ВИКОРИСТАННЯ АЛГОРИТМІВ МАШИННОГО НАВЧАННЯ ДЛЯ АНАЛІЗУ РИЗИКІВ В УПРАВЛІННІ ПРОЄКТАМИ - Научное сообщество
Главная
UA PL EN

Вас приветствует Интернет конференция!

Приветствуйем на нашем сайте

Рік заснування видання - 2014

ВИКОРИСТАННЯ АЛГОРИТМІВ МАШИННОГО НАВЧАННЯ ДЛЯ АНАЛІЗУ РИЗИКІВ В УПРАВЛІННІ ПРОЄКТАМИ

23.01.2025 14:24

[1. Экономические науки]

Автор: Пономарьов Олександр Володимирович, кандидат економічних наук, доцент, ДНП Державний університет «Київський авіаційний інститут», Київ; Поліщук Оксана Володимирівна, кандидат економічних наук, доцент, ДНП Державний університет «Київський авіаційний інститут», Київ; Власов Антон Едуардович, студент М-073-24-1-УП, ДНП Державний університет «Київський авіаційний інститут», Київ


ORCID: 0009-0002-8267-9901  Пономарьов О.В.

ORCID: 0000-0001-5263-3262  Поліщук О.В.

Сучасне управління проєктами відзначається високим рівнем складності та динамічністю. Зі зростанням масштабів і складності проєктів, організації стикаються зі значними ризиками, які впливають на терміни, бюджети та кінцеві результати. Традиційні методи ідентифікації та управління ризиками часто є недостатньо ефективними в умовах швидких змін і великої кількості змінних, що впливають на проєкт. У зв’язку з цим, все більше уваги приділяється використанню алгоритмів машинного навчання (ML), які здатні аналізувати великі обсяги даних, виявляти приховані закономірності та прогнозувати потенційні ризики з високою точністю.

Машинне навчання відкриває нові можливості для управління ризиками в проєктній діяльності, пропонуючи інструменти для автоматизації процесів аналізу та прийняття рішень. Алгоритми класифікації, регресії, кластеризації та аналізу аномалій дозволяють прогнозувати ризики на основі історичних даних, оцінювати їхній вплив та ймовірність, а також розробляти ефективні стратегії для їхнього усунення або мінімізації. Це особливо актуально в умовах цифрової трансформації, коли організації мають доступ до величезних масивів даних, що можуть бути використані для покращення управлінських процесів.

Метою даного дослідження є аналіз можливостей і викликів застосування алгоритмів машинного навчання для ідентифікації та аналізу ризиків в управлінні проєктами. Зокрема, розглядаються підходи до обробки даних, вибору алгоритмів і оцінки їхньої ефективності в контексті прогнозування ризиків.

Аналіз вказує, що використання ML не лише сприяє зниженню невизначеності, але й підвищує точність та швидкість прийняття рішень, що критично важливо для успішного виконання проєктів.

Таким чином, інтеграція машинного навчання в управління ризиками в проєктах представляє інноваційний підхід, який сприяє більшій стійкості та ефективності проєктів у сучасному бізнес-середовищі.

Управління ризиками є одним із ключових аспектів ефективного управління проєктами, оскільки ризики можуть значно впливати на досягнення цілей проєкту, його вартість, терміни та якість. Протягом останніх десятиліть у цій сфері було розроблено безліч методологій, інструментів та стратегій, спрямованих на зменшення невизначеності та мінімізацію негативних наслідків ризиків.

Традиційні підходи до управління ризиками, такі як методи якісного та кількісного аналізу, зосереджені на ідентифікації, оцінці та моніторингу ризиків. Водночас сучасні методології, зокрема Agile, Lean і Six Sigma, пропонують інтегровані та адаптивні підходи до ризик-менеджменту, орієнтовані на швидку реакцію та гнучкість у прийнятті рішень.

Все більше відбувається зростання інтересу до використання цифрових технологій і передових аналітичних методів для управління ризиками. Зокрема, методи аналізу даних, машинного навчання та штучного інтелекту почали відігравати ключову роль у прогнозуванні ризиків, оцінці їх впливу та розробці стратегій управління ними.

У цьому контексті огляд літератури дозволяє визначити основні підходи до управління ризиками, оцінити їх ефективність, а також виявити перспективи інтеграції новітніх технологій у цей процес. Аналіз попередніх досліджень дає змогу не лише систематизувати існуючі знання, але й сформулювати рекомендації для подальших досліджень і практичного застосування різних методологій у сфері управління проєктами (табл1).

Таблиця 1

Напрямки досліджень з управління ризиками проєкту з використанням машинного навчання [1]




При оцінці ризиків  проєктів зазвичай використовується кілька алгоритмів машинного навчання в залежності від типу: контрольоване навчання та навчання без учителя [7].

1. Алгоритми керованого навчання – відбувається на маркованому наборі даних, де кожна точка даних має відповідне вихідне або цільове значення. Алгоритм вчиться перетворювати вхідні дані на вихідні значення, що дозволяє йому робити прогнози на основі нових даних. Така підвищена точність дозволяє зацікавленим сторонам компанії приймати стратегічні рішення на основі прогнозованих цифр. Поширені алгоритми контрольованого навчання, що використовуються на ринку оцінки ризиків, включають:

- логістична регресія – це статистична модель, яка прогнозує ймовірність бінарного результату;

- дерево рішень – це деревовидні структури, які приймають рішення на основі ряду правил. Вони часто використовуються для класифікації точок даних за різними категоріями, такими як позичальники з високим або низьким ризиком.

- Random Forest – де прогнози кількох дерев поєднуються для підвищення точності. Вони часто використовуються в ситуаціях, коли є багато зайвої інформації або варіацій у даних, наприклад, щоб виявити порушення на ринку.

- нейронні мережі навчають комп'ютери обробляти дані у спосіб, подібний до роботи людського мозку. Вони використовують взаємопов'язані вузли або нейрони у багаторівневій структурі, що нагадує людський мозок.

2. Алгоритми навчання без учителя відбуваються на немаркованих даних, де немає відповідних вихідних значень. Алгоритм вчиться виявляти закономірності та взаємозв'язки в даних без будь-якого керівництва. Поширені алгоритми навчання без учителя, які використовуються при оцінці ризиків, включають:

- кластеризація K-середніх – це алгоритм, який групує точки даних у заздалегідь визначену кількість кластерів на основі їхньої схожості. Він часто використовується для виявлення груп клієнтів зі схожими профілями ризику;

- алгоритми виявлення аномалій – виявляють точки даних, які значно відхиляються від норми. Вони часто використовуються для виявлення шахрайської діяльності або незвичайних рухів ринку.

Штучний інтелект в управлінні ризиками кардинально змінює правила гри, оскільки алгоритми машинного навчання (ML) стають розумнішими. Так само як і керівники проєктів, які знають, як використовувати штучний інтелект та машинне навчання в управлінні ризиками для складних проєктів.

У опитуванні PWC 85% керівників погодилися з тим, що штучний інтелект потенційно може трансформувати бізнес[8].

Поява штучного інтелекту (ШІ) запровадила трансформаційний підхід до управління ризиками проєкту, зокрема завдяки можливостям генеративних моделей штучного інтелекту, таких як ChatGPT і Gemini. Ці моделі використовують машинне навчання та аналітику великих обсягів даних, щоб не лише виявляти потенційні ризики, але й прогнозувати їх вплив з високою точністю.

1. Можливості генеративних моделей штучного інтелекту: моделі штучного інтелекту швидко обробляють та аналізують великі набори даних, навчаючись на історичних даних для виявлення закономірностей та аномалій, щоб передбачити ризики, пов'язані з перевитратою бюджету, зривом термінів або проблемами з дотриманням вимог. 

2. Предиктивна аналітика та ідентифікація ризиків: штучний інтелект може прогнозувати потенційні затримки на основі таких факторів, як розподіл ресурсів, продуктивність команди та зовнішні змінні, такі як ринкові умови або збої у поставках. Це дозволяє командам заздалегідь впроваджувати стратегії пом'якшення наслідків.

3. Аналіз ризиків за допомогою моделювання: формування симуляцій, інструменти штучного інтелекту можуть надати уявлення про найбільш критичні ризики, допомагаючи керівникам проєктів визначити пріоритети, які ризики вирішити за обмеженості ресурсів.

4. Безперервне навчання та адаптація: отримання при навчанні більше даних про проєкти, призводить до вдосконалення прогнозів та рекомендацій. Оцінка ризиків на основі штучного інтелекту стає більш точною та адаптованою до конкретних середовищ та умов проєкту.

Основні напрямки використання алгоритмів машинного навчання в управлінні ризиками проєкту:

1. Зменшення втручання людського фактору. Інструменти на основі штучного інтелекту (Planview, Nutcache, ClickUp, Wrike, Asana, Trello, Microsoft Project, Jira, Monday.com, Notion) - звільняють керівників проєктів від рутинних адміністративних обов'язків, що надає більше часу для більш складних дій і планування. Ймовірність людських помилок при виконанні рутинних задач зменшується, що знижує ризик.

2. Краща видимість ризиків. Набір інструментів штучного інтелекту та машинного навчання отримує результати швидше, ніж людина. Інтеграція програмного забезпечення зі штучним інтелектом в управління проєктами може розширити прозорість проєктів і виявляти помилки та ризики на ранній стадії.

3. Предиктивна аналітика. Алгоритми машинного навчання використовують дані та результати минулих проєктів для визначення найкращого маршруту з мінімізації ризиків. Завдяки дієвим даним, що вказують на те, «що досягло результату» і «що не досягло», штучний інтелект може усунути помилки.

4. Перетворення необроблених даних на інсайти. Алгоритми машинного навчання можуть отримати дієву інформацію з великих масивів необроблених даних в короткий термін. Виявляючи зв'язки в даних, які можуть не помітити командні експерти. 

5. Інтерпретація даних. Найкращі моделі машинного навчання разом із програмним забезпеченням для відстеження можуть надати відповідну інформацію для ефективного аналізу та кращих прогнозів результатів проєкту.

6. Розподіл ресурсів та перепланування. У процесі виконання проєкти часто ускладняються. Інструменти та рішення штучного інтелекту можуть проводити неупереджену перевірку пріоритетів і спрощувати розподіл ресурсів. Ґрунтуючись на даних попередніх проєктів, штучний інтелект може допомогти керівникам проєктів визначити сфери з достатніми ресурсами та ті, які потребують уваги.

7. Управління проєктами на детальному рівні. Алгоритми штучного інтелекту дозволяють відстежувати тисячі дій на деталізованому рівні. 

8. Бюджет і закупівлі. Інструменти на основі штучного інтелекту та машинного навчання забезпечують повний аналіз кредитоспроможності та ризиків постачальників і надають рекомендації щодо відповідних постачальників.

9. Виявлення шахрайства. Обробка природної мови та можливості машинного навчання допомагають виявляти індикатори ризиків у наборах даних.

Напрямки та недоліки на які слід звернути увагу при впровадженні алгоритмів машинного навчання [9]:

- якість і доступність даних – ефективність штучного інтелекту в управлінні ризиками залежить від якості та кількості даних, які він обробляє. Низька якість даних, недостатня кількість даних або дані, які не є репрезентативними для поточних умов проєкту, можуть призвести до оманливих прогнозів і рекомендацій ШІ.

-  залежність від історичних тенденцій – моделі штучного інтелекту, такі як ChatGPT, фундаментально покладаються на навчання з минулих даних. Ця залежність означає, що, хоча вони можуть ефективно виявляти ризики, які виникали раніше, вони можуть бути не такими ефективними у прогнозуванні нових ризиків. 

- питання етики та конфіденційності – впровадження штучного інтелекту в управління проєктами передбачає обробку конфіденційних даних, які можуть включати особисту інформацію про членів команди або конфіденційну бізнес-інформацію. Забезпечення конфіденційності та безпеки цих даних має першочергове значення. 

- людський фактор та AI Bias – моделі штучного інтелекту – це інструменти, які підтримують прийняття рішень, вони не замінюють людського судження. Керівники проєктів повинні інтерпретувати інсайти, створені штучним інтелектом, критичним поглядом, враховуючи контекстуальні фактори, які штучний інтелект може не повністю зрозуміти. 

-  проблеми інтеграції та впровадження – інтеграція штучного інтелекту в існуючі фреймворки управління проєктами може бути технічно та культурно складним завданням. 

-  розподіл витрат і ресурсів – прийняття рішень зі штучним інтелектом передбачає значні інвестиції в технології та кваліфікований персонал. 

Отже, алгоритми машинного навчання (ML) значно підвищують точність і швидкість ідентифікації ризиків, дозволяючи організаціям прогнозувати потенційні ризики та впроваджувати превентивні заходи. Це сприяє підвищенню стійкості проєктів у турбулентному середовищі. ML ефективно використовується для оцінки ризиків у різних секторах, таких як будівництво, інформаційні технології, фінанси, тощо. Зокрема, застосовуються такі методи: класифікація, регресія, кластеризація та виявлення аномалій. Інтеграція ML у процес управління ризиками проєктів забезпечує автоматизацію аналізу даних, підтримує прийняття рішень і дозволяє оперативно реагувати на виклики. Генеративні моделі, такі як ChatGPT, відкривають можливості для ідентифікації, аналізу та моделювання ризиків з високою точністю.

Алгоритми ML є інструментами підтримки, але не замінюють людського судження. Важливо, щоб керівники проєктів зберігали критичний підхід до аналізу отриманих результатів і враховували контекстуальні фактори, які можуть бути поза межами аналізу ШІ.

Алгоритми машинного навчання відкривають нові горизонти в управлінні ризиками проєктів, забезпечуючи ефективність, прозорість та адаптивність процесів. Однак їх інтеграція вимагає врахування технічних, організаційних та етичних аспектів для забезпечення успішного впровадження.

Література:

1. Sanjay Ramdas Bauskar, Chandrakanth Rao Madhavaram, Eswar Prasad Galla2, Janardhana Rao Sunkara, Hemanth Kumar Gollangi, Shravan Kumar Rajaram. Predictive Analytics for Project Risk Management Using Machine Learning. Journal of Data Analysis and Information Processing. Vol.12 No.4, November 2024. Режим доступу URL: https://www.scirp.org/journal/paperinformation?paperid=137197

2. Roy, A. (2023) Risk Analysis of Implementing Machine Learning in Construction Projects. Режим доступу URL:

https://www.diva-portal.org/smash/record.jsf?pid=diva2:1845289

3. Ibraigheeth, M. and Abu Eid, A.I. (2022) Software Project Risk Assessment Using Machine Learning Approaches. American Journal of Multidisciplinary Research & Development, 4, 35-41.

4. Elokby, E.A., Alawi, N.A., Abdelgayed, A.T.A. and Al-hodiany, Z.M. (2021) Does Project Risk Managemet Matter for the Success of Information Technology Projects in Egypt. 2021 2nd International Conference on Smart Computing and Electronic Enterprise (ICSCEE), Cameron Highlands, 15-17 June 2021, 243-250. https://doi.org/10.1109/icscee50312.2021.9498167

5. Owolabi, H.A., Bilal, M., Oyedele, L.O., Alaka, H.A., Ajayi, S.O. and Akinade, O.O. (2020) Predicting Completion Risk in PPP Projects Using Big Data Analytics. IEEE Transactions on Engineering Management, 67, 430-453. https://doi.org/10.1109/tem.2018.2876321

6. Mahdi, M.N., M.H, M.Z., Yusof, A., Cheng, L.K., Mohd Azmi, M.S. and Ahmad, A.R. (2020) Design and Development of Machine Learning Technique for Software Project Risk Assessment—A Review. 2020 8th International Conference on Information Technology and Multimedia (ICIMU), Selangor, 24-26 August 2020, 354-362. https://doi.org/10.1109/icimu49871.2020.9243459

7. Damanpreet Kaur Vohra. Exploring Risk Assessment with Machine Learning in Finance. 6 Feb 2024. Режим доступу URL: https://www.hyperstack.cloud/blog/case-study/exploring-risk-assessment-with-machine-learning-in-finance

8. 22nd Annual Global CEO Survey. CEOs’ curbed confidence spells caution Режим доступу URL: https://www.pwc.com/gx/en/ceo-survey/2019/report/pwc-22nd-annual-global-ceo-survey.pdf

9. Embracing AI for Project Risk Management. April 22, 2024. Режим доступу URL: https://project.info/embracing-ai-for-project-risk-management/



Creative Commons Attribution Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
допомога Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter

Другие научные работы даной секции

Конференции

Конференции 2025

Конференции 2024

Конференции 2023

Конференции 2022

Конференции 2021

Конференции 2020

Конференции 2019

Конференции 2018

Конференции 2017

Конференции 2016

Конференции 2015

Конференции 2014

:: LEX-LINE :: Юридична лінія

Міжнародна інтернет-конференція з економіки, інформаційних систем і технологій, психології та педагогіки

Наукові конференції

Економіко-правові дискусії. Спільнота