مقاله انگلیسی با ترجمه عامل‌های هوش مصنوعی شناختی در مدیریت چرخه عمر سازمان‌های صنعت ۵.۰: یک چارچوب مفهومی

مشخصات مقاله  فهرست مطالب نمونه ترجمه مقاله انگلیسی سایت ناشر  خرید ترجمه مقالات مرتبط سفارش پروپوزال 

عنوان فارسی:

عامل‌های هوش مصنوعی شناختی در مدیریت چرخه عمر سازمان‌های صنعت ۵.۰: یک چارچوب مفهومی

عنوان انگلیسی:

Cognitive AI Agents in Life Cycle Management of Industry 5.0 Organizations: A Conceptual Framework

کد محصول: M2140

سال نشر: 2026

نام ناشر (پایگاه داده): الزویر

نام مجله:Procedia CIRP

نوع مقاله: علمی پژوهشی(Research Article)

متغیر : ندارد

فرضیه: ندارد

مدل مفهومی: ندارد

پرسشنامه : ندارد

تعداد صفحه انگلیسی: 6  صفحه PDF

تعداد صفحه ترجمه فارسی:   24  صفحه WORD

قیمت فایل ترجمه شده:  129000 تومان

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله به صورت کامل ترجمه شده برای خرید ترجمه کامل مقاله بر روی دکمه ذیل کلیک نمایید (لینک دانلود بلافاصله بعد از خرید نمایش داده می شود)

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

چکیده

افزایش تقاضای مشتریان برای محصولات هایتک و پایدار، چرخه‌های نوآوری شتاب‌یافته و بحران‌های چندوجهی، محیطی را برای خلق ارزش صنعتی ایجاد کرده‌اند که به‌طور فزاینده‌ای پویا و پیچیده است. چشم‌انداز صنعت ۵.۰ برای ادغام پایداری، تاب‌آوری و انسان‌محوری در سازمان‌های تولیدی، پاسخی راهبردی و امیدبخش برای این چالش ها می باشد. بااین‌حال، درحالی‌که رویکردهای یکپارچه مدیریتی مانند مدیریت چرخه عمر (LCM) به پیچیدگی می‌پردازند، بار شناختی ناشی از آن بر نیروی کار در حال تبدیل شدن به یک عامل محدودکننده برای قابلیت بقا و دوام سازمانی است. پیشرفت‌های فناورانه در هوش مصنوعی (AI) فرصت‌های جدیدی را برای تقویت عامل‌محور قابلیت‌های شناختی از طریق کمک شناختی پیشرفته و خودکارسازی فراهم می‌کنند. ازاین‌رو، این مقاله بررسی می‌کند که چگونه یک چارچوب می‌تواند از ادغام عامل‌های هوش مصنوعی شناختی در مدیریت چرخه عمر (LCM) برای پیشبرد چشم‌انداز صنعت ۵.۰ حمایت کند؟ ما یک چارچوب نوآورانه ارائه می‌کنیم که نظریه سیستم‌ها، مدیریت چرخه عمر (LCM) و هوش مصنوعی شناختی را ترکیب می‌کند. این چارچوب از مدل سیستم های مانا (VSM) به‌عنوان یک طرح‌واره رسمی استفاده می‌کند و کارکردهای سازمانی را در زیرسیستم‌های تو‌در‌توی بازگشتی آن ساختاربندی می‌کند: سیاست‌گذاری، هوشمندی، کنترل، ممیزی، هماهنگی و عملیات. در این ساختار، عامل‌های هوش مصنوعی شناختی به‌عنوان منابع پشتیبان برای مدیریت پیچیدگی و بار شناختی ناشی از اجرای مدیریت جامع چرخه عمر (TLCM) به‌کار گرفته می‌شوند. این چارچوب همچنین تشریح می‌کند که عامل‌های هوش مصنوعی شناختی چگونه با فناوری‌های دیجیتال، کارکنان انسانی و دانش سازمانی تعامل می‌کنند تا هر یک از کارکردهای VSM را ارتقا دهند. نتیجه، یک طرح‌واره مفهومی و یک رده‌بندی از انواع عامل‌ها برای طراحی سازمان‌های مبتنی بر هوش مصنوعی است که پایدار، تاب‌آور و انسان‌محور هستند.

کلیدواژه‌ها: تحول دیجیتال؛ همکاری انسان و ماشین؛ مدل سیستم های مانا؛

Abstract: Rising customer demands for sustainable high-tech products, accelerated innovation cycles and multi-faceted crises create an increasingly dynamic and complex environment for industrial value creation. The Industry 5.0 vision to integrate sustainability, resilience and human-centricity into production organizations is a promising strategic response. However, while integrated management approaches such as Life Cycle Management (LCM) address complexity, the resulting cognitive load on the workforce is becoming a limiting factor for organizational viability. Technological advances in artificial intelligence (AI) offer new opportunities for the agentic augmentation of cognitive capabilities through enhanced cognitive assistance and automation. Therefore, this paper investigates, how a framework can support the integration of cognitive AI agents into LCM to advance the vision of Industry 5.0? We propose a novel framework synthesizing systems theory, LCM and cognitive AI. The framework utilizes the Viable System Model (VSM) as a formal blueprint, structuring the organizational functions across its recursively nested subsystems: policy, intelligence, control, audit, coordination and operation. Within this structure, cognitive AI agents are deployed as supporting resources to manage the complexity and cognitive load of implementing Total Life Cycle Management (TLCM). The framework further outlines how cognitive AI agents interact with digital technologies, human workers and organizational knowledge to enhance each VSM function. The result is a conceptual blueprint and taxonomy of agent types for designing AI-augmented organizations that are sustainable, resilient and human-centric.

Keywords: Digital Transformation; Human-Machine Collaboration; Viable Systems Model;

۱. مقدمه

در سال‌های اخیر، صنعت ۵.۰ به‌عنوان پارادایمی برای پرداختن به پایداری، طراحی انسان‌محور و تاب‌آوری سازمانی ظهور کرده است [1]. این تحول چندبعدی، سازمان‌های صنعتی را که با محیطی به‌طور فزاینده پویا، بازارهای جهانی رقابتی، کمبود نیروی کار و بخش‌های نوظهور هایتک مانند میکروالکترونیک پیشرفته و وسایل نقلیه الکتریکی (EVs) مواجه هستند، به چالش می‌کشد [2,3]. این امر منجر به بار شناختی قابل‌توجهی برای تصمیم‌گیرندگان در سراسر سازمان‌ها می‌شود [4]. در همین حال، نادیده گرفتن نیازهای صنعت ۵.۰ می‌تواند به فقدان سازگاری سازمانی لازم و درنتیجه معایب رقابتی منجر شود [5]. درحالی‌که مدیریت چرخه عمر (LCM) رویکردی یکپارچه برای مدیریت پیچیدگی محصولات و خدمات از مرحله ایده‌پردازی تا مرحله دفع ارائه می‌دهد، ماهیت چندوجهی صنعت ۵.۰، مدیریت سنتی چرخه عمر را به محدودیت‌های خود می‌رساند [6]. ادغام هوش مصنوعی عامل‌محور (AI) در شرکت‌ها ممکن است راه‌حلی سیستمی برای این چالش ارائه دهد. عامل‌های به‌اصطلاح هوش مصنوعی شناختی، مصنوعات نرم‌افزاری هستند که قادرند با شبیه‌سازی استدلال، هوش انسانی را تقویت کنند [7]، دانش را ترکیب کنند، بر این اساس تصمیم‌های مؤثر بگیرند و پشتیبانی تصمیم‌گیری ارائه دهند [8]. برای مثال، این عامل‌ها با خودکارسازی ترکیب پیچیده داده‌های چرخه عمر و شبیه‌سازی پیامدهای تصمیم‌ها در میان معیارهای پایداری، تاب‌آوری و عملیاتی، می‌توانند در حل مسائل پیچیده تصمیم‌گیری کمک کنند. بنابراین، استفاده از آن‌ها می‌تواند بار شناختی ایجادشده برای متخصصان انسانی و سایر کارکنان را در قالب یک مشارکت همزیستانه برطرف کند. فرض بر این است که با افزایش بلوغ فناوری‌های زیرساختی، عامل‌های هوش مصنوعی شناختی به‌طور فزاینده‌ای پشتیبانی شناختی و همچنین خودکارسازی را در سراسر سازمان، منطبق با الزامات و مبتنی بر تقاضا، ارائه خواهند کرد…

1. Introduction In recent years, Industry 5.0 has emerged as a paradigm addressing sustainability, human-centered design and organizational resilience [1]. This multidimensional transformation challenges industrial organizations which face an increasingly dynamic environment, competitive global markets, workforce shortage and novel high-tech sectors such as advanced microelectronics and Electric Vehicles (EVs) [2,3]. It results in a significant cognitive load of decision-makers across the entire organizations [4]. At the same time, not addressing the needs of Industry 5.0 can result in a lack of the necessary organizational adaptability and therefore competitive disadvantages [5]. While Life Cycle Management (LCM) provides an integrative approach for managing the complexity of products and services from the ideation to the disposal, the multifaceted Industry 5.0 pushes traditional LCM to its limits [6]. The integration of agentic artificial intelligence (AI) into companies may offer a systemic solution to that challenge. So called cognitive AI agents are software artifacts capable of augmenting human intelligence by emulating reasoning [7], synthesizing knowledge, based on this making effective decisions and providing decision support [8]. By for example automating the complex synthesis of life cycle data and simulating the outcomes of decisions across sustainability, resilience and operational metrics, these agents can assist in complex decision-making problems. Therefore, the use could resolve the resulting cognitive load of human experts and other employees in a symbiotic partnership. It is assumed that with increasing maturity of the underlying technologies, cognitive AI agents will increasingly provide enterprise-wide, compliant and demand-oriented cognitive support as well as automation…

۲. مبانی نظری و وضعیت پژوهش

مبانی نظری این پژوهش و وضعیت مرتبط پژوهش در این بخش ارائه می‌شوند. شکل ۱ ترتیب سلسله‌مراتبی موضوعات این پژوهش را نشان می‌دهد.

 مدیریت چرخه عمر (LCM) به‌عنوان یک حوزه محوری برای تقویت ویژگی‌های اصلی سازمان‌های صنعت ۵.۰، یعنی پایداری، تاب‌آوری و انسان‌محوری، به تصویر کشیده شده است. به‌کارگیری آن برای مدیریت آثار زیست‌محیطی و اجتماعی-اقتصادی، ارزش آن را برای طراحی جامع سازمانی نشان می‌دهد [10,11]. بر این اساس، مدل سیستم های مانا (VSM) [12] به‌کار گرفته می‌شود و به‌عنوان یک رویکرد کنترل سیستم سازمانی عمل می‌کند که امکان کاهش پیچیدگی مدیریت را با در نظر گرفتن شرایط پیش‌بینی‌نشده فراهم می‌سازد. برای در نظر گرفتن عملیاتی‌سازی میان‌رشته‌ای درون شرکت­ها، عناصر مدیریت یکپارچه در این چارچوب گنجانده شده‌اند [13]. در نهایت، عامل‌های هوش مصنوعی شناختی به‌عنوان یک منبع شناختی نوظهور در سازمان‌های صنعت ۵.۰ به‌کار گرفته می‌شوند…

2. Theoretical foundations and state of research The theoretical foundations to this work and the relevant state of research are presented in this section. Figure 1 shows a hierarchical order of the subjects of this contribution. LCM is depicted as a pivotal discipline to foster the core characteristics of Industry 5.0 organizations: sustainability, resilience and human-centricity. Its’ adoption for managing environmental and socioeconomic impacts demonstrates its value for holistic organizational design [10,11]. Based on this, the Viable System Model (VSM) [12] is engaged serving as an organizational system control approach enabling the reduction of managing complexity accounting for unforeseen circumstances. To account for the interdisciplinary operationalization within enterprises, elements of integrated management are incorporated [13]. Lastly, cognitive AI agents are deployed as a rising cognitive resource in Industry 5.0 organizations…

۵. نتیجه‌گیری و چشم‌انداز

چارچوب مفهومی و رده‌بندی انواع عامل‌های هوش مصنوعی شناختی ارائه‌شده، بر اساس کارکردهای بازگشتی و تو‌در‌توی مدل سیستم های مانا (VSM) هستند که از سطح سازمانی تا سطح فردی به‌کار گرفته می‌شوند. هدف، امکان‌پذیر ساختن مدیریت چرخه عمر (LCM) در سراسر سازمان است که قادر به تحقق چشم‌انداز صنعت ۵.۰ باشد. در این راستا، عامل‌ها با بهره‌گیری از فناوری هوش مصنوعی به کاهش بار شناختی بسیار زیادی کمک می‌کنند که بر سازمان‌هایی تحمیل می‌شود که در تلاش‌اند اهداف چندوجهی خود را در محیطی به‌طور فزاینده پیچیده و پویا مدیریت کنند…

5 Conclusion and Outlook The introduced conceptual framework and taxonomy for cognitive AI agent types base on the recursively nested VSM functions engaged from organizational to individual level. The purpose is to enable organization-wide LCM capable of realizing the vision of Industry 5.0. In this regard, the agents leverage AI technology to mitigating the immense cognitive load placed upon organizations striving to manage the multifaceted goals within an increasingly complex, dynamic environment…