Details

Title: Применение технологий машинного обучения и искусственного интеллекта для оценки трудоемкости (длительности) работ в проектах по разработке программного обеспечения: выпускная квалификационная работа магистра: направление 27.04.05 «Инноватика» ; образовательная программа 27.04.05_01 «Управление инновационными процессами»
Creators: Бауэр Роман Владимирович
Scientific adviser: Культин Никита Борисович
Other creators: Итс Алёна Евгеньевна
Organization: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Imprint: Санкт-Петербург, 2021
Collection: Выпускные квалификационные работы; Общая коллекция
Subjects: Искусственный интеллект; Программирования языки; Вычислительные машины электронные — Программы; Моделирование; инноватика; инновационный проект; innovatics; innovation project
UDC: 004.8; 004.438; 004.422.8
Document type: Master graduation qualification work
File type: PDF
Language: Russian
Speciality code (FGOS): 27.04.05
Speciality group (FGOS): 270000 - Управление в технических системах
Links: Отзыв руководителя; Рецензия; Отчет о проверке на объем и корректность внешних заимствований
DOI: 10.18720/SPBPU/3/2021/vr/vr21-4391
Rights: Доступ по паролю из сети Интернет (чтение)

Allowed Actions:

Action 'Read' will be available if you login or access site from another network

Group: Anonymous

Network: Internet

Annotation

Рассмотрено применение технологий машинного обучения и искусственного интеллекта к процессу предварительного прогнозирования длительности проекта по разработке программного обеспечения с целью снижения основных проектных рисков. Определены факторы, которые наиболее сильно влияют на длительность работ в подобных проектах. Подобраны алгоритмы для ансамблевой модели, обеспечивающие высокое качество прогнозов. С помощью языка программирования Python проведено обучение модели и произведена перекрестная проверка результатов прогнозирования с целью повышения достоверности значений метрик оценки качества. Проведена комплексная оценка качества полученной модели с использованием полученных для нее значений общепринятых метрик для оценки моделей машинного обучения. Модель была признана адекватной и обеспечивающей высокую точность прогнозов. Осуществлено сравнение полученной модели с аналогичными с использованием известных значений метрик качества. Получены численные результаты, характеризующие полученный выигрыш в точности прогнозов полученной модели по сравнению с аналогами. Определены границы применимости полученной модели в организациях, занимающихся разработкой программного обеспечения. Даны рекомендации по внедрению и использованию предложенной модели в их промышленных процессах.

The application of machine learning and artificial intelligence technologies for the project duration predicting aimed to avoiding main software development project risks was considered. The factors that have huge influence on the duration of work in such projects have been identified. Algorithms for the ensemble model have been selected that provide high quality forecasts. Using the Python programming language, the model was trained, and the forecasting results were cross-validated in order to increase the reliability of the values of the quality assessment metrics. A comprehensive assessment of the quality of the model was performed using the values of conventional metrics for evaluating machine learning models obtained for it. The model was found to be adequate and fast in forecasting accuracy. A comparison to similar models using the known values of quality metrics was performed. Numerical characteristics were received that characterize the obtained gain in the accuracy of the forecasts of the model in comparison with analogs. The applicability of the model in organizations from software development domain has been determined. Recommendations are given for the implementation and use of the proposed model in their industrial processes.

Document access rights

Network User group Action
ILC SPbPU Local Network All Read
Internet Authorized users SPbPU Read
Internet Authorized users (not from SPbPU)
-> Internet Anonymous

Table of Contents

  • ВВЕДЕНИЕ
  • ГЛАВА 1. АНАЛИЗ РЕЗУЛЬТАТОВ ИССЛЕДОВАНИЙ В ОБЛАСТИ ОЦЕНКИ ДЛИТЕЛЬНОСТИ РАБОТ ПО РАЗРАБОТКЕ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ
    • 1.1. Современные тенденции в области применения методов оценки длительности работ по разработке программного обеспечения
    • 1.2. Анализ ограничений методов оценки программного обеспечения
    • 1.3. Обзор возможных источников данных о проектах для проведения оценки сроков работ
    • 1.4. Анализ особенностей алгоритмов машинного обучения
    • 1.5. Анализ публикаций в области оценки сроков работ с помощью методов машинного обучения
    • 1.6. Выводы по главе
  • ГЛАВА 2. МОДЕЛЬ ОЦЕНКИ ДЛИТЕЛЬНОСТИ ПРОЕКТА ПО РАЗРАБОТКЕ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ
    • 2.1. Подготовка и очистка данных для моделирования
    • 2.2. Анализ выбранных данных
    • 2.3. Выбор ансамбля алгоритмов для построения модели
    • 2.4. Выбор способа валидации модели и метрик для оценки точности
    • 2.5. Интерпретация результатов моделирования на исторических данных
    • 2.6. Сравнение метрик качества с аналогичными известными моделями
    • 2.7. Выводы по главе
  • ГЛАВА 3. РЕКОМЕНДАЦИИ ПО ВНЕДРЕНИЮ МОДЕЛИ
    • 3.1. Рекомендации по повышению достоверности результатов моделирования
    • 3.2. Методические рекомендации по применению модели
    • 3.3. Выводы по главе
    • ЗАКЛЮЧЕНИЕ
  • СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
  • Приложение 1.
  • Описание переменных для построения модели оценки длительности проектов по разработке программного обеспечения

Usage statistics

stat Access count: 1
Last 30 days: 1
Detailed usage statistics