Details

Цель работы — разработка модели машинного обучения для прогнозирования трудозатрат на выполнение задач в разработке программного обеспечения с целью повышения точности планирования и эффективности управления проектами. В рамках работы решены следующие задачи: – проведён анализ применения методов машинного обучения к оценке трудозатрат; – исследованы существующие решения и выбраны подходящие модели; – сформировано признаковое пространство на основе данных из системы Jira; – выполнена оценка качества предсказаний и интерпретация результатов с применением методов объяснимого ИИ. Актуальность исследования обусловлена потребностью в точных и масштабируемых инструментах оценки в условиях гибкой разработки и высокой изменчивости требований. Использованные методы: статистические, общенаучные и математические методы, наблюдение, анализ и синтез, обработка естественного языка, машинное обучение. Источники информации: научная литература, документация по управлению проектами, открытые датасеты и данные задач из Jira. Результатом работы стала разработка точной модели оценки трудозатрат, пригодной для интеграции в процессы планирования и управления проектами в ИТ-компаниях.

The aim of this work is to develop a machine learning model to predict the effort required for software development tasks, enhancing planning accuracy and decision-making in project management. The following tasks were completed: – analysis of machine learning applications in effort estimation; – study of existing solutions and selection of suitable models; – creation of a feature space based on data from Jira; – implementation and testing of various models, including linear, ensemble, neural networks, and transformers; – evaluation and interpretation of prediction results using explainable AI tools. The relevance of the study is due to the need for accurate, scalable, and interpretable estimation tools in agile and complex software projects. Domestic AI-based solutions are especially important amid current geopolitical and technological challenges. Methods used: statistical and general scientific methods, observation, analysis and synthesis, natural language processing, and machine learning techniques. Information sources included scientific literature, project documentation, open datasets, and Jira task data. As a result, an effective machine learning-based effort estimation model was developed. It can be integrated into software companies’ workflows to improve planning, reduce risks, and optimize resource allocation.