АНСАМБЛЕВЫЕ МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ОЦЕНКИ СТОИМОСТИ ИТ-ПРОЕКТОВ В УСЛОВИЯХ НЕХВАТКИ ДАННЫХ

Точное прогнозирование стоимости ИТ-проектов имеет ключевое значение для успешного планирования, бюджетирования и распределения ресурсов. Однако традиционные методы оценки, такие как COCOMO, анализ функциональных точек или экспертные оценки, часто не дают надежных результатов, особенно в развивающихся странах, таких как Казахстан, где предыдущие данные о проектах скудны или неполны. В настоящем исследовании рассматривается использование ансамблевых алгоритмов машинного обучения, в частности Random Forest и Gradient Boosting, для прогнозирования стоимости ИТ-проектов в условиях недостатка исходных данных. Для решения проблемы нехватки данных применяются методы генерации синтетических данных, позволяющие формировать расширенные наборы данных, моделирующие различные сценарии проектов при сохранении статистических характеристик, наблюдаемых в реальных случаях. Представленные модели используют ключевые проектные параметры, такие как размер команды, сложность проекта, методология разработки и размер проекта, в качестве входных данных для прогнозирования стоимости. Экспериментальные результаты показывают, что ансамблевые подходы превосходят стандартные методы оценки по точности прогнозирования. Модель Random Forest продемонстрировала наименьшую среднюю абсолютную ошибку (MAE = 0,09) и наибольший коэффициент детерминации (R² = 0,603). Кроме того, анализ важности признаков показал, что размер проекта и время разработки являются наиболее значимыми факторами в оценке стоимости. Полученные результаты подтверждают эффективность ансамблевого обучения для работы со сложными, нелинейными зависимостями между параметрами проектов и предлагают практический инструмент для совершенствования методов оценки стоимости в условиях отсутствия качественных исторических данных. Данное исследование вносит вклад в развитие интеллектуальных систем поддержки принятия решений и предоставляет практические рекомендации для менеджеров ИТ-проектов и лиц, принимающих решения в развивающихся экономиках, заинтересованных в улучшении бюджетирования и планирования ИТ-проектов.

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).