نقش هوش مصنوعی در کارخانه‌ها و تاثیر آن بر مدیریت نوآورانه: تحلیلی ساختاری

هدف:این پژوهش با هدف طراحی و تبیین نقش هوش مصنوعی در کارخانه‌ها و بررسی تاثیر آن بر مدیریت نوآورانه انجام شد.روش: تحلیل مضمون برای شناسایی شاخص‌ها و مولفه‌های اصلی مرتبط با هوش مصنوعی و مدل‌سازی ساختاری تفسیری (ism) جهت سطح‌بندی و تحلیل روابط میان متغیرها بود. داده‌ها از15مصاحبه خبرگان جمع‌آوری و تحلیل شدند.در تحلیل مضمون از 170کدباز39کد اولیه استخراج و در قالب 10مضمون سازمان‌دهنده دسته‌بندی و به یک مضمون فراگیر با عنوان هوش مصنوعی در کارخانه و اثر آن بر مدیریت نوآورانه منتهی شدند.یافته ‌ها:مولفه‌های شناسایی‌شده شامل ابزارهای هوش مصنوعی صنعتی ، زنجیره تامین شناختی ، ارائه خدمات به مشتریان ، رباتی‌سازی فرآیند تولید ، مدیریت داده ، مدیریت کیفیت ، بهینه‌سازی بهره‌وری ، بهبود پایداری تولید ، افزایش انعطاف‌پذیری و توسعه نیروی کار بودند. ماتریس خودتعاملی ساختاری (ssim) برای تحلیل ism تشکیل و سطح‌بندی متغیرها نشان داد که متغیرهایی نظیر ابزارهای هوش مصنوعی صنعتی و مدیریت داده به‌عنوان متغیرهای مستقل، بیشترین تاثیر گذاری و بهره‌وری و بهبود پایداری تولید به‌عنوان متغیرهای وابسته بیشترین تاثیرپذیری را داشتند. همچنین زنجیره تامین شناختی و مدیریت کیفیت به عنوان متغیرهای پیوندی شناسایی شدند و تحلیل micmac متغیرهای مستقل به‌عنوان عوامل کلیدی و متغیرهای پیوندی به‌عنوان رابط‌های اساسی در تعاملات سیستمی معرفی شدند.نتایج:استفاده هوشمندانه از فناوری‌های مبتنی بر هوش مصنوعی می‌تواند منجر به بهبود کیفیت، بهره‌وری، کاهش هزینه‌ها، بهینه‌سازی زنجیره تامین و افزایش انعطاف‌پذیری در فرآیندهای تولیدی کارخانه‌ها شود. مدل ارائه‌شده در این پژوهش می‌تواند مبنای تصمیم‌گیری مدیران صنایع تولیدی برای پیاده‌سازی موثر فناوری‌های مرتبط باشد.

the role of artificial intelligence in factories and its impact on innovative management: a structural analysis

objective: this study was conducted with the aim of designing and explaining the role of artificial intelligence in factories and examining its impact on innovative management.method: thematic analysis was used to identify the main indicators and components related to artificial intelligence and interpretive structural modeling (ism) was used to classify and analyze the relationships between variables. data were collected and analyzed from 15 expert interviews. in thematic analysis, 39 initial codes were extracted from 170 open codes and categorized into 10 organizing themes, leading to an overarching theme titled artificial intelligence in the factory and its impact on innovative management.findings: the identified components included industrial artificial intelligence tools, cognitive supply chain, customer service, production process robotization, data management, quality management, productivity optimization, improving production sustainability, increasing flexibility, and workforce development. structural self-interaction matrix (ssim) for ism analysis and variable ranking showed that variables such as industrial ai tools and data management as independent variables had the greatest impact and productivity and improved production sustainability as dependent variables had the greatest impact. also, cognitive supply chain and quality management were identified as linked variables, and micmac analysis introduced independent variables as key factors and linked variables as essential interfaces in system interactions.results: intelligent use of ai-based technologies can lead to improved quality, productivity, cost reduction, supply chain optimization, and increased flexibility in factory production processes. the model presented in this study can be the basis for decision-making by manufacturing industry managers for the effective implementation of related technologies.