فصلنامه تخصصی آرمان پردازش
فصلنامه تخصصی فناوری اطلاعات و ارتباطات

بررسی مزایا، معایب و کاربردهای ابزارهای هوش مصنوعی

نوع مقاله : مقاله پژوهشی

نویسنده

علیرضا سلیمانی

1 گروه مهندسی کامپیوتر، واحد شهر قدس، دانشگاه آزاد اسلامی، شهرقدس، ایران

چکیده
گسترش سریع مدل‌های هوش مصنوعی مولد، مدل‌های زبانی بزرگ، دستیارهای برنامه‌نویسی، سامانه‌های AIOps و ابزارهای هوشمند امنیت سایبری، معماری و فرایندهای فناوری اطلاعات و ارتباطات را دستخوش تغییر کرده است. هدف این پژوهش، بررسی فنی و تحلیلی مزایا، معایب، ریسک‌ها و کاربردهای ابزارهای رایج هوش مصنوعی در چرخه حیات سامانه‌های فناوری اطلاعات و ارتباطات است. پژوهش حاضر با رویکرد مروری ـ تحلیلی و با اتکا بر ادبیات علمی معتبر، ابتدا ابزارها را در حوزه‌های پردازش زبان طبیعی، مهندسی نرم‌افزار، تحلیل داده، شبکه، رایانش ابری، عملیات فناوری اطلاعات و امنیت سایبری طبقه‌بندی می‌کند و سپس آنها را بر اساس معیارهای دقت، بهره‌وری، امنیت، حریم خصوصی، هزینه، مقیاس‌پذیری، قابلیت یکپارچه‌سازی و نیاز به نظارت انسانی مقایسه می‌کند. نتایج نشان می‌دهد که ارزش AI در ICT بیش از آنکه به تولید پاسخ وابسته باشد، به توانایی آن در تحلیل حجم زیاد داده، خودکارسازی وظایف تکراری، پشتیبانی از تصمیم‌گیری و ایجاد حلقه‌های هوشمند میان داده، نرم‌افزار و زیرساخت وابسته است. در مقابل، توهم مدل، تولید کد آسیب‌پذیر، افشای داده، حملات Prompt Injection ، وابستگی به ارائه‌دهنده و خطاهای تصمیم‌گیری از مهم‌ترین موانع استقرار گسترده محسوب می‌شوند. در پایان، یک چارچوب چندمعیاره برای انتخاب ابزار AI و یک مدل بلوغ پنج‌سطحی برای استقرار سازمانی پیشنهاد می‌شود. یافته اصلی آن است که در کاربردهای حساس، معماری Human-in-the-Loop، حاکمیت داده، کنترل دسترسی، ارزیابی مستمر مدل و دروازه هوش مصنوعی سازمانی باید جزء الزامات معماری باشند

کلیدواژه‌ها

هوش مصنوعی مولد
مدل زبانی بزرگ
AIOps
امنیت سایبری
فناوری اطلاعات و ارتباطات

عنوان مقاله English

Investigating the Advantages, Disadvantages, and Applications of Common AI Tools in the Field of Information and Communication Technology

نویسنده English

Alireza Soleimani
Department of Computer Engineering, ShQ.C., Islamic Azad University, Shahr-e Qods, Iran
چکیده English

The rapid proliferation of generative AI models, large language models, coding assistants, AIOps systems, and intelligent cybersecurity tools has transformed ICT architectures and processes. This research aims to provide a technical and analytical examination of the benefits, drawbacks, risks, and applications of prevalent AI tools across the ICT system lifecycle. Adopting a review-analytical approach grounded in authoritative literature, the study first categorizes these tools into domains such as natural language processing, software engineering, data analysis, networking, cloud computing, IT operations, and cybersecurity. It then compares them based on criteria including accuracy, productivity, security, privacy, cost, scalability, integration capabilities, and the need for human oversight. The results indicate that the value of AI in ICT lies less in mere response generation and more in its capacity to analyze vast datasets, automate repetitive tasks, support decision-making, and establish intelligent feedback loops connecting data, software, and infrastructure. Conversely, challenges such as model hallucinations, the generation of vulnerable code, data leakage, prompt injection attacks, vendor lock-in, and decision-making errors constitute significant barriers to widespread adoption. Finally, the study proposes a multi-criteria framework for AI tool selection and a five-level maturity model for organizational deployment. The key finding is that for critical applications, a "human-in-the-loop" architecture, data governance, access control, continuous model evaluation, and an enterprise AI gateway must be integral architectural requirements.

کلیدواژه‌ها English

Generative AI
Large Language Model
AIOps
Cybersecurity
Information and Communication Technology
[1] A. Vaswani et al., “Attention Is All You Need,” in Proc. NeurIPS, 2017.
[2] T. B. Brown et al., “Language Models are Few-Shot Learners,” in Proc. NeurIPS, 2020.
[3] R. Bommasani et al., “On the Opportunities and Risks of Foundation Models,” arXiv:2108.07258, 2021.
[4] W. Zhao et al., “A Survey of Large Language Models,” arXiv:2303.18223, 2023.
[5] OpenAI, “GPT-4 Technical Report,” arXiv:2303.08774, 2023.
[6] M. Chen et al., “Evaluating Large Language Models Trained on Code,” arXiv:2107.03374, 2021.
[7] L. Zhang et al., “A Survey of AIOps in the Era of Large Language Models,” arXiv:2507.12472, 2025.
[8] M. A. Ferrag et al., “Generative AI in cybersecurity: A comprehensive review of LLM applications and vulnerabilities,” Internet of Things and Cyber-Physical Systems, 2025, doi: 10.1016/j.iotcps.2025.01.001.
[9] “The Security of Using Large Language Models: A Survey with Emphasis on ChatGPT,” IEEE/CAA Journal of Automatica Sinica, 2025.
[10] W. Greshake et al., “Not what you’ve signed up for: Compromising Real-World LLM-Integrated Applications with Indirect Prompt Injection,” in Proc. ACM AISec, 2023.
[11] “AI-Powered Code Reviews: Leveraging Large Language Models,” in Proc. SPARC, 2024.
[12] P. Yetistiren, I. Ozsoy, and E. Tuzun, “Assessing the Quality of GitHub Copilot’s Code Generation,” in Proc. ESEM, 2022.
[13] “State of the Art of the Security of Code Generated by LLMs: A Systematic Literature Review,” in Proc. IEEE/CONISOFT, 2024.
[14] “Across the Spectrum: In-Depth Review AI-Based Models for Phishing Detection,” IEEE Open Journal of the Communications Society, 2024, doi: 10.1109/OJCOMS.2024.3462503.
[15] N. Fareghzadeh et al., “Performance Isolation in Cloud Computing Environments,” in Proc. IEEE Int. Conf. Cloud Computing Technology and Science, 2013.
[16] N. Fareghzadeh et al., “A Comprehensive Approach to Performance Management in Cloud Computing,” in Proc. IEEE, 2014.
[17] N. Fareghzadeh et al., “A Performance Monitoring Architecture for Cloud Computing,” in Proc. IEEE Int. Conf. Cloud Computing and Intelligence Systems, 2014.
[18] “LLM-Based Intelligent Agents for Cybersecurity: A Tutorial and Survey of Automated Vulnerability Discovery,” IEEE Access, 2026.
[19] A. Radford et al., “Language Models are Unsupervised Multitask Learners,” OpenAI Technical Report, 2019.
[20] T. Brown et al., “Language Models are Few-Shot Learners,” arXiv preprint, 2020.
[21] J. Wei et al., “Chain-of-Thought Prompting Elicits Reasoning in Large Language Models,” in Proc. NeurIPS, 2022.
[22] Y. Liu et al., “Lost in the Middle: How Language Models Use Long Contexts,” Trans. ACL, vol. 12, 2024.
[23] N. Shinn et al., “Reflexion: Language Agents with Verbal Reinforcement Learning,” in Proc. NeurIPS, 2023.
[24] P. Lewis et al., “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks,” in Proc. NeurIPS, 2020.
[25] NIST, “Artificial Intelligence Risk Management Framework (AI RMF 1.0),” NIST AI 100-1, 2023.
[26] OWASP Foundation, “OWASP Top 10 for Large Language Model Applications,” 2025.
[27] N. Carlini et al., “Extracting Training Data from Large Language Models,” in Proc. USENIX Security, 2021.
[28] R. Bommasani et al., “On the Opportunities and Risks of Foundation Models,” Stanford Center for Research on Foundation Models, 2021.
[29] Y. Dong et al., “Cognitive Deficits of Large Language Models in Reasoning,” arXiv preprint, 2023.
[30] “Large Language Model for Vulnerability Detection: Emerging Results and Future Directions,” in Proc. IEEE/ACM ICSE-NIER, 2024.
فصلنامه تخصصی آرمان پردازش
دوره 7، شماره 2
تابستان 1405
صفحه 43-50

صفحه اصلی

ارسال مقاله

داوران

تماس با ما