АНСАМБЛІ МОДЕЛЕЙ У ЗАДАЧАХ ОБҐРУНТУВАННЯ РІШЕНЬ ДЛЯ УПРАВЛІННЯ ІТ-ПРОЄКТАМИ
DOI:
https://doi.org/10.32782/2786-8273/2026-14-26Ключові слова:
цифрова економіка, ІТ-проєкт, життєвий цикл ІТ-проєкту, гнучкі методології, управління проєктами, підтримка прийняття рішень, ансамбль моделей, бустінг, нейронна мережа, управління ризиками, показники ефективностіАнотація
Мета дослідження - підвищення обґрунтованості управлінських рішень у процесах управління ІТ-проєктами шляхом об’єднання результатів кількох прогнозних моделей в ансамбль для класифікації рішення в контрольній точці за схемою «go/no-go» (продовжувати за планом/потрібне втручання). Методика дослідження ґрунтується на ансамблевих технологіях машинного навчання: розглянуто бустінг та реалізовано авторський алгоритм побудови ансамблю на основі спеціалізації експертів із динамічною інтеграцією моделей і зваженим голосуванням за коефіцієнтами компетентності. Результати: формалізовано алгоритм, обґрунтовано теоретичну умову доцільності комітету та продемонстровано працездатність підходу на ілюстративному прикладі з умовними проєктами. Практична значущість полягає у створенні інструменту підтримки рішень для проєктних офісів за умов неоднорідних і обмежених даних.
Посилання
Великоіваненко Г. І., Савіна С. С., Колечко Д. В., Бень В. П. Побудова ансамблів моделей кредитного скорингу. Нейро-нечіткі технології моделювання в економіці. 2018. № 7. С. 34—77. DOI: https://doi.org/10.33111/nfmte.2018.034.
Матвійчук А. В. Штучний інтелект в економіці: нейронні мережі, нечітка логіка : монографія. Київ : КНЕУ, 2011. 439 с.
Савіна С. С., Бень В. П. Об’єднання моделей logit-регресій як комітету експертів для оцінки кредитоспроможності позичальника. Нейро-нечіткі технології моделювання в економіці. 2015. № 4. С. 154—188. DOI: https://doi.org/10.33111/nfmte.2015.154.
Чорненький М. В., Скляренко О. В. Модель адаптивної трансформації бізнес-процесів у ERP-системах на основі подієво-орієнтованого підходу. Таврійський науковий вісник. Серія: Технічні науки. 2026. № 3. С. 211—220. DOI: https://doi.org/10.32782/tnv-tech.2026.3.22.
Flach P. A. Machine Learning: The Art and Science of Algorithms that Make Sense of Data. Cambridge : Cambridge University Press, 2012. 396 p. DOI: https://doi.org/10.1017/CBO9780511973000.
A Guide to the Project Management Body of Knowledge (PMBOK Guide). 7th ed. Newtown Square : Project Management Institute, 2021. 370 p.
Lakhno V. A., Kasatkin D. Y., Skliarenko O. V., Kolodinska Y. O. Modeling and Optimization of Discrete Evolutionary Systems of Information Security Management in a Random Environment. Machine Learning and Autonomous Systems. Smart Innovation, Systems and Technologies. Singapore : Springer, 2022. Vol. 269. P. 9—22. DOI: https://doi.org/10.1007/978-981-16-7996-4_2.
Skliarenko O., Pashko A., Lytvynenko L., Kolodinska Y. Deep learning models for solving the problem of comparing unstructured textual information. Bulletin of Taras Shevchenko National University of Kyiv. Physics and Mathematics. 2025. Vol. 80, No. 1. P. 157—163. DOI: https://doi.org/10.17721/1812-5409.2025/1.21.
The Standish Group. CHAOS Report. Boston : The Standish Group International, 2020.
Velykoivanenko, H. I., Savina, S. S., Kolechko, D. V., & Ben’, V. P. (2018). Pobudova ansambliv modelei kredytnoho skorynhu [Building the ensembles of credit scoring models]. Nejro-nechitki tekhnolohii modeliuvannia v ekonomitsi, 7, 34—77. DOI: https://doi.org/10.33111/nfmte.2018.034 [in Ukrainian].
Matviichuk, A. V. (2011). Shtuchnyi intelekt v ekonomitsi: nejronni merezhi, nechitka lohika [Artificial intelligence in economics: neural networks, fuzzy logic]. Kyiv: KNEU [in Ukrainian].
Savina, S. S., & Ben’, V. P. (2015). Objednannia modelej logit-rehresij yak komitetu ekspertiv dlia otsinky kredytospromozhnosti pozychalnyka [Combining logit-regression models as a committee of experts for assessing a borrower’s creditworthiness]. Nejro-nechitki tekhnolohii modeliuvannia v ekonomitsi, 4, 154—188. DOI: https://doi.org/10.33111/nfmte.2015.154 [in Ukrainian].
Chornenkyi, M. V., & Skliarenko, O. V. (2026). Model adaptyvnoi transformatsii biznes-protsesiv u ERP-systemakh na osnovi podiievo-oriientovanoho pidkhodu [A model of adaptive transformation of business processes in ERP systems based on an event-driven approach]. Tavriiskyi naukovyi visnyk. Seriia: Tekhnichni nauky, (3), 211—220. DOI: https://doi.org/10.32782/tnv-tech.2026.3.22 [in Ukrainian].
Flach, P. A. (2012). Machine Learning: The Art and Science of Algorithms that Make Sense of Data. Cambridge: Cambridge University Press. https://doi.org/10.1017/CBO9780511973000
Project Management Institute. (2021). A Guide to the Project Management Body of Knowledge (PMBOK Guide) (7th ed.). Newtown Square: PMI.
Lakhno, V. A., Kasatkin, D. Y., Skliarenko, O. V., & Kolodinska, Y. O. (2022). Modeling and Optimization of Discrete Evolutionary Systems of Information Security Management in a Random Environment. In Machine Learning and Autonomous Systems. Smart Innovation, Systems and Technologies (Vol. 269, pp. 9—22). Singapore: Springer. DOI: https://doi.org/10.1007/978-981-16-7996-4_2
Skliarenko, O., Pashko, A., Lytvynenko, L., & Kolodinska, Y. (2025). Deep learning models for solving the problem of comparing unstructured textual information. Bulletin of Taras Shevchenko National University of Kyiv. Physics and Mathematics, 80(1), 157—163. DOI: https://doi.org/10.17721/1812-5409.2025/1.21
The Standish Group. (2020). CHAOS Report. Boston: The Standish Group International.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
