Метод трансформации функциональных технических требований в задачи системы управления проектами

В условиях глобальной информатизации и автоматизации бизнес-процессов пропорционально возрастают объемы разрабатываемого программного обеспечения и, как следствие, количество технических и функциональных требований. Это обусловливает острую необходимость автоматизации процесса трансформации проектной документации в задачи систем управления проектами. Ручная декомпозиция масштабных технических заданий и их перенос в трекеры задач не только требуют значительных временных затрат, но и критически зависят от человеческого фактора. Подобный подход неизбежно приводит к увеличению сроков планирования и рассинхронизации между изначальными бизнес-целями и итоговыми артефактами разработки, создавая системное ограничение на ранних этапах жизненного цикла ИТ-проекта. В данной статье представлен метод автоматической генерации структурированных данных в формате JSON для импорта в трекеры задач. Ключевой особенностью разработанного метода является внедрение механизма валидации JSON-схемы и цикла итеративного исправления синтаксических и логических ошибок. Экспериментальная апробация показала высокую эффективность предложенного подхода: доля валидных JSON-документов составила 95 %, что значительно превышает показатель прямого промптинга больших языковых моделей (LLM), равный 60 %. Точность воспроизведения иерархической структуры задач (Epic → Story → Subtask) достигла 88 %. Результаты исследования подтверждают, что метод снижает трудозатраты на рутинный перенос данных и минимизирует риски ошибок при планировании ИТ-проектов.

1. Wiegers K., Beatty J. Software Requirements. Redmond: Microsoft Press; 2013. 672 p.

2. Nikiforova O., Miļūne M.K., Babris K., Pastor O. Generation of IT Project Documentation Elements from a Model Transformation Chain. In: Proceedings of the 20th International Conference on Software Technologies: Volume 1, 10–12 June 2025, Bilbao, Spain. SciTePress; 2025. P. 336–345. https://doi.org/10.5220/0013568300003964

3. Khurana D., Koli A., Khatter K., Singh S. Natural language processing: state of the art, current trends and challenges. Multimedia Tools and Applications. 2023;82(3):3713–3744. https://doi.org/10.1007/s11042-022-13428-4

4. Vaswani A., Shazeer N., Parmar N., et al. Attention is all you need. In: Advances in Neural Information Processing Systems 30: Annual Conference on Neural Information Processing Systems, 04–09 December 2017, Long Beach, CA, USA. 2017. P. 5998–6008.

5. Devlin J., Chang M.-W., Lee K., Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. In: Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (NAACL-HLT 2019): Volume 1, 02–07 June 2019, Minneapolis, MN, USA. ACL; 2019. P. 4171–4186.

6. Cleland-Huang J., Gotel O.C.Z., Hayes J.H., Mäder P., Zisman A. Software Traceability: Trends and Future Directions. In: ICSE '14: Proceedings of the 36th International Conference on Software Engineering, 31 May – 07 June 2014, Hyderabad, India. New York: ACM; 2014. P. 55–69. https://doi.org/10.1145/2593882.2593891

7. Hou X., Zhao Y., Liu Y., et al. Large Language Models for Software Engineering: A Systematic Literature Review. ACM Transactions on Software Engineering and Methodology. 2024;33(8):220. https://doi.org/10.1145/3695988

8. Lewis P., Perez E., Piktus A., et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. In: Advances in Neural Information Processing Systems 33: Annual Conference on Neural Information Processing Systems (NeurIPS 2020), 06–12 December 2020, Virtual Event. 2020. URL: https://arxiv.org/abs/2005.11401

9. Echin A., Kravets A.G., Safonova E., Skorobogatchenko D.A., Karasev D. Semantic Analysis of Technical Documentation: Systematic Review, Formal Task Definition, and Transformer-Based NER Implementation. Big Data and Cognitive Computing. 2026;10(7):199. https://doi.org/10.3390/bdcc10070199

10. Коробкин Д.М. Извлечение физико-технической информации из текстовых документов. Информационные технологии. 2026;32(1):28–36. https://doi.org/10.17587/it.32.28-36

11. Ечин А.В., Алиева Н.Д., Садыков А.М., Кравец А.Г., Сафонова Е.В. Адаптивный шаблон технического задания: графовая модель, структурный анализ и алгоритм автоматизированной верификации. Моделирование, оптимизация и информационные технологии. 2026;14(4). https://doi.org/10.26102/2310-6018/2026.55.4.017