Об’єктом дослідження в цій роботі є процес суб’єктивного сприйняття підтримуваних програмних комплексів чи процесів їх підтримки відповідними суб’єктами, що прямо чи опосередковано взаємодіють із цими підтримуваними програмними комплексами. Розроблено модель суб’єктивного сприйняття об’єкта підтримки програмних комплексів із можливістю інкапсуляції моделей штучних нейронних мереж, зокрема багатошарового перцептрона, що дає змогу здійснити моделювання процесів суб’єктивного сприйняття об’єкта підтримки (як самого підтримуваного програмного комплексу, так і процесів його підтримки) – як одного із важливих науково-прикладних завдань у напрямі науково-прикладної проблеми автоматизації підтримки програмних комплексів. Розроблена модель передбачає можливість інкапсуляції штучних нейронних мереж (усіх наявних типів). Зокрема, в цій статті як приклад розглянуто інкапсуляцію штучної нейронної мережі типу багатошарового перцептрона. В роботі також розглянуто основні вимоги та питання щодо відповідності, коректності та повноти інкапсульованої штучної нейронної мережі типу багатошарового перцептрона в проєктовану модель суб’єктивного сприйняття. Розроблена модель є універсальним інструментом, що дає змогу інтерпретувати суб’єктивні сприйняття будь-яких об’єктів дослідження (не лише програмних комплексів), а передбачена можливість інкапсуляції штучних нейронних мереж уможливлює використання усіх переваг штучного інтелекту, серед яких: підвищення рівня автоматизації та інтелектуалізації моделювання, а також забезпечення можливості навчання. Результатом розроблення моделі є чітко структурований і формалізований (в межах саме розробленої моделі, описаної в цій статті) процес та результат суб’єктивного сприйняття досліджуваного об’єкта – підтримуваного програмного комплексу чи процесів його підтримки. Розроблена модель суб’єктивного сприйняття дає змогу вирішувати значну кількість прикладних практичних завдань, серед яких, для прикладу, в цій роботі продемонстровано застосування розробленої моделі для вирішення практичного завдання формування усередненого портрета команди підтримки програмного комплексу.
1. Reddy, Abhilash Reddy Pabbath. (2021). The role of artificial intelligence in proactive cyber threat detection in cloud environments. NeuroQuantology, 19(12), 764-773. https://doi.org/10.48047/nq.2021.19.12.NQ21280
2. Ahmed, S., Singh, M., Doherty, B., Ramlan, E., Harkin, K., & Coyle, D. (2023). AI for Information Tecchnology Operation (AIOps): A Review of IT Incident Risk Prediction. In 2022 9th International Conference on Soft Computing and Machine Intelligence (ISCMI 2022). IEEE, Advance online publication, 253–257. https://doi.org/10.1109/ISCMI56532.2022.10068482
3. Battina, D. S. (2019). Artificial intelligence in software test automation: A systematic literature review. Int. J. Emerg. Technol. Innov. Res., 6, 2349‑5162, 1329–1332. Retrieved from: https://www.jetir.org/papers/JETIR1912176.pdf
4. Ogala, Justin Onyarin. (February 2022). A Complete Guide to DevOps Best Practices. International Journal of Computer Science and Information Security (IJCSIS), 20(2), 1–6. https://doi.org/10.5281/zenodo.6376787
5. Kasurinen, J., Taipale, O., & Smolander, K. (2010). Software Test Automation in Practice: Empirical Observations. Advances in Software Engineering, 2010, 1–18, https://doi.org/10.1155/2010/620836
6. Kloeckner, K., Davis, J., Fuller, N. C., Lanfranchi, G., Pappe, S., Paradkar, A., Shwartz, L., Surendra, M., & Wiesmann, D. (2018). Transforming the IT Services Lifecycle with AI Technologies. Cham, Switzerland: Springer Briefs in Computer Science. https://doi.org/10.1007/978-3-319-94048-9
7. Krishna, Neupane. (2023). Continuous Automation with DevOps practices for Threat Detection, 99 pages. https://doi.org/10.13140/RG.2.2.33472.92169
8. Montvelisky, Joel, Bhamare, Lalitkumar. (2024). 11th edition of the State of Testing Report. PractiTest & Tea-time with Testers. Retrieved from: https://www.practitest.com/assets/pdf/stot-2024.pdf
9. Sumanth, Tatineni. (2021). A Comprehensive Overview of DevOps and Its Operational Strategies. International Journal of Information Technology & Management Information System (IJITMIS), 12(1), 15–32. Retrieved from: https://iaeme.com/MasterAdmin/Journal_uploads/IJITMIS/VOLUME_12_ISSUE_1/IJITMIS_12_01_002.pdf
10. Sumanth, Tatineni. (2022). AI-Infused Threat Detection and Incident Response in Cloud Security. International Journal of Science and Research (IJSR), 12(11), 998–1004. https://dx.doi.org/10.21275/SR231113063646
11. Usman, Hamza, Mashita, Syed-Mohamad, Sharifah, Nasuha, Lee, Abdullah. (2023). DevOps Adoption Guidelines, Challenges, and Benefits: A Systematic Literature Review. International Center for Research and Resources Development (ICRRD), ICRRD Journal 2023, 4(1), 149–171. https://doi.org/10.53272/icrrd
12. Thomson, A. (2024). Proactive customer support: Re-architecting a customer support/relationship management software system leveraging predictive analysis/AI and machine learning. Engineering: Open Access, 2(1), pp. 39–50. https://doi.org/10.33140/eoa.02.01.04
13. Reinhard, P., Wischer, D., Verlande, L., Neis, N., Li, M. M. (2023). Towards designing an AI-based conversational agent for on-the-job training of customer support novices. International Conference on Design Science Research (DESRIST), Pretoria, South Africa, 31 May - 02 Jun 2023, 15 pages. Retrieved from: https://www.alexandria.unisg.ch/handle/20.500.14171/107617
14. Inavolu, S. M. (2024). Exploring AI-Driven Customer Service: Evolution, Architectures, opportunities, challenges and future directions. International Journal For Multidisciplinary Research, 6(3), 23 pages. https://doi.org/10.36948/ijfmr.2024.v06i03.22283
15. Salminen, T. (2024). Possibilities of AI in customer care in the software business. Master’s Thesis, Turku University of Applied Sciences Mechanical and Marine Engineering, 2024, 76 pages. Retrieved from: https://urn.fi/URN:NBN:fi:amk-202404298185