Россия
УДК 004.891.2 Консультационные экспертные системы
В данной работе исследуется влияние характеристик процесса разработки программного обеспечения на предсказательную способность моделей машинного обучения при прогнозировании времени выполнения задач. Исследование выполнено на открытых обезличенных датасетах проектов Hyperledger, JFrog и Mojang, сформированных на основе данных систем управления задачами разработки. Для прогнозирования использовались модели Random Forest, Gradient Boosting и CatBoost. Применение данных моделей показало устойчивое превосходство моделей машинного обучения над наивным прогнозом, основанным на среднем значении целевой переменной. Средняя абсолютная ошибка была снижена на 37,7-75,5% в зависимости от используемого датасета, при этом наилучший результат достигнут на наборе данных JFrog, где значение MAE уменьшилось с 14948 до 3665 секунд. Анализ значимости признаков показал, что наибольший вклад в качество прогнозирования вносят процессные характеристики, включая количество изменений статуса задачи, число участников выполнения и время до начала работы. Для наиболее значимых процессных признаков значения permutation importance достигали 257-540, существенно превосходя вклад статических характеристик, таких как тип и приоритет задачи. Рассмотренные датасеты обладают различной степенью формализации процессов разработки. Для высокоструктурированных записей JFrog коэффициент детерминации составил 0,76, в то время как в Mojang он не превышает значения в 0,32. Такая вариативность указывает на прямую зависимость точности прогнозов и объяснительную способность ML-моделей от полноты логирования событий цикла задач в системе их учета. Выявлены наиболее значимые характеристики и их принципиальные особенности по отношению к остальным.
машинное обучение, прогнозирование времени выполнения задач, системы управления задачами, Jira, корпоративная разработка программного обеспечения, Random Forest, CatBoost, значимость признаков
1. Шевнина, Ю. С. Метод оценки состояния нелинейной системы на основе логического анализа данных / Ю. С. Шевнина // Известия высших учебных заведений. Электроника. – 2022. – Т. 27, № 3. – С. 407-415. – DOIhttps://doi.org/10.24151/1561-5405-2022-27-3-407-415. – EDN BZRDEB.
2. Бевзенко, С. А. Применение искусственного интеллекта и машинного обучения в разработке программного обеспечения / С. А. Бевзенко // Инновации и инвестиции. – 2023. – № 8. – С. 187-191. – EDN ODNEIS.
3. Салтанаева, Е. А. Сравнение традиционных методов машинного обучения и глубокого обучения / Е. А. Салтанаева, А. А. Шакиров, А. Р. Гимаева // Научно-технический вестник Поволжья. – 2023. – № 12. – С. 379-381. – EDN EQNUHN.
4. Леохин, Ю. Л. Методы машинного обучения в прикладных задачах прогнозирования динамично изменяющихся данных / Ю. Л. Леохин, С. С. Дымкова, Т. Д. Фатхулин // T-Comm: Телекоммуникации и транспорт. – 2025. – Т. 19, № 8. – С. 49-63. – DOIhttps://doi.org/10.36724/2072-8735-2025-19-8-49-63. – EDN ULVCHG.
5. Гудков, А. А. Прогнозирование эффективности проектной деятельности на основе интеграции подходов бизнес-аналитики и машинного обучения / А. А. Гудков // Вестник Волжского университета им. В.Н. Татищева. – 2024. – Т. 2, № 1(53). – С. 27-36. – DOIhttps://doi.org/10.51965/2076-7919_2024_2_1_27. – EDN QYXZHC.
6. Чистякова, К. А. Практические методы управления реализацией инновационных проектов на основе использования программного обеспечения “Jira” / К. А. Чистякова, В. В. Юдин // Наука и искусство управления / Вестник Института экономики, управления и права Российского государственного гуманитарного университета. – 2023. – № 1. – С. 80-93. – DOIhttps://doi.org/10.28995/2782-2222-2023-1-80-93. – EDN KXHBSV.
7. Коротких, А. В. Методы автоматизированной оценки трудоёмкости задач разработки программного обеспечения / А. В. Коротких, И. В. Потапов // ИТ. Наука. креатив : Материалы I Международного форума: в 5-ти томах, Омск, 14–16 мая 2024 года. – Москва: Общество с ограниченной ответственностью "Издательско-книготорговый центр "Колос-с", 2024. – С. 213-218. – EDN YPZFCG.
8. Нестеров, Ю. Г. Подход к применению машинного обучения в прогнозировании загрузки виртуальных вычислительных систем / Ю. Г. Нестеров, А. П. Калистратов, Г. И. Афанасьев // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. – 2019. – № 11-2. – С. 73-76. – EDN PIIMIH.
9. Телегин, В. А. Использование методов машинного обучения для создания алгоритма адаптивной оценки времени выполнения проектных задач / В. А. Телегин // Инновационные научные исследования. – 2023. – № 6-3(30). – С. 146-161. – DOIhttps://doi.org/10.5281/zenodo.8128520. – EDN PXCIGW.
10. Петрунько, А. О. Применение методов машинного обучения при управлении инновационными проектами / А. О. Петрунько, М. Ф. Иванов // Естественно-гуманитарные исследования. – 2025. – № 3(59). – С. 909-915. – EDN JUENGB.
11. Сапунов, А. В. Использование цифровых технологий в принятии управленческих решений / А. В. Сапунов, Т. А. Сапунова // Вестник Академии знаний. – 2023. – № 1(54). – С. 235-238. – EDN FQOQNR.
12. Li, Y. Identifying self-admitted technical debt in issue tracking systems using machine learning / Y. Li, M. Soliman, P. Avgeriou // Empirical Software Engineering. – 2022. – Vol. 27, No. 6. – P. 1-37. – DOIhttps://doi.org/10.1007/s10664-022-10128-3. – EDN JTDVOO.
13. Van Oosten W., Rasiman R., Dalpiaz F., Hurkmans T. On the effectiveness of automated tracing from model changes to project issues // Information and Software Technology. 2023. Vol. 161. Article 107226. DOI:https://doi.org/10.1016/j.infsof.2023.107226.
14. Montgomery L., Lüders C., Maalej W. An alternative issue tracking dataset of public Jira repositories //Proceedings of the 19th International Conference on Mining Software Repositories. – 2022. – С. 73-77.
15. Lüders C. M., Pietz T., Maalej W. Automated detection of typed links in issue trackers //2022 IEEE 30th International Requirements Engineering Conference (RE). – IEEE, 2022. – С. 26-38.
16. Montgomery L., Lüders C., Maalej W. Mining issue trackers: Concepts and techniques //Handbook on Natural Language Processing for Requirements Engineering. – Cham : Springer Nature Switzerland, 2025. – С. 309-336.
