طراحی مدل مدیریت هوشمند مبتنی بر یادگیری تقویتی برای بهینه سازی تصمیم گیری در سازمان های دولتی ایران: مطالعه موردی وزارتخانه های تهران

سازمان های دولتی در ایران با چالش های پیچیده ای مانند عدم قطعیت های عمیق، محدودیت منابع، فشارهای اقتصادی ناشی از تحریم ها و نیاز به تصمیم گیری سریع و شفاف مواجه هستند (کواکل و جکسا-روزن ۲۰۲۴؛ حسینی و همکاران، ۲۰۲۵). این مقاله به طراحی یک مدل مدیریت هوشمند مبتنی بر یادگیری تقویتی (Reinforcement Learning) می پردازد که هدف آن بهینه سازی فرآیندهای تصمیم گیری در سازمان های دولتی با تمرکز بر وزارتخانه های تهران است (مارچانت و همکاران ۲۰۲۳؛ منوریان و همکاران ۲۰۲۲). مدل پیشنهادی از الگوریتم های RL شامل Q-learning (روش یادگیری بدون مدل Model-free) است که در آن یک عامل (agent) از طریق تعامل با محیط سیاست های بهینه را می آموزد بدون نیاز به دانش قبلی درباره دینامیک های محیط و Deep Q Network (یک الگوریتم پیشرفته یادگیری تقویتی Reinforcement Learning) معرفی شده است که به عنوان گسترش و ارتقای الگوریتم Q-learning برای مدیریت مسائل پیچیده تر و داده های حجیم تر در تصمیم گیری سازمان های دولتی ایران استفاده می شود و برای یادگیری تطبیقی از داده های گذشته و شبیه سازی سناریوهای آینده استفاده می کند (ساتون و بارتو ۲۰۱۸). روش شناسی تحقیق شامل مرور ادبیات جامع، طراحی مفهومی مدل، جمع آوری داده های واقعی از گزارش های رسمی و شبیه سازی پیشرفته است (خبرگزاری ایرنا ۲۰۲۵). نتایج شبیه سازی نشان می دهد که این مدل می تواند کارایی تصمیم گیری را تا ۶۶ درصد افزایش دهد، هزینه های عملیاتی را تا ۳۵ درصد کاهش دهد و شفافیت را با ثبت لاگ های الگوریتمی بهبود بخشد (لازبنیک ۲۰۲۳؛ خبرگزاری تسنیم ۲۰۲۵). پیشنهاد می شود این مدل در فاز آزمایشی در وزارتخانه های ارتباطات و بهداشت پیاده سازی شود با تاکید بر آموزش کارکنان و نظارت اخلاقی (رحیمی و همکاران ۲۰۲۳؛ جاه طلبی های ایران در حوزه هوش مصنوعی ۲۰۲۵).

کلیدواژه ها:

یادگیری ، تقویتی ، مدیریت هوشمند ، تصمیم گیری سازمانی ، سازمان های دولتی ، ایران ، وزارتخانه های تهران ، هوش مصنوعی در حکمرانی ، بهینه سازی منابع