Прогнозування інцидентів під час планування спринтів у ІТ-проєктах
Анотація
Зосереджено увагу на обґрунтуванні доцільності застосування технології машинного навчання для підвищення ефективності планування процесів, виконання яких передбачено в ітерації (Sprints) ІТ-проєкту, що реалізовують з використанням методології Scrum. Розглянуто проблеми, які виникають під час планування задач такого проєкту. Проаналізовано причини некоректного планування та шляхи можливого вирішення проблеми. Виокремлено проблему управління незапланованими у проєкті процесами та визначено вплив їх появи на коректність планування ітерацій. Проведено аналіз доцільності використання технологій машинного навчання для прогнозування кількості незапланованих завдань впродовж майбутніх ітерацій та запропоновано ці завдання трактувати як інциденти (апаратні збої). Визначено чинники, які впливають на виникнення незапланованих процесів роботи у трьох сегментах: історичні показники кількості інцидентів, апаратне забезпечення та дані мережевого навантаження. Обрано засіб прогнозування – регресор екстремального градієнтного підсилення та за допомогою нього проведено прогнозування ймовірності появи незапланованих процесів роботи. Розглянуто основні принципи роботи алгоритму. Описано переваги застосування цього методу в контексті досліджуваного середовища. Висвітлено особливості процедури порівняльного аналізу моделей регресії. Продемонстровано вплив підбору даних ознак на результат процесу прогнозування та візуалізовано результати застосування методу. Обґрунтовано вибір робочої моделі регресії та представлено результати прогнозування. Описано практичне завдання для аналізу ефективності застосування досліджуваного підходу. Сформовано контрольну та експериментальну команди для дослідження. Наведено приклад використання результатів прогнозування під час планування процесів роботи у ітерації. Проведено порівняльний аналіз підходів до планування ітерацій з урахуванням результатів прогнозування та без них прогнозування. Відображено результати аналізу та оцінено вплив прогнозування на процес прийняття рішень. Доведено ефективність застосування методу регресії екстремального градієнтного підсилення до планування процесів роботи ітерацій проєкту, що реалізують з використанням методології Scrum. Наведено перспективи розвитку подальших напрямів дослідження, галузі застосування отриманих результатів.
Завантаження
Посилання
Deng, S., Su, J., Zhu, Y., Yu, Y., & Xiao, C. (2024). Forecasting carbon price trends based on an interpretable light gradient boosting machine and Bayesian optimization. Expert Systems With Applications, 242, 122502. https://doi.org/10.1016/j.eswa.2023.122502
Fernández-Cerero, D., Troyano, J. A., Jakóbik, A., & Fernández-Montes, A. (2022). Machine learning regression to boost scheduling performance in hyper-scale cloud-computing data centres. Journal of King Saud University – Computer and Information Sciences, 34(6), 3191–3203. https://doi.org/10.1016/j.jksuci.2022.04.008
İnan, T., Narbaev, T., & Hazir, N. (2022). A Machine Learning Study to Enhance Project Cost Forecasting. IFAC-PapersOnLine, 55(10), 3286–3291. https://doi.org/10.1016/j.ifacol.2022.10.127
Kraiem, I. B., Mabrouk, M. B., & Jode, L. D. (2023). A Comparative Study of Machine Learning Algorithm for Predicting Project Management Methodology. Procedia Computer Science, 225, 665–675. https://doi.org/10.1016/j.procs.2023.10.052
Mahnič, V., & Hovelja, T. (2012). On using planning poker for estimating user stories. Journal of Systems and Software, 85(9), 2086–2095. https://doi.org/10.1016/j.jss.2012.04.005
Mariani, C., Navrotska, Y., & Mancini, M. (2023). Unsupervised machine learning for project stakeholder classification: Benefits and limitations. Project Leadership and Society, 4. https://doi.org/10.1016/j.plas.2023.100093
Nie, P., Roccotelli, M., Fanti, M. P., Ming, Z., & Li, Z. (2021). Prediction of home energy consumption based on gradient boosting regression tree. Energy Reports, 7, 1246–1255. https://doi.org/10.1016/j.egyr.2021.02.006
Otchere, D. A., Ganat, T. O. A., Ojero, J. O., Tackie-Otoo, B. N., & Taki, M. Y. (2022). Application of gradient boosting regression model for the evaluation of feature selection techniques in improving reservoir characterisation predictions. Journal of Petroleum Science and Engineering, 208, 109244. https://doi.org/10.1016/j.petrol.2021.109244
Ozcelikkan, N., Tuzkaya, G., Alabas-Uslu, C., & Sennaroglu, B. (2022). A multi-objective agile project planning model and a comparative meta-heuristic approach. Information and Software Technology, 151. https://doi.org/10.1016/j.infsof.2022.107023
Santos, J. I., Pereda, M., Ahedo, V., & Galán, J. M. (2023). Explainable machine learning for project management control. Computers & Industrial Engineering, 180. https://doi.org/10.1016/j.cie.2023.109261
Shafiee, S., Wautelet, Y., Poelmans, S., & Heng, S. (2023). An empirical evaluation of scrum trainings suitability for the model-driven development of knowledge-intensive software systems. Data & Knowledge Engineering, 146. https://doi.org/10.1016/j.datak.2023.102195
Staron, M., Meding, W., & Söderqvist, B. (2010). A method for forecasting defect backlog in large streamline software development projects and its industrial evaluation. Information and Software Technology, 52(10), 1069–1079. https://doi.org/10.1016/j.infsof.2010.05.005
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
