ارزیابی عوامل موثر بر بکارگیری موفق یادگیری ماشین در زنجیره تامین

پژوهش حاضر با درک اهمیت این موارد، به ارزیابی عوامل موثر بر بکارگیری موفق سیستم یادگیری ماشین در زنجیره تامین صنعت لاستیک و رتبه‌بندی نمونه‌ای از شرکت‌های زیرمجموعه این صنعت پرداخته است. با توجه به اینکه جامعه آماری خبرگان و متخصصان پاسخ‌دهنده در خصوص مفاهیم یادگیری ماشین و زنجیره تامین در صنعت لاستیک، دقیقا مشخص نبوده، لذا جامعه موردبررسی و حجم آن نامعین است و بر این اساس از فرمول نمونه‌گیری کوکران، مقدار 384 حاصل شد که در نهایت، تعداد 357 پاسخ به صورت آنلاین، جمع‌آوری و موردتحلیل قرار گرفت. روش پژوهش از لحاظ هدف، روش جمع‌آوری و تحلیل داده‌ها از نوع کاربردی- توصیفی- کمی است. به منظور شناسایی عوامل نهایی از نظرات خبرگان و آزمون میانگین با طیف پنج نقطه‌ای لیکرت و نقطه آزمون سه استفاده شد. خروجی آزمون در نرم‌افزار spss نشان داد که 13 عامل بر بکارگیری سیستم مورداشاره در زنجیره تامین صنعت تاثیرگذارند. سپس با استفاده از تکنیک آنتروپی شانون و عقاید 30خبره در شرکت‌های منتخب، وزن عوامل، محاسبه و اولویت‌بندی آنها مشخص شد. نتیجه نهایی در نرم‌افزار اکسل نشان داد که عامل مدیریت داده با بیشترین وزن در رتبه اول؛ و عوامل مدیریت کیفیت و یکپارچگی فناوری در رتبه‌های بعدی از نظر اهمیت قرار دارند. همچنین عامل‌های مدیریت موجودی، فرآیندهای تولیدی و کنترل لجستیک در رتبه‌های یازدهم تا سیزدهم جای گرفتند. در ادامه با استفاده از تکنیک مورا و بر مبنای وزن استخراجی از مرحله قبل، هفت شرکت منتخب و دردسترس صنعت موردارزیابی قرار گرفتند. تحلیل نهایی حاکی از آن است شرکت پنجم در رتبه..

evaluation of factors affecting the successful applicationof machine learning in the supply chain

with the advent of the fourth industrial revolution, the importance of using artificial intelligence has beenpushed. the machine learning system is one of the developments that have made production and smart factoryreality; on the other hand, in recent decades, this system has been widely used in quality control, product developmentand supply chain management. understanding the importance of these cases, the present study has evaluatedthe factors affecting the successful application of the machine learning system in the rubber industry supply chainand a sample ranking of subsidiaries of the industry. given that the statistical population of experts and respondentson the concepts of machine learning and supply chain in the rubber industry was not precisely clear, so thecommunity was investigated and its volume is indefinable, and accordingly cochran sampling formula was 384,which was finally obtained. , 357 responses were collected and analyzed online. in terms of purpose, the researchmethod is the method of collecting and analyzing the data of the application-descriptive-quantitative. experts'opinions and average test with a five -point likert and test point three were used to identify the final factors. thetest output in spss software showed that 13 factors affect the use of the system in the supply chain. then, using theshannon entropy technique and the ideas of 30 experts in selected companies, the weight of the agents, calculatedand prioritized was identified. the final result in axel software showed that the data management factor withthe highest weight in the first rank; and the factors of quality management and technology integration arein the next rank of importance. also, inventory management, production processes and logistics controlwas ranked 11th to thirteenth. seven selected companies were evaluated and evaluated by the moora techniquebased on the weight of the previous stage. final analysis indicates that fifth company is ranked first; and the secondand sixth companies were in the second and third priorities. the first company also ranked last. finally, appliedsuggestions were presented based on the importance of factors to the companies and industry. the designedmodel can provide an appropriate framework for the study industry and other related industries to promotesmart technologies and systems to improve the supply chain. keywords: rubber and tire industry, optimizationof consumption ,cooling water systems , evaporative cooling , refrigeration cooling