قدرت یادگیری عمیق در بازارهای مالی و شهرهای هوشمند: بررسی تحلیلی مدل‌ها، کاربردها و چالش‌ها

قدرت یادگیری عمیق در بازارهای مالی و شهرهای هوشمند: بررسی تحلیلی مدل‌ها، کاربردها و چالش‌ها

حدیثه کاویانی بروجنی1 احسان سلیمانی دهکردی2

1) دانشجوی کارشناسی ارشد مهندسی و علم کامپیوتر-هوش مصنوعی ،دانشگاه آزاد اسلامی، واحد بروجن
2) دانشجوی دکتری مهندسی کامپیوتر،دانشگاه آزاداسلامی، واحد میبد، ایران.

کد IOI مقاله : AAHD-ABZDAC
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    این پژوهش به بررسی عمیق و هیجان‌انگیز توانایی‌های دگرگون‌کننده یادگیری عمیق (DL) در دو بخش حیاتی اقتصاد امروز، یعنی بازارهای مالی پویا و زیرساخت‌های پیچیده شهرهای هوشمند، می‌پردازد. بازارهای مالی، با طبیعت غیرقابل پیش‌بینی و نوسانات غیرخطی خود، به همراه حجم عظیمی از داده‌های سری زمانی که به سرعت تولید می‌شوند، به رویکردهای مدل‌سازی جدیدی نیاز دارند که بتوانند از محدودیت‌های روش‌های سنتی فراتر روند. در اینجاست که قدرت DL آشکار می‌شود و راهکارهایی برای پیش‌بینی دقیق‌تر، مدیریت ریسک بهتر و تصمیم‌گیری‌های سرمایه‌گذاری هوشمندانه‌تر ارائه می‌دهد. همزمان، در حوزه توسعه شهرهای هوشمند، جایی که حجم بی‌سابقه‌ای از داده‌های جمع‌آوری‌شده توسط اینترنت اشیا (IoT) باید مدیریت و تحلیل شود، یادگیری عمیق نقشی محوری ایفا می‌کند. این فناوری امکان تصمیم‌گیری‌های هوشمندانه و بلادرنگ در زمینه‌هایی مانند بهینه‌سازی ترافیک، مدیریت انرژی، خدمات عمومی و حتی افزایش امنیت شهروندان را فراهم می‌آورد.این مطالعه با تحلیل معماری‌های کلیدی یادگیری عمیق در هر دو زمینه، به شباهت‌ها و تفاوت‌های این کاربردها می‌پردازد. همچنین، بر چالش‌های مشترکی مانند دشواری در تفسیر عملکرد مدل‌های پیچیده (فقدان شفافیت) و نیاز به قدرت محاسباتی بالا، تاکید می‌کند. هدف نهایی این تحقیق، ارائه درکی جامع و دقیق از نحوه همگرایی و واگرایی این کاربردها در مسیر حرکت جامعه به سمت سیستم‌های خودکار، کارآمد و هوشمندتر در آینده است.

کلمات کلیدی : واژگان کلیدی یادگیری عمیق بازارهای مالی شهرهای هوشمند مدل‌سازی سری زمانی شفافیت مدل