ДЕРЕКТЕР ТАПШЫЛЫҒЫ ЖАҒДАЙЫНДА IT-ЖОБАЛАРДЫҢ ҚҰНЫН БАҒАЛАУҒА АРНАЛҒАН МАШИНАЛЫҚ ОҚЫТУДЫҢ АНСАМБЛЬДІК ӘДІСТЕРІ

IT-жобалардың құнын дәл болжау сәтті жоспарлау, бюджеттеу және ресурстарды бөлу үшін шешуші мәнге ие. Алайда COCOMO моделі, функционалдық нүктелерді талдау немесе сараптамалық бағалау сияқты дәстүрлі бағалау әдістері, әсіресе Қазақстан сияқты дамушы елдерде, алдыңғы жобалар бойынша деректердің жеткіліксіздігі немесе толық еместігі жағдайында, әрдайым сенімді нәтижелер бере бермейді. Осы зерттеуде бастапқы деректердің тапшылығы жағдайында IT-жобалардың құнын болжау үшін машиналық оқытудың ансамбльдік алгоритмдерін, атап айтқанда Random Forest және Gradient Boosting әдістерін қолдану қарастырылады. Деректердің жетіспеушілігі мәселесін шешу мақсатында синтетикалық деректерді генерациялау әдістері пайдаланылды, бұл нақты жағдайларда байқалатын статистикалық сипаттамаларды сақтай отырып, жобалардың әртүрлі сценарийлерін модельдейтін кеңейтілген деректер жиындарын қалыптастыруға мүмкіндік береді. Ұсынылған модельдер шығынды болжау үшін жобаның негізгі параметрлерін, атап айтқанда команда мөлшерін, жобаның күрделілігін, әзірлеу әдіснамасын және жоба көлемін кіріс деректері ретінде пайдаланады. Эксперименттік нәтижелер ансамбльдік тәсілдердің болжау дәлдігі бойынша стандартты бағалау әдістерінен жоғары екенін көрсетті. Random Forest моделі ең төмен орташа абсолюттік қателікті (MAE = 0,09) және ең жоғары детерминация коэффициентін (R² = 0,603) көрсетті. Сонымен қатар, белгілердің маңыздылығын талдау жоба көлемі мен әзірлеу уақыты шығынды бағалауда ең маңызды факторлар екенін анықтады. Алынған нәтижелер жобалар параметрлері арасындағы күрделі, сызықтық емес тәуелділіктермен жұмыс істеуде ансамбльдік оқытудың тиімділігін растайды және сапалы тарихи деректердің болмауы жағдайында шығынды бағалау әдістерін жетілдіруге арналған практикалық құрал ұсынады. Зерттеу интеллектуалдық шешімдерді қолдау жүйелерін дамытуға үлес қосады және IT-жобаларды бюджеттеу мен жоспарлауды жетілдіруге мүдделі дамушы экономикалардағы жоба менеджерлері мен шешім қабылдаушыларға арналған практикалық ұсынымдар береді.

1. Bach, M.P., Topalovic, A., Krstic, Z., Ivec, A. Predictive maintenance in industry 4.0 for the SMEs: A decision support system case study using open-source software. Designs, 7, 98 (2023). https://doi.org/10.3390/designs7040098

2. Suleiman, Z., Shaikholla, S., Dikhanbayeva, D., Shehab, E., Türkyılmaz, A. Industry 4.0: Clustering of concepts and characteristics. Cogent Engineering, 2034264 (2022). https://doi.org/10.1080/23311916.2022.2034264

3. Çakır, M., Güvenç, M.A., Mıstıkoğlu, S. The experimental application of popular machine learning algorithms on predictive maintenance and the design of IoT-based condition monitoring system. Computers & Industrial Engineering, 151, 106948 (2021). https://doi.org/10.1016/j.cie.2020.106948

4. Sembina, G., Aitim, A., Shaizat, M. Machine learning algorithms for predicting and preventive diagnosis of cardiovascular disease. In: 2022 International Conference on Smart Information Systems and Technologies (SIST), 1–5 (2022). https://doi.org/10.1109/sist54437.2022.9945708

5. Sarker, I.H. Machine learning: Algorithms, real-world applications and research directions. SN Computer Science, 5 (2021). https://doi.org/10.1007/s42979-021-00592-x

6. Fernandes, M., Corchado, J.M., Marreiros, G. Machine learning techniques applied to mechanical fault diagnosis and fault prognosis in the context of real industrial manufacturing use-cases: A systematic literature review. Applied Intelligence, 52, 14246–14280 (2022). https://doi.org/10.1007/s10489-022-03344-3

7. Frankó, A., Hollósi, G., Ficzere, D., Varga, P. Applied machine learning for IoT and smart production – Methods to improve production quality, safety and sustainability. Sensors, 22, 9148 (2022). https://doi.org/10.3390/s22239148

8. Kane, A.P., Kore, A.S., Khandale, A.N., Nigade, S.S., Joshi, P.P. Predictive maintenance using machine learning. arXiv, 2205.09402 (2022). https://doi.org/10.48550/arxiv.2205.09402

9. Arboretti, R., Ceccato, R., Pegoraro, L., Salmaso, L. Design of experiments and machine learning for product innovation: A systematic literature review. Quality and Reliability Engineering International, 38, 1131–1156 (2021). https://doi.org/10.1002/qre.3025

10. Aitim, A., Sembina, G. Modeling of human behavior for smartphone using machine learning algorithm. News of the National Academy of Sciences of the Republic of Kazakhstan. Physico-Mathematical Series, 4, 17–28 (2024). https://doi.org/10.32014/2024.2518-1726.304

11. ёSarker, I.H. Machine learning: Algorithms, real-world applications and research directions. SN Computer Science, 2, 5 (2021). https://doi.org/10.1007/s42979-021-00592-x

12. Fernandes, M., Corchado, J.M., Marreiros, G. Machine learning techniques applied to mechanical fault diagnosis and fault prognosis in real industrial manufacturing use-cases: A systematic literature review. Applied Intelligence, 52, 14246–14280 (2022). https://doi.org/10.1007/s10489-022-03344-3

13. Srivastava, P., Srivastava, N., Agarwal, R., Singh, P. NEMAEP: A novel ensemble machine learning framework for accurate effort estimation in software projects. Journal of Advanced Research in Technology and Engineering, 102(24), 9112–9125 (2024).

14. Aitim, A. Developing methods for automatic processing systems of Kazakh language. KazATC Bulletin, 133(4), 254–265 (2024). https://doi.org/10.52167/1609-1817-2024-133-4-254-265

15. Mansoor, F., Alim, M.A., Jilani, M.T., Alam, M.M., Su’ud, M.M. Enhancing software cost estimation using feature selection and machine learning techniques. Computers, Materials & Continua, 79(3), 12345–12367 (2024). https://doi.org/10.32604/cmc.2024.057979

16. Akumba, B.O., Ogala, E., Agaji, I., Akumba, B.T., Blamah, N.V., Otor, S.U. Improving software effort estimation accuracy with a Kalman filter-driven ensemble model. International Journal of Computer Applications, 186(58), 45–59 (2024).

17. Seilo, J. Artificial intelligence in software project cost estimation. Bachelor’s thesis, Lappeenranta–Lahti University of Technology LUT, 33 p. (2025).

18. Alhazmi, O.H., Khan, M.Z. Software effort prediction using ensemble learning methods. Journal of Software Engineering and Applications, 13(7), 143–158 (2020). https://doi.org/10.4236/jsea.2020.137010

19. Aitim, A. Building a high-quality annotated corpus for Kazakh NLP: A pipeline approach. Vestnik KazUTB, 4(29) (2025). https://doi.org/10.58805/kazutb.v.4.29-1092.

20. Ahmed, B.M. Predicting software effort estimation using machine learning techniques. In: 2018 8th International Conference on Computer Science and Information Technology, 249–256 (2018). https://doi.org/10.1109/CSIT.2018.8486222

21. Zubair, K.M. Particle swarm optimisation based feature selection for software effort prediction using supervised machine learning and ensemble methods: A comparative study. Invertis Journal of Science & Technology, 13, 33–50 (2020).