Введение 4
Глава 1 Анализ предметной области 8
1.1 Обзор существующих работ 9
1.2 Аналитический обзор существующих систем 13
1.2.1 Jira 13
1.2.2 GoodDay 14
1.2.3 COCOMO II Web 15
1.2.4 SLIM-Estimate 15
1.3 Вывод 17
Глава 2 Анализ существующих методов и подходов 18
2.1 Обзор существующих математических моделей для решения задачи
трудоемкости разработки корпоративных информационных систем 18
2.1.1 Регрессия опорных векторов 18
2.1.2 Случайный лес 20
2.1.3 Искусственная нейронная сеть 21
2.1.4 Сеть радиальных базисных функций 23
2.1.5 Обобщенная регрессионная нейронная сеть 24
2.1.6 Ансамбль 27
2.2 Вывод 28
Глава 3 Проектирование и реализация модели 29
3.1 Проектирование системы 29
3.1.1 Составление требований к системе 29
3.1.2 Функциональные требования к системе 29
3.1.3 Нефункциональные требования к системе 29
3.1.4 Варианты использования системы 30
3.2 Проектирование системы 31
3.2.1 Компоненты системы 31
3.2.2 Схема базы данных 33
3.3 Построение модели анализатора 35
3.3.1 Выбор меры эффективности алгоритмов 35
3.3.2 Описание данных 37
3.3.3 Предобработка данных 48
3.4 Описание параметров модели 51
3.5 Реализация системы 53
3.5.1 Средства реализации 53
3.5.2 Реализация доступа к данным 53
3.5.3 Авторизация в системе 55
3.5.4 Реализация анализатора 57
3.6 Вывод 59
Глава 4 Анализ результатов исследования 60
4.1 Сравнение моделей машинного обучения 60
4.2 Анализ результатов работы анализатора и перспектив
реализованной веб-системы 62
4.3 Рекомендации по практическому применению полученных
результатов и перспектива развития исследования 65
Заключение 66
Список используемых источников 68
Купить

За последние десятилетия программные системы становились все более сложными. Информационные технологии оказывают влияние на все области знаний. В связи с усложнением программного обеспечения возрастает важность исследований и создание методов оценки трудоемкости разработки программного продукта. Оценка количества усилий, необходимых для разработки программного обеспечения, является важной задачей управления проектом. Трудоемкость разработки напрямую связана с составлением бюджета и планированием проектов. Точная оценка программного обеспечения влияет на успех проекта. Ошибки, допущенные при оценке, приводят к перерасходу средств на проект, задержке выдачи решений, закрытию проектов. Все это сказывается на репутации компании на рынке. Библиографический анализ, сделанный Янгом и другими [1], обнаруживает тревожные данные: от 59% до 76% проектов выполняются с усилием, превышающим начально прогнозируемые сроки. И от 35% до 80% доставляются с опозданием.
По данным компании International Data Corp, занимающейся аналитикой рынка ИТ, расходы организаций на автоматизацию бизнеса к 2022 году достигнут 1,97 триллиона долларов США [2]. По этой причине цена ошибки на этапе планирования проекта может принести бизнесу большие убытки. В отчете PMI (Project Management Institute, Институт управления проектами) - американской некоммерческой профессиональной организации по управлению проектами, в 2016 году на каждый миллиард долларов, вложенных в проекты в США, 122 миллиона долларов были потрачены впустую из-за некачественного планирования и выполнения проекта [3]. По отчету за 2017 год, 27% проектов превысили запланированный бюджет [4]. В 2018 году 9,9% каждого доллара тратится впустую из-за плохой работы проекта - это 99 миллионов долларов на каждый вложенный миллиард долларов [5].
В связи с этим, возникает потребность в создании системы для оценки трудоемкости разработки программного обеспечения корпоративных информационных систем с использованием методов машинного обучения, которая предоставляет модель для прогнозирования затрат на исполнение программного продукта. В отчете PMI за 2019 год 85% организаций считают, что искусственный интеллект для управления проектами значительно изменят их методы ведения бизнеса в ближайшие пять лет [6]. Использование методов машинного обучения обусловлено следующими преимуществами: возможность обрабатывать большие наборы данных, возможность вовремя заметить и проанализировать изменения в процессе, возможность объективно и точно оценить результат, возможность свести к минимуму ошибки, возникающих в результате человеческого фактора.
Таким образом, получение качественных результатов прогнозирования трудоемкости разработки является актуальной задачей на сегодняшний день. Это будет полезно как бизнесу, предоставляя инструмент для прогнозирования трудоемкости затрат и оценки планируемого бюджета, так и исполнителям, осуществляя анализ существующих проектов компании и на основе анализа прогнозируя затраты на новые проекты.
Целью работы является исследование методов машинного обучения в оценке трудоемкости разработки программного обеспечения корпоративных информационных систем.
Объектом исследования является процесс оценивания трудоемкости разработки программного обеспечения на основе имеющихся исторических данных о проектах, представленных в виде датасетов. Предметом исследования являются методы машинного обучения для прогнозирования трудоемкости разработки программного обеспечения.
Для достижения поставленной цели необходимо решить следующие задачи:
- провести обзор методов машинного обучения для оценки трудоемкости разработки корпоративных систем,
- провести предварительный эксперимент на данных с использованием выбранных методов машинного обучения,
- определить оптимальный метод для прогнозирования трудоемкости с использованием классических методов машинного обучения, нейронных сетей и ансамблей методов, который позволяет обеспечить точность прогнозирования трудоемкости с наименьшим значением средней квадратичной ошибки (MSE),
- спроектировать веб-систему,
- реализовать веб-систему.
Гипотеза: исследование будет более эффективно, если
1. будут рассмотрены существующие методы машинного обучения для оценки трудоемкости разработки корпоративных систем;
2. будут определены наиболее эффективные методы для оценки трудоемкости, а также найдены их недостатки;
3. будут рассмотрены существующие корпоративные системы для оценки трудоемкости разработки;
4. будут определены преимущества и недостатки;
5. будет создана модель на основе проведенного анализа с учетом проанализированных методов и существующих корпоративных систем, выявленных их достоинств и недостатков;
6. будут выбраны технологии, с помощью которых будет реализована модель;
7. она будет реализована;
8. будет проведен эксперимент на данных с использованием созданных моделей.
Научная новизна состоит в том, что будет реализован новый ансамблевый метод для решения поставленной задачи из наиболее эффективных методов машинного обучения.
Основные положения, выносимые на защиту:
1. Модель на основе ансамблевого метода машинного обучения, показывающая наиболее эффективный результат для решения задачи оценки трудоемкости разработки корпоративных информационных систем.
2. Результат применения созданной модели в веб-системе, показывающий эффективность и корректность ее реализации.
Объем и структура диссертации: диссертация состоит из введения, четырех глав, заключения и библиографии (33 наименования). Работа содержит 68 страниц, 15 рисунков, 11 таблиц.
Основные результаты исследования представлены в следующих публикациях:
1. Хвостова М.Ю. Обзор алгоритмов для решения задачи оценки трудоемкости разработки программного обеспечения корпоративных систем // Студенческий вестник: электронный научный журнал. 2021. № 3(148).
2. Хвостова М. Ю. Применение алгоритмов для решения задачи оценки трудоемкости разработки программного обеспечения корпоративных систем // Молодой исследователь: вызовы и перспективы: сб. ст. по материалам CCVI Международной научно-практической конференции «Молодой исследователь: вызовы и перспективы».

Купить