Пошук академічних текстів

Реєстраційний номер

0825U002960, Дисертація доктора філософії

На здобуття

Доктор філософії, 122, Комп’ютерні науки

Дата захисту

05-09-2025

Статус

Запланована

Назва роботи

Моделі та методи інтелектуального планування роботи команди ІТ проєкту на основі гнучкої методології

Здобувач

Роговий Микита Антонович,

Керівник Гринченко Марина Анатоліївна
Опонент Малєєва Ольга Володимирівна
Опонент Гусєва Юлія Юріївна
Рецензент Кононенко Ігор Володимирович
Рецензент Чередніченко Ольга Юріївна

Опис

У дисертаційній роботі вирішена науково-практична задача створення моделей та методів інтелектуального планування роботи команди ІТ проєкту на основі гнучкої методології, яке має істотне значення для розвитку інформаційних технологій. Об’єкт дослідження – процеси планування роботи команди ІТ проєкту. Предмет дослідження – моделі та методи інтелектуального планування роботи команди ІТ проєкту на основі гнучкої методології. Метою дисертаційної роботи є підвищення якості роботи команди ІТ-проєкту шляхом створення і застосування інтелектуального планування роботи команди ІТ проєкту на основі гнучкої методології з інтеграцією штучного інтелекту в планування спринтів, розподіл задач та управління ризиками. При вирішення задач дисертаційного дослідження використані: методи обробки природної мови та методи великих мовних моделей (LLM), методи математичної статистики, методи класифікації текстових описів, методи векторної репрезентації текстів, методи оцінювання узгодженості думок експертів, методи семантичного аналізу тексту, класифікатор Байєса та нейронні класифікатори для класифікації текстових виразів, методи PCA та t-SNE для наочного відображення результатів експериментів, алгоритми розподілу задач в ІТ-командах, що працюють за гнучкими методологіями розробки (EADAM та SOSM), методи штучного інтелекту. Для тренування нейронної мережі на основі векторизованої репрезентації тексту використано претреновану модель BERT (bert-base-uncased) з пакету Python для моделей класу «трансформери». За результатами дослідження отримано такі наукові результати: 1 вперше розроблено модель інтелектуального планування роботи команди ІТ проєкту, яка дозволяє підвищити цінність спринту враховуючі ризики та дефекти за рахунок визначення та розподілу задач спринту на основі пріоритетів виконавців та оцінки чіткості змісту задач з використанням моделей штучного інтелекту; 2 вперше розроблено метод покращення текстових описів задач спринту, який дозволяє підвищити точність розуміння завдання виконавцем та знизити ризики невиконання задач за рахунок використання моделей машинного навчання та великих мовних моделей (LLM) для оцінки чіткості та вдосконалення тексту; 3 набув подальшого розвитку метод планування роботи команди ІТ проєкту за рахунок комплексного підходу до визначення рекомендацій щодо розподілу, вибору та оцінки задач на основі інтелектуальної обробки ретроспективних та текстових даних та контексту проєкту, що, на відміну від існуючих підходів, дозволяє врахувати невизначеність та ризики, притаманні проєктам з гнучкою методологією управління та знизити рівень дефектів; 4 Удосконалено модель розподілу задач спринту між виконавцями на основі моделі визначення стабільних зіставлень, що, на відміну від існуючих підходів, враховує специфіку гнучкої методології управління проєктами та дозволяє знизити ризики невиконання спринту за рахунок підвищення узгодженості призначень та задоволеності виконавців. Практичне значення отриманих результатів полягає у наступному: – оптимізовано процеси управління задачами в Agile-проєктах: інтеграція розробленої інформаційної системи з JIRA та налаштування автоматичного аналізу беклогу забезпечують безперервні рекомендації щодо пріоритезації й розподілу задач, підвищуючи загальну продуктивність команди; – скорочено час планування спринту на 30-40 %: автоматизоване формулювання та призначення задач істотно зменшує витрати часу Scrum-майстра й розробників на підготовку та затвердження плану робіт; – підвищено точність призначення виконавець-задача, що зменшує кількість переназначень і змін задач приблизно на 20 %; це знижує ризики перевантаження окремих фахівців і мінімізує затримки у виконанні спринту; – покращено командну комунікацію: система генерує ясніші, структуровані формулювання user-story та критеріїв приймання, що скорочує кількість уточнень і непорозумінь під час розробки та сприяє більшій погодженості дій між розробниками, тестувальниками й аналітиками.

Додано в НРАТ

2025-07-15