دانلود ترجمه مقاله بررسی کاربردهای هوش مصنوعی در مدیریت زنجیره تامین

محدودیت ها و دلالت ها:
مانند هر مطالعه دیگر، این پژوهش محدودیت هایی دارد. انجام یک مرور ادبی برای شناسایی خلاء های پژوهشی و ارزیابی دانش فعلی در این زمینه، می تواند باعث حصول یک دیدگاه گسترده شود. از آنجایی که هدفمان، پوشش دادن یک مجموعه گسترده از دانش با چندین زمینه فرعی بود، نتوانستیم جزئیات هر مطالعه را پوشش دهیم. بنابراین، یک ارزیابی متمرکزتر و تک فنآوری، بسیار توصیه می شود. این مطالعه، دلالت های مدیریتی و نظری دارد که برای تئوری و اجراء در SCM، قابل کاربرد است. اول اینکه، این مطالعه با تحلیل و بحث در مورد پیشرفت های AI در SCM، در تئوری مشارکت می کند. از این نظر، رایج ترین فنون AI بکار گرفته شده در مطالعات SCM پوشش داده می شوند تا یک جنبه جامع در مورد مقالات انجام شده در مورد این موضوع، ارائه شود. در پاسخ به SRQ دوم، می توان گفت که فنون AI بالقوه که در پژوهش های SCM قابل استفاده هستند، به بحث گذاشته می شوند. در اینجا، هدف، ارائه دامنه گسترده ای از فنون کمتر مشهور است که می توانند در پژوهش های آینده، تاثیرگذاری بیشتری داشته باشند. سومین SRQ، به زمینه های فرعی و وظایف در SCM که قبلاً با استفاده از AI بهبود یافته اند، پرداخته است. هدف این بحث، تحلیل ادبیات موجود است که می تواند مبنایی برای مطالعات آتی باشد. علاوه بر آن، به محققان اجازه می دهد تا شناسایی کند که چه کاری قبلاً انجام شده است. با پاسخ دادن به SRQ نهایی، زمینه های فرعی و وظایفی که احتمالاً بوسیله AI بهبود می یابند به بحث گذاشته می شوند تا نگرش ها و اطلاعاتی برای مطالعات آتی در این زمینه، حاصل شود. علاوه بر این چهار قسمت، این مطالعه، خلاء های موجود و فرصت های پژوهشی آتی که می توانند مجموعه ادبیات را بهبود بخشند، را توضیح می دهد. نه تنها این کار می تواند مسیر را برای پژوهشگران آتی فراهم کند بلکه همچنین می تواند به عنوان یک دستورالعمل ساختارمند که از تکرار و سوگیری در انجام مطالعات AI-SCM جلوگیری کند، عمل کند.

Limitations and implications:
Like any other study, this research has limitations. Conducting a literature review in order to identify the research gaps and evaluate the current knowledge in the field can lead to a broad perspective. Since we aimed to cover a wide-reaching body of knowledge with several subfields, we were unable to cover the details of every study. Therefore, a more focused and single-technique evaluation is highly recommended. This study has both managerial and theoretical implications that can be applied to research and practice in SCM. First, this study contributes to theory by analysing and discussing the state-of-the-art of AI in SCM. In this regard, the most prevalent AI techniques applied in SCM studies are covered in order to provide a comprehensive perspective on the existing literature on the topic. Answering the second SRQ, the potential AI techniques that can be employed in SCM research are discussed. The aim here was to offer a wider range of less-popular techniques that might become more influential in future research. The third SRQ addressed the subfields and tasks in SCM that have already been improved using AI. The aim of this discussion was to analyse the existing literature that can be the foundation of future studies. Moreover, it allows researchers to identify what has been done already. Answering the final SRQ, the subfields and tasks that are likely to be improved by AI are discussed to provide insight for future studies in the field. In addition to these four parts, this study explains the existing gaps and future research opportunities that can improve the body of the literature. Not only can this pave the way for future researchers but also it can act as a structured guideline that prevents repetition and bias in conducting AI-SCM studies.