فهرست نشریات علمی دسترسی آزاد ایران

کسب‌وکارهای نوظهور در مراحل آغازین هوشمندسازی داده‌محور با چالش شروع سرد مواجه‌اند، زیرا تنها به حجم محدودی از داده‌های واقعی دامنه‌ای برای آموزش و اعتبارسنجی مدل‌های هوش مصنوعی دسترسی دارند. این محدودیت داده، همراه با ناسازگاری داده‌های عمومی با نیازهای خاص هر کسب‌وکار، منجر به کاهش دقت پیش‌بینی‌ها و کیفیت توصیه‌ها می‌شود. علاوه بر این، پویایی محیط‌های تجاری و تغییرات سریع در توزیع داده و مفاهیم (نظیر انحراف داده و تغییر مفهوم)، خطر فراموشی دانش پیشین در یادگیری را تشدید می‌کند. چارچوب پیشنهادی این پژوهش، یک معماری یکپارچه و مقیاس‌پذیر برای ادغام یادگیری انتقالی و هوش جمعی ارائه می‌دهد. چارچوب پیشنهادی چهار لایه دارد: پیش‌پردازش داده‌ها، یادگیری انتقالی، تقویت با بازخورد کاربران، و پیش‌بینی پیوسته با پایش انحراف. در این چارچوب، داده‌های آموزشی ترکیبی از داده‌های واقعی، عمومی و بازخورد کاربران هستند و بهینه‌سازی مدل با هدف کمینه‌سازی خطا و کنترل پیچیدگی انجام می‌گیرد. ارزیابی تجربی بر روی سه مجموعه‌داده واقعی نشان داد که این رویکرد بهبود مطلوبی در عملکرد ایجاد می‌کند. علاوه بر معیار دقت، سایر شاخص‌ها همچون توانایی شناسایی نمونه‌های مثبت، تعادل میان دقت و بازخوانی، کاهش خطا و ثبات در برابر تغییرات داده نیز بهبود داشتند.