📌 چابکی در کسب و کار

برنامه ریزی های استراتژیک خشک و غیر کارامد جای خود را به استراتژی سازی می دهند، سازمان ها کوچکتر می شوند، تیم های کار شبکه ای و جزیره ای جای چارت های خشک سازمانی را می گیرند، استفاده از ابزارهای بازاریابی دیجیتالی کمک می کنند به سرعت نتیجه فعالیت های بازاریابی بررسی، ارزیابی و اصلاح شوند، فرآیندهای کسب و کار با استفاده از انواع و اقسام نرم افزار و بستر اینترنت کاهش یافته و سرعت اجرای اقدامات افزایش یافته است. همه اینها مرهون کاربست مفهوم چابکی در کسب و کار است.

اگر در گذشته بزرگی معیار موفقیت کسب و کارها بود ( جنرال موتورز، جنرال الکتریک، کفش ملی، ایران ناسیونال و … ) امروز سرعت و چابکی معیار اصلی موفقیت در کسب و کارهاست

🎯 فواید چابکی در کسب و کار

مهمترین مزیت چابکی در کسب و کار توانایی همگام شدن با تغییرات سریع محیط بیرون است. به این ترتیب کسب و کار شما نه تنها قربانی تغییرات نمی شود، بلکه می تواند از فرصت های متعدد ایجاد شده توسط این تغییرات بهترین استفاده را ببرد.

🔺چالاکی باعث می شود بتوانید به سرعت از محیط بیاموزید و دائماً کسب و کار و تمام جنبه های آن مانند برنامه ها، اقدامات، فرآیندها و … را اصلاح کنید. بنابراین چالاکی در زمان مشخص می تواند یکی از مولفه های هوش کسب و کار باشد.

🔺چابکی باعث می شود بتوانید سریع تر روند های بازار را تشخیص دهید، خواست مشتریان را پیدا کنید و بهتر به آنها پاسخ دهید.

🔺چابکی کمک می کند بتوانید محصولات کارآمدتر، دقیق تر، متناسب تر را سریع تر برای مشتریان خود فراهم کنید.

🔺چابکی کمک می کند بتوانید مزیت رقاتبی برای خود خلق کنید و به این ترتیب رضایت مشتریان را بدست بیاورید

🔺چابکی کمک می کند در رقابت از رقیبان خود به راحتی بیشتر پیشی بگیرید.

🔺امروزه چابکی خودش می تواند یک استراتژی برای کسب و کار و سازمان شما باشد.

⚙️ دانشکده صنایع و مدیریت👇
@ieinstitute

⭕️ شش سیگما و روش های اجرای آن به صورت خلاصه

⚙️ دانشکده صنایع و مدیریت👇
@ieinstitute

📌 تفاوت تصمیم گیری و تصمیم سازی:

تصمیم گیری یک انتخاب از میان چند راهکار (Alternative) جهت رسیدن به هدف (حل مسئله) است و تصمیم سازی فراهم نمودن زمینه مناسب برای تصمیم گیری است.

🔹 معمولاً تصمیم سازی بر تصمیم گیری مقدم است.

🔹 اغلب فرایند تصمیم سازی طولانی تر از تصمیم گیری است و تصمیم گیری سریع تر از تصمیم سازی انجام می شود.

🔹 عموماً مدیران سطوح میانی برای مدیران ارشد و مدیران سطح عملیاتی برای مدیران میانی تصمیم سازی می کنند.

🔹 اگر چه هم تصمیم سازان و هم تصمیم گیرندگان در برابر عواقب و پیامدهای (مثبت و منفی) تصمیم، مسئولیت دارند، اما مسئولیت نهایی بر عهده تصمیم گیرندگان است. بنابراین مهمترین وظیفه یک مدیر تصمیم گیری است و نباید به بهانه تصمیم سازیهای نادرست از بار مسئولیت پذیری شانه خالی کنند.

⚙️ دانشکده صنایع و مدیریت👇
@ieinstitute

📌 ر📌 روش تدوین برنامه کسب و کار Business Plan

پاورپوینت آموزشی در مورد نحوه تدوین و نوشتن یک طرح تجاری که به صورت کاملا گام به گام:
- تعریف برنامه کسب و کار
- ویژگی های یک برنامه کسب و کارقابل دفاع
- اجزای اصلی برنامه کسب و کار
- ساختار یک برنامه کسب و کار
- معیارهای ارزیابی یک ایده تجاری
- تعریف مدل کسب و کار
- راهبردهای بازاریابی
و ....

⚙️ دانشکده صنایع و مدیریت👇
@ieinstitute

📌سیر تکامل صنعت از industry 1.0 تا industry 4.0

⚙️ دانشکده صنایع و مدیریت👇
@ieinstitute

📌 داده ، اطلاعات و دانش

🔸 داده : داده یک واقعیت و یا یک مورد از یک زمینه خاص بدون ارتباط به دیگر چیزهاست. داده‌ها حقایق و واقعیت‌های خام هستند. داده‌ها منعکس‌کننده تعاملات و مبادلات کامل و واحد و منسجمی‌ هستند که تحت عنوان جزء ناچیز از آنها یاد می‌شود. این اجزاء در پایگاه‌های داده، ذخیره و مدیریت‌ می‌شوند.

🔸اطلاعات : اضافه کردن زمینه و تفسیر به داده‌ها و ارتباط آنها به یکدیگر، موجب شکل‌گیری اطلاعات‌ می‌شود.اطلاعات داده‌های ترکیبی و مرتبط همراه با زمینه‌ و تفسیر آن است. اطلاعات در حقیقت داده‌های خلاصه شده را دربر می‌گیرد که گروه‌بندی، ذخیره، پالایش، سازماندهی و تحلیل‌ شده‌اند تا بتوانند زمینه را روشن سازند.

🔸دانش : اضافه کردن درک و حافظه به اطلاعات موجب توسعه طبیعی پس از اطلاعات می‌گردد. خلاصه‌سازی هرچه بیشتر(انباشت)اطلاعات اولیه به دانش منجر می‌شود.دانش‌ یک ادراک و فهم است که از طریق تجربه، استدلال، درک مستقیم و یادگیری حاصل می‌شود.

⚙️ دانشکده صنایع و مدیریت👇
@ieinstitute

📌 کاربردهای برتر یادگیری ماشینی

۱. شناسایی تصویر
شناسایی تصویر یکی از مهم ترین کاربردهای یادگیری ماشین است. اساسا این یک رویکرد برای شناسایی و کشف یک ویژگی یا یک شی در تصویر دیجیتال است.

۲. تحلیل احساسات
این کاربرد همچنین به عقیده کاوی و کلاسه بندی احساسات و غیره شهرت دارد. این یک فرایند تعیین نگرش یا عقیده گوینده یا نویسنده است. به عبارت دیگر این فرایند یافتن احساسات فرد از متن است.

۳. کلاسه بندی ( طبقه بندی )
کلاسه بندی یا همان دسته بندی فرایند طبقه بندی موضوعات یا موارد به مجموعه ای از کلاس های از پیش تعریف شده است. استفاده از رویکرد یادگیری ماشین سیستم طبقه بندی را پویا تر می کند. هدف از یادگیری ماشین ایجاد یک مدل مختصر است. این دیدگاه به افزایش بهره وری در سیستم کلاسه بندی کمک می کند.

۴. نظارت تصویری
یک فایل ویدیویی کوتاه اطلاعات بیشتری را در مقایسه با یک فایل متنی یا هررسانه ی دیگری مانند صوت و تصویر دربردارد. به همین دلیل استخراج اطلاعات مفید از ویدیو، مانند سیستم اتوماتیک نظارت تصویری به یکی از موضوعات تحقیقاتی پرطرفدار تبدیل شده است. از این جهت، نظارت تصویری یکی از پیشرفته ترین کاربردهای رویکرد یادگیری ماشین است.

۵. تشخیص گفتار
تشخیص گفتار عبارت است از فرایند تبدیل کلمات گفتاری به متن. همچنین به آن تشخیص خودکار گفتار، تشخیص گفتار کامپیوتری و یا گفتار به متن هم گفته می شود. این شاخه از پیشرفت رویکرد یادگیری ماشین و داده های عظیم بهره می گیرد.

۶. خدمات رسانه های اجتماعی
رسانه های اجتماعی از یادگیری ماشین برای ایجاد ویژگی های جذاب و فوق العاده استفاده می کنند؛ مانند افرادی که ممکن است شما بشناسید مانند افرادی که به شما پیشنهاد می شود و گزینه های تعامل برای کاربران. این ویژگی ها تنها نتیجه استفاده از تکنیک یادگیری ماشین است.

۷. خدمات پزشکی
روش های یادگیری ماشین ابزارهایی متعدی هستند که در زمینه مشکلات پزشکی مورد استفاده قرار می گیرند. برای مثال تشخیص بیماری، برنامه ریزی درمانی تحقیقات در زمینه پزشکی و پیش بینی وضعیت بیماری. با استفاده از نرم افزار مبتنی بر یادگیری ماشین در موضوع مراقبت های بهداشتی، پیشرفت بزرگی را می توان در حوزه علوم پزشکی به ارمغان اورد.

۸. بازیابی اطلاعات
بازیابی اطلاعات یکی از مهم ترین رویکردهای یادگیری ماشین است که فرایند استخراج دانش یا داده های ساختاری از داده های ساختار نیافته است. علی الخصوص اکنون که دسترسی به اطلاعات از طریق وبلاگ ها و وبسایت ها و رسانه های اجتماعی افزایش یافته است.

۹. دستیار شخصی مجازی
دستیار شخصی مجازی یک کاربرد پیشرفته از سری کاربردهای تکنیک یادگیری ماشین است و در فناوری یادگیری ماشین عملکرد آن به صورت زیر است : سیستمی که منطبق بر تکنیک یادگیری ماشین است ورودی هایی را بکار می گیرد و آن ها را پردازش می کند و به خروجی منجر می شود. رویکرد یادگیری ماشین از آن جهت که بر مبنای تجربه است بسیار مهم است.

⚙️ دانشکده صنایع و مدیریت👇
@ieinstitute

✅اثرشلاقی (BULLWHIP EFFECT) چیست؟

🔴یکی از زمینه های تحقیقاتی در زنجیره تامین اثر شلاقی (BULLWHIP EFFECT) است.اثر شلاقی یکی از دلایل اصلی ناکارامدی زنجیره تامین است .

✔️تقویت تغییرپذیری تقاضا از پایین زنجیره به سمت بالای زنجیره را اثر شلاقی می نامند.

🔵دلیل اصلی این طرز اسم‌گذاری این است که تقویت تغییرپذیری در تقاضا غیرخطی است.یعنی تغییری کوچک در تقاضای مشتری نهایی به صورت چند برابر خود را در تقاضای کارخانه نشان می دهد. درست مانند یک شلاق که اگر نوسان کمی در سر آن ایجاد کنید در انتهای شلاق این نوسان بسیار بیش از نیروی اولیه تشدید می شود.

⚪️به طورکلی هرچه کمپانی ازنظر زمان تحویل (LEAD TIME) از مشتری نهایی دورتر باشد، تغییرات تقاضا بزرگتر خواهدبود. این تاثیر موجب ناکارامدی در زنجیره تامین می شود چرا که باعث افزایش هزینه تامین مواد و پایین آوردن توان رقابتی خواهدشد. اثر شلاقی از سه جنبه بر روی زنجیره تامین تاثیر منفی می گذارد :

1. ظرفیتها
2. تغییر در سطح موجودی
3. سطح بالای ذخیره احتیاطی

بنابراین، یک موضوع مهم در زنجیره تامین غلبه بر اثر شلاقی است.


⚙️ دانشکده صنایع و مدیریت👇
@ieinstitute

📌 چرا کارها را بیش از موعد طول می دهیم؟

گلدرات (Eliyahu M. Goldratt) در تئوری محدودیت ها، علل زیر را جهت طولانی شدن زمان انجام کارها نسبت به برآورد اولیه ذکر می کند:

قانون مورفی (Murphy’s Law): اگر اتفاق بدی بتواند بیفتد حتما رخ خواهد داد؛ آن هم در بدترین شرایط ممکن. اتفاقات بد حتما مجال رخ دادن پیدا میکنند آن هم در لحظه ای که نباید رخ دهند.

قانون پارکینسون (Parkinson’s Law): کار تمام مدت در اختیار را پر می کند. به عبارتی به اندازه ای که وقت هست کار به تعویق می افتد. اگر تا فردا وقت داریم چرا باید کار را امروز تمام کنیم؟

خود ایمن سازی (self-secure): افراد بیم دارند زودترین زمان تکمیل کار را گزارش کنند، چون استانداردهای بعدی مدیران بر همین مبنا شکل خواهد گرفت. اگر کار زود تمام شود بعدا همین توقع خواهد رفت، پس چرا برای خود زمان نخریم؟

باتوم رها شده (Dropped Baton): تحویل کار در زودترین زمان، لزوماً توسط پرسنل بعدی تحویل گرفته نخواهد شد، چون آمادگی لازم را ندارند. افراد به خود میگویند چرا مورد سرزنش دیگران قرار گیرند؟

کارهای همزمان بیش از حد: این موضوع باعث افزایش مدت زمان انجام کار خواهد شد. انجام آشفته و همزمان کارها به جای هم افزایی، کاهندگی عملکرد و افزایش بیش از موعد کار را در پی خواهد داشت.

گلوگاه های منابع: تاخیرات ممکن است به دلیل بحرانی بودن منابع حادث شود. به عبارتی برخی مواقع پیش بینی های شما در رابطه با منابع، فرآیندها، حمایت ها، فرصت ها و ... اشتباه از آب در می آید.

سندروم دانشجویی (Student Syndrome): گرایش به عدم شروع تا زمانی که کاملاً مجبور نشویم در انسان ها وجود دارد. مانند بسیاری دانشجویان که تا آخرین دقایق انجام تکالیف را به تاخیر می اندازند.

⚙️ دانشکده صنایع و مدیریت👇
@ieinstitute

📌 فرآیندکاوی

فرآیندکاوی، تجزیه و تحلیل و مدل کردن فرآیندها و مدیریت کسب و کار سازمانی است که برای تحقق اهدافی همانند کشف، رصد کردن و ارتقای فرایندهای واقعی سازمان بر اساس استخراج دانش از سیستم‌های اطلاعاتی، انجام می‌شود.

مفهوم فرآیندکاوی برگرفته از کتاب «تحلیل فرآیندهای مهندسی نرم‌افزار» نوشته cook و wolf در اواخر دهه ۹۰ است. این مفهوم در زیر چتر هوش سازمانی برای بهره‌گیری بهتر از ابزارهای گزارش‌‌ساز و داشبوردهای مدیریتی بکار می‌رود. استفاده از داده‌کاوی، اغلب تجزیه و تحلیل داده‌‌ها از چندین پایگاه داده و خلاصه شدن آن‌ها به اطلاعات مفید را پیش‌رویمان می‌گذارد. با تکیه بر این اطلاعات، می‌توانیم تصمیماتی بگیریم که بر موفقیت یک شرکت اثرگذار است. با این حال هنوز به نظر می‌رسد فرآیندکاوی موضوعی جدید برای بسیاری افراد است و در توضیح این مفهوم با سؤالاتی از این دست مواجه می‌شویم که فرایندکاوی چیست؟ در فرآیندکاوی چه کاری را انجام می‌دهیم؟
تجزیه و تحلیل داده‌ها از پایگاه‌های مختلف و بهره‌برداری از آنها به عنوان اطلاعات مفید برای تصمیم‌گیری در کسب و کار، فرآیند اصلی طی شده در داده‌کاوی است. حال می‌خواهیم این مسیر را در چارچوب فرآیندهای کسب و کار یک سازمان بررسی کنیم.
در استخراج فرآیند، داده‌هایی را که در سیستم‌های اطلاعاتی یک شرکت وجود دارد استفاده می‌کنیم و آنچه به طور واقعی در فرایندهای شرکت اتفاق می‌افتد و چگونگی اجرای آنها در زندگی واقعی را پردازش می‌کنیم.

یکی از نتایج روش فرآیندکاوی این است که می‌تواند مدل‌هایی را تولید کند که تمام مسیرهای ممکن یک فرآیند را نشان می‌دهد و شامل استثنا و تشدید نیز می‌شود. هدف از فرآیندکاوی، طراحی مدل قابل اجرا نیست؛ بلکه اسناد دقیق و جامع و تحلیل فرآیندهای موجود است.
فرآیندکاوی یکی از رشته‌های تحقیقاتی جدید است که بین داده‌کاوی از یک طرف و مدل کردن فرآیندها و تحلیل آن‌ها از طرف دیگر، قرار گرفته است. ایده اصلی در فرآیندکاوی کشف (discovery) ، نظارت (conformance checking) و بهبود فرآیندهای حقیقی (enhancement) از طریق استخراج دانش و اطلاعات از گزارش‌ رویدادها (event logs) در سیستم‌های موجود است.

⚙️ دانشکده صنایع و مدیریت👇
@ieinstitute

📌کارخانه ­ی هوشمند

در سال ۲۰۰۸، قبل از آنکه کارخانه ­ی هوشمند به عنوان یکی از اجزای اصلی و سازنده­ ی صنعت ۴.۰ معرفی شود، این مفهوم به عنوان یک محیط تولید، جایی که انسان و فرآیندهای تولیدی به ­وسیله ­ی سیستم ­های هوشمند و مبتنی بر رایانه پشتیبانی می ­شوند و از یک جریان مداوم و یکپارچه تولید برای افزایش کارایی و کیفیت پشتیبانی می­ کند مطرح شد. پس از آن در سال ۲۰۱۶، با تاکید بر همکاری خودمختار کلیه ماشین­ های مورد استفاده در فرآیند تولید با استفاده از داده­ های به دست آمده از بی ­شمار حسگر، مفهوم کارخانه­ ی هوشمند گسترش یافت. بنابراین یک کارخانه هوشمند همیشه از ماشین­ هایی که مجهز به مجموعه­ ای از سنسورها و اکتورها که قادر به جمع­ آوری، ارسال، دریافت، پردازش داده ­ها و تصمیم­ گیری بر مبنای آن­ها هستند، تشکیل شده است. این ماشین­ ها برای انجام وظایف از پیش تعریف شده با یکدیگر ارتباط برقرار می­کنند. علاوه بر آن، این مجموعه از ماشین ­ها بطور هدفمند به سازماندهی و پیکربندی خود در راستای تحقق یک هدف یکسان می­پردازند.

بنابراین این سیستم توسط یک نهاد بالاتر، یعنی یک مدل نرم‌افزاری ارشد، یا یک انسان یا ترکیبی از هر دو (نرم ­افزار و انسان) کنترل میشود و دستورالعمل­ های یک برنامه رایانه‌ای پیشرفته را دنبال می ­کند. در سال ۲۰۱۷ با ارائه یک نمای متمایز از لایه­ ها و ادغام عمودی به‌عنوان محور اصلی در کارخانه هوشمند، این مفهوم تقویت شد. بر این اساس، یک کارخانه ­ی تولیدی، دیگر به عنوان مجموعه ­ای از فعالیت­ها دیده نمی­ شود بلکه در قالب چهار لایه مجزا توسعه می‌یابد: لایه فیزیکی، لایه داده، لایه ابر و لایه ­ی کنترل.

کلیه دستگاه­ها، کل کارگاه و فعالیت­های مربوط به آن در قالب یک مجموعه به لایه فیزیکی اختصاص داده شده است. لایه داده شامل فرایند انتقال داده­ها از ماشین­ها (سنسورها) به ابر و بالعکس است، در حالی که نرم افزار کنترل­کننده، آنچه ارسال یا دریافت می­شود (نوع داده­ها و تنوع آن­ها) و هم­چنین نرخ این انتقال (سرعت و حجم) را کنترل می­کند. سپس داده­ها، به طور موقت، در ابر ذخیره می­شوند، جایی که می­توان تجزیه‌ و تحلیل‌های پیچیده را پردازش کرد. در لایه بالایی، نظارت انجام می­شود. در لایه­ی نظارت (کنترل)، برنامه اصلی که کارخانه هوشمند را کنترل می­کند، اجرا می­شود. این برنامه قابلیت آن را دارد که در هر زمان و در صورت لزوم با
اقدامات انسانی اصلاح شود.

در تصویر پست بعدی ویژگی های کارخانه هوشمند ارائه شده است.

⚙️ دانشکده صنایع و مدیریت👇
@ieinstitute

📌ویژگی­ های کارخانه ­ی هوشمند

⚙️ دانشکده صنایع و مدیریت👇
@ieinstitute

📌 تعاریف و توصیف‌های مرتبط با مهندسی ارزش:

* مهندسی ارزش را بازنگری خلاق و سازمان‏یافته ارزشها (Value ) و هزینه‏ ها (Cost ) به منظور بیشینه‏ کردن شاخص ارزش (Function / Cost ) تعریف نموده ‏اند.

*هدف مهندسی ارزش از میان برداشتن یا اصلاح هر عاملی است که موجب تحمیل هزینه‏ های غیرضروری می‏شود، بی‏ آنکه آسیبی به کارکردهای اصلی و اساسی سیستم وارد آید. دستور کار مهندسی ارزش، بهبود مداوم طراحی و اجرا است.

*مهندسی ارزش صرفاً برنامه ای برای کاهش هزینه‏ ها نیست، بلکه روشی برای حداکثر نمودن ارزش طرح‌ها می‏باشد زیرا در بعضی موارد، کارفرما خواستار سهولت بهره‌برداری و کاهش هزینه ها به قیمت افزایش هزینه‏ های مطالعاتی، طراحی و ساخت است.

*مهندسی ارزش با بررسی دقیق کارکرد اجزا و یافتن روش‌های جدیدتر و بهتر، به انجام دادن بهتر کارها کمک می‏کند.

*مهندسی ارزش تکنیکی مؤثر برای کاهش هزینه ‏ها، افزایش سودآوری و بهره‏ وری، بهبود کیفیت بدون کاستن از جاذبه‏ های ظاهری و جلوگیری از تأثیر سوء بر محیط‌ زیست است.

*مهندسی ارزش به کارفرما اطمینان می‏دهد که پروژه‏ ها می‏توانند با بازدهی بیشتر انجام شوند.

*روش‌های مهندسی ارزش می‏تواند موجب اصلاح و ارتقاء کیفیت محصولات یا روش‌ها یا فرآیندهای تولید و انجام طراحی‌های جدید در هر مرحله از مراحل اجرایی یک پروژه شود.

*مهندسی ارزش یا تحلیل ارزش یک تکنولوژی مدیریتی است که در پی برقراری توازن عملی میان هزینه، قابلیت اطمینان و عملکرد در یک محصول/خدمت، پروژه، فرآیند یا اجزای هر یک از آن‌ها است.

⚙️ دانشکده صنایع و مدیریت👇
@ieinstitute

📌 تحلیل خاکستری

تحلیل خاکستری روشی کمی است که برخلاف روش‌های سنتی ارسطویی به جای اعداد قطعی از داده‌های فاصله‌ای استفاده می‌کند. تئوری خاکستری که به سال ۱۹۸۲ توسط دنگ (Deng) مطرح گردید، یکی از مفاهیم ریاضی است که کاربرد گسترده‌ای در تصمیم‌گیری چندمعیاره پیدا کرده است.

این تئوری روشی بسیار موثر در مواجهه با مشکلات عدم اطمینان همراه با اطلاعات ناشناخته و ناکامل است. عموماً، اطلاعات مربوط به ترجیحات تصمیم گیرندگان در مورد معیارها و به دلایل مختلف بر اساس قضاوت کیفی آنها، بیان می شود و همچنین در عمل نیز قضاوت تصمیم گیرندگان اغلب نامطمئن بوده و به وسیله مقادیر عددی دقیق قابل بیان نیستند.

تئوری خاکستری یکی از روش‌هایی است که برای مطالعه عدم اطمینان و ناکامل بودن اطلاعات به کار می‌رود و استفاده از آن در تحلیل ریاضی سیستم های با اطلاعات ناقص، روند رو به رشدی را دارد. اجزا اصلی تحلیل خاکستری عبارتند از پیش‌بینی خاکستری، تحلیل رابطه خاکستری (GRA)، تصمیم خاکستری، برنامه‌ریزی خاکستری و کنترل خاکستری.

برای درک موضوع باید بین دو مفهوم اساسی تمایز قائل شوید: سیستم خاکستری و اعداد خاکستری

✅ سیستم خاکستری (Grey system)
اگر اطلاعات واضح و شفاف یک سیستم را بارنگ سفید و اطلاعات کاملاً ناشناخته یک سیستم با رنگ سیاه تجسم شود، در این صورت اطلاعات مربوط به بیشتر سیستم های موجود در طبیعت اطلاعات سفید (کاملاً شناخته شده) و یا سیاه (کاملا ناشناخته) نیستند بلکه مخلوطی از آن دو یعنی به رنگ خاکستری هستند. این گونه سیستم ها را سیستم های خاکستری می نامند که اصلی ترین مشخصه آن ها، کامل نبودن اطلاعات مربوط به آن سیستم است.

✅ خاکستری
هر سیستم خاکستری به وسیله اعداد خاکستری، معادلات خاکستری و ماتریس‌های خاکستری توصیف می شود که در این میان اعداد خاکستری به مثابه اتمها و سلول های این سیستم هستند. عدد خاکستری می‌تواند به عنوان عددی با اطلاعات نامطمئن تعریف شود. مثلاً رتبه معیارها در یک تصمیم گیری، به صورت متغیرهای زبانی بیان می‌شوند که می‌توان آنها را با بازه‌های عددی بیان نمود. این بازه‌های عددی شامل اطلاعات نامطمئن خواهد بود. به عبارت دیگر عدد خاکستری به عددی اطلاق می شود که مقدار دقیق آن نامشخص است اما بازه‌ای که مقدار آن را در بر می گیرد شناخته شده است.

⚙️ دانشکده صنایع و مدیریت👇
@ieinstitute

📌 فرایندهای زنجیره تأمین: طبقه بندی و دیدگاه ها

یکی از موضوعات مهم در مدیریت زنجیره تأمین، نگاه فرایندی به زنجیره تأمین است. فرایندهای زنجیره تأمین از دیدگاه های مختلفی بررسی شده است. زنجیره تأمین مجموعه ای از فرایندها و جریان‌هاست که درون و بین سطوح مختلف به وجود می‌آیند و در کنار یکدیگر نیاز مشتری را برآورده می‌کنند. در ادامه به برخی از این موارد می پردازیم.

تمام فرایندهای زنجیره تأمین می‌تواند در یکی از سه دسته فرایندهای کلان زیر قرار گیرد:

۱ – مدیریت روابط با مشتری (Customer Relationship Management):
تمام فرایندهایی که بر مواجهه میان مشتری و شرکت تمرکز دارد. فرایندهای مدیریت روابط با مشتری (CRM) به دنبال افزایش هر چه بیشتر تقاضای مشتریان و تسهیل وقوع و دریافت یا پیگیری سفارش مشتریان می‌باشد. CRM فرایندهایی مانند بازاریابی، فروش و مدیریت سفارشات را در بر می‌گیرد (چوپرا و میندل، ۲۰۰۱).

۲ – مدیریت زنجیره تأمین داخلی (Inter Supply Chain Management Management)
مام فرآیندهایی که برای شرکت درونی محسوب می‌شوند. فرایندهای مدیریت زنجیره تأمین داخلی (ISCM) به دنبال تأمین سفارشات ایجاد شده در فرایندهایCRM با کمترین هزینه و در زمان مقرر می‌باشند. فرایندهایی مانند برنامه ریزی تولید، برنامه ریزی ظرفیت تولید و انبارها، آماده سازی برنامه‌های سفارش مواد اولیه، مدیریت موجودی و …. از جمله این فرایندها هستند (چوپرا و میندل، ۲۰۰۱).

۳- مدیریت روابط با تأمین کنندگان (Supplier Relationship Management)
تمام فرایندهایی که بر مواجهه میان شرکت و تأمین کنندگانش تمرکز دارد. فرایندهای مدیریت روابط با تأمین کنندگان (SRM) به دنبال سازمان‌دهی و مدیریت منابع تأمین قطعات و مواد اولیه و یا خدمات مورد نیاز شرکت می‌باشد. فرآیندهایی مانند ارزیابی و انتخاب تأمین کننده مناسب، مدیریت قراردادهای تأمین و مدیریت تدارکات و خرید نیز از جمله این فرایندها هستند (چوپرا و میندل، ۲۰۰۱).


⚙️ دانشکده صنایع و مدیریت👇
@ieinstitute

📌 نفوذ چت جی‌‏‌پی‌‏‌تی به دنیای پژوهش

از زمانی که اواخر سال گذشته روبات‌چتی به نام چت جی‌‌‌پی‌‌‌تی منتشر شد، آشکار شد که این نوع فناوری هوش مصنوعی پیامدهای زیادی برای روش کار محققان خواهد داشت. چت جی‌‌‌پی‌‌‌تی نوعی مدل زبان وسیع (LLM) و سیستم یادگیری ماشینی است که به‌‌‌طور مستقل از داده‌‌‌ها یاد می‌گیرد و می‌‌‌تواند پس از آموزش روی مجموعه داده‌‌‌ای عظیم از متن، نوشته پیچیده و به‌ظاهر هوشمندانه تولید کند. این جدیدترین مدل از یک‌سری از این مدل‌‌‌هاست که توسط OpenAI، شرکت هوش مصنوعی در سان‌فرانسیسکو، کالیفرنیا و سایر شرکت‌ها منتشر شده است.

محققان و دیگران قبلا از جی‌‌‌پی‌‌‌تی و دیگر مدل‌‌‌های زبانی بزرگ برای نوشتن مقالات و گفت‌وگوها، خلاصه‌کردن ادبیات، پیش‌‌‌نویس و بهبود مقالات و همچنین شناسایی شکاف‌‌‌های تحقیقاتی و نوشتن کدهای رایانه‌‌‌ای، از جمله تحلیل‌‌‌های آماری، استفاده کرده‌‌‌اند. به‌زودی این فناوری تا حدی تکامل خواهد یافت که می‌‌‌تواند آزمایش‌‌‌ها را طراحی کند، دست‌‌‌نوشته‌‌‌ها را بنویسد و تکمیل کند، بررسی‌‌‌های همتا انجام دهد و مانند یک سردبیر در پذیرش یا رد یک متن عمل کند.

هوش مصنوعی محاوره‌‌‌ای احتمالا شیوه‌‌‌های پژوهشی و انتشار را متحول و فرصت‌‌‌ها و نگرانی‌هایی ایجاد می‌کند. ممکن است روند نوآوری را تسریع بخشد، زمان انتشار را کوتاه کند و با کمک به مردم برای نوشتن روان، علم را عادلانه‌‌‌تر کند و تنوع دیدگاه‌‌‌های علمی را افزایش دهد. با این حال، می‌تواند کیفیت و شفافیت تحقیق را نیز کاهش داده و استقلال ما را به‌عنوان محقق انسانی تغییر دهد. چت جی‌‌‌پی‌‌‌تی و سایر مدل‌‌‌های زبان وسیع متنی قانع‌کننده‌اند، اما اغلب اشتباه می‌کنند، بنابراین استفاده از آنها می‌‌‌تواند حقایق علمی را تحریف و اطلاعات نادرست را منتشر کند. فکر می‌‌‌کنیم که استفاده از این فناوری اجتناب‌ناپذیر است، بنابراین ممنوعیت آن کارساز نخواهد بود. ضروری است که جامعه پژوهشی در مورد پیامدهای این فناوری مخرب بالقوه وارد بحث شود.

با افزایش حجم کار و رقابت در دانشگاه، فشار برای استفاده از هوش مصنوعی محاوره‌‌‌ای نیز افزایش می‌‌‌یابد. رو‌‌‌بات‌چت‌‌‌ها فرصت‌‌‌هایی برای تکمیل سریع وظایف فراهم می‌کنند، از دانشجویان دکترا که در تلاش برای نهایی کردن پایان‌‌‌نامه خود هستند تا محققانی که برای پیشنهاد کمک مالی خود به بررسی سریع ادبیات نیاز دارند یا داورانی که تحت فشار زمان برای ارائه تحلیل خود هستند. اگر روبات‌چت‌‌‌های هوش مصنوعی بتوانند به این وظایف کمک کنند، نتایج می‌‌‌تواند سریع‌‌‌تر منتشر شود و دانشگاهیان می‌توانند روی طرح‌‌‌های آزمایشی جدید تمرکز کنند. این امر می‌‌‌تواند به‌طور قابل‌توجهی نوآوری را تسریع کند و به‌‌‌طور بالقوه سبب پیشرفت در بسیاری از رشته‌‌‌ها شود.


⚙️ دانشکده صنایع و مدیریت👇
@ieinstitute

💎 انواع هوش انسان و کاربرد آن در زندگی روزمره:

♦️ هوش منطقی(IQ):
👈 همان هوش عقلی یا هوش ریاضی است که در مدارس، ما را با آن می‌سنجیدند. اما انسانهایی را می‌توانیم مثال بزنیم که در دانشگاه معدل بالایی داشتند، اما در زندگی خانوادگی یا کاری شکست خوردند. پس هوش عقلی لازم است، اما کافی نیست.


♦️ هوش هیجانی(EQ):
👈 به معنای توانایی مدیریت کردن هیجانات خود و دیگران. بعنوان مثال در اداره ای هستید کارمند با ارباب رجوع مشغول دعواست. بعد از دعوا نوبت به شما میرسد آن کارمند با لحنی عصبانی به شما میگوید کارتون چیه. این کارمند هوش هیجانی پایینی دارد. هوش هیجانی با تمرین و تکرار قابلیت ارتقا دارد.


♦️ هوش سیاسی(PQ):
👈 هوش سیاسی که بهتر است آن را به هوش تدبیری ترجمه کنیم، و معنا و مفهوم آن این است که بدانیم در مقابل هر فرد بهترین نوع رفتار چه باید باشد.‌ تشخیص تفاوت میان افراد و به‌کارگیری بهترین شیوه‌ی عملکرد برای نزدیک شدن به آنها، هوش تدبیری یعنی هر سخن جایی و هر نکته مکانی دارد.


♦️ هوش تدبیری:
👈 یعنی اینکه خودم را با سواد مخاطب هدف هماهنگ کنم و از به‌کار بردن سؤالات و عبارات نابجا خودداری کنم. هوش تدبیری توان درک طرف مقابل را در ما افزایش می‌دهد. هوش تدبیری همان کیاست داشتن در کار است. به ما یاد می‌دهد که با مردم بحث نکنیم، یاد می‌دهد که در بازار رفته‌ایم تا معامله کنیم نه مقابله. و اینکه درک فرهنگها و خرده‌فرهنگها را داشته باشیم.


♦️ هوش جسمانی یا فیزیکی(PQ):
👈 به ما می‌گوید که برای موفقیت در کار، و نزد مردم می‌بایست روح شاداب و مغزی پویا داشته باشیم و این مهم مهیا نمی‌شود مگر اینکه جسم سالم داشته باشیم. هوش جسمی به ما می‌گوید که عقل سالم در بدن سالم قرار دارد، پس مراقبت‌کننده‌ی ورزش و سلامتی خود باشیم.


♦️ هوش معنوی(SQ):
👈 هوش معنوی به انسان بودن ما، صداقت داشتن ما و سالم بودن اخلاق ما می‌پردازد. هوش معنوی یعنی خودمان را نانوایی فرض کنیم که قرار نیست نان سوخته دست مردم بدهیم.


♦️ هوش مدیریتی(MQ):
👈 به ما یادآور می‌شود برای موفقیت در زندگی شخصی و کسب و کار باید بتوانیم بر خودمان مدیریت قوی داشته باشیم و به عبارتی روی خودمان که ارزشمندترین دارایی‌مان است سرمایه‌گذاری کنیم، و برای این مهم، 5 هوش را با نگاه جامعیت‌نگری به‌کار گیریم.

⚙️ دانشکده صنایع و مدیریت👇
@ieinstitute

📌«جفری هینتون»، دانشمند کامپیوتری که با لقب «پدرخوانده هوش مصنوعی» شناخته می‌شود، در مصاحبه‌ای درباره آینده این فناوری، خلق آن را به اختراع برق یا چرخ تشبیه کرده است. او همچنین گفته غیرقابل‌تصور نیست که هوش مصنوعی یک روز به نقطه‌ای برسد که بشریت را از بین ببرد.

🔹هینتون در پاسخ به این سؤال که آیا هوش مصنوعی می‌تواند بشریت را از بین ببرد، گفت: «فکر می‌کنم غیرقابل‌تصور نیست. تنها همین را می‌گویم.» به باور او، توسعه هوش جامع مصنوعی سریع‌تر از آن‌چه تصور می‌شود، درحال پیشروی است و برای رسیدن به آن شاید ۲۰ سال یا کمتر زمان لازم داشته باشیم.

🔹هوش جامع مصنوعی یا AGI به سیستمی اشاره می‌کند که بتواند مانند انسان‌ها همه فعالیت‌های ذهنی را فرابگیرد. چنین سیستمی هنوز به‌وجود نیامده است، اما هینتون باور دارد که کامپیوترها درنهایت می‌توانند قابلیت تفکر و ایده‌پردازی پیدا کنند تا خودشان را بهبود ببخشند.

🔹هینتون می‌گوید متخصصان باید درباره این مسئله فکر کنند و ببینند که چطور می‌توانند چنین سیستم‌هایی را تحت کنترل دربیاورند.

⚙️ دانشکده صنایع و مدیریت👇
@ieinstitute