ЖОБАЛЫҚ ТАЛДАУДА ИГЕРІЛГЕН КӨЛЕМНІҢ ДӘСТҮРЛІ ЕМЕС МОДЕЛЬДЕРІН ҚОЛДАНУ

Қаржылық ресурстарды тиімді басқару – жобалардың сәтті орындалуы үшін шешуші фактор. Жобаның бюджеттен асып кетуі сияқты қаржылық ресурстарға байланысты қиындықтар көбінесе жобаның табысты аяқталуына, нәтижелердің сапасына және мүдделі тараптардың қанағаттануына тікелей әсер ететін жағымсыз салдарға әкелуі мүмкін. Сондықтан қаржылық ресурстарды тиімді басқару құралдарын іздеу және дамыту қазіргі уақытта өте өзекті мәселе болып отыр. Ғылыми жұмыстың мақсаты – жобалық шығындарды болжау үшін машиналық оқытуға негізделген игерілген көлемді басқарудың (EVM) дәстүрлі емес модельдерін қолдану. Бұл мақсатқа жету үшін зерттеуде осы саладағы алдыңғы тәжірибелер талданды, аяқталған жобалар бойынша деректер қоры жиналып, машиналық оқыту моделі қолданылды. Зерттеу нәтижелері AdaBoost регрессия алгоритмі сияқты дәстүрлі емес модельдердің дәстүрлі әдістермен салыстырғанда нақты шығындарға жақынырақ нәтижелер көрсететінін айқындады. Сонымен қатар, алынған мәліметтер әзірленген модельдің жобаларды басқару мен бизнес шешімдерін қабылдауда маңызды құралға айналуы мүмкін екенін дәлелдеді.

1. Inan T., Narbaev T., & Hazir O. A Machine learning study to enhance project cost forecasting. IFACPapersOnLine, 2022, vol. 55, no. 10, pp. 3286–3291. https://doi.org/10.1016/j.ifacol.2022.10.127.

2. Gil J., Martinez Torres J., & González-Crespo R. The application of artificial intelligence in project management research: A review. International Journal of Interactive Multimedia and Artificial Intelligence, 2021, no. 6, pp. 54–66. https://doi.org/10.9781/ijimai.2020.12.003.

3. Bhavsar K., Shah V., & Gopalan S. Business Process Reengineering: A Scope of Automation in Software Project Management Using Artificial Intelligence. International Journal of Engineering and Advanced Technology (IJEAT), 2019, vol. 9, no. 2, pp. 3589–3595. https://doi.org/10.35940/ijeat.B2640.129219.

4. Taboada I., Daneshpajouh A., Toledo N., & de Vass T. Artificial Intelligence Enabled Project Management: A Systematic Literature Review. Applied Sciences, 2023, vol. 13, no. 8, p. 5014. https://doi.org/10.3390/app13085014.

5. Elmas Ç., & Babayev J. Artificial Intelligence Techniques Used in Project Management. Advances in Artificial Intelligence Research, 2021, vol. 1, no. 1, pp. 1–5.

6. Elmousalami H.H. Comparison of Artificial Intelligence Techniques for Project Conceptual Cost Prediction: A Case Study and Comparative Analysis. IEEE Transactions on Engineering Management, 2020, PP(99), pp. 1–14. https://doi.org/10.1109/TEM.2020.2972078.

7. Balali A., Valipour A., Antucheviciene J., & Šaparauskas J. Improving the Results of the Earned Value Management Technique Using Artificial Neural Networks in Construction Projects. Symmetry, 2020, vol. 12, p. 1745. https://doi.org/10.3390/sym12101745.

8. Narbaev T., Hazir Ö., Khamitova B., & Talgat S. A machine learning study to improve the reliability of project cost estimates. International Journal of Production Research, 2023, vol. 62, no. 12, pp. 4372–4388. https://doi.org/10.1080/00207543.2023.2262051.

9. Ottaviani F.M., & De Marco A. Multiple linear regression model for improved project cost forecasting. Procedia Computer Science, 2022, pp. 808–815. https://doi.org/10.1016/j.procs.2021.12.079.

10. Warfield D., IS/IT research: a research methodologies review. Journal of theoretical & applied information technology, 2010, no.13.

11. Operations Research & Scheduling Research Group (2023). Retrieved February 21, 2024, from: https://www.projectmanagement.ugent.be/research/data/realdata

12. PMI, Project Management Body of Knowledge (PMBOK Guide). 6th edition. (PMI Publications, Newtown Square, 2017).

13. Wauters M., & Vanhoucke M. A comparative study of Artificial Intelligence methods for project duration forecasting. Expert Systems with Applications, 2016, vol. 46, pp. 249–26. https://doi.org/10.1016/j.eswa.2015.10.008.

14. Shanmugasundar G., Vanitha M., Čep R., Kumar V., Kalita K., & Ramachandran M. A Comparative Study of Linear, Random Forest and AdaBoost Regressions for Modeling Non-Traditional Machining. Processes, 2021, vol. 9, p. 2015. https://doi.org/10.3390/pr9112015

15. Shoushtari F., Daghighi A., & Ghafourian E. Application of Artificial Intelligence in Project Management. International journal of industrial engineering and operational research, 2024, vol. 6, no. 2, pp. 49–63.

16. Radhoush S., Whitaker B.M., & Nehrir H. An Overview of Supervised Machine Learning Approaches for Applications in Active Distribution Networks. Energies, 2023, vol. 16, no. 16, p. 5972. https://doi.org/10.3390/en16165972.

17. PMI, The Standard for Earned Value Management. 2nd Edition. (PMI Publications, Newtown Square, 2019).

18. Gao C., Min X., Fang M., Tao T., Zheng X., Liu Y., Wu X., & Huang Z. Innovative Materials Science via Machine Learning. Advanced Functional Material, 2022, vol. 32, p. 2108044. https://doi.org/10.1002/adfm.202108044.

19. Capone C., & Narbaev T. Estimation of Risk Contingency Budget in Projects using Machine Learning. IFAC-PapersOnLine, 2022, vol. 55, no. 10, pp. 3238–3243. https://doi.org/10.1016/j.ifacol.2022.10.140.

20. IPMA P. Artificial intelligence impact in project management, 2020. [Electronic resource]. From https://ipma.world/assets/IPMA_PwC_AI_Impact_in_PM_-_the_Survey_Report.pdf.

21. Mahesh B., Machine Learning Algorithms – A Review. International Journal of Science and Research, 2020, vol. 9, pp. 381–386. https://doi.org/10.21275/ART20203995.

22. Capone C., Talgat S., Hazir O., Abdrasheva K., Kozhakhmetova A. Artificial Intelligence Models for Predicting Budget Expenditures. Eurasian Journal of Economic and Business Studies, 2024, vol. 68, no. 1, pp. 32–43. https://doi.org/10.47703/ejebs.v68i1.331.