У здійсненому дослідженні розглянуто науково-прикладну проблему балансування мультисуб’єктних поліфакторних середовищ комплексної підтримки програмних продуктів у контексті глобальнішої науково- прикладної проблематики автоматизації й інтелектуалізації комплексної підтримки програмних продуктів та людино-машинної взаємодії. Об’єкт дослідження у цій роботі – процес балансування мультисуб’єктних полі- факторних середовищ комплексної підтримки програмних продуктів. Розроблений відповідний метод для забезпечення можливості балансування (та подальшої потенційної автоматизації цих процесів) таких середовищ, що забезпечує можливість вирішення задекларованої науково-прикладної проблеми цього дослідження. Зокрема, розроблено необхідний алгоритм балансування досліджуваних середовищ, а також відповідну базову математичну модель, що забезпечують можливість інтерпретації, дослідження та моделювання процесів балансування мультисуб’єктних поліфакторних середовищ комплексної підтримки програмних продуктів. Реалізовано практичну апробацію розробленого методу на прикладі розв’язання експериментальної прикладної задачі ідентифікації та моніторингу тенденційної динаміки дефіцитної компоненти в ході автоматизованого балансування досліджуваного мультисуб’єктного поліфакторного середовища підтримки. Розглянуто перспективи подальших напрямів досліджень щодо можливих способів потенційного вдосконалення та покращення, а також практичного застосування розробленого методу балансування мультисуб’єктних поліфакторних середовищ комплексної підтримки програмних продуктів.
[1] Patchamatla, P. S. S. (2025). Enhancing Software Development Efficiency: A Comprehensive Study on DevOps Practices and Automation. Recent Trends in Information Technology and Its Application, 8(2), 1–3. https://doi.org/10.5281/zenodo.14916413
[2] Joshi, S. (2025). Introduction to Generative AI and DevOps: Synergies,Challenges and Applications. International Journal of Advanced Research in Science,Communication and Technology, 5(1), 205–225. https://doi.org/10.48175/ijarsct-23634
[3] Ahmed, S. (2025). Integrating AI-Driven Automated Code Review in Agile Development: Benefits, Challenges, and Best Practices. International Journal of Advanced Engineering, Management and Science, 11(2), 01–10. https://doi.org/10.22161/ ijaems.112.1
[4] Kathiriya, S., Karangara, R., & Challla, N. (2018). Optimizing Automated Software Testing with Machine Learning Techniques. International Journal of Science and Research (IJSR), 7(3), 1960– 1964. https://doi.org/10.21275/sr24304113021
[5] Hunko, I., Muliarevych, O., Trishchuk, R., Zybin, S., & Halachev, P. (2024). The role of virtual reality in improving software testing methods and tools. Journal of Theoretical and Applied Information Technology, 102(11), 4723–4734. URL: https://www.jatit.org/ volumes/Vol102No11/6Vol102No11.pdf
[6] Raghavendran R. (2024). Machine learning and artificial intelligence in devops: applications for predictive analytics, anomaly detection, and automated incident response. Interna- tional Journal of Computer Science and Information Technology Research, 5(3), 1–10. URL: https://ijcsitr.com/ index.php/ home/article/view/ IJCSITR_2024_05_03_01
[7] Mahida, A. (2022). Predictive Incident Management Using Machine Learning. International Journal of Science and Research (IJSR), 11(6), 1977–1980. https://doi.org/10.21275/ sr24401231847
[8] Wijaya, A.S. &Oktavia, T.(2025). Machine learning approaches for helpdesk ticketing system: a systematic literature review. Journal of Theoretical and Applied Information Technology, 102(5), 1831–1842. URL: https://www.jatit.org/volumes/ Vol102No5/14Vol102No5.pdf
[9] Amanortsu, G. & Ahiawortor, D. (2024). Developing a Technical Support Management Solution for Enhanced Service Delivery at Accra Technical University. International Journal of Innovative Science and Research Technology, 9(12), 1939–1950. https://doi.org/10.5281/zenodo.14576739
[10] Kannan, S. & Saradhi, S. (2023). Generative AI in Technical Support Systems: Enhancing Problem Resolution Efficiency Through AIDriven Learning and Adaptation Models. Nanotechnology Perceptions, 19(S1), 198–217. https://doi.org/ 10.62441/nano-ntp.vi.4980
[11] Troussas, C., Krouska, A., & Sgouropoulou, C. (2025). Human- Computer Interaction and Augmented Intelligence. In Cognitive Systems Monographs. Springer Nature Switzerland. 431 p. https://doi.org/10.1007/978-3-031-84453-9
[12] Oktafiani, R., Muklis, S. & Asmanto, Y. (2024). Artificial Intelligence for Human Computer Interaction: Systematic Literature Review. JURNAL ADAT-Jurnal Seni, Desain & Budaya Dewan Kesenian Tangerang Selatan, 6(2), 65–72. URL: https://jurnaladat.or.id/public/full_paper/JurnalAdat(65-72)% 20-%20Artificial%20Intelligence%20for%20Human%20 Computer%20Interaction-%20Systematic%20Literature% 20Review.pdf
[13] Russell, D., Liao, Q., Kulkarni, C., & Glassman, E. (2023). Human-Computer Interaction and AI What practitioners need to know to design and build effective AI system from a human perspective. In Extended Abstracts of the 2023 CHI Conference on Human Factors in Computing Systems (CHI EA ’23), 3 p. https:// doi.org/ 10.1145/3544549.3574170
[14] Machuca-Villegas, L., Gasca-Hurtado, G. P., Morillo Puente, S., & Restrepo Tamayo, L. M. (2021). An Instrument for Measuring Perception about Social and Human Factors that Influence Software Development Productivity. Journal of Universal Computer Science (JUCS), 27(2), 111–134. https://doi.org/ 10.3897/ jucs.65102
[15] Oliveira, E., Conte, T., Cristo, M., & Valentim, N. (2018). Influence Factors in Software Productivity – A Tertiary Literature Review. International Conferences on Software Engineering and Knowledge Engineering, 2018, 68–103. https://doi.org/ 10.18293/ seke2018-149
[16] Umeugo, W., Lowrey, K. & Pandya, S. Y. (2023). Factors affecting the adoption of secure software practices in small and medium enterprises that build software in-house. International Journal of Advanced Research in Computer Science, 14(02), 1– 7. https://doi.org/10.26483/ijarcs.v14i2.6955
[17] Rasheed, Z., Waseem, M., Sami, M. A., Kemell, K.-K., Ahmad, A., Duc, A. N., Systä, K., & Abrahamsson, P. (2025). Autonomous Agents in Software Development: A Vision Paper. Lecture Notes in Business Information Processing, 15–23. https:// doi.org/ 10.1007/978-3-031-72781-8_2
[18] Gwangwadza, A., & Ridewaan Hanslo (2022). Factors that Contribute to the Success of a Software Organisation’s DevOps Environment: A SystematicReview. ArXiv (Cornell University), 1–15. https://doi.org/10.48550/arxiv.2211.04101
[19] Veeramachaneni, V. (2020). Factors that Contribute to the Success of a Software Organisation’s DevOps Environment: A Systematic Review. International Journal For Recent Development In Science And Technology, 04(11), 5–11. https://doi.org/ 10.13140/ RG.2.2.21225.20327
[20] Ohwada, A., Kojima, T. & Amano, H. (2021). MENTAI: A Fully Automated CGRA Application Development Environment that Supports Hardware / Software Co-design. SASIMI 2021 Proceedings, R1-4, 19–24. URL: https://sasimi.jp/new/ sasimi2021/ files/archive/ pdf/p19_R1- 4.pdf
[21] Pukach, A. I., & Teslyuk, V. M. (2025). Method of forming multifactor portraits of the subjects supporting software complexes, using a multilayer perceptron. Radio Electronics, Computer Science, Control, (1), 130–141. https://doi.org/ 10.15588/1607-3274-2025-1-12
[22] Valerdi, R., Sullivan, B. P. (2023). Engineering Systems Integration, Testing, and Validation. In: Maier, A.,
Oehmen, J., Vermaas, P. E. (eds) Handbook of Engineering Systems Design. Springer, 1–31. https://doi.org/10.1007/ 978-3-030-46054-9_20-2
[23] Bandari, V. (2021). Predictive Analytics in Cloud Computing: An ARIMA Model Study on Performance Metrics. Applied Research in Artificial Intelligence and Cloud Computing, 4(1), 1–18. URL: https://researchberg. com/index.php/araic/article/ view/96
[24] Wani, A. A. (2024). A review of challenges and solutions for using machine learning approaches for missing data. International Journal of Engineering Applied Sciences and Technology, 09(05), 36-50. https://doi.org/10.33564/ IJEAST. 2024.v09i05.005