В статье представлена система оценки продолжительности жизненного цикла разработки программного обеспечения, основанная на применении технологий искусственного интеллекта. Проведен анализ существующих подходов к оценке трудозатрат и сроков разработки, на основе которого обоснован выбор нейросетевых технологий как наиболее перспективного направления для решения задач прогнозирования в условиях неопределенности. Выделены и классифицированы основные группы факторов, оказывающих влияние на длительность процесса разработки: технические, организационные, командные, исторические, ресурсные, внешние. На основе классов факторов определены множества входных параметров, используемых для обучения нейронных сетей, а также их гиперпараметры. Приведены архитектурные характеристики нейронных сетей, включая количество слоев, типы функций активации, методы оптимизации и параметры регуляризации, обученных в ходе экспериментов. Разработан алгоритм оценки сроков, реализованный в виде программной системы, обеспечивающей автоматизированное прогнозирование продолжительности разработки проектов на основе анализа исторических данных и текущих характеристик проекта. Приведен пример проведения оценки сроков разработки с помощью разработанной системы и проведено сравнение полученных результатов с экспертной оценкой. Предложенная система сокращает длительность анализа и повышает точность оценки по сравнению с традиционными методами.
The article presents a system for assessing the durability of the software development life cycle based on the use of artificial intelligence technologies. An analysis of existing approaches to the science of labor costs and development times is presented, based on which the choice of neural network technologies is substantiated as the most promising direction for solving forecasting problems under uncertainty. The main groups of factors influencing the duration of the development process are identified and classified: technical, organizational, team, historical, resource, external. Based on the classes of factors, constant distribution of input parameters, application for training neural networks, as well as their hyperparameters. The architectural characteristics of neural networks, the number of layers, types of activation functions, optimization methods and control parameters studied in the experiments are given. An algorithm for assessing the timing has been developed, implemented as a software system that provides operational forecasting of the durability of project development based on the analysis of historical data and current project analytics. An example of assessing the development times using the developed system is given and the results are compared with an expert assessment. The proposed system for analyzing the duration of the reduction and increasing the accuracy of the estimate in comparison with the reduction methods.
The authors declare that there are no conflicts of interest present.