The circular economy meets artificial intelligence (AI): understanding the opportunities of AI for reverse logistics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose Technology is an important force in the entrepreneurial ecosystem as it has the potential to impact entrepreneurial opportunities and processes. This paper explores the emerging technology of artificial intelligence (AI) and its implications for reverse logistics within the circular economy (CE). It considers key reverse logistics functions and outlines how AI is known to, or has the potential to, impact these functions. Design/methodology/approach The paper is conceptual and utilizes the literature from entrepreneurship, the CE and reverse logistics to explore the implications of AI for reverse logistics functions. Findings AI provides significant benefits across all functions and tasks in the reverse logistics process; however, the various reverse logistics functions and tasks rely on different forms of AI (mechanical, analytical, intuitive). Research limitations/implications The paper highlights the importance of technology, and in particular AI, as a key force in the digital entrepreneurial ecosystem and discusses the specific implications of AI for entrepreneurial practice. For researchers, the paper outlines avenues for future research within the entrepreneurship and/or CE domains of the study. Originality/value This paper is the first to present a structured discussion of AI's implications for reverse logistics functions and tasks. It addresses a call for more research on AI and its opportunities for the CE and emphasizes the importance of emerging technologies, particularly AI, as an external force within the entrepreneurial ecosystem. The paper also outlines avenues for future research on AI in reverse logistics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle