مدل هوشمند پیش‌بینی و بهبود کیفیت خدمات سازمانی مبتنی بر هوش مصنوعی

•   آرشیو : نسخه پاییز 1405
•   کد پذیرش : 15318
•   موضوع : سایرشاخه‌ها
• نویسنده/گان : | سعید کریمی، مرضیه نظری
•   زبان : فارسی
•   نوع مقاله : پژوهشی
•   چکیده مقاله به فارسی : زمینه و هدف: با پیچیده‌تر شدن زیرساخت‌های فناوری اطلاعات سازمان‌ها، تضمین کیفیت خدمات به چالشی راهبردی تبدیل شده است. رویکردهای سنتی نظارت بر کیفیت عمدتاً واکنشی بوده و توانایی محدودی در پیش‌بینی و بهبود پیش‌گیرانه دارند. این پژوهش با هدف طراحی مدل هوشمند پیش‌بینی و بهبود کیفیت خدمات سازمانی مبتنی بر هوش مصنوعی انجام شده است.
  روش‌شناسی: پژوهش حاضر با رویکرد طراحی معماری انجام شد. مدل پیشنهادی در پنج لایه طراحی شده است: لایه جمع‌آوری و یکپارچه‌سازی داده‌های عملیاتی؛ لایه پردازش و تشخیص ناهنجاری با استفاده از روش‌های آماری و آستانه‌های پویا؛ لایه پیش‌بینی هوشمند مبتنی بر یادگیری ماشین و تحلیل سری‌های زمانی؛ لایه تصمیم‌گیری با ترکیب قوانین خبره و منطق فازی برای اولویت‌بندی اقدامات اصلاحی؛ و لایه اجرا و بازخورد با هدف یادگیری مستمر و بهبود تدریجی مدل. ارزیابی مدل از طریق تحلیل سناریوهای مفهومی و مقایسه کیفی با راه‌حل‌های موجود انجام شد.
  یافته‌ها: مدل پیشنهادی با ایجاد حلقه بازخورد بسته، امکان تشخیص پیش‌گیرانه افت کیفیت و انتخاب اقدامات اصلاحی متناسب با شرایط را فراهم می‌کند. معماری چندلایه، انعطاف‌پذیری و قابلیت یکپارچه‌سازی با زیرساخت‌های متنوع سازمانی را بدون نیاز به بازنگری اساسی فراهم می‌سازد. نتایج تحلیل سناریوها نیز بیانگر رفتار متناسب مدل در شرایط مختلف خرابی و قابلیت تعمیم‌پذیری آن است.
  نتیجه‌گیری: مدل پیشنهادی گامی مؤثر در هوشمندسازی مدیریت کیفیت خدمات سازمانی است و با افزایش قابلیت پیش‌بینی و کاهش وابستگی به مداخلات انسانی، می‌تواند به بهبود بهره‌وری و رضایت کاربران کمک کند. توسعه مدل با یادگیری عمیق، داده‌های غیرساختاریافته و محیط‌های ابری از مسیرهای آتی پژوهش است.
•   لیست منابع : [1] م. حسینی و ع. کریمی، «پیش‌بینی کیفیت خدمات در رایانش ابری با استفاده از شبکه‌های عصبی عمیق»، مجله علمی پژوهشی انجمن کامپیوتر ایران، جلد ۱۸، شماره ۲، صص ۲۴-۳۹، پاییز ۱۴۰۴.
  [2] دهقانی و همکاران، «طراحی معماری چندلایه برای مدیریت کیفیت خدمات در سازمان‌های بزرگ مقیاس»، فصلنامه علمی پژوهشی فناوری اطلاعات، شماره ۶۸، صص ۳۴-۵۱، شهریور ۱۴۰۴.
  [3] الف. صادقی، «یادگیری مداوم در مدل‌های پیش‌بینی کیفیت خدمات: چالش‌ها و راهکارها»، مجموعه مقالات هفتمین کنفرانس ملی هوش مصنوعی و پردازش داده‌ها، مشهد، ۱۴۰۵، صص ۱-۸.
  [4] م. باقری و همکاران، «پیش‌بینی نقض تعهدات سطح خدمات با استفاده از شبکه‌های عصبی حافظه بلندمدت کوتاه‌مدت در محیط‌های ابری»، مجموعه مقالات چهارمین کنفرانس بین‌المللی محاسبات ابری و اینترنت اشیا، تهران، ۱۴۰۵، صص ۱-۱۰.
  [5] ن. جعفری و س. رضایی، «خودترمیمی در ریزخدمت‌ها: مروری بر رویکردها و چالش‌ها»، مجموعه مقالات پنجمین کنفرانس ملی مهندسی نرم‌افزار، تهران، ۱۴۰۴، صص ۱-۱۲.
  [6] م. موسوی و همکاران، «تشخیص ناهنجاری در محیط‌های ابری با استفاده از یادگیری بدون نظارت»، مجله علمی پژوهشی انجمن کامپیوتر ایران، جلد ۱۹، شماره ۱، صص ۱-۱۸، بهار ۱۴۰۵.
  [7] پ. کاظمی و م. طهماسبی، «ارائه چارچوبی برای خودترمیمی پیش‌گیرانه در سامانه‌های توزیع‌شده با رویکرد یادگیری تقویتی»، مجله علمی پژوهشی انجمن کامپیوتر ایران، جلد ۲۰، شماره ۱، صص ۱۲-۲۹، بهار ۱۴۰۵.
  [8] K. G. Bandara, "From Predictive Reliability to Responsible Autonomy: Designing Sustainable Self-Healing in Production AI Systems," presented at the Soft Computing Research Society Conference, 2025.
  [9] K. Murphy, A. Ravigotte, and C. Lepers, "Fault Prediction for Heterogeneous Telecommunication Networks using Machine Learning: A Survey," IEEE Transactions on Network and Service Management, vol. 21, no. 4, pp. 1-18, Apr. 2024
  [10] Y. Zhang et al., "MG-WEP: Multi-Granularity Workload Ensemble and Variational Inference for Multivariate Computing Power Prediction," IEEE Transactions on Services Computing, vol. 18, no. 6, pp. 5471-5488, Dec. 2025.
  [11] A. Khalaf, M. Elhassan, and A. E. Sassanian, "Deep Reinforcement Learning for Dynamic Resource Allocation in Cloud Computing," Future Generation Computer Systems, vol. 152, pp. 345-358, Mar. 2024.
  [12] T. Chen, S. Wang, and L. Zhang, "Hybrid Anomaly Detection in Distributed Systems Using Autoencoder and GAN," IEEE Transactions on Dependable and Secure Computing, vol. 21, no. 4, pp. 2100-2115, Jul.-Aug. 2024.
  [13] M. C. Okyere, C. C. Olearia, and E. Kwando, "AI Analytics in SDN Network Management: A Review," International Journal of Computer Science and Modern Technology, vol. 8, no. 2, pp. 1-18, May 2026.
  [14] S. Lee, H. Kim, and J. Park, "Deep Reinforcement Learning for Self-Healing Microservices," IEEE Transactions on Cloud Computing, vol. 12, no. 3, pp. 890-903, Jul.-Sep. 2024.
  [15] A. Kumar and M. Singh, "Self-Healing Cloud Systems: A Survey of Automated Remediation Techniques," IEEE Cloud Computing, vol. 10, no. 2, pp. 45-53, Mar.-Apr. 2023.
  [16] N. Gupta and N. Bangura, "Intelligent Predictive Architectures for Autonomous Self-Healing in Cloud Computing: A Comprehensive Survey," International Journal of Engineering Research and Technology, vol. 15, no. 5, May 2026.
  [17] Z. Wang et al., "Osbert: An Uncertainty-Aware Approach Based on Pretrained Language Models for Service Quality Prediction," IEEE Transactions on Services Computing, vol. 18, no. 6, pp. 4096-4108, Nov.-Dec. 2025.
  [18] Y. Ying et al., "A Deep Learning Prediction Approach for Machine Workload in Cloud Computing," in Proc. IEEE International Conference on Data-driven Optimization of Complex Systems (DOCS), Tianjin, China, Sep. 2023, pp. 1-8.
  [19] L. Chen and L. Cao, "A Hybrid Approach for QoS Prediction in Cloud Services," IEEE Transactions on Services Computing, vol. 16, no. 3, pp. 1789-1802, May-Jun. 2023.
  [20] O. F. Alofi, K. Defame, F. Saeed, and F. Ghadban, "A Survey on Predicting Workloads and Optimizing QoS in the Cloud Computing," Korea Science, vol. 12, no. 1, pp. 1-8, Feb. 2024.
  [21] R. S. Sutton and A. G. Barton, Reinforcement Learning: An Introduction, 2nd ed. Cambridge, MA, USA: MIT Press, 2020.
  [22] M. H. Alevi, "A survey on AIOps: Challenges and opportunities," IEEE Transactions on Services Computing, vol. 15, no. 4, pp. 2100-2115, Jul. 2022.
•   کلمات کلیدی به فارسی : هوش مصنوعی،طراحی معماری، یادگیری ماشین، مدیریت کیفیت خدمات.
•   چکیده مقاله به انگلیسی :
•   کلمات کلیدی به انگلیسی :
•  صفحات : 1-27
•   دانلود فایل ( 3.02 MB )