نموذج اقتران قائم على الشبكات العصبية العميقة لتدفق المعرفة بين المؤسسات واتخاذ القرار التعاوني للوكلاء

لماذا تهم المشاركة الأذكى بين المؤسسات

تعتمد الشركات والمستشفيات والوكالات العامة بشكل متزايد على معلومات أطراف أخرى لاتخاذ قرارات جيدة—سواء كان ذلك لتخطيط الإنتاج أو توجيه الشحنات أو الاستجابة لأزمة. ومع ذلك، في معظم الشبكات الحقيقية يتم التعامل مع المعرفة والقرارات بشكل منفصل: تركز مجموعة على جمع ومشاركة البيانات، بينما تركز مجموعة أخرى على اختيار الإجراءات. تسأل هذه الورقة ماذا يحدث إذا عاملنا هذين العمليين كنظام مترابط بشدة، وتستخدم أدوات الذكاء الاصطناعي الحديثة لنمذجة كيفية تدفق المعلومات بين المؤسسات وكيف يتعلم الوكلاء البرمجيون تنسيق اختياراتهم فوق ذلك التدفق.

من حقائق متناثرة إلى شبكة معرفة حية

ينطلق المؤلفون من ملاحظة بسيطة: المعرفة لا تبقى ثابتة. تنتقل التقارير والتنبؤات والرؤى الخبيرة بين الشركات عبر الشراكات، والمنصات المشتركة، والاتصالات الشخصية—وتفقد قيمتها مع مرور الوقت إذا لم تُحدَّث. تصف الدراسات التقليدية لـ«تدفق المعرفة» من هو متصل بمن ومن يسهل أو يعقّد المشاركة، مثل الثقة، والمسافة، والتوافق. يحتفظ هذا العمل بتلك الأفكار لكنه يضمّنها في شبكة رقمية حيث يُمثل كل كيان مؤسسي بعقدة يتغير رصيد معرفتها مع وصول المعلومات وتلاشيها وتعزيزها بالاستخدام. عنصر تعلم عميق يُدعى شبكة الانتباه البيانية يتعلم أي الاتصالات هي الأكثر أهمية في كل لحظة، ويبرز المسارات التي تنقل معلومات ذات جودة وحديثة بشكل موثوق.

وكلاء يتعلمون اتخاذ القرار معًا

فوق شبكة المعرفة هذه تجلس العديد من الوكلاء البرمجية، كل واحد يمثل صانع قرار مثل مخطط المصنع أو منسق اللوجستيات. بدلاً من السيطرة المركزية، يتعلم هؤلاء الوكلاء التعاون عبر التعلم المعزز: يتصرفون مرارًا، يلاحظون النتائج، ويعدلون استراتيجياتهم لتحسين نتائج مشتركة مثل خفض التكاليف أو تقليل النواقص. والأهم من ذلك، أن نظرتهم للعالم لا تشتمل على الحقائق المحلية فحسب، بل أيضًا على الحالة المعرفية المتطورة لمنظماتهم وشركائهم. تساعد آلية الانتباه كل وكيل على التركيز على الوكلاء الآخرين وقطع المعلومات الأكثر صلة بالمهمة الحالية، مما يدعم تحالفات مرنة بدلًا من سلاسل قيادة جامدة.

حلقة اتصال ذات اتجاهين بين المعرفة والعمل

جوهر الورقة هو «الاقتران» بين المعرفة والقرارات. بدلاً من افتراض أن المعلومات الأفضل تغذّي الخيارات ببساطة، يسمح النموذج بأن تسير العلاقة في كلا الاتجاهين. عندما يتخذ الوكلاء قرارات مشتركة ناجحة، يعامل النظام المعرفة الداعمة على أنها أكثر قيمة، يقوّي تلك المسارات المعلوماتية، ويبطئ من تلاشيها. عندما يفشل التنسيق، يحدد النظام المعرفة الناقصة أو المضللة، مما يشجع الشبكة على البحث عن مصادر أفضل أو شركاء جدد. يخلق هذا حلقة تغذية راجعة تتطور فيها مشاركة المعرفة واستراتيجيات اتخاذ القرار معًا. يتم تتبع قوة هذا الارتباط مع مرور الوقت، مكشوفةً مدى تطابق التغيرات في المعلومات مع التغيرات في الأداء.

اختبار النموذج في عوالم محاكاة وحقيقية

للتحقق مما إذا كان هذا النهج المترابط يقدم أكثر من نظرية جميلة، يجري المؤلفون تجارب حاسوبية واسعة. يبنون مجموعات بيانات تركيبية كبيرة تصف آلاف المؤسسات وملايين عمليات نقل المعرفة وأنواعًا عديدة من مهام اتخاذ القرار متعددة الوكلاء، من تخصيص الموارد إلى التوصل إلى توافق. يقارنون إطارهم بعدة بدائل إما تنمذج المعرفة بدون قرارات، أو القرارات بدون معرفة، أو ربط الاثنين ببساطة دون حلقة تغذية راجعة. عبر مجموعة من المقاييس، يحسن النموذج المترابط دقة نقل المعرفة ومعدلات نجاح القرار بنسبة 8–24 في المئة ويتعلم استراتيجيات مستقرة أسرع، حتى مع تعقّد السيناريوهات. أخيرًا، ينشرون النظام في سلسلة توريد إقليمية تشمل مُصنِّعين ومزودي لوجستيات وموزعين. هناك، يساعد النموذج الشركاء على مشاركة إشارات الطلب بذكاء أكبر، مما يخفض التكاليف الإجمالية بنسبة 18.5 في المئة، ويقلّل حالات نفاد المخزون بنسبة 71 في المئة، ويزيد دوران المخزون بنسبة 42.7 في المئة.

ماذا يعني هذا للمؤسسات اليومية

لغير المتخصصين، الرسالة الرئيسية هي أن أنظمة المعلومات وأنظمة اتخاذ القرار تعمل بأفضل صورة عندما تُصمَّم معًا. إن اعتبار المعرفة شبكة حية تشكل وتتشكل أيضًا بواسطة الاختيارات اليومية يؤدي إلى توقعات أكثر موثوقية، ومخزونات أنحف، واستجابات أسرع وأكثر تنسيقًا للتغير. وعلى الرغم من أن الأداة التقنية تعتمد على الشبكات العصبية العميقة وخوارزميات التعلم المتقدمة، فإن الفكرة الأساسية بديهية: يجب على المؤسسات أن تولي اهتمامًا ليس فقط لما تعرفه، بل أيضًا لكيف يغير استخدام تلك المعرفة ما يُشارك لاحقًا. يقدم الإطار في هذه الورقة مخططًا لترجمة هذه البديهية إلى أدوات عملية يمكن أن تساعد الشركات وسلاسل التوريد والشبكات الأخرى على العمل بذكاء أكبر كوحدة متكاملة، وليس كأجزاء معزولة.

الاستشهاد: Li, M., Yu, W. & Li, Y. Deep neural network-based coupling model of inter-organizational knowledge flow and agent collaborative decision-making. Sci Rep 16, 6923 (2026). https://doi.org/10.1038/s41598-026-37838-8

الكلمات المفتاحية: مشاركة المعرفة, أنظمة متعددة الوكلاء, اتخاذ القرار التعاوني, شبكات عصبية بيانية, تنسيق سلسلة التوريد