У дослідженні обґрунтовано доцільність використання технології машинного навчання для вдосконалення процесу планування ітерацій в ІТ проєктах, що реалізуються з використанням методології Scrum. Постановлено проблему планування продуктивності в командах. Сформовано предмет і обʼєкт дослідження. Описано очікувану наукову новизну та практичну значущість результатів дослідження. Розглянуто комплекс можливих проблем, пов’язаних з плануванням задач в ІТ проєктах, зокрема, точність прогнозування продуктивності команд. Виявлено ключові фактори, що впливають на процес планування, та проведено аналіз можливих шляхів їх вирішення. Проаналізовано успішність застосування технологій машинного навчання в сфері проектного менеджменту. Проведено оцінку технологій машинного навчання для прогнозування реалізації задач ітерацій Scrum-проєктів. Зосереджено увагу на використанні у цих процесах рекурентних нейронних мереж. Обрано модель Довга Короткочасна Пам’ять (ДКЧП) для прогнозування продуктивності команд ІТ проєктів. Сформовано мету, цілі та завдання дослідження. Зібрано та проаналізовано історичні дані продуктивності проєкту. Проведено аналіз ефективності роботи розробленої моделі в залежності від заданих параметрів та формату вхідних даних. Запропоновано три варіанти моделі з різною кількістю повних запусків процесу навчання алгоритму. Нормалізовано дані для оптимізації моделі. Встановлено, що моделі довгої короткочасної пам’яті здатні точно прогнозувати майбутні показники на основі нормалізованих історичних даних про попередні спринти. Проаналізовано результати прогнозування. Визначено способи подальшого вдосконалення моделі. Доведено доцільність використання підходу рекурентних нейронних мереж в процесі планування спринтів. Запропоновано методи використання рекурентних нейронних мереж для планування задач ІТ проєкту. Визначено обмеження даного підходу. Запропоновано альтернативний варіант застосування рекурентних нейронних мереж у разі невідповідності умовам обмежень. Наведено перспективи подальших досліджень. Зроблено висновки про хід та результати проведеного дослідження.
- Dong, W. (2015). Exploring and Theorizing Velocity Flux in Agile Development. http://www.diva- portal.se/smash/get/diva2:819558/FULLTEXT01.pdf
- Sharma, S., Kumar, D., & Fayad, M. (2021). An Impact Assessment of Agile Ceremonies on Sprint Velocity Under Agile Software Development. https://doi.org/10.1109/icrito51393.2021.9596508
- Almeida, F., & Carneiro, P. (2023b). Perceived Importance of Metrics for Agile Scrum Environments.Information, 14(6), 327. https://doi.org/10.3390/info14060327
- Haputhanthrige, V., Asghar, I., Saleem, S., & Shamim, S. (2024). The Impact of a Skill-Driven Model on Scrum Teams in Software Projects: A Catalyst for Digital Transformation. Systems, 12(5), 149. https://doi.org/10.3390/systems12050149
- Almeida, F., & Carneiro, P. (2023). Perceived Importance of Metrics for Agile Scrum Environments.Information, 14(6), 327. https://doi.org/10.3390/info14060327
- Turner, A., Shieff, D., Dwivedi, A., & Liarokapis, M. (2021). Comparing Machine Learning Methods and Feature Extraction Techniques for the EMG Based Decoding of Human Intention. 2021 43rd Annual International Conference of the IEEE Engineering in Medicine &Amp; Biology Society (EMBC). https://doi.org/10.1109/embc46164.2021.9630998
- Oukhouya, H., & Himdi, K. E. (2023). Comparing Machine Learning Methods—SVR, XGBoost, LSTM, and MLP— For Forecasting the Moroccan Stock Market. https://doi.org/10.3390/iocma2023-14409
- Ali, P. J. M. (2022). Investigating the Impact of Min-Max Data Normalization on the Regression Performance of K-Nearest Neighbor with Different Similarity Measurements. ARO-The Scientific Journal of Koya University, 10(1), 85–91. https://doi.org/10.14500/aro.10955
- Akande, Y. F., Idowu, J., Misra, A., Misra, S., Akande, O. N., & Ahuja, R. (2022). Application of XGBoost Algorithm for Sales Forecasting Using Walmart Dataset. In Lecture notes in electrical engineering (pp. 147–159). https://doi.org/10.1007/978-981-19-1111-8_13
- Hewamalage, H., Bergmeir, C., & Bandara, K. (2021). Recurrent Neural Networks for Time Series Forecasting: Current status and future directions. International Journal of Forecasting, 37(1), 388–427. https://doi.org/10.1016/j.ijforecast.2020.06.008
- Moghar, A., & Hamiche, M. (2020). Stock Market Prediction Using LSTM Recurrent Neural Network. Procedia Computer Science, 170, 1168–1173. https://doi.org/10.1016/j.procs.2020.03.049
- Iordan, A. E. (2024). An Optimized LSTM Neural Network for Accurate Estimation of Software Development Effort. Mathematics, 12(2), 200. https://doi.org/10.3390/math12020200
- Mahdi, M. N., Zabil, M. H. M., Ahmad, A. R., Ismail, R., Yusoff, Y., Cheng, L. K., Azmi, M. S. B. M., Natiq, H., & Naidu, H. H. (2021). Software Project Management Using Machine Learning Technique—A Review. Applied Sciences, 11(11), 5183. https://doi.org/10.3390/app11115183