التعلم الآلي السببي: الحدود الجديدة لصنع القرار في الشركات

اكتشاف العلاقة بين السبب والنتيجة: استراتيجيات لتحسين عملية صنع القرار وتقديم تنبؤات أكثر دقة

تم النشر في Mit Sloan Management Review إيطاليا، مايو/يونيو/يوليو 2025.

التعلم الآلييستخدم الآن على نطاق واسعتوجيه القراراتفي العمليات التي يكفي فيها قياس احتمالية نتيجة محددة، على سبيل المثال، ما إذا كان العميل سيسدد القرض. ومع ذلك، نظرًا لأن التكنولوجيا، في تطبيقها التقليدي، تعتمد على الارتباطات لإجراء التنبؤات، فإن الرؤى التي تقدمها للمديرين غير كاملة في أحسن الأحوال عندما يتعلق الأمر بتوقع تأثير الاختيارات المختلفة على نتائج الأعمال (Feuerriegelوآخرون.، 2022أ).

فكر في المديرين التنفيذيين لشركة كبيرة الذين يجب أن يقرروا مقدار الاستثمار في البحث والتطوير (R&D) في العام المقبل. باستخدام طريقة التحليلالتعلم الآلي (ML)تقليديا، فقد يتساءلون عما سيحدث عندما يزيدون الإنفاق. وقد يجدون علاقة قوية بين المستويات الأعلى للاستثمار وارتفاع الإيرادات عندما ينمو الاقتصاد. وقد يستنتجون أنه بما أن الظروف الاقتصادية مواتية، فيجب عليهم زيادة ميزانية البحث والتطوير الخاصة بهم.

ولكن هل ينبغي عليهم ذلك حقًا؟ وإذا كان الأمر كذلك، بكم؟ وتؤثر العوامل الخارجية، مثل مستويات الإنفاق الاستهلاكي، والآثار التكنولوجية من المنافسين، وأسعار الفائدة أيضًا على نمو الإيرادات. إن مقارنة مدى تأثير مستويات الاستثمار المختلفة على الإيرادات، مع الأخذ في الاعتبار هذه المتغيرات الأخرى، أمر مفيد للمدير الذي يحاول تحديد ميزانية البحث والتطوير التي ستجلب أكبر فائدة للشركة.

السببية ML، أالمجال الناشئ للتعلم الآلي،يمكن أن يساعد في الإجابة على هذه الأسئلةماذا لو؟من خلال الاستدلال السببي. على غرار الطريقة التي يستخدم بها المسوقون اختبار A/B لاستنتاج أي من الإعلانين من المرجح أن يولد المزيد من المبيعات،يمكن لتعلم الآلة السببي أن يوضح ما قد يحدث إذا اتخذ المديرون إجراءً معينًا(فيوريجيلوآخرون.، 2022ب).

وهذا ما يجعلتقنية مفيدة في الكثيرنفس الشيءوظائف العمل التي تستخدم تعلم الآلة التقليدي،بما في ذلك تطوير المنتجات والتصنيع والتمويل والموارد البشرية والتسويق (فون زانوآخرون.، 2024). مل التقليديةلا يزالالمنهج المثاليعندما يكون الهدف الوحيد هوالقيام بالتنبؤات،مثل ما إذا كانت أسعار الأسهم سترتفع أو المنتجات التي من المرجح أن يشتريها العملاء. عندما تريد الشركةتوقعماذا سيحدث إذا اتخذ قرارًا دون آخر، على سبيل المثال، إذا كان الخصم بنسبة 10% أو عدم وجود خصم من المرجح أن يؤدي إلى تكرار العميل لعملية الشراء، فهو يحتاج إلىالسببية ML.

أبحاثنا في التعلم الآلي والذكاء الاصطناعي وخبرتنا في مساعدة الشركات على تطبيق نقاط تعلم الآلة السببية علىالمسار لاستخدام هذه التقنية بنجاح(مربع البحث). ستحتاج الشركات أيضًا إلىالمهارات الصحيحةوسوف يضطرون إلى ذلكزيادة المعرفة السببية بتعلم الآلة لدى الموظفين.

ما يمكن وما لا يمكن لتعلم الآلة أن يفعله

السببية ML هي أداة قوية، ولكن قد يجد المديرون الاسم مضللاً. التسمية'التنبؤ المخالف للواقع'سيعكس بشكل أكثر دقة ما يفعله:التنبؤ بالنتائج بناء على إجراءات افتراضية.يتم فهم التكنولوجيا بشكل أفضل باعتبارها وسيلة لوضع فرضيات أفضل وليس كمصدر لإجابات نهائية. ومن خلال تأطير الأمر بهذه الطريقة، يمكن تذكير المديرين بذلكلا تبالغ في تفسير النتائج.

يتم ذلك باستخدامالاستدلال السببي,الذي يفحص النتائج السابقة لفهم علاقات السبب والنتيجة بين المتغيرات. بدلاً من التركيز على سبب حدوث شيء ما، يطبق التعلم السببي هذه العلاقات للتنبؤ بآثار التدخلاتسياقات جديدة وموجهة نحو المستقبل.

ومع ذلك، لا يمكن للطريقة تفسير سبب وجود علاقة سببية بين عامل معين والنتيجة التي يؤثر عليها. على سبيل المثال، قد يتنبأ نموذج تعلم الآلة السببي بأن تخفيض ميزانية البحث والتطوير من شأنه أن يقلل الإيرادات، لكنه لن يفسر سبب وجود هذه العلاقة أو ما إذا كانت العوامل المربكة - التي تؤثر على كل من القرار والنتيجة - قد تتغير وتبطل التنبؤ. ينبغي للمديريناستخدم خبراتهمفي الصناعة لتقييم ما إذا كانت توقعات معينة منطقية. يساعد هذا النهج على ضمان تفسير تنبؤات النماذج بشكل صحيح وتبقى ذات صلة بالقرارات الواقعية. مثل التعلم الآلي التقليدي،يكون تعلم الآلة السببي أكثر فعالية عندما يكون لدى المديرين كميات كبيرة من البيانات،خيارات محددة بوضوح والنتيجة المرجوة مفهومة جيدا.بشكل عام غير مناسب لاتخاذ القراراتمرة واحدةوالسيناريوهات التي تتطلب الحدس أو الإبداع.

اختر المشكلة والبيانات الصحيحة

التعلم السببي هو الأنسب لـالتنبؤ بنتائج القرارات البسيطةوالتي تدعمها بيانات تاريخية واسعة النطاق من مصادر داخلية وخارجية. قد تكون الأسئلة المتعلقة بالعمليات مرشحة جيدة لهذا النهج لأنها تُطرح بشكل متكرر ولدى الشركات الكثير من البيانات لدعمها (von Krogh, Ben-Menahem, & Shrestha, 2021). فيما يلي بعض الأمثلة على استخدام السببية ML في هذا السياق:

يقوم موقع Booking.com بجمع البيانات من آلاف حجوزات الفنادق كل ساعة. يستخدم المسوقون للشركةطريقة التحليل السببيلتحديد ليس فقط ما إذا كانمنح الخصومات،ولكن أيضاأي العملاء يجب أن يحصلوا عليها.تمتلك شركة Lindt لصناعة الشوكولاتة بيانات شاملة عن الظروف البيئية والمعدات والتغليف والعوامل الأخرى التي تؤثر على جودة الكمأة المشهورة عالميًا. يستخدم مديرو الإنتاجالسببية MLلمساعدتهم على ضبط المعلمات مثلدرجة حرارة الآلاتوتكوينات القالبللكمأة (ETH AI Center, 2023).اعتمدت شركة Hitachi ABB Power Grids على التعلم الآلي السببي لتقليل معدلات الفشل في عملية تصنيع أشباه الموصلات، باستخدام بيانات أداء الماكينة. وكانت قادرة على خفض خسارة العائد إلى النصف من خلال تحديد مجموعة الآلات التي تنتج باستمرار أفضل الرقائق عالية الجودة (Senoner, Netland, & Feuerriegel, 2022).

في شركة نوفارتيس، تمكن المديرون المتعلمون حول قدرات الأنواع المختلفة من تعلم الآلة من تحديد العديد من مهام صنع القرار حيث قدم استبدال تعلم الآلة التقليدي بالتعلم السببي فوائد كبيرة. لقد سألوا نموذجًا تقليديًا لتعلم الآلة عما إذا كانت زيادة ميزانية التسويق ستؤدي إلى زيادة المبيعات، لكن توقعاتهم لم تساعدهم في تحديد كيفية تخصيص تلك الميزانية. قرروا استخدام السببية ML لتقييم مدى تأثير الحملات الترويجية المختلفة على المبيعات المستقبلية. واستخدموا التوقعات لتخصيص الموارد للحملات التي من المرجح أن تكون أكثر فعالية.

يمكن التعبير عن القرار المناسب لتعلم الآلة السببي كرقم أو اختيار ثنائي(على سبيل المثال، مبلغ من الإيرادات أو عملية شراء/حيازة). ويمكن أيضًا صياغته على شكل سؤال حول الإجراء الذي يجب اتخاذه: تخصيص ميزانية تسويق قدرها 10000 دولار أو 15000 دولار للربع التالي، أو تقديم خصم بنسبة 10% أو عدم تقديم خصم على المنتج (Wasserbacher and Spindler, 2022).

وكذلك الطريقةلا يمكن لتعلم الآلة السببي أن يعالج بشكل فعال جميع حالات الاستخدام المحتملة، حتى لو بدا أنها مناسبة لهذا الغرض.المربكون– المتغيرات التي تؤثر على النتيجة والقرار –إدخال التشوهات التي تؤثر على التوقعاتويجب أخذها بعين الاعتبار. قد يكون من الصعب أو المستحيل اختبارها وتؤثر على دقة التنبؤات. على سبيل المثال، إذا كانت البيانات متاحة فقط لمبيعات المنتجات خلال مرحلة النمو الاقتصادي، فإن توقعات مبيعات المنتجات خلال فترة الركود ستكون أقل موثوقية.

عندما يحدد المديرون ما يريدون أن يقرروه، ويحددون كيف سيقيسون النتيجة، ويؤكدون أن لديهم بيانات كافية، يمكنهم البدء في العمل مع علماء البيانات لتجميع البيانات وتصنيفها لبناء نموذج تعلم الآلة السببي الخاص بهم. يعد قادة الأعمال وغيرهم من الأشخاص الذين لديهم معرفة بالمجال شركاء أساسيين لعلماء البيانات وخبراء تعلم الآلة في بناء نماذج تعلم الآلة السببية التي تقدم نتائج موثوقة.

لتدريب النموذج على الفهمالعلاقات المعقدة بين السبب والنتيجةهناك حاجة إلى بيانات من بضع عشرات على الأقل، ومن الناحية المثالية مئات أو آلاف، من القرارات التاريخية. مع واحدكمية هائلة من البيانات،يمكن للنموذج أن يكشف عن الروابط بين المتغيرات التي قد تكون غير معروفة للمديرين أو يصعب قياسها. تؤدي البيانات الأقل إلى تنبؤات أقل دقة.

من حيث المبدأ،تتطلب طريقة التحليل السببي ثلاث فئات من البياناتوالذي سبق ذكره:القرارات والنتائج والعوامل المربكة.تتضمن بيانات القرار ما قام به المديرون في الماضي، مثل مستويات التوظيف أو مجموعة الميزانيات، أو الخصومات المقدمة، أو الاستثمارات التي تم إجراؤها، أو العمليات التي تم تغييرها. يمكن أن تتضمن بيانات النتائج أي نتيجة أعمال قابلة للقياس، مثل حجم المبيعات أو نمو الإيرادات أو مقاييس الجودة أو الإنتاجية.

يمكن أن تأتي العوامل المربكة من مصادر داخلية أو خارجية. ويمكن أن تشمل الظروف الاقتصادية، وتكوين القوى العاملة وسلوك المنافسين، ويمكن أن تختلف تبعا للقرار الذي سيتم اتخاذه. بالنسبة لاتخاذ قرار تسويقي، يمكن أن يكون نوع الجهاز الذي يستخدمه العملاء عاملاً مربكًا، لأن أولئك الذين يمتلكون هاتفًا ذكيًا أكثر تكلفة قد يميلون إلى إنفاق المزيد، بغض النظر عما إذا كانوا مؤهلين للحصول على حافز أم لا.

على سبيل المثال، قامت شركة Neue Zürcher Zeitung، وهي شركة إعلامية دولية تنشر أكبر صحيفة توزيع في سويسرا، بتطبيق تعلم الآلة السببي لتحسين فعالية قرارات ترويج المحتوى للمحررين. كان متغير القرار هو الترويج لمقالة عبر الإنترنت على إحدى الصفحتين الرئيسيتين اللتين تم تقديمهما للقراء. كان متغير النتيجة عبارة عن درجة أداء تجمع بين حركة مرور موقع الويب ومشاركة القراء واشتراكات الاشتراك. تضمنت العوامل المربكة العوامل الزمنية (مثل الوقت من اليوم)، وخصائص المحتوى (مثل تنسيق المقالة)، ومؤشرات الأداء السابقة (بما في ذلك النقرات)، وقرارات الترويج السابقة (بما في ذلك ما إذا كان قد تم ترويج المقالة في مكان آخر).

تحديد العوامل المسببة المحتملة

كان أحد الدروس القيمة لعملنا هو فائدة تحديد الخطوط العريضةالرسم البياني السببيعلى سبورة بيضاء توضح العلاقات المتوقعة بين النتيجة والقرار والعوامل المربكة في بداية عملية تطوير النموذج. تعتبر معرفة المديرين وخبراتهم ضرورية هنا، لأنهم اتخذوا قرارات بشكل متكرر وتعلموا توقع نتائج معينة.

يخبر الرسم البياني السببي علماء البيانات (الذين ينبغي أن يكونوا خبراء في الاستدلال السببي) ما إذا كانتعامل مع المتغير كسبب أو نتيجة في النموذج.وبهذه الطريقة، يمكن للفريق استبعاد الأخطاء السببية العكسية. وبعبارة أخرى، يمكن أن يضمن أن النموذج لا يسيء تفسير متغير واحد على أنه يسبب متغيرًا آخر عندما يكون التأثير في الواقع عكس ذلك.

تخيل أحد المشاهير لديه ملايين المتابعين على وسائل التواصل الاجتماعي. إذا كنا لا نعرف الكثير عن وسائل التواصل الاجتماعي أو المشاهير، فقد نستنتج أن الشهرة تأتي من وجود عدد كبير من المتابعين. والعكس هو الأرجح أن يكون صحيحا. وكما لاحظ المراهق العادي، لكي يتمكن ملايين الغرباء من متابعة حساباتهم على وسائل التواصل الاجتماعي، يجب عليهم أولاً أن يفعلوا شيئًا يلفت انتباههم. في حالة سؤالنا حول الإنفاق على البحث والتطوير،الميزانية تؤثر على الإيرادات وليس العكس.في هذه الأثناء، يتم التعرف على العوامل المربكة مثل المناخ الاقتصادي أو اتجاهات السوق أو خبرة الفريق كعوامل تدفع كلاً من قرار الميزانية ونتائج الأعمال، ولكنها لا تتأثر بأي منهما. سيأخذ النموذج كل هذا في الاعتبار (الشكل 1).

اختر المخرج

بعد ذلك، يجب على المديرين اختيارنوع الاستجابةالتي يجب أن يقدمها النموذج ردا على السؤال (في الإحصاء، المخرجات أو التقديرات): يمكنه التنبؤ بالنتيجة النهائية لقرار ما أو المنفعة النسبية لبديل مقارنة بآخر.

يمكن أن تكون كل نتيجة من هذه النتائج مفيدة، اعتمادًا على كيفية تفكير المدير في القرار.ركز على النتائج النهائية،مثل الإيرادات المحتملة في سيناريوهات الميزانية المختلفة أو الحوافز المخصصة للعملاء الأفراد، فهي تساعد في التخطيط الاستراتيجي. ومع ذلك، فإن مقارنة التأثيرات المتزايدة للقرارات المختلفة غالبًا ما تكون كافية لاتخاذ قرار: إذا أراد المدير معرفة أي من الإعلانين يمكن أن يزيد المبيعات بشكل أكثر فعالية، فهو لا يحتاج بالضرورة إلى التنبؤ بحجم الإيرادات التي يمكن أن يولدها كل متغير. إنه يحتاج فقط إلى معرفة الفائدة النسبية: أن أحد الإعلانات قادر على تحقيق إيرادات أكثر بثلاثة أضعاف من الآخر. علاوة على ذلك،التركيز على الفوائديولد النسبي تنبؤات أكثر موثوقية من التركيز على النتائج النهائية. نوصي بمتابعة التفاصيل الضرورية فقط.

كان المحررون في Neue Zürcher Zeitung مهتمين بالتنبؤ بمعدلات النقر إلى الظهور الفعلية لكل عنصر يتم الترويج له، ولكن الشركة اختارت بدلاً من ذلك التنبؤ بصافي مكاسب الأداء المحتملة من الترويج لعنصر ما. سمح هذا النهج لـ Causal ML بإجراء تنبؤات أكثر دقة حول المحتوى، إذا تم الترويج له، والذي سيزيد من النقرات والاشتراكات. وقد تعلم المحررون أن الترويج للمقالات التي يكتبها رئيس التحرير أدى إلى زيادة كبيرة في كلتا النتيجتين (Persson, Feuerriegel, & Kadar, 2023). قام المحررون بالترويج لمقالات رئيس التحرير بشكل مقتصد، وكانت النتائج بمثابة نقطة انطلاق لمراجعة استراتيجيتهم الترويجية.

التدريب والاختبار والتحقق من صحة النموذج

بمجرد قيام المديرين بذلكمحددالقرار الذي يريدون اتخاذهونوع المخرجات التي يفضلونها، يمكن لعلماء البيانات والتعلم الآلي اختيارنموذج تعلم الآلة السببي هو الأنسب للوظيفة.بمجرد تنفيذ النموذج، سيقوم مهندسو التعلم الآلي بتدريبه باستخدام البيانات المصنفة مسبقًا.

تتمثل المرحلة الأخيرة في اختبار نموذج تعلم الآلة السببي والتحقق من صحته في الممارسة العملية، للتأكد من أنها موثوقة وأن تنبؤاتها تترجم إلى أداء أفضل للأعمال. كما يوفر التحقق من الصحة فرصة لصانعي القرار، بما في ذلك المديرين التنفيذيين، لاكتساب الثقة في توقعاته. إن البدء بالمشكلات الخطية البسيطة نسبيًا، حيث يمكن تحديد وتقييم بدائل القرار الواضحة، يجعل هذه المرحلة أسهل في الإنجاز.

يتطلب الاختبار والتحقق من الصحة الاهتماملأن المديرين لا يمكنهم ملاحظة نتائج القرار المتخذ إلا في العالم الحقيقي. ليس لديهم أي وسيلة لمعرفة النتيجة التي كانت ستكون عليها لو تم اتخاذ قرار مختلف. استراتيجيتين،الإنسان في الحلقةونهج اختبار A/B المعروف،أثبتت نجاحها.

لقد اختارت صحيفة نيو تسورخر تسايتونج دمج توصيات النموذج مع عمليات صنع القرار البشرية (المرجع نفسه). يوصي نموذج تعلم الآلة السببي بالمحتوى الذي سيتم الترويج له، لكن المحررين يتخذون القرارات النهائية. يعتمد النموذج على نفس المعلومات التي استخدمها المحررون سابقًا لاتخاذ قراراتهم المتعلقة بالترقية؛ ولذلك، يمكنهم أن يثقوا في أن النموذج لا يفتقد العناصر الأساسية. تتوافق توصيات نموذج تعلم الآلة السببي عادةً مع مشاعر المحررين، مما يمنحهم الثقة في موثوقية النموذج.

تكون بعض القرارات صعبة، والمحررون يعرفون أن حكمهم ليس مثاليًا. في الحالات التي يوصي فيها تعلم الآلة السببي بقرار مختلف عما كان سيتخذه، يمكن للمحررين اختبار التوصية ورؤية النتيجة.بمرور الوقت، يجب أن يروا أن طريقة تعلم الآلة السببية يمكن أن تقدم توصيات موثوقة في المواقف الغامضة.بعد ذلك سيكونون قادرين على اتباع توصيات Causal ML في كثير من الأحيان بدلاً من غرائزهم.

استخدمت شركة Hitachi ABB اختبار A/B للتحقق من صحة نماذج التعلم الآلي السببية المصممة لتحسين جودة التصنيع. وفي أحد التطبيقات، استخدم المديرون النموذج للتنبؤ بأي من الآلات العديدة التي ستنتج أفضل جودة في مراحل الحفر والغرس في عملية تصنيع أشباه الموصلات، مما يساهم في إنتاج أعلى جودة بشكل عام. وللتأكد من موثوقية التنبؤات، أجرى المديرون تجربة مضبوطة قاموا فيها بتغيير الآلة المستخدمة في النقش والغرس، مع الحفاظ على الآلات المستخدمة في العمليات الأخرى دون تغيير. لقد وجدوا أن أفضل آلة للشق والزرع هي نفس الآلة التي تنبأ بها نموذج تعلم الآلة السببي. بفضل تعلم الآلة السببي، تمكن المديرون من العثور على مصدر مشاكل الإنتاج وحلها بكفاءة أكبر مما يمكنهم فعله باستخدام الطرق اليدوية أو تعلم الآلة التقليدي (سينونروآخرون.، 2021).

إعداد المنظمة

على الرغم من أن تعلم الآلة السببي لديه القدرة على تحسين القرارات،يتطلب تنفيذ هذه الأنظمة مستوى عالٍ من المعرفة بالذكاء الاصطناعي في القوى العاملة،المهارات الفنية المتخصصة والصبر، لأنيمكن أن يستغرق تطوير هذه المشاريع وقتًا أطول من تطبيقات تعلم الآلة التقليدية.يمكن للمديرين إعداد مؤسساتهم من خلال تثقيف أنفسهم والقوى العاملة لديهم حول الذكاء الاصطناعي السببي وبناء الفرق متعددة التخصصات اللازمة لتطوير التطبيقات.

تستثمر العديد من الشركات اليوم بكثافة في تدريب الموظفين على نماذج تعلم الآلة والذكاء الاصطناعي التقليدية (مثل ChatGpt) لتظل قادرة على المنافسة والابتكار.إذا كانت مؤسستك تنوي استخدام التعلم الآلي السببي، فيجب عليها تضمين هذه التكنولوجيا في جهودها لمحو الأمية في مجال الذكاء الاصطناعي.سيتمكن الموظفون الذين يهتمون بنقاط القوة والقيود في الأساليب المختلفة للذكاء الاصطناعي من إيجاد فرص لاستخدامها بفعالية.

لقد وجدنا أنه لكي تتفوق في استخدام تعلم الآلة السببي، تحتاج الفرق إلىخبرة قوية في علوم البيانات والتعلم الآلي،وكذلك المعرفة بالقطاع. ومع ذلك، قد يكون بناء هذه الفرق مكلفًا، خاصة عندما تحتاج الشركات إلى توظيف علماء بيانات أو اللجوء إلى مستشارين وشركاء خارجيين.

بالإضافة إلى ذلك، عادةً ما يتم تعيين علماء البيانات ومهندسي التعلم الآلي في فرق مختلفة. يجب أن يعملوا بشكل وثيق عند تطوير وتنفيذ نماذج ML السببية وأن يكون لديهم مشاركة قوية مع أصحاب المصلحة في الأعمال الذين لديهم معرفة بالمجال. (تعد المعرفة بالمجال ضرورية أيضًا في التعلم الآلي التقليدي، ولكن غالبًا ما يتم تطبيقها بشكل أقل صرامة لأن الفرق لا تأخذ في الاعتبار بشكل كامل العلاقات الأساسية بين المتغيرات عند بناء النماذج.)

على سبيل المثال، في صحيفة نويه تسورخر تسايتونج، تساعد معرفة المحررين والمسوقين بالعمليات التحريرية وتفضيلات العملاء وأهداف العلامة التجارية طويلة المدى علماء البيانات على تحديد المتغيرات التي تقيس هذه العوامل. في شركة Hitachi ABB، يقوم المهندسون بتوفير المعلومات اللازمة لتحديد متغيرات التصنيع التي سيتم تضمينها في النماذج.

غالبًا ما تعاني الفرق متعددة التخصصات من نقص الفهم المشترك والمفردات وطرق العمل.يجب على المديرين تعزيز بيئة يمكن أن يزدهر فيها التعاون بين الوظائفوالذي يشارك فيه جميع الأطراف المهتمة في عملية تطوير النموذج. يمكن لورش العمل والاجتماعات والدورات التدريبية المنتظمة، حيث يستكشف علماء البيانات ومهندسو التعلم الآلي وخبراء المجال المشكلات معًا، وينقحون النماذج، ويناقشون الآثار المترتبة على النتائج معًا، تعزيز بيئة يزدهر فيها التعاون بين الوظائف.

التعلم الآليلقد غيرت الطريقة التي تتخذ بها العديد من المنظمات القرارات؛يمكن لتعلم الآلة السببي أن يزيد من تعميق المعرفة من خلال التنبؤ بتأثيرات الاختيارات المختلفة على نتائج الأعمال. من المرجح أن تستفيد الشركات من التعلم الآلي عندما يثق صناع القرار في النتائج. إن معرفة ما يمكن أن يفعله تعلم الآلة السببي وكيفية مقارنته بتعلم الآلة التقليدي يمكن أن يساعدك في اختيار المشاريع المناسبة لكل تقنية وزيادة معدلات نجاحك.

عندما يستخدم المديرون تعلم الآلة السببي بحكمة لاستكشاف الخيارات المتاحة لأبسط القرارات، يمكنهم تحسين عملياتهم بشكل كبير، وفي النهاية نتائجهم المالية.

المراجع

س. فيوريجل، ي.ر. شريستا، جي. فون كروغ، وآخرون، "جلب الذكاء الاصطناعي إلى إدارة الأعمال"، Nature Machine Intelligence 4، no. 7 (يوليو 2022): 611-613؛ وP. هونرموند، وج. كامينسكي، وسي. شميت، "التعلم الآلي السببي واتخاذ القرارات التجارية"، SSRN، تم التحديث في 19 فبراير 2022،https://ssrn.com.

ش. Feuerriegel, D. Frauen, V. Melnychuk, et al.، "التعلم الآلي السببي للتنبؤ بنتائج العلاج"، Nature Medicine 30 (أبريل 2024): 958-968؛ V. Chernozhukov، C. Hansen، N. Kallus، وآخرون، "الاستدلال السببي التطبيقي المدعوم من ML وAI"، ملف PDF (نشره المؤلفون في 28 يوليو 2024)، https:causalml-book.org; و C. Fernández-Loría و F. Provost، "صنع القرار السببي وتقدير التأثير السببي ليسا نفس الشيء ... ولماذا يهم"، مجلة Informs on Data Science 1، no. 1 (أبريل-يونيو 2022): 4-16.

م. von Zahn, K. Bauer, C. Mihale-Wilson, et al.، "Smart Green Nudging: Reducing Product Returns Through Digital Footprints and Causal Machine Learning"، علوم التسويق، مقالات مقدما، منشورة على الإنترنت في 8 أغسطس 2024؛ إي. أسكارزا، "عدم جدوى الاحتفاظ: قد يكون استهداف العملاء ذوي المخاطر العالية غير فعال"، مجلة أبحاث التسويق 55، رقم. 1 (فبراير 2018): 80-98؛ J. Yang, D. Eckles, P. Dhillon, et al.، "الاستهداف من أجل النتائج طويلة المدى"، علوم الإدارة 70، رقم. 6 (يونيو 2024): 3841-3855؛ وM. Kraus, S. Feuerriegel, and M. Saar-Tsechansky، "التخصيص المبني على البيانات للرعاية الوقائية مع التطبيق على مرض السكري من النوع الثاني،" إدارة عمليات التصنيع والخدمات 26، رقم. 1 (يناير-فبراير 2024): 137-153.

ز. فون كروغ، S.M. بن مناحيم و ي.ر. شريستا، "الذكاء الاصطناعي في وضع الاستراتيجيات: الآفاق والتحديات،" في "الإدارة الاستراتيجية: حالة الميدان ومستقبله"، محرران. آي إم دوهيمي، إم إيه هيت، إم إيه لايلز. (نيويورك: مطبعة جامعة أكسفورد، 2021)، 625-646.

""إتقان إنتاج الشوكولاتة المتميزة: دور الذكاء الاصطناعي في التميز في الجودة"، مركز ETH AI، 11 ديسمبر 2023،https://ai.ethz.ch.

ج. Senoner, T. Netland, and S. Feuerriegel، "استخدام الذكاء الاصطناعي القابل للتفسير لتحسين جودة العملية: الأدلة من تصنيع أشباه الموصلات،" علوم الإدارة 68، رقم. 8 (أغسطس 2022): 5704-5723.

ح. فاسرباكر وإم سبيندلر، "التعلم الآلي للتنبؤ والتخطيط والتحليل المالي: التطورات والمزالق الأخيرة"، التمويل الرقمي 4 (مارس 2022): 63-88.

ج. بيرسون، س. فيوريجيل وسي. كادار، "التعلم خارج نطاق السياسة لترويج المحتوى على مستوى الجمهور“، وثيقة عمل، 2023.

سينونر وآخرون، "استخدام الذكاء الاصطناعي القابل للتفسير"، 5704-5723.