Details

Объектом исследования является процесс управления и планирования ресурсов в условиях неопределенности в современных IT-проектах. Предметом исследования выступают методы многокритериальной математической оптимизации и программные инструменты автоматизации распределения ресурсов на базе нейросетевых моделей. Цель работы — разработка математической модели и программного прототипа интеллектуальной системы (на базе Telegram-бота и ИИ-агента) для оптимизации ресурсного планирования в IT-проектах. Для достижения поставленной цели в процессе выполнения работы были решены следующие задачи: 1) Проведен комплексный системный анализ предметной области, выявлены критические ограничения классических детерминированных методов (CPM, PERT) применительно к гибким методологиям разработки ПО. 2) Обосновано и реализовано использование исторических наборов данных (датасетов выгрузок из систем трекинга задач для объективной машинной оценки компетенций разработчиков и вероятности срыва сроков. 3) Разработана многокритериальная математическая модель оптимизации распределения ресурсов. Построена аддитивно-штрафная целевая функция, учитывающая минимизацию отклонений от базового плана, снижение стоимости разработки (с учетом овертаймов) и минимизацию квалификационных рисков в условиях жестких бюджетных ограничений. 4) Спроектирован гибридный алгоритм, интегрирующий методы обработки естественного языка (LLM анализирует текстовое техническое задание и формирует весовые коэффициенты) и методы численной градиентной оптимизации (L-BFGS-B / SLSQP) для поиска оптимальной матрицы ресурсов. 5) Разработана клиент-серверная архитектура программного комплекса, ядром которой выступает backend-сервер на базе FastAPI. Спроектирован основной веб-интерфейс (Web-Dashboard) для лица, принимающего решения, а также вспомогательный модуль оперативных нотификаций через мессенджер Telegram. 6) Проведены численные эксперименты и сценарное моделирование распределения ресурсов на различных типах IT-проектов, подтверждающие экономическую и временную эффективность предложенного подхода. Методы исследования: теория графов, исследование операций, методы нелинейного математического программирования, методы машинного обучения, технологии обработки естественного языка (NLP), системный анализ, объектно-ориентированное проектирование программного обеспечения. Структура и содержание работы: 1) В первой главе проведен обзор существующих подходов к управлению проектами, описана специфика задачи RCPSP. Обоснован переход к концепции AI-Augmented Project Management, описана структура применяемого исторического датасета и сформулирована математическая постановка задачи оптимизации. 2) Во второй главе разработана детальная математическая модель. Формализованы переменные, функции штрафов за отклонение по срокам и стоимости, введена функция риска на основе матрицы компетенций. Описан алгоритм семантического извлечения приоритетов проекта из текста при помощи больших языковых моделей (LLM). 3) В третьей главе приведено техническое обоснование выбора стека технологий (Python, FastAPI, OpenRouter API). Описана микросервисная архитектура системы, разделение функционала между Web-панелью и Telegram-ботом. Представлены результаты численных экспериментов, доказывающие снижение риска срыва дедлайнов и перерасхода бюджета по сравнению с ручным планированием. Научная новизна работы заключается в создании гибридной методики планирования, в которой субъективные экспертные оценки менеджера заменяются динамическими весовыми коэффициентами, генерируемыми искусственным интеллектом на основе контекста задачи и исторической статистики индустрии. Практическая значимость: Разработанный программный комплекс представляет собой готовую систему поддержки принятия решений (СППР). Использование интуитивно понятного Web-интерфейса позволяет небольшим и средним IT-командам быстро формировать математически обоснованные, сбалансированные ресурсные планы без необходимости внедрения громоздких и дорогостоящих корпоративных ИСУП.

The object of this study is the process of resource management and planning under uncertainty in modern IT projects. The subject of this study is mathematical models, numerical methods of multi-criteria optimization, and AI-based software tools for the automated allocation of project tasks and resources. The objective of this work is to develop a comprehensive mathematical model and create hybrid software (a full-fledged web control panel with an auxiliary Telegram module) for intelligent automation of project planning using neural network agents (LLM) and nonlinear programming algorithms. To achieve this objective, the following tasks were completed: 1) A comprehensive systems analysis of the subject area was conducted, identifying critical limitations of classical deterministic methods (CPM, PERT) as applied to agile software development methodologies. 2) The use of historical datasets (datasets) downloaded from task tracking systems for objective machine assessment of developer competencies and the likelihood of deadline misses was justified and implemented. 3) A multi-criteria mathematical model for optimizing resource allocation was developed. An additive penalty objective function was constructed that takes into account the minimization of deviations from the baseline plan, the reduction of development costs (including overtime), and the minimization of qualification risks under strict budget constraints. 4) A hybrid algorithm was designed that integrates natural language processing methods (LLM analyzes text specifications and generates weighting coefficients) and numerical gradient optimization methods (L-BFGS-B / SLSQP) to find the optimal resource matrix. 5) A client-server architecture of the software package was developed, with a FastAPI-based backend server serving as its core. The main web interface (Web Dashboard) for the decision maker was designed, as well as an auxiliary module for operational notifications via the Telegram messenger. 6) Numerical experiments and scenario modeling of resource allocation for various types of IT projects were conducted, confirming the economic and time efficiency of the proposed approach. Research methods: graph theory, operations research, nonlinear mathematical programming, machine learning, natural language processing (NLP), systems analysis, and object-oriented software design. Structure and content of the work: 1) The first chapter provides an overview of existing project management approaches and describes the specifics of the RCPSP problem. The transition to the AI-Augmented Project Management concept is justified, the structure of the applied historical dataset is described, and a mathematical formulation of the optimization problem is formulated. 2) The second chapter develops a detailed mathematical model. The variables and penalty functions for delays in terms of schedule and cost are formalized, and a risk function based on a competency matrix is introduced. An algorithm for semantically extracting project priorities from text using large language models (LLM) is described. 3) Chapter 3 provides the technical rationale for the choice of technology stack (Python, FastAPI, OpenRouter API). The microservice architecture of the system and the division of functionality between the web panel and Telegram bot are described. Results of numerical experiments are presented, demonstrating a 22% reduction in the risk of missed deadlines and a 14% reduction in budget overruns compared to manual planning. The scientific novelty of this work lies in the creation of a hybrid planning methodology in which subjective expert assessments by the manager are replaced by dynamic weighting factors generated by artificial intelligence based on the task context and historical industry statistics. Practical Relevance: The developed software package is a ready-made decision support system (DSS). Using an intuitive web interface allows small and medium-sized IT teams to quickly create mathematically sound, balanced resource plans without the need to implement cumbersome and expensive corporate ERP systems.

• РЕФЕРАТ
• ABSTRACT
• СОДЕРЖАНИЕ
• ВВЕДЕНИЕ
• ГЛАВА 1 ОБЗОР ЛИТЕРАТУРЫ
  • 1.1 Описание объекта управления и модели
  • 1.2 Использование исторических датасетов для обучения алгоритмов ИИ
  • 1.2.1 Обоснование состава проектной команды
  • 1.3 Обоснование статистических показателей и параметров модели
  • 1.4 Выводы по первой главе
• ГЛАВА 2 РАЗРАБОТКА МАТЕМАТИЧЕСКОЙ МОДЕЛИ
  • 2.1 Формальное описание предметной области
  • 2.2 Построение многокритериальной целевой функции
  • 2.2.1 Функция минимизации отклонений от базового плана
  • 2.2.2 Функция оптимизации стоимости проекта
  • 2.2.3 Интеллектуальная функция оценки рисков
  • 2.3 Формализация системы ограничений
  • 2.3.1 Бюджетное ограничение
  • 2.3.2 Ограничение ресурсной емкости
  • 2.3.3 Ограничение минимального уровня компетенций
  • 2.3.4 Практическое ограничение модели
  • 2.4 Алгоритм интеллектуальной оптимизации
  • 2.4.1 Семантический анализ проектной документации
  • 2.4.2 Численная оптимизация распределения ресурсов
  • 2.4.3 Постобработка и интерпретация результатов
  • 2.4 Выводы по второй главе
• ГЛАВА 3 ПРОГРАММНАЯ РЕАЛИЗАЦИЯ И ЭКСПЕРЕМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ
  • 3.1 Архитектура программного комлекса
  • 3.2 Реализация модели на Python
  • 3.2.1 Инициализация параметров модели
  • 3.2.2 Реализация целевой функции
  • 3.2.3 Численная оптимизация
  • 3.2.4 Интерпретация результатов оптимизации
  • 3.3 Экспериментальное исследование
  • 3.3.1 Входные параметры эксперимента
  • 3.3.2 Проведение оптимизации
  • 3.3.3 Результаты эксперимента
  • 3.3.4 Анализ результатов эксперимента
  • 3.4 Анализ и визуализация результатов оптимизации
  • 3.4.1 Визуализация распределения ресурсов
  • 3.4.2 Анализ графиков распределения ресурсов
  • 3.4.3 Практическая значимость визуализации
  • 3.4.4 Интерпретация результатов оптимизации
  • 3.5 Анализ результатов
  • 3.5.1 Перспективы развития системы
  • 3.6 Выводы по третьей главе
• ЗАКЛЮЧЕНИЕ
• СПИСОК ЛИТЕРАТУРЫ
• ПРИЛОЖЕНИЕ
  • Модуль оптимизации optimizer.py
  • Модуль работы с LLM llm_service.py
  • Backend FastAPI main.py
  • Telegram-бот bot.py
  • Пример запуска системы