ВИКОРИСТАННЯ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ ПРОГНОЗУВАННЯ УСПІШНОСТІ ПРОЄКТІВ РОЗПОДІЛЕНИХ КОМАНД
DOI:
https://doi.org/10.32689/maup.it.2024.2.11Ключові слова:
управління проєктами, штучний інтелект, управління розподіленими командами, моделі та методи, прогнозування, успішність проєктуАнотація
Стаття присвячена розробці рекомендацій щодо використання штучного інтелекту для прогнозу- вання успішності проєктів розподілених команд. Серед переваг застосування AI при управлінні проєктами виділя- ють підвищення точності прогнозів за рахунок аналізу великих обсягів даних та виявлення прихованих патернів; зниження ризиків шляхом раннього виявлення та проактивного управління ризиками; покращення ефективності управління за рахунок автоматизації рутинних завдань. Метою статті є дослідження методів та підходів до використання штучного інтелекту для прогнозування успіш- ності проєктів, що реалізуються розподіленими командами. Стаття спрямована на аналіз існуючих моделей машинного та глибокого навчання, їх ефективності та практичного застосування для прогнозування успішності проєктів. В дослідженні використовується методологія проєктно-орієнтованого управління ресурсами, методи машин- ного та глибокого навчання. Науковою новизною є розробка рекомендацій щодо застосування штучного інтелекту для прогнозування успішності проєктів у розподілених командах. В роботі розглянуто визначення метрик успішності проєктів, що мо- жуть застосовуватися при оцінці ефективності управління проєктами. Розглянуто специфіку реалізації проєктів розподіленими командами. Розглянуто особливості застосування АІ-моделей при управлінні проєктами. З метою підвищення якості даних, що використовуються при прогнозуванні, запропоновано модель процесу попередньої об- робки даних. Огляд існуючих моделей машинного та глибокого навчання показав, що для прогнозування успішності виконання проєкту можуть бути використані нейронні мережі, дерева рішень, випадкові ліси, підтримуючі вектор- ні машини (SVM) та градієнтний бустинг. Висновки. Проведено аналіз моделей та розроблені пропозиції щодо їх використання при оцінці ефективності управління проєктами. Запропоновано підхід до впровадження штучного інтелекту для прогнозування успішності проєктів у розподілених командах. Розглянуті питання інтеграції АІ-моделей з системами управління проєктами. Розглянуто ризики інтеграції та визначено шляхи удосконалення інтеграційних процесів.
Посилання
Anderson K., Taylor R. Predictive analysis using machine learning: Review of trends and techniques. Journal of Machine Learning Research, 2023. 22(1), 1–20. https://doi.org/10.5555/3466123.3466124.
DavisP.,WilsonG.Artificialintelligenceandknowledgemanagement:ApartnershipbetweenAIandhumanexpertise. Knowledge Management Research & Practice, 2020. 18(3), 300–310. https://doi.org/10.1080/14778238.2020.1738579.
Johnson M., Lee C. Recent Advances in Predictive Learning Analytics: A Decade Review. Springer, 2022. 34(2), 215–229. https://doi.org/10.1007/s10994-021-06098-8.
Kumar R., Garg P. Applied Artificial Intelligence for Predicting Construction Projects. ScienceDirect. 2022. https:// doi.org/10.1016/j.conbuildmat.2022.126896.
Nguyen T., Roberts A. Big Data Analytics in Agile Software Development: A Systematic Mapping Study. ScienceDirect, 2021. 78(4), 673–688. https://doi.org/10.1016/j.infsof.2021.106568.
Smith H., Zhang Y. Predictive Analytics: A Review of Trends and Techniques. Scite. 2020. https://doi.org/10.1016/j. scit.2020.01.003.
Smith J., Brown L. A Systematic Literature Review on the Impact of Artificial Intelligence in Project Management. International Journal of Project Management, 2023. 41(3), 457–472. https://doi.org/10.1016/j.ijproman.2023.01.005.
Taboada I., Daneshpajouh A., Toledo N., de Vass T. Artificial Intelligence Enabled Project Management: A Systematic Literature Review. Applied Sciences, 2023. 13(8), 5014. https://doi.org/10.3390/app13085014.
Zachko О., Kovalchuk, O., Kobylkin D., Yashchuk V. Informatio
