مدیریت استراتژیک هوشمند

مدیریت استراتژیک هوشمند

نوآوری مبتنی بر هوش مصنوعی بر مبنای یادگیری انتقالی برای شناسایی الگوهای مکرر استراتژیک

سخن سردبیر

نویسندگان
محمدامین ترابی 1، 2
زهرا علیپور درویشی 3
کیمیا قربانی 4
1 دکتری مدیریت بازرگانی، دانشگاه تهران، تهران، ایران.
2 گروه مدیریت، موسسه آموزش عالی نبی اکرم(ص)، تبریز، ایران.
3 دانشیار، گروه مدیریت، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران.
4 گروه مدیریت صنعتی، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران.
10.87453/bumara.2025.372301.4841
چکیده
تحولات اخیر در حوزه هوش مصنوعی، به‌ویژه ظهور مدل‌های بنیادین و تکنیک‌های یادگیری انتقالی، مسیرهای نوینی برای تحلیل و نوآوری در مدیریت استراتژیک گشوده است. این مقاله مروری به بررسی نقش یادگیری انتقالی در شناسایی الگوهای مکرر استراتژیک می‌پردازد؛ الگوهایی که در دیدگاه «استراتژی به‌مثابه عمل» به‌عنوان بنیان شکل‌گیری و تداوم تصمیم‌های راهبردی سازمان‌ها شناخته می‌شوند. مرور ادبیات نشان می‌دهد که یادگیری انتقالی می‌تواند چالش کمبود داده‌های برچسب‌خورده و پویایی محیطی را برطرف ساخته و از طریق انتقال دانش میان صنایع و حوزه‌های مختلف، امکان کشف الگوهای رفتاری پایدار را فراهم آورد. چارچوب پیشنهادی مقاله شامل چهار لایه اصلی است: بازنمایی و استخراج دانش با استفاده از مدل‌های بنیادین، انطباق دامنه برای انتقال دانش به زمینه‌های خاص سازمانی، شناسایی و تبیین الگوهای مکرر با ابزارهای تحلیل الگویی، و در نهایت پیوند این یافته‌ها با نوآوری و تصمیم‌گیری استراتژیک. بحث تحلیلی مقاله ضمن تأکید بر فرصت‌های نوآوری، به چالش‌هایی چون تبیین‌پذیری محدود، انتقال سوگیری‌های داده‌ای و الزامات حکمرانی اخلاقی هوش مصنوعی نیز اشاره دارد. نتیجه‌گیری مقاله آن است که یادگیری انتقالی می‌تواند به «انقلاب شناختی» در مدیریت استراتژیک منجر شود، مشروط بر آنکه میان ظرفیت‌های فناورانه و الزامات انسانی، سازمانی و سیاستی تعادل برقرار گردد.
کلیدواژه‌ها
یادگیری انتقالی
هوش مصنوعی
نوآوری
مدیریت استراتژیک
الگوهای مکرر

عنوان مقاله English

AI-Driven Innovation via Transfer Learning for Identifying Recurrent Strategic Patterns

نویسندگان English

Mohammad Amin Torabi 1 2
Zahra Alipour Darvishi 3
Kimia Ghorbani 4
1 PhD in Business Administration, University of Tehran, Tehran, Iran.
2 Management Department, Nabi Akram Institute of Higher Education, Tabriz, Iran.
3 Associate Professor, Department of Business Administration, North Tehran Branch, Islamic Azad University, Tehran, Iran.
4 Department of Industrial Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran.
چکیده English

Recent advances in artificial intelligence, particularly the emergence of foundation models and transfer learning techniques, have opened new avenues for innovation and analysis in strategic management. This review article explores the role of transfer learning in identifying recurrent strategic patterns—recognized in the strategy-as-practice perspective as the foundation of organizational decision-making and long-term strategic trajectories. The literature indicates that transfer learning effectively addresses the scarcity of labeled data and the dynamism of business environments by enabling knowledge transfer across domains and industries. The proposed framework consists of four key layers: knowledge representation and extraction through foundation models, domain adaptation to contextualize knowledge, identification and explanation of recurrent patterns using sequence and network analysis, and linking these insights to innovation and strategic decision-making. The discussion highlights opportunities for organizational innovation while addressing critical challenges, including limited explainability, potential transfer of data biases, and the ethical governance requirements of AI. The article concludes that transfer learning can trigger a “cognitive revolution” in strategic management, provided that a balance is maintained between technological capabilities and the human, organizational, and policy dimensions necessary for trust and adoption.

کلیدواژه‌ها English

Transfer Learning
Artificial Intelligence
Innovation
Strategic Management
Recurrent Patterns
European Commission. (2023). Proposal for a Regulation laying down harmonised rules on Artificial Intelligence (Artificial Intelligence Act). Brussels: European Union.
European Commission. (2023). Proposal for a Regulation laying down harmonised rules on Artificial Intelligence (Artificial Intelligence Act). Brussels: European Union.
Hou, Y., Li, X., & Wang, Y. (2023). Transfer learning for business intelligence: Leveraging pre-trained models for organizational strategy. Journal of Business Research, 158, 113635.
Hou, Y., Li, X., & Wang, Y. (2023). Transfer learning for business intelligence: Leveraging pre-trained models for organizational strategy. Journal of Business Research, 158, 113635.
Jarzabkowski, P., Kaplan, S., & Seidl, D. (2022). Strategy-as-practice: Taking stock and moving forward. Strategic Organization, 20(3), 385–401.
Jarzabkowski, P., Kaplan, S., & Seidl, D. (2022). Strategy-as-practice: Taking stock and moving forward. Strategic Organization, 20(3), 385–401.
Kaplan, S., Norton, D., & Jarzabkowski, P. (2022). Strategic text analysis with machine learning: Opportunities and challenges. Strategic Management Journal, 43(11), 2152–2175.
Nonaka, I., Toyama, R., & Konno, N. (2022). Knowledge creation revisited: Theory and practice. Journal of Knowledge Management, 26(7), 1589–1605.
Pan, S. J., Yang, Q., & Zhao, J. (2023). Advances in transfer learning: From model reuse to foundation models. IEEE Transactions on Neural Networks and Learning Systems, 34(1), 4–24.
Pan, S. J., Yang, Q., & Zhao, J. (2023). Advances in transfer learning: From model reuse to foundation models. IEEE Transactions on Neural Networks and Learning Systems, 34(1), 4–24.
Teece, D. J. (2023). Dynamic capabilities: Foundations and extensions. Strategic Management Review, 4(1), 1–24.
Wang, M., & Deng, W. (2022). Deep visual domain adaptation: A survey. Neurocomputing, 489, 27–45.
Wang, M., & Deng, W. (2022). Deep visual domain adaptation: A survey. Neurocomputing, 489, 27–45.
Whittington, R., Yakis-Douglas, B., & Ahn, K. (2022). Strategic patterns: A practice perspective. Long Range Planning, 55(5), 102204.
Xu, F., Uszkoreit, H., Du, Y., Fan, W., Zhao, D., & Zhu, J. (2022). Explainable AI: A brief survey on history, research areas, approaches and challenges. Natural Language Processing Journal, 3, 100042.
Zhou, T., Han, G., & Xu, Z. (2022). Transfer learning for time series forecasting: A survey. Information Fusion, 83, 146–160.
Zhuang, F., Qi, Z., Duan, K., Xi, D., Zhu, Y., Zhu, H., & He, Q. (2023). A comprehensive survey on transfer learning: Advances and challenges. ACM Transactions on Intelligent Systems and Technology, 14(2), 1–50.
Zhuang, F., Qi, Z., Duan, K., Xi, D., Zhu, Y., Zhu, H., & He, Q. (2023). A comprehensive survey on transfer learning: Advances and challenges. ACM Transactions on Intelligent Systems and Technology, 14(2), 1–50.