چارچوبی برای‎ ‎ یکپارچه سازی یادگیری انتقالی و هوش جمعی در غلبه بر رژیم کم داده در کسب وکارهای نوظهور

کسب وکارهای نوظهور در مراحل آغازین هوشمندسازی داده محور با چالش شروع سرد مواجه اند، زیرا تنها به حجم محدودی از داده های واقعی دامنه ای برای آموزش و اعتبارسنجی مدل های هوش مصنوعی دسترسی دارند. این محدودیت داده، همراه با ناسازگاری داده های عمومی با نیازهای خاص هر کسب وکار، منجر به کاهش دقت پیش بینی ها و کیفیت توصیه ها می شود. علاوه بر این، پویایی محیط های تجاری و تغییرات سریع در توزیع داده و مفاهیم (نظیر انحراف داده و تغییر مفهوم)، خطر فراموشی دانش پیشین در یادگیری را تشدید می کند. چارچوب پیشنهادی این پژوهش، یک معماری یکپارچه و مقیاس پذیر برای ادغام یادگیری انتقالی و هوش جمعی ارائه می دهد. چارچوب پیشنهادی چهار لایه دارد: پیش پردازش داده ها، یادگیری انتقالی، تقویت با بازخورد کاربران، و پیش بینی پیوسته با پایش انحراف. در این چارچوب، داده های آموزشی ترکیبی از داده های واقعی، عمومی و بازخورد کاربران هستند و بهینه سازی مدل با هدف کمینه سازی خطا و کنترل پیچیدگی انجام می گیرد. ارزیابی تجربی بر روی سه مجموعه داده واقعی نشان داد که این رویکرد بهبود مطلوبی در عملکرد ایجاد می کند. علاوه بر معیار دقت، سایر شاخص ها همچون توانایی شناسایی نمونه های مثبت، تعادل میان دقت و بازخوانی، کاهش خطا و ثبات در برابر تغییرات داده نیز بهبود داشتند.

کلیدواژه ها:

یادگیری انتقالی ، هوش جمعی ، انحراف داده ، رژیم کم داده ، کسب وکارهای نوظهور