Михайлов Нікіта ОлеговичПанченко, Тарас Володимирович2025-06-052025-06-052025-05-07Михайлов Н.О. Алгоритми машинного навчання для побудови високоефективних систем проєктного управління : дис. … доктора філософії : 124 Системний аналіз / Михайлов Нікіта Олегович ; наук. кер. Т. В. Панченко. Київ, 2025. 136 с.УДК 004.6, 004.8, 004.942, 004.021: 519.6https://ir.library.knu.ua/handle/15071834/6644Метою 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.This research aims to explore and develop machine learning methods for creating high-efficiency project management systems and assessing risks in software development projects. The primary goal is to optimize the development processes, improve software quality, and reduce time and resource expenditures. As the complexity and demands for software products increase, adhering to predefined schedules becomes more challenging, the quality of the final product suffers, and development resources are often limited. Machine learning offers potential solutions for automating management and analysis processes, making it a vital tool for improving the productivity and quality of software development. The relevance of the research is reinforced by the growing preference of modern software developers for artificial intelligence and machine learning to enhance efficiency. To achieve the research objectives, the study includes an analysis of modern scientific works, publications, guidelines, and standards in the fields of project management, software development, and machine learning. This analysis facilitated an understanding of the current progress and revealed existing challenges that could be addressed through new methods and techniques. A significant dataset related to software development projects was collected for developing and training machine learning models. This dataset includes information on timelines, resources expended on each project phase, and other parameters influencing performance. The data was analyzed and prepared for use in machine learning models. Based on the collected data, machine learning models were developed and trained, including regression models for predicting project timelines and resources, classifiers for identifying risks, and other models tailored to the research objectives. Using these models, a decision support system was created to enable project managers and developers to analyze and optimize project management and software development processes, such as project planning, resource and task allocation, and risk assessment. The developed models and systems underwent experimental validation on real software development projects to assess their effectiveness and accuracy. The data collected, along with the results of model analysis and experiments, were evaluated to draw conclusions about the achieved impact and advantages of using machine learning methods in project management systems and performance analysis for software development. The research findings have practical applications, and the models, methods, and algorithms developed during the study have demonstrated high efficiency, as evidenced by scientific publications on the dissertation topic. The dissertation contributes scientific novelty by integrating machine learning methods with project management and software development performance analysis. The main scientific novelty lies in developing probabilistic models for predicting timelines and resources in software development projects and creating a monitoring and performance analysis system using big data and machine learning methods. The research outcomes can benefit industrial companies and software developers in optimizing processes and improving results. The scientific novelty of the results: For the first time: ● A model for predicting project duration and delay risks was developed and its accuracy was evaluated using a specially prepared dataset. Improved: ● Previously developed models for solving the task of high-efficiency project planning. The main results of the dissertation were presented at international conferences and seminars. The key provisions of the dissertation have been implemented into software solutions and published in national journals, making them applicable for further research and practical use. The practical significance of the results is the following: The developed models have been implemented in a software system that can be used for effective project planning, resource and task allocation, and real-time risk assessment. The results of the dissertation can be further utilized for theoretical and practical research in information technology and in educational courses on data processing and process automation.ukнейронні мережімашинне навчанняштучний інтелектсистеми проєктного управлінняпродуктивність розробки програмного забезпеченнясистема підтримки прийняття рішеньпланування проєктівоцінка ризиківоптимізація ресурсіваналіз данихалгоритми прогнозуванняавтоматизація управління проєктамиуправління ризикамиінтелектуальні системиадаптивне плануваннянавчання моделейрекурентні нейронні мережіметрикиприйняття рішеньінноваціїстратегіїінформаційні технологіїкомп'ютерна модельмоделюваннясховище данихштучна нейронна мережауправління бізнесомалгоритми обробки данихтимчасові данічасова модельбази данихструктура данихнечітке значеннязадача оптимізації.neural networksmachine learningartificial intelligenceproject management systemssoftware development productivitydecision support systemproject planningrisk assessmentresource optimizationdata analysisforecasting algorithmsproject management automationrisk managementintelligent systemsadaptive planningmodel trainingrecurrent neural networksmetricsdecision-makinginnovationstrategiesinformation technologiescomputer modelmodelingdata warehouseartificial neural networkbusiness managementdata processing algorithmstemporal datatemporal modeldatabasesdata structurefuzzy valueoptimization problemДисертація