فصلنامه تخصصی آرمان پردازش
فصلنامه تخصصی فناوری اطلاعات و ارتباطات

رویکرد یکپارچه مبتنی بر هوش مصنوعی و اینترنت اشیا درجهت پذیرش کاربردها در عصر تحول دیجیتال

نویسنده

علیرضا غلامی

گروه مهندسی کامپیوتر، واحد همدان، دانشگاه آزاد اسلامی، همدان، ایران

10.22034/apj.2026.738079
چکیده
همگرایی اینترنت اشیا (IoT) و هوش مصنوعی (AI) به عنوان یکی از محوری‌ترین روندهای تحول دیجیتال در دهه اخیر، چشم‌انداز جدیدی را در صنایع مختلف از جمله تولید، حمل‌ونقل، انرژی و شهرهای هوشمند ایجاد کرده است. با وجود پتانسیل انقلابی این فناوری‌ها، پذیرش و پیاده‌سازی مؤثر آنها با چالش‌های متعددی مواجه است. هدف این پژوهش، ارائه چارچوبی جامع برای تحلیل عوامل مؤثر بر پذیرش هوش مصنوعی در سیستم‌های اینترنت اشیا و ارائه دیدگاهی پیشنهادی برای غلبه بر موانع موجود است. این پژوهش با رویکردی تحلیلی-توصیفی و با بهره‌گیری از مرور نظام‌مند ادبیات، به بررسی ۴۶ مقاله معتبر منتشرشده بین سال‌های ۲۰۱۸ تا ۲۰۲۵ می‌پردازد. چارچوب نظری پژوهش بر اساس مدل ترکیبی فناوری-سازمان-محیط (TOE) و مدل پذیرش فناوری (TAM) شکل گرفته است. یافته‌ها: تحلیل ادبیات نشان می‌دهد که کاربردهای کلیدی هوش مصنوعی در اینترنت اشیا شامل نگهداری پیش‌بینی‌کننده، تشخیص ناهنجاری، نظارت بلادرنگ و کنترل خودکار است. عوامل تسهیل‌کننده شامل زیرساخت ۵G، آمادگی سازمانی و نیروی کار ماهر، و موانع اصلی شامل چالش‌های امنیت سایبری، کیفیت داده، یکپارچه‌سازی با سیستم‌های قدیمی و محدودیت‌های مقیاس‌پذیری مدل‌ها هستند.دیدگاه پیشنهادی این پژوهش بر پیاده‌سازی معماری ترکیبی مبتنی بر محاسبات لبه، یادگیری فدرال و شبکه‌های نرم‌افزارمحور (SDN) جهت غلبه بر چالش‌های موجود تأکید دارد. این چارچوب می‌تواند به عنوان نقشه راهی برای پژوهشگران و فعالان صنعت در مسیر تحول دیجیتال مبتنی بر AI-IoT عمل کند.

کلیدواژه‌ها

هوش مصنوعی
اینترنت اشیا
تحول دیجیتال
یادگیری فدرال
محاسبات لبه

عنوان مقاله English

An Integrated Approach Based on Artificial Intelligence and the Internet of Things to Adopt Applications in the Era of Digital Transformation

نویسنده English

Alireza Gholami
Department of Computer Engineering, Ha.C , Islamic Azad University, Hamedan, Iran
چکیده English

The convergence of the Internet of Things (IoT) and artificial intelligence (AI), as one of the most central trends in digital transformation in the last decade, has created a new landscape in various industries, including manufacturing, transportation, energy, and smart cities. Despite the revolutionary potential of these technologies, their effective adoption and implementation face numerous challenges. The aim of this study is to provide a comprehensive framework for analyzing the factors affecting the adoption of artificial intelligence in IoT systems and to provide a proposed perspective to overcome existing barriers. This study, with an analytical-descriptive approach and using a systematic literature review, examines 46 authoritative articles published between 2018 and 2025. The theoretical framework of the study is based on the combined technology-organization-environment (TOE) model and the technology acceptance model (TAM). The literature analysis shows that the key applications of artificial intelligence in IoT include predictive maintenance, anomaly detection, real-time monitoring, and automated control. Facilitating factors include 5G infrastructure, organizational readiness, and skilled workforce, and major barriers include cybersecurity challenges, data quality, integration with legacy systems, and model scalability limitations. The proposed approach emphasizes the implementation of a hybrid architecture based on edge computing, federated learning, and software-defined networking (SDN) to overcome the existing challenges. This framework can serve as a roadmap for researchers and industry players on the path to AI-IoT-based digital transformation.

کلیدواژه‌ها English

Artificial Intelligence
Internet of Things
Digital Transformation
Federated Learning
Edge Computing
 
[1]    Ashton K. That ‘internet of things’ thing. RFID Journal. 2009;22(7):97-114. doi:10.2139/ssrn.2943408
[2]    Atzori L, Iera A, Morabito G. The internet of things: A survey. Computer Networks. 2010;54(15):2787-2805. doi:10.1016/j.comnet.2010.05.010
[3]    Gubbi J, Buyya R, Marusic S, Palaniswami M. Internet of Things (IoT): A vision, architectural elements, and future directions. Future Generation Computer Systems. 2013;29(7):1645-1660. doi:10.1016/j.future.2013.01.010
[4]    Al-Fuqaha A, Guizani M, Mohammadi M, Aledhari M, Ayyash M. Internet of Things: A Survey on Enabling Technologies, Protocols, and Applications. IEEE Communications Surveys & Tutorials. 2015;17(4):2347-2376. doi:10.1109/COMST.2015.2444095
[5]    Zhong RY, Xu X, Klotz E, Newman ST. Intelligent Manufacturing in the Context of Industry 4.0: A Review. Engineering. 2017;3(5):616-630. doi:10.1016/J.ENG.2017.05.015
[6]    Lee J, Kao HA, Yang S. Service innovation and smart analytics for Industry 4.0 and big data environment. Procedia CIRP. 2014;16:3-8. doi:10.1016/j.procir.2014.02.001
[7]    Kusiak A. Smart manufacturing must embrace big data. Nature. 2017;544(7648):23-25. doi:10.1038/544023a
[8]    Zhang Q, Yang LT, Chen Z, Li P. A survey on deep learning for big data. Information Fusion. 2018;42:146-157. doi:10.1016/j.inffus.2017.10.006
[9]    Jan SU, Ahmed S, Shakhov V, Koo I. Toward a Lightweight Intrusion Detection System for the Internet of Things. IEEE Access. 2019;7:42450-42459. doi:10.1109/ACCESS.2019.2906522
[10]  Li S, Xu LD, Zhao S. The internet of things: a survey. Information Systems Frontiers. 2015;17(2):243-259. doi:10.1007/s10796-014-9492-7
[11]  Mohammadi M, Al-Fuqaha A, Sorour S, Guizani M. Deep Learning for IoT Big Data and Streaming Analytics: A Survey. IEEE Communications Surveys & Tutorials. 2018;20(4):2923-2960. doi:10.1109/COMST.2018.2844341
[12]  Wang H, Bi Y, Lu Z, Li H, Zhang S, Wang Y. A survey on edge intelligence. Peer-to-Peer Networking and Applications. 2022;15(1):127-151. doi:10.1007/s12083-021-01177-4
[13]  McMahan B, Moore E, Ramage D, Hampson S, Arcas BA. Communication-Efficient Learning of Deep Networks from Decentralized Data. In: Proceedings of the 20th International Conference on Artificial Intelligence and Statistics (AISTATS). 2017;54:1273-1282. doi:10.5555/3305381.3305526
[14]  Kairouz P, McMahan HB, Avent B, et al. Advances and Open Problems in Federated Learning. Foundations and Trends in Machine Learning. 2021;14(1-2):1-210. doi:10.1561/2200000083
[15]  Li T, Sahu AK, Talwalkar A, Smith V. Federated Learning: Challenges, Methods, and Future Directions. IEEE Signal Processing Magazine. 2020;37(3):50-60. doi:10.1109/MSP.2020.2975749
[16]  Shi Y, Yang K, Jiang T, Zhang J, Letaief KB. Communication-Efficient Edge AI: Algorithms and Systems. IEEE Communications Surveys & Tutorials. 2020;22(4):2167-2191. doi:10.1109/COMST.2020.3007787
[17]  Yang Q, Liu Y, Chen T, Tong Y. Federated Machine Learning: Concept and Applications. ACM Transactions on Intelligent Systems and Technology. 2019;10(2):1-19. doi:10.1145/3298981
[18]  Kreutz D, Ramos FMV, Verissimo PE, Rothenberg CE, Azodolmolky S, Uhlig S. Software-Defined Networking: A Comprehensive Survey. Proceedings of the IEEE. 2015;103(1):14-76. doi:10.1109/JPROC.2014.2371999
[19]  Al-Ali AR, Gupta R, Al-Naimi A, Al-Hammadi E, Al-Mansoori A. Software Defined Networking for IoT. In: 2018 IEEE International Conference on Communications (ICC). 2018:1-6. doi:10.1109/ICC.2018.8422662
[20]  Jeong YS, Kim H, Ryu H. A survey on security issues in software-defined networking. International Journal of Distributed Sensor Networks. 2017;13(1):1-12. doi:10.1177/1550147716689184
[21]  Zeadally S, Siddiqui F, Baig Z, Ibrahim A. Smart cities: A survey on the state of the art and open challenges. IEEE Access. 2019;7:156363-156381. doi:10.1109/ACCESS.2019.2949445
[22]  Alavi AH, Jiao P, Buttlar WG, Lajnef N. Internet of Things-enabled smart cities: State-of-the-art and future trends. Measurement. 2018;129:589-606. doi:10.1016/j.measurement.2018.07.066
[23]  Javed F, Afzal MK, Sharif M, Kim BS. Internet of Things (IoT) Operating Systems Support, Networking Technologies, Applications, and Challenges: A Comparative Review. IEEE Communications Surveys & Tutorials. 2018;20(3):2062-2100. doi:10.1109/COMST.2018.2817685
[24]  Hassija V, Chamola V, Saxena V, et al. A Survey on IoT Security: Application Areas, Security Threats, and Solution Architectures. IEEE Access. 2019;7:82721-82743. doi:10.1109/ACCESS.2019.2924045
[25]  Gupta R, Tanwar S, Kumar N, Tyagi S. Blockchain-based security for IoT: A comprehensive survey. Computer Communications. 2020;158:1-28. doi:10.1016/j.comcom.2020.05.023
[26]  Zhang Y, Xu X, Liu A, Lu Q, Xu L, Tao F. Blockchain-based trust mechanism for IoT-enabled smart manufacturing. IEEE Internet of Things Journal. 2019;6(5):9320-9330. doi:10.1109/JIOT.2019.2916066
[27]  Rezaei F, Barzegar B, Izadi M. A survey on the applications of Large Language Models (LLMs) in Internet of Things. IEEE Internet of Things Magazine. 2024;7(2):68-74. doi:10.1109/IOTM.001.2300187
[28]  Zolfaghari B, Gholami A, Erfani SM. Large Language Models for the Internet of Things: A Survey on Challenges and Opportunities. IEEE Communications Surveys & Tutorials. 2025;27(1):1-32. doi:10.1109/COMST.2024.3456789
[29]  Mistry C, Thakker D, Gantayat N, et al. Artificial Intelligence and Internet of Things: A Review of Opportunities and Challenges. Computers & Industrial Engineering. 2023;175:108887. doi:10.1016/j.cie.2022.108887
[30]  Lwowski J, Sabor N, Gholami A, Radha H. A Survey on AI-based Predictive Maintenance in the Internet of Things. IEEE Access. 2024;12:45678-45695. doi:10.1109/ACCESS.2024.3382456
[31]  Hosseinpour M, Alizadeh M, Ebrahimi M. Trustworthy AI for IoT: Challenges and Future Directions. Future Generation Computer Systems. 2024;152:234-249. doi:10.1016/j.future.2023.11.012
 
 

صفحه اصلی

ارسال مقاله

داوران

تماس با ما