Застосування нейронних мереж для підтримки прийняття управлінських рішень у складних ІТ-проєктах

Заголовок (англійською): 
Application of neural networks for supporting management decision-making in complex IT projects
Автор(и): 
Мацієвський О. О.
Сусідко В. В.
Коляда А. М.
Гоц В. В.
Автор(и) (англ): 
Matsiievskyi O.
Susidko V.
Koliada A.
Hots V.
Ключові слова (укр): 
нейронні мережі; підтримка прийняття рішень; LSTM (довга короткочасна пам’ять); управління ІТ-проєктами; складність систем; система підтримки рішень
Ключові слова (англ): 
neural networks; decision support; LSTM (long short-term memory); IT project management; system complexity; decision support system
Анотація (укр): 
У сучасному ІТ-середовищі реалізація проєктів характеризується високим рівнем складності, динамічністю змін, багатофакторністю та значною невизначеністю. Управлінські рішення, що приймаються в таких умовах, потребують швидкого аналізу великого обсягу неоднорідної інформації, а також здатності прогнозувати майбутній стан проєкту за наявних ресурсних і часових обмежень. Традиційні методи управління проєктами часто виявляються недостатніми для ефективного реагування на такі виклики, оскільки базуються на лінійних або жорстко формалізованих моделях. У зв’язку з цим зростає актуальність впровадження інтелектуальних систем підтримки прийняття рішень, що здатні адаптивно реагувати на зміни та враховувати складні взаємозв’язки між параметрами проєкту. У статті досліджено можливості застосування штучних нейронних мереж, зокрема архітектури Long Short-Term Memory (LSTM), для підвищення ефективності управлінських рішень в ІТ-проєктах із високим ступенем складності. Проаналізовано теоретичні засади побудови систем підтримки прийняття рішень на основі глибокого навчання, а також обґрунтовано доцільність використання LSTM-моделі для задач прогнозування в проєктному управлінні. Представлено архітектуру такої системи, що включає модулі збору, попередньої обробки та аналізу даних, ядро прогнозування на базі LSTM, а також інтерфейс користувача. У межах експериментального дослідження здійснено моделювання ІТ-проєкту з використанням синтетичних даних, що імітують перебіг кількох спринтів у Scrum-методології. Отримані результати підтвердили здатність моделі прогнозувати ключові показники (тривалість виконання, ймовірність затримки, рівень використання ресурсів) із високою точністю, що, у свою чергу, дає змогу проєктним менеджерам своєчасно ухвалювати коригувальні рішення. Наведено числові метрики оцінювання якості моделі (Mean Absolute Error (MAE), Mean Squared Error (MSE)), а також приклади візуалізацій прогнозів. Обговорено переваги й обмеження застосування LSTM у проєктному менеджменті, включаючи проблеми інтерпретованості, узагальнюваності та інтеграції з існуючими корпоративними системами. Таким чином, нейронні мережі можуть стати ефективним інструментом підтримки управлінських рішень, забезпечуючи адаптивність, точність та своєчасність у прогнозуванні параметрів проєкту. Результати роботи можуть бути корисними для проєктних менеджерів, розробників Decision Support System (DSS) систем, а також дослідників у сфері прикладного штучного інтелекту.
Анотація (англ): 
In today's IT environment, project implementation is characterized by a high level of complexity, dynamic changes, multifactorial nature, and significant uncertainty. Management decisions made in such conditions require rapid analysis of a large amount of heterogeneous information, as well as the ability to predict the future state of the project under existing resource and time constraints. Traditional project management methods are often insufficient to respond effectively to such challenges, as they are based on linear or rigidly formalized models. In this regard, the implementation of intelligent decision support systems that can adaptively respond to changes and take into account the complex relationships between project parameters is becoming increasingly important. The article investigates the possibilities of using Artificial Neural Networks, in particular the Long Short-Term Memory (LSTM) architecture, to improve the efficiency of management decisions in IT projects with a high degree of complexity. The theoretical foundations of building decision support systems based on deep learning are analyzed, and the feasibility of using the LSTM model for forecasting tasks in project management is substantiated. The architecture of such a system is presented, including modules for data collection, pre-processing, and analysis, an LSTM-based forecasting kernel, and a user interface. As part of an experimental study, an IT project was modeled using synthetic data that simulates the course of several sprints in the SCRUM methodology. The obtained results confirmed the model's ability to predict key indicators (execution duration, delay probability, resource utilization level) with high accuracy, which, in turn, allows project managers to make timely corrective decisions. Numerical metrics for assessing the quality of the model (Mean Absolute Error (MAE), Mean Squared Error (MSE)), as well as examples of forecast visualizations are presented. The advantages and limitations of using LSTM in project management are discussed, including the problems of interpretability, generalizability, and integration with existing corporate systems. Thus, neural networks can become an effective tool for supporting management decisions, providing adaptability, accuracy, and timeliness in predicting project parameters. The results of the work can be useful for project managers, developers of Decision Support System (DSS) systems, and researchers in the field of applied artificial intelligence.
Публікатор: 
Київський національний університет будівництва і архітектури
Назва журналу, номер, рік випуску (укр): 
Управління розвитком складних систем, номер 63, 2025
Назва журналу, номер, рік випуску (англ): 
Management of Development of Complex Systems, number 63, 2025
Мова статті: 
Українська
Формат документа: 
application/pdf
Документ: 
150-157.pdf
Дата публікації: 
24 Сентябрь 2025
Номер збірника: 
63
Розділ: 
ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ УПРАВЛІННЯ
Литература: 

1.     Духнов Ю. Гібридні підходи до обробки сенсорних даних з мобільних пристроїв: класичні алгоритми та машинне навчання. Débats scientifiques et orientations prospectives du développement scientifique : матеріали конференції / голова І. Мич. 2025. URL: https://doi.org/10.36074/logos-04.04.2025.043.

2.     Penia O., Sulema Y. Застосування глибоких штучних нейронних мереж для класифікації мультимодальних даних. System technologies. 2024. Т. 6, № 149. С. 11–22. URL: https://doi.org/10.34185/1562-9945-6-149-2023-02.

3.     Осталецький В. Б. Нейромережеве моделювання процесів управління проектами в умовах ризику на засадах оцінки параметрів ефективності виконання проекту. Вісник Київського національного університету технологій та дизайну. Серія «Економічні науки». 2016. № 2 (97). С. 109–115.

4.     Taherdoost H. Deep Learning and Neural Networks: Decision-Making Implications. Symmetry. 2023. Vol. 15, no. 9. P. 1723. URL: https://doi.org/10.3390/sym15091723.

5.     Financial Asset Management Using Artificial Neural Networks / R. Y. Sinaki et al. Research Anthology on Artificial Neural Network Applications. 2022. P. 1359–1380. URL: https://doi.org/10.4018/978-1-6684-2408-7.ch066.

6.     Hud O., Kunanets N. The Feasibility of Using Recurrent Neural Networks as a Tool for Improving the Scrum Sprint Planning Process. Vìsnik Nacìonalʹnogo unìversitetu "Lʹvìvsʹka polìtehnìka". Serìâ Ìnformacìjnì sistemi ta merežì. 2024. Vol. 16. P. 203–219. URL: https://doi.org/10.23939/sisn2024.16.203.

7.     Li J. AI-Driven Property Management Decision Support System Using LSTM Networks for Energy Optimization. Informatica. 2025. Vol. 49, no. 10. URL: https://doi.org/10.31449/inf.v49i10.6964.

8.     Yadav H., Thakkar A. NOA-LSTM: An efficient LSTM cell architecture for time series forecasting. Expert Systems with Applications. 2024. Vol. 238. P. 122333. URL: https://doi.org/10.1016/j.eswa.2023.122333.

9.     Nariman G. S., Majeed H. D. Adaptive Filter based on Absolute Average Error Adaptive Algorithm for Modeling System. UHD Journal of Science and Technology. 2022. Vol. 6, no. 1. P. 60–69. URL: https://doi.org/10.21928/uhdjst.v6n1y2022.pp60-69.

10.  Mayer M. J., Yang D. Potential root mean square error skill score. Journal of Renewable and Sustainable Energy. 2024. Vol. 16, no. 1. URL: https://doi.org/10.1063/5.0187044.

11.  Liang J. Network Security Based on Improved Genetic Algorithm and Weighted Error Back-Propagation Algorithm. International Journal of Advanced Computer Science and Applications. 2024. Vol. 15, no. 11. URL: https://doi.org/10.14569/ijacsa.2024.0151121.

12.  Deng A. Time series cross validation: A theoretical result and finite sample performance. Economics Letters. 2023. P. 111369. URL: https://doi.org/10.1016/j.econlet.2023.111369.

References: 

1.     Dukhnov, Y. (2025). Hybrid approaches to processing sensor data from mobile devices: Classical algorithms and machine learning. In I. Mych (Chair), Débats Scientifiques et Orientations Prospectives du Développement Scientifique. European Scientific Platform. URL: https://doi.org/10.36074/logos-04.04.2025.043.

2.     Penia, O., & Sulema, Y. (2024). Application of deep artificial neural networks for multimodal data classification. System Technologies, 6 (149), 11–22. URL: https://doi.org/10.34185/1562-9945-6-149-2023-02.

3.     Ostaletskyi, V. B. (2016). Neural network modeling of project management processes under risk conditions based on the evaluation of project performance efficiency parameters. Bulletin of Kyiv National University of Technologies and Design. Series: Economic Sciences, (2/97), 109–115.

4.     Taherdoost, H. (2023). Deep learning and neural networks: Decision-making implications. Symmetry, 15 (9), 1723. URL: https://doi.org/10.3390/sym15091723.

5.     Sinaki, R. Y., Sadeghi, A., Lynch, D. S., Young II, W. A., & Weckman, G. R. (2022). Financial asset management using artificial neural networks. In Research Anthology on Artificial Neural Network Applications (pp. 1359–1380). IGI Global. URL: https://doi.org/10.4018/978-1-6684-2408-7.ch066.

6.     Hud, O., & Kunanets, N. (2024). The feasibility of using reccurent neural networks as a tool for improving the Scrum sprint planning process. Visnyk Natsionalnoho Universytetu "Lvivska Politekhnika". Seriia Informatsiini Systemy ta Merezhi, 16, 203–219. URL: https://doi.org/10.23939/sisn2024.16.203.

7.     Li, J. (2025). AI-driven property management decision support system using LSTM networks for energy optimization. Informatica, 49 (10). URL: https://doi.org/10.31449/inf.v49i10.6964.

8.     Yadav, H., & Thakkar, A. (2024). NOA-LSTM: An efficient LSTM cell architecture for time series forecasting. Expert Systems with Applications, 238, 122333. URL: https://doi.org/10.1016/j.eswa.2023.122333.

9.     Nariman, G. S., & Majeed, H. D. (2022). Adaptive filter based on absolute average error adaptive algorithm for modeling system. UHD Journal of Science and Technology, 6 (1), 60–69. URL: https://doi.org/10.21928/uhdjst.v6n1y2022.pp60-69.

10.  Mayer, M. J., & Yang, D. (2024). Potential root mean square error skill score. Journal of Renewable and Sustainable Energy, 16 (1). URL: https://doi.org/10.1063/5.0187044.

11.  Liang, J. (2024). Network security based on improved genetic algorithm and weighted error back-propagation algorithm. International Journal of Advanced Computer Science and Applications, 15 (11). URL: https://doi.org/10.14569/ijacsa.2024.0151121.

12.  Deng, A. (2023). Time series cross validation: A theoretical result and finite sample performance. Economics Letters, 111369. URL: https://doi.org/10.1016/j.econlet.2023.111369.