Адаптивна модель планування проєктів та оцінки ризиків із використанням машинного навчання

Н. О. Михайлов

doi:10.24144/2616-7700.2024.45(2).216-222

Автор(и)

Н. О. Михайлов Київський нацiональний унiверситет iм. Т. Шевченка, Україна https://orcid.org/0009-0002-9374-3403

DOI:

https://doi.org/10.24144/2616-7700.2024.45(2).216-222

Ключові слова:

машинне навчання, оцінка ризиків, нейронні мережі, управління проєктами, обробка даних, методи оптимізації, обчислювальні методи, інтелектуальні системи

Анотація

Ефективне управління проєктами в умовах постійно змінюваних ринкових вимог та технологічного прогресу є необхідною складовою успішної діяльності компаній. Оптимізація процесу планування та управління ризиками відіграє ключову роль у підвищенні якості результатів і скороченні термінів реалізації. Традиційні методи планування, такі як метод критичного шляху і метод програмування в мережі, ефективно допомагають структурувати задачі проєкту. Однак, через зростаючу складність проєктів, ці методи не завжди можуть врахувати динаміку змін та непередбачені ризики.

Застосування сучасних технологій, зокрема машинного навчання, дозволяє розробляти гнучкі та адаптивні системи управління, здатні враховувати як історичні дані, так і нові зміни в проєкті в режимі реального часу. Алгоритми машинного навчання можуть ефективно прогнозувати строки виконання завдань, оцінювати ризики та допомагати в оптимальному розподілі ресурсів. Дана стаття зосереджена на розробці адаптивної моделі, що дозволяє покращити точність планування та мінімізувати ризики під час виконання проєктів.

Біографія автора

Н. О. Михайлов, Київський нацiональний унiверситет iм. Т. Шевченка

Аспірант кафедри теорії та технології програмування

Посилання

Kerzner, H. (2017). Project Management: A Systems Approach to Planning, Scheduling, and Controlling. John Wiley & Sons.
Shtub, A., Bard, J. F., & Globerson, S. (2005). Project Management: Processes, Methodologies, and Economics. Upper Saddle River, NJ: Pearson Prentice Hall.
Hillson, D. (2017). Managing Risk in Projects. New York: Routledge.
Raz, T., Shenhar, A. J., & Dvir, D. (2002). Risk management, project success, and technological uncertainty. R&D Management, 32(2), 101–109. https://doi.org/10.1111/1467-9310.00243
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd Edition. Springer Series in Statistics: Springer.
Rapp, K. (2018). Mastering JIRA 7: An expert guide to building and managing JIRA projects. Packt Publishing.
Nielsen, M. A. (2015). Neural Networks and Deep Learning. Determination Press.
Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer-Verlag New York: Springer.
Glorot, X., Bordes, A., & Bengio, Y. (2011). Deep sparse rectifier neural networks. Proceedings of the Fourteenth International Conference on Artificial Intelligence and Statistics. Fort Lauderdale. FL. USA, 15.
Kingma, D. P., & Ba, J. (2015). Adam: A method for stochastic optimization. International Conference on Learning Representations (ICLR). Ithaca. NY: ArXiv.
Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural Networks, 61, 85–117.