محمد ملکی نیا

ارزیابی فناوری به فرایندی اطلاق می شود که در آن به شیوه ای نظام مند تاثیرهای به دست آمده از معرفی، توسعه، تغییر، و اصلاح یک فناوری را در یک بنگاه اقتصادی یا یک جامعه مورد بررسی و سنجش قرار می دهد. این پژوهش با هدف ارائه خوشه بندی امکانی پروژه های فناورانه، با در نظرگرفتن گذر از فناوری های نوین صنعتی به فناوری های اکولوژیک، به صورت مطالعه موردی در پروژه های فناورانه شرکت مخابرات انجام پذیرفت. جامعه آماری این پژوهش شامل صاحب نظران و خبرگانی هستند که دست کم دارای مدرک تحصیلی کارشناسی ارشد هستند و بیش از پنج سال تجربه کاری دارند، که با استفاده از روش نمونه گیری گلوله برفی، 10 نفر به عنوان نمونه نهایی انتخاب شدند. برای دستیابی به چارچوب نظری، شناسایی متغیرها، تهیه پیشینه پژوهش، و ابزارهای اندازه گیری مانند مصاحبه و پرسشنامه از روش کتابخانه ای و برای گردآوری داده ها از روش میدانی استفاده شده است. برای سنجش روایی ابزار از تکنیک دلفی فازی استفاده شد. 15 شاخص نهایی با استفاده از روش خوشه بندی فازی در پنج طبقه جداگانه دسته بندی می شوند. طبقه تجزیه و تحلیل شامل اولویت بندی نیازها، انتخاب راه حل های فناورانه و تحلیل چالش ها، نیازها و فرصت ها؛ طبقه شناسایی شامل باور کردن قابلیت، تکمیل قابلیت، نوسازی قابلیت، و تعریف دقیق مشخصات؛ طبقه حاکمیت مالی پروژه شامل سطح سرمایه گذاری و ارزیابی مالی؛ طبقه طراحی و مهندسی شامل همگامی با بازار و آشنایی با فناوری؛ و طبقه توانمندسازی شامل شناسایی عوامل موفقیت، اکتساب فناوری، الگوبرداری، و ایجاد مزیت رقابتی است.

مکانیسم قابلیت تحلیل کسب و کار از طریق بهبود مدیریت امنیت داده های رایانش ابری، یکی از پیشایندهای کلیدی برای بهبود امنیت رایانش ابری محسوب می گردد. براساس نظریه زنجیره ارزش اطلاعات و نظریه قابلیت فناوری اطلاعات، یک مدل پژوهشی ساخته شده است تا مکانیسم پایه قابلیت تحلیل کسب و کار با بهبود مدیریت امنیت داده های رایانش ابری را مورد پژوهش قرار دهد. مدل پیشنهادی شامل قابلیت تحلیل کسب و کار، قابلیت تصمیم گیری در زمینه امنیت داده های رایانش ابری، عقلانیت تصمیم گیری در زمینه امنیت داده های رایانش ابری و مدیریت امنیت داده های رایانش ابری می باشد. ضمناً، مدل پیشنهادی، نقش فرهنگ داده محور و یکپارچگی فرایند کسب و کار فناوری اطلاعات را مد نظر قرار می دهد. مدل مذکور، به روش تجربی و با استفاده از داده های جمع آوری شده از 316 شرکت با مدل معادلات ساختاری آزمون گردید. بدون فرهنگ داده محور و یکپارچگی فرایند کسب و کار فناوری اطلاعات ، نتایج بدست آمده حاکی از آن است که فرهنگ داده محور و یکپارچگی فرایند کسب و کار فناوری اطلاعات، بر رابطه بین قابلیت تحلیل کسب و کار و قابلیت تصمیم گیری در زمینه امنیت داده های رایانش ابری، اثر واسطه ای مثبتی دارند. نتایج این مطالعه، منابع مهمی در اختیار شرکت قرار می دهد تا به این طریق مدیریت امنیت داده ها رایانش ابری را با استفاده از تحلیل کسب و کار تقویت نماید.

در این تحقیق با مرور ادبیات موضوع و تحلیل تطبیقی مدل های ارزیابی میزان آمادگی الکترونیکی (E-Readiness)، مدل مفهومی متناسب با شرایط بومی برای سنجش میزان آمادگی سازمان ها جهت پذیرش، بکارگیری و بهره گیری از فناوری اطلاعات و ارتباطات توسعه داده شد. این مدل شامل 6 معیار اصلی (تاکید وتعهد مدیریت ارشد، سیاست ها وراهبردهای فناوری اطلاعات، ابعاد تخصصی مدیریت، توسعه منابع انسانی فناوری اطلاعات، زیرساخت فناوری اطلاعات و فرآیندهای مبتنی بر فناوری اطلاعات) و 24 زیر معیارمرتبط با هرکدام از شش معیار اصلی است. اعتبار این مدل از طریق کسب نظر خبرگان و انجام آزمون های آماری اعتبار سنجی اولیه صورت گرفت. سپس با استفاده از فرآیند تحلیل ANP و روش مقایسات زوجی و به کارگیری نرم افزار Super Decision به ارزیابی معیارها، زیر معیارها و وزن دهی آنها پرداخته شد.در ادامه در مطالعه میدانی، مدل مذکور برای ارزیابی آمادگی سازمان های مورد مطالعه به کارگرفته شد. وضعیت این سازمانها به ترتیب در حوزه تعهد مدیریت عالی نسبت به کارگیری فناوری اطلاعات در سازمانها، ابعادتخصصی مدیریت و سیاست ها و راهبرد های فناوری اطلاعات در سازمانها، بهتر از بقیه حوزه ها است. ضمن این که در بقیه حوزه ها سازمان ها از وضعیت مطلوبی برخوردار نیستند. ولی از آنجا که در زمینه تعهد مدیریت عالی نسبت به بکارگیری فناوری اطلاعات در سازمان،سیاست ها وراهبردهای های فناوری اطلاعات در سازمان و ابعاد تخصصی مدیریت وضعیت نسبتاً مطلوبی دارد.

تقلب در مطالبات بیمه درمان تکمیلی، چالشی بزرگ است که منجر به زیان های مالی قابل توجه و تضعیف اعتماد عمومی می گردد. در این پژوهش، یک چارچوب جامع برای شناسایی تقلب با استفاده از الگوریتم های شبکه عصبی ارائه شده است. این چارچوب از سه معماری شبکه عصبی بهره می برد: الف) پرسپترون چندلایه (MLP)، ب) شبکه عصبی عمیق (DNN) پیاده سازی شده با Keras، و ج) شبکه حافظه بلندمدت (LSTM). داده های خام از منابع مختلف شامل اطلاعات بیمه نامه ها، بیمه شدگان، پرونده های خسارت، فهرست بیماری ها و اطلاعات شعب جمع آوری و پس از آن با مراحل پاک سازی، تبدیل، نرمال سازی و حذف داده های پرت (با استفاده از روش فاصله بین چارکی یا IQR) پیش پردازش شدند. مدل ها با استفاده از روش اعتبارسنجی متقاطع K-تایی و معیارهایی نظیر دقت، ماتریس سردرگمی، دقت (Precision)، بازخوانی (Recall)، امتیاز F1 و ROC-AUC  ارزیابی شدند. نتایج تجربی نشان دادند که همه مدل ها دقت بسیار بالایی (در حدود ۹۹.۹٪) دارند و این موضوع اثبات می کند که سیستم های مبتنی بر شبکه عصبی قادر به تفکیک قابل اعتماد میان ادعاهای مشروع و جعلی هستند. این سیستم پیشنهادی می تواند مسیر را برای نظارت لحظه ای مؤثرتر بر تقلب در صنعت بیمه هموار کند. این مدل ها دقت بسیار بالایی در شناسایی تقلب ها داشتند و می توانند در کاربردهای عملی و دنیای واقعی به طور مؤثر به کار گرفته شوند. نتایج این تحقیق نشان دهنده توانایی بالای این مدل ها در پردازش داده های پیچیده و غیرخطی است و این الگوریتم ها می توانند به عنوان راه حل های مؤثری برای تشخیص تقلب در بیمه های درمان تکمیلی و سایر سیستم های مشابه به کار روند. در نتیجه، این تحقیق گامی مهم در جهت توسعه مدل های هوشمند برای شناسایی تقلب در سیستم های بیمه ای است.