چارچوب UAG-BI: رویکردی یکپارچه مبتنی بر یادگیری ماشین، هوش تجاری و مصورسازی توضیح پذیر برای کاهش عدم قطعیت عمیق در تصمیم گیری و خط مشی گذاری دولتی

تصمیم گیری و خط مشی گذاری دولتی در محیط های پیچیده معاصر با سطوح بالایی از عدم قطعیت عمیق مواجه است؛ وضعیتی که در آن نه تنها احتمال وقوع رویدادها، بلکه خود فضای سناریوهای ممکن نیز ناشناخته است. ابزارهای سنتی پشتیبانی تصمیم با ارائه پیش بینی های نقطه ای، توهم قطعیت می آفرینند و سیاست گذاران را در برابر شوک های غیرمنتظره آسیب پذیر می سازند. پژوهش حاضر چارچوب یکپارچه ای با نام UAG-BI پیشنهاد می کند که برای نخستین بار سه حوزه یادگیری ماشین، هوش تجاری و مصورسازی توضیح پذیر را در یک معماری منسجم سه لایه برای کاهش عدم قطعیت در خط مشی گذاری دولتی ادغام می کند. معماری چارچوب UAG-BI از سه لایه تشکیل شده است: لایه یکپارچه سازی و پیش پردازش داده که داده های ناهمگن دولتی، لایه پیش بینی، شبیه سازی و توضیح پذیری و لایه مصورسازی هوشمند و پشتیبانی تصمیم که نوآوری محوری این پژوهش است را پیاده سازی می کند. پژوهش حاضر از رویکرد طراحی علم پیروی می کند و یافته های آن عمدتا مفهومی است. انتظار می رود پیاده سازی UAG-BI کیفیت تصمیم گیری دولتی را از طریق انتقال از پیش بینی قطعی به مدیریت توزیع عدم قطعیت ارتقا دهد، سرعت پاسخگویی به بحران ها را کاهش دهد، اعتماد سیاست گذاران به تحلیل های داده محور را از طریق شفافیت XAI افزایش بخشد، و راهی عملیاتی برای پیاده سازی حکمرانی دیجیتال مسئولانه در کشورهای در حال توسعه هموار کند.

کلیدواژه ها:

عدم قطعیت عمیق ، یادگیری ماشین ، هوش تجاری ، مصورسازی داده ، خط مشی گذاری دولتی ، یادگیری تقویتی ، توضیح پذیر هوش مصنوعی ، داشبورد تعاملی