مقاله ترجمه شده تکنیک‌های یادگیری ماشین برای پیش‌بینی موفقیت استارت‌آپ‌های مبتنی بر هوش مصنوعی در اقتصاد دیجیتال

سال نشر: ۲۰۲۴

نوع نگارش مقاله: علمی پژوهشی (Research articles)

تعداد صفحه انگلیسی: ۹  صفحه PDF

تعداد صفحه ترجمه فارسی:  ۱۷  صفحه WORD

دانلود رایگان مقاله انگلیسی

کد محصول: M1777

نام ناشر (پایگاه داده): CORISINTA

نام مجله:   Journal of Computer Science and Technology Application

عنوان کامل فارسی:

مقاله انگلیسی ترجمه شده ۲۰۲۴ :  تکنیک‌های یادگیری ماشین برای پیش‌بینی موفقیت استارت‌آپ‌های مبتنی بر هوش مصنوعی در اقتصاد دیجیتال

عنوان کامل انگلیسی:

Machine Learning Techniques for Predicting the Success of AI-Enabled Startups in the Digital Economy

چکیده فارسی:

استارت آپ های مبتنی بر هوش مصنوعی در اقتصاد دیجیتال چالش های منحصر به فردی در دستیابی به موفقیت دارند. بنابراین درک عواملی که بر موفقیت این استارت آپ ها تأثیر می گذارد ضروری است. این تحقیق از روش های تجزیه و تحلیل داده ها مانند Smart-PLS 4.0 استفاده می کند که دارای سه مرحله تجزیه و تحلیل مدل بیرونی، مدل درونی و آزمون فرضیه که از پنج متغیر و ده شاخص، و مجموعا ۵۰ شاخص استفاده شده است، می باشد. البته، این موضوع را نمی توان از  یادگیری ماشینی که از زبان برنامه نویسی پایتون استفاده می کند، که می تواند برای پیش بینی دقیق رفتار مصرف کننده، عملکرد تجاری یا تصمیم گیری بر اساس داده های استارت آپ استفاده شود، جدا کرد. با این حال، استفاده از این روش ها به طور جداگانه ممکن است منجر به یک مدل کمتر دقیق یا ناکافی شود. نتایج نشان می‌دهد که ترکیبی از تکنیک‌های Smart-PLS و یادگیری ماشین می‌تواند مدل‌های پیش‌بینی دقیق‌تری تولید کند و برای پیش‌بینی میزان موفقیت استارت‌آپ‌های مبتنی بر هوش مصنوعی در اقتصاد دیجیتال استفاده شود. به این ترتیب، این مدل می تواند به کارآفرینان استارتاپی در تصمیم گیری های استراتژیک برای افزایش موفقیت کسب و کارشان کمک کند.

کلمات کلیدی: Smart-PLS، یادگیری ماشین، استارت آپ، هوش مصنوعی، دیجیتال

Abstract

AI-enabled startups in the digital economy have unique challenges in achieving success. Therefore, it is essential to understand the factors that influence the success of these startups. This study uses data analysis methods such as Smart-PLS 4.0, which has three stages: Outer Model Analysis, Inner Model Analysis, and Hypothesis Testing. By using five variables and ten indicators, 5×10 = 50 indicators. Of course, this cannot be separated from Machine Learning/ Machine Learning which uses the Python programming language, which can be used to accurately predict consumer behavior, business performance, or decision-making from startup data. However, using these methods separately may result in a less accurate or inadequate model. The results show that a combination of Smart-PLS and Machine Learning/machine learning techniques can produce more accurate predictive models and can be used to predict the success rate of AI-enabled startups in the digital economy. That way, this model can assist startup entrepreneurs in making strategic decisions to increase their business success.

Keywords: Smart-PLS, Machine Learning, StartUp, Artificial Intelligence, Digital