Упровадження методів штучного інтелекту в процеси автоматизованого прогнозування показників проєктів із розроблення програмних систем

Анотація

Предметом дослідження є процеси автоматизованого прогнозування показників проєктів із розроблення програмних систем, що зазвичай підлягають оцінюванню, а також методи й моделі штучного інтелекту, які можуть бути застосовані для генерації базових шаблонів дорожніх карт і післяопераційних переліків робіт та альтернативних оцінок залежно від контексту. Мета роботи – дослідження можливості впровадження та ефективності методів штучного інтелекту у створенні системи для автоматизованого прогнозування альтернативних оцінок програмного продукту. У статті розв’язуються такі завдання: визначення етапів, пов’язаних з оцінюванням альтернатив у життєвому циклі проєкту з розроблення програмного продукту; вивчення проблем прогнозування та основних факторів, що впливають на кінцеві показники; дослідження методів прогнозування, що можуть бути впроваджені для реалізації багатоваріантного оцінювання проєкту з розроблення програмного продукту. Стаття присвячена визначенню концептуальних засад створення систем автоматизованого оцінювання та прогнозування на підставі аналізу ефективності обраних моделей машинного навчання. Застосовуються такі методи: оцінювання та прогнозування трудовитрат у проєктах із розроблення програмного забезпечення, машинного та глибокого навчання й оцінювання їх ефективності для вирішення проблеми прогнозування. Досягнуті результати: визначено концептуальні засади створення систем автоматизованого оцінювання та прогнозування на підставі аналізу ефективності обраних моделей машинного навчання, сфери застосування методів штучного інтелекту в процесі оцінювання показників проєктів із розроблення програмного забезпечення; оцінено показники продуктивності різних моделей машинного навчання за певними параметрами оцінки моделі, які характеризують точність прогнозів; запропоновано концептуальну архітектуру програмного засобу генерації дорожніх карт проєкту з використанням мовної моделі GPT. Висновки: використання методів машинного та глибокого навчання може підвищити точність прогнозів основних показників проєкту, забезпечити можливість гнучкої генерації різних альтернативних варіантів шаблонів дорожніх карт і післяопераційних переліків робіт, що зробить процес планування та управління більш ефективним і прозорим за умови високого рівня невизначеності вимог до проєкту.