Алгоритми машинного навчання для побудови високоефективних систем проєктного управління
Тип публікації :
Дисертація
Дата випуску :
7 травня 2025 р.
Автор(и) :
Науковий(і) керівник(и)/редактор(и) :
Мова основного тексту :
Ukrainian
eKNUTSHIR URL :
Цитування :
[APA 7] Михайлов, Н. О. (2025). Алгоритми машинного навчання для побудови високоефективних систем проєктного управління. [Дис. доктора філософії, Київський національний університет імені Тараса Шевченка]. eKNUTSHIR. https://ir.library.knu.ua/handle/15071834/6644
[ДСТУ] Михайлов Н. О. Алгоритми машинного навчання для побудови високоефективних систем проєктного управління : дис. … доктора філософії : 124 Системний аналіз. Київ, 2025. 136 с. URL: https://ir.library.knu.ua/handle/15071834/6644 (дата звернення: 18.07.2026).
Метою роботи є дослідження та розробка методів машинного навчання для створення високоефективних систем проєктного управління та оцінки ризиків проєктів розробки програмного забезпечення. Основною ціллю є досягнення оптимізації процесів створення програм, підвищення якості програмного продукту та зменшення часових і ресурсних витрат.
З ростом завдань та вимог до програмних продуктів стає все важче дотримуватися встановлених графіків, якість кінцевого продукту страждає, а ресурси розробки зазвичай обмежені. Машинне навчання пропонує потенційні рішення для автоматизації процесів управління та аналізу, та є важливим інструментом для підвищення продуктивності та якості розробки програмного забезпечення. Актуальність полягає також у тому, що сучасні розробники програмного забезпечення дедалі більше віддають перевагу штучному інтелекту і машинному навчанню як засобу підвищення ефективності.
Для досягнення мети дослідження в роботі було проведено аналіз сучасних наукових робіт, публікацій, інструкцій та стандартів у галузі управління проєктами, розробки ПЗ і машинного навчання. Це дозволило зрозуміти поточний стан прогресу у цих галузях та виявити існуючі недоліки, які можна вирішити за допомогою нових методів та технік. Для розробки та навчання моделей машинного навчання було зібрано велику кількість даних, що стосуються проєктів розробки ПЗ, включаючи дані про терміни, ресурси, які витрачаються на кожну фазу проєкту, та інші параметри, які впливають на продуктивність. Дані були проаналізовані та підготовлені для подальшого використання у моделях машинного навчання. На основі зібраних даних були розроблені і навчені моделі машинного навчання, такі як регресійні моделі для передбачення термінів та ресурсів проєкту, класифікатори для ідентифікації ризиків та інші моделі, які відповідають конкретним цілям дослідження. На основі розроблених моделей машинного навчання була створена система підтримки прийняття рішень, яка дозволяє проєктним менеджерам та розробникам аналізувати та оптимізувати процеси управління проєктами та розробки ПЗ. А саме: планування проєктів, розподілення ресурсів і завдань, оцінка ризиків тощо. Результати розроблених моделей та системи були піддані експериментальній перевірці та валідації на реальних проєктах розробки ПЗ. Це допомогло визначити ефективність та точність розроблених методів та засобів. Зібрані дані, результати модельного аналізу та експериментів були оцінені та проаналізовані, щоб зробити висновки щодо досягнутого ефекту та переваг використання методів машинного навчання у системах проєктного управління та аналізу продуктивності розробки програмного забезпечення.
Отримані результати наукового дослідження набули практичного застосування, а розроблені в процесі дослідження моделі, методи та алгоритми показали високу ефективність, про що свідчать відповідні наукові статті за темою дисертації.
Дисертація пропонує наукову новизну через поєднання методів машинного навчання з управлінням проєктами та аналізом продуктивності розробки програмного забезпечення. Основною науковою новизною є розробка імовірнісних моделей для передбачення термінів та ресурсів у проєктах розробки ПЗ, створення системи моніторингу та аналізу продуктивності з використанням аналізу великих обсягів даних та методів машинного навчання. Результати дослідження можуть бути корисними для промислових компаній та розробників ПЗ для оптимізації їхніх процесів та покращення результатів.
Наукова новизна одержаних результатів:
Вперше:
Розроблено модель прогнозування тривалості проєктів і ризиків їх затримки та досліджено показники її точності над спеціально підготовленим датасетом.
Удосконалено:
Раніше розроблені моделі для розв’язання задачі високоефективного планування проєктів.
Основні результати дисертації пройшли апробацію, доповідались на міжнародних конференціях та семінарах. Основні положення, викладені в дисертації̈, доведено до рівня програмної реалізації та опубліковано у Всеукраїнських виданнях, отже вони підлягають широкому застосуванню як у проведенні подальших досліджень, так і у практичній̆ діяльності. Прикладне значення отриманих результатів полягає в отриманні апробований моделі, втіленій у програмній системі, яка може бути застосована для ефективного планування проєктів, розподілення ресурсів і завдань та оцінки ризиків у режимі реального часу. Результати дисертаційної роботи можуть бути використані для подальших теоретичних та практичних досліджень у сфері інформаційних технологій, у навчальному процесі при підготовці курсів з обробки даних, спеціальних курсів для автоматизації процесів.
З ростом завдань та вимог до програмних продуктів стає все важче дотримуватися встановлених графіків, якість кінцевого продукту страждає, а ресурси розробки зазвичай обмежені. Машинне навчання пропонує потенційні рішення для автоматизації процесів управління та аналізу, та є важливим інструментом для підвищення продуктивності та якості розробки програмного забезпечення. Актуальність полягає також у тому, що сучасні розробники програмного забезпечення дедалі більше віддають перевагу штучному інтелекту і машинному навчанню як засобу підвищення ефективності.
Для досягнення мети дослідження в роботі було проведено аналіз сучасних наукових робіт, публікацій, інструкцій та стандартів у галузі управління проєктами, розробки ПЗ і машинного навчання. Це дозволило зрозуміти поточний стан прогресу у цих галузях та виявити існуючі недоліки, які можна вирішити за допомогою нових методів та технік. Для розробки та навчання моделей машинного навчання було зібрано велику кількість даних, що стосуються проєктів розробки ПЗ, включаючи дані про терміни, ресурси, які витрачаються на кожну фазу проєкту, та інші параметри, які впливають на продуктивність. Дані були проаналізовані та підготовлені для подальшого використання у моделях машинного навчання. На основі зібраних даних були розроблені і навчені моделі машинного навчання, такі як регресійні моделі для передбачення термінів та ресурсів проєкту, класифікатори для ідентифікації ризиків та інші моделі, які відповідають конкретним цілям дослідження. На основі розроблених моделей машинного навчання була створена система підтримки прийняття рішень, яка дозволяє проєктним менеджерам та розробникам аналізувати та оптимізувати процеси управління проєктами та розробки ПЗ. А саме: планування проєктів, розподілення ресурсів і завдань, оцінка ризиків тощо. Результати розроблених моделей та системи були піддані експериментальній перевірці та валідації на реальних проєктах розробки ПЗ. Це допомогло визначити ефективність та точність розроблених методів та засобів. Зібрані дані, результати модельного аналізу та експериментів були оцінені та проаналізовані, щоб зробити висновки щодо досягнутого ефекту та переваг використання методів машинного навчання у системах проєктного управління та аналізу продуктивності розробки програмного забезпечення.
Отримані результати наукового дослідження набули практичного застосування, а розроблені в процесі дослідження моделі, методи та алгоритми показали високу ефективність, про що свідчать відповідні наукові статті за темою дисертації.
Дисертація пропонує наукову новизну через поєднання методів машинного навчання з управлінням проєктами та аналізом продуктивності розробки програмного забезпечення. Основною науковою новизною є розробка імовірнісних моделей для передбачення термінів та ресурсів у проєктах розробки ПЗ, створення системи моніторингу та аналізу продуктивності з використанням аналізу великих обсягів даних та методів машинного навчання. Результати дослідження можуть бути корисними для промислових компаній та розробників ПЗ для оптимізації їхніх процесів та покращення результатів.
Наукова новизна одержаних результатів:
Вперше:
Розроблено модель прогнозування тривалості проєктів і ризиків їх затримки та досліджено показники її точності над спеціально підготовленим датасетом.
Удосконалено:
Раніше розроблені моделі для розв’язання задачі високоефективного планування проєктів.
Основні результати дисертації пройшли апробацію, доповідались на міжнародних конференціях та семінарах. Основні положення, викладені в дисертації̈, доведено до рівня програмної реалізації та опубліковано у Всеукраїнських виданнях, отже вони підлягають широкому застосуванню як у проведенні подальших досліджень, так і у практичній̆ діяльності. Прикладне значення отриманих результатів полягає в отриманні апробований моделі, втіленій у програмній системі, яка може бути застосована для ефективного планування проєктів, розподілення ресурсів і завдань та оцінки ризиків у режимі реального часу. Результати дисертаційної роботи можуть бути використані для подальших теоретичних та практичних досліджень у сфері інформаційних технологій, у навчальному процесі при підготовці курсів з обробки даних, спеціальних курсів для автоматизації процесів.
Ключові слова :
нейронні мережі машинне навчання штучний інтелект системи проєктного управління продуктивність розробки програмного забезпечення система підтримки прийняття рішень планування проєктів оцінка ризиків оптимізація ресурсів аналіз даних алгоритми прогнозування автоматизація управління проєктами управління ризиками інтелектуальні системи адаптивне планування навчання моделей рекурентні нейронні мережі метрики прийняття рішень інновації стратегії інформаційні технології комп'ютерна модель моделювання сховище даних штучна нейронна мережа управління бізнесом алгоритми обробки даних тимчасові дані часова модель бази даних структура даних нечітке значення задача оптимізації. neural networks machine learning artificial intelligence project management systems software development productivity decision support system project planning risk assessment resource optimization data analysis forecasting algorithms project management automation risk management intelligent systems adaptive planning model training recurrent neural networks metrics decision-making innovation strategies information technologies computer model modeling data warehouse artificial neural network business management data processing algorithms temporal data temporal model databases data structure fuzzy value optimization problem
Галузі знань та спеціальності :
12 Інформаційні технології::124 Системний аналіз
Галузі науки і техніки (FOS) :
Інженерія та технології
Файл(и) :![Ескіз]()
Вантажиться...
Формат :
Adobe PDF
Розмір :
7.41 MB
Контрольна сума :
(MD5):8834246d063020cc847f0d79b76ec886
Якщо не вказано інше, ця робота розповсюджується на умовах ліцензії Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International