه‌سازی الهام‌گرفته از طبیعت مبتنی بر هوش مصنوعی یا روش‌های بهینه‌سازی مبتنی بر تقریب، به ابزارهایی بسیار قدرتمند تبدیل شده‌اند. از جمله مهم‌ترین فراراهکارها می‌توان به الگوریتم‌های ژنتیک، تکامل تفاضلی، بهینه‌سازی کلونی مورچه‌ها، بهینه‌سازی ازدحام ذرات، کلونی زنبور عسل مصنوعی، بهینه‌ساز گرگ خاکستری، بهینه‌ساز سیاسی، هوش گروهی و الگوریتم قهرمانی لیگ اشاره کرد. این کتاب به بررسی سیستماتیک کاربرد فراراهکارهای مبتنی بر هوش مصنوعی در طیف گسترده‌ای از زمینه‌ها، از جمله هوش داده‌های بزرگ و تحلیل پیش‌بینی‌کننده، تحلیل سازمانی، الگوریتم‌های بهینه‌سازی گراف، یادگیری ماشین و یادگیری جمعی، شیوه‌های سازمانی بینایی کامپیوتر و محک‌زنی داده‌ها می‌پردازد.

With the emergence of the data economy, information has become integral to business excellence. Every enterprise, irrespective of its domain of interest, carries and processes a lot of data in their day-to-day activities. Converting massive datasets into insightful information plays an important role in developing better business solutions. Data intelligence and its analysis pose several challenges in data representation, building knowledge systems, issue resolution and predictive systems for trend analysis and decisionmaking. The data available could be of any modality, especially when data is associated with healthcare, biomedical, finance, retail, cybersecurity, networking, supply chain management, manufacturing, etc. The optimization of such systems is therefore crucial to leveraging the best outcomes and conclusions. To this end, AI-based nature-inspired optimization methods or approximation-based optimization methods are becoming very powerful. Notable metaheuristics include genetic algorithms, differential evolution, ant colony optimization, particle swarm optimization, artificial bee colony, grey wolf optimizer, political optimizer, cohort intelligence and league championship algorithm. This book provides a systematic discussion of AI-based metaheuristics application in a wide range of areas, including big data intelligence and predictive analytics, enterprise analytics, graph optimization algorithms, machine learning and ensemble learning, computer vision enterprise practices and data benchmarking.