Розробка імплементаційних стратегій машинного навчання для оптимізації ресурсного планування в проєктному управлінні

Размещено на http://www.allbest.ru

Розробка імплементаційних стратегій машинного навчання для оптимізації ресурсного планування в проєктному управлінні

Симонов В'ячеслав Володимирович магістер, керівник проєктів, Mobios Digital, м. Одеса

Анотація

У статті досліджено питання щодо стратегій машинного навчання в управлінні проєктами. Кожен проєкт слід розглядати як незалежний, багатовимірний та орієнтований на час, з відповідними процедурами, що виконуються на кожному етапі процесу, зосереджуючись на якості й часі, ресурсах.

Метою цієї статті є дослідження особливостей розробки машинного навчання для оптимізації планування ресурсів в управлінні проєктами. Розробка й застосування машинного навчання в управлінні проєктами важливі, оскільки вони дають змогу точніше прогнозувати, ефективніше планувати ресурси, оптимізувати процеси управління і досягати цілей проєкту. Ця розробка відповідає вимогам сучасного ринку й може надати компаніям, які займаються управлінням проєктами, конкурентну перевагу.

Алгоритми машинного навчання стають усе більш ефективними, про що свідчить зростання популярності методів штучного інтелекту, які опираються на великі обсяги даних. Машинне навчання -- важлива технологія майбутнього, яка може значно скоротити використання людських ресурсів, спростити завдання шляхом автоматизації рішень.

Щоб отримати прогнозні дані найефективнішим способом, необхідно ретельно вибирати алгоритми машинного навчання та їх реалізацію. Застосування цих технологій призведе до зміни багатьох правил і принципів в управлінні проєктами. У той же час досвід показує, що штучний інтелект може мати значний вплив на ефективність проєктної команди та результати проєкту. Керівники проєктів й організації, які використовують інструменти штучного інтелекту на ранніх етапах проєктної діяльності, безсумнівно, випереджають конкурентів і відчувають значну ефективність у покращенні результатів проєкту. Машинне навчання може ефективно допомогти вирішити проблеми планування ресурсів під час управління складними проєктами з великим обсягом інформації.

Завдяки цій технології повторювані й рутинні завдання, розрахунки поза конвертом, тривалі суперечки щодо орієнтовної тривалості завдання, порушення термінів і перевитрати бюджету - усе це має бути залишено позаду. Перспективи подальших досліджень полягають у більш детальних дослідженнях управління проєктами за допомогою машинного навчання.

Ключові слова: машинне навчання, штучний інтелект, проєктне управління, ресурсне планування, стратегія.

Symonov Viacheslav Volodymyrovych Master's Degree, Project Manager, PM, Mobios Digital, Odesa

DEVELOPMENT OF MACHINE LEARNING IMPLEMENTATION

STRATEGIES TO OPTIMIZE RESOURCE PLANNING IN PROJECT

MANAGEMENT

Abstract

The article is devoted to the study of machine learning strategies in project management. Each project can be viewed as independent, multi-dimensional and time-oriented, with appropriate procedures followed at each stage of the process, focusing on quality and time, resources and responsible people.

The purpose of this article is to study the specifics of implementing machine learning development to optimize resource planning in project management. The development and application of machine learning in project management is important because it allows more accurate forecasting, more efficient resource planning, optimization of management processes and achievement of project objectives. This development meets the requirements of today's market and can give project management companies a competitive advantage.

It is noteworthy that machine learning algorithms continue to become more and more effective, as evidenced by the growing popularity of artificial intelligence methods that learn on large volumes of data. Machine learning is an important technology of the future that can significantly reduce the use of human resources, simplify tasks by automating decisions.

To obtain predictive data in the most effective way, you need to carefully choose machine learning algorithms and their implementation. The application of these technologies in project management will lead to changes in many rules and principles of project management. At the same time, experience shows that AI can have a significant impact on project team effectiveness and project outcomes. Project managers and organizations that use artificial intelligence tools in the early stages of project activities are undoubtedly ahead of the competition and experience significant efficiencies in significantly improving project outcomes. Machine learning can effectively help solve resource planning problems when managing complex projects with large flows of information.

Thanks to this technology, repetitive and routine tasks, out-of-the-envelope calculations, long disputes over estimated durations, missed deadlines and budget overruns should all be left behind. Prospects for further research lie in more detailed studies of IT project management using machine learning.

Keywords: machine learning, artificial intelligence, project management, resource planning, strategy.

Постановка проблеми. В інформаційному суспільстві зростає значення і роль відокремлених від інших проєктів, що задовольняють індивідуальні потреби сучасних клієнтів.

Нині люди мають здатність керувати проєктами за необхідності. Штучний інтелект, хмарні обчислення, підключені пристрої, автономне пересування й інші цифрові технології вже впливають на всі сфери суспільства. Це вимагає нової форми управління проєктами, яка ґрунтується на гнучких командах, що потребують консультантів, які мають більше, ніж просто базову здатність керувати процесами.

Кожен проєкт можна вважати окремим, багатовимірним й орієнтованим на час, із пов'язаними процедурами, які впроваджуються на кожному етапі процесу, з акцентом на якість і час, ресурси та відповідальних осіб у кінцевому результаті. Цей контекст описує практичну значущість і наукову цінність проблеми впровадження методів машинного навчання для вдосконалення планування ресурсів в управлінні проєктами.

Аналіз останніх досліджень і публікацій. Багато закордонних вчених досліджують інструменти машинного навчання, їхнє практичне застосування. Серед них: Дж. Кіетцманн аналізував чат-боти машинного навчання для зрозуміння того, яке повідомлення кому сподобається [12].

Н. Вірз дослідив технологію автоматичного створення контенту який містить в собі ШтІ та економить багато часу [17].

М. Рекха вивчав бренди, що використовують можливості ШтІ для персоналізації маркетингових кампаній за електронною поштою на основі переваг і поведінки користувачів [14].

Л. Тепкема присвятив свою працю дослідженню чат-ботів машинного навчання як сервісу, заснованого на штучному інтелекті, взаємодія з яким відбувається через інтерфейс спеціальної програми[16].

М. Ріккінен зазначив у своєму дослідженні технології машинного навчання мають потенціал істотного підвищення ефективності маркетингових зусиль, забезпечуючи перегляд реклами товарів і послуг з тими із споживачів, хто шукає конкретний продукт, або поведінкові патерни учасників соціальних мереж припускають наявність їхнього інтересу до таких товарів і послуг[15].

Українські учені висвітлюють важливі аспекти формування і впровадження машинного навчання. Так, П. Панцир окреслює технології машинного навчання[6].

Х. Ліп'яніна-Гончаренко [5] зазначає, що машинне навчання є найбільш перспективним для обробки інформації. І. Гасюк і М. Баюк визначають важливість машинного навчання у формуванні проєктів[2].

Наприклад, О. Бабич [1] зазначив, що штучний інтелект має можливості машинного навчання та розпізнавання образів і відіграє ключову роль в управлінні ризиками та запобіганні шахрайству у фінансових установах.

Г. Кукель аналізує сучасний стан розвитку проєктного менеджменту [4]. Х. Бишевець й інші [13] уважають, що машинне навчання доцільно використовувати для автоматичного аналізу даних, прогнозування тенденцій, класифікації заявок або рекомендацій систем для покращення прийняття рішень.

І. Пономаренко й А. Красуля обґрунтували особливості використання методів машинного навчання під час реалізації маркетингових стратегій у соціальних мережах [7]. В. Проскурін й інші [8] дослідили управління проєктами й сучасні технології штучного інтелекту, які грунтуються на використанні методів машинного навчання. Ці питання також розглянуто в праці [11].

Д. Фуріхата й М. Граф[10] указують на те, що формулювання цілей і завдань проє кту залежать від машинного навчання.

Однак питання стратегій машинного навчання в проєктному управлінні поки що не досліджено в повному обсязі.

Мета статті - дослідження особливостей розробки імплементаційних стратегій машинного навчання для оптимізації ресурсного планування в проєктному управлінні.

Виклад основного матеріалу. Сучасна практика застосування методів управління проєктами доводить необхідність і швидкість комплексного використання ІТ, які довели свою ефективність в інших галузях економіки. Насамперед, це використання інтелектуальних елементів для розробки й прийняття управлінських рішень під час реалізації проєктів, коли рішення приймаються на перспективу, ціна помилки висока, а необхідна інформація відсутня. Така ситуація характерна для більшості проєктів, особливо на початкових етапах створення, розробки й планування.

За останні два роки штучний інтелект (ШІ) та машинне навчання (МН) перейшли від віртуальності до реальності. Зовсім недавно ми бачили презентацію бота «Google Duplex». Бот здійснює телефонний дзвінок і спілкується із живою людиною на іншій лінії, успішно бронюючи квитки на основі критеріїв, наданих абонентом.

Найважливішим аспектом штучного інтелекту з точки зору його застосування в управлінні проєктами є машинне навчання.

Система машинного навчання - це набір програмних компонентів, який вирішує конкретні прикладні завдання, налаштований певним чином для використання кінцевими користувачами, містить прикладні програми машинного навчання і забезпечує функціональність для безперебійної роботи, розгортання, розробки, надання нових версій і вдосконалення прикладних моделей машинного навчання.

Технологічні інноваційні розробки у сфері інформаційних технологій впливають на різні процеси людської діяльності й спонукають компанії адаптуватися до нових реалій з метою отримання конкурентних переваг. Одним з основних методів обробки інформації в інтернеті є машинне навчання, яке ґрунтується на статистичних моделях й алгоритмах, здатних автоматично навчатися і вдосконалюватися з досвідом. Машинне навчання дає змогу аналізувати дані в інтернеті, виявляти закономірності й структури, робити прогнози й класифікації [10].

Алгоритми машинного навчання стають усе більш ефективними, про що свідчить зростання популярності технологій штучного інтелекту, які навчаються на великих обсягах інформації і поступово набувають здатності приймати проактивні рішення для досягнення оптимальних результатів.

Процес машинного навчання зазвичай складається з таких етапів[9]:

Визначення бізнес-проблеми. На цьому етапі визначається доцільність використання програми машинного навчання, доступні альтернативи, ресурси й трудовитрати.

Збір даних. На цьому етапі основна увага приділяється дослідженню й отриманню даних, необхідних для навчання моделі. Залежно від деталей даних визначається тип машинного навчання (контрольоване, неконтрольоване, зворотне). Дані - це основа будь-якої системи машинного навчання. Якість і кількість даних, які використовуються для навчання системи, мають значний вплив на точність її прогнозів. Тому збір і попередня обробка даних є важливим етапом у створенні системи машинного навчання.

Розробка особливостей даних (feature engineering). На цьому етапі необроблені дані, отримані на другому етапі, перетворюються на систему даних, яку спеціально представлено (наприклад, у вигляді стовпців в електронній таблиці), що використовується алгоритмами машинного навчання.

Навчання на моделі. На цьому етапі обирається алгоритм і встановлюються його параметри відповідно до даних, підготовлених на етапі. Під час контрольованого навчання відбувається на мічених даних, тоді як під час неконтрольованого навчання - на немічених моделях. Навчання з підкріпленням моделі уключає в себе метод спроб і помилок із системою винагороди, відбувається почергово споживаючи дані й оцінюючи отримані моделі. Також важливо розділити дані на навчальну, оціночну й тестову частини.

Розгортання моделі. На цьому етапі перевіряється, наскільки модель може обробляти нові дані, тобто наскільки вона може вирішити бізнес- проблему, визначену на першому етапі.

Розглядаючи технологію ШІ з точки зору підмножини машинного навчання, яке за своєю суттю є математичним алгоритмом, заснованим на аналізі великих масивів даних, ураховує динаміку змін у часі та її вплив на системи управління проєктами. Це означає, що технології ШІ можуть зберігати й обробляти значні обсяги даних на основі наборів цих даних за лічені секунди, ефективніше, ніж людина, а також візуалізувати результати і надавати рекомендації особам, які приймають рішення [8].

Сьогодні існує багато підходів до управління проєктами[4]:

Рис. 1 Підходи щодо управління проєктами Джерело: [4]

Традиційний підхід використовується тоді, коли проєкт складається з низки кроків, розділених на фази: ініціація проєкту, ресурсне планування, виконання, моніторинг і закриття.

Екстремальні підходи, такі як Agile та Scrum, використовують там, де керівник проєкту переслідує визначену мету й працює з командою проєкту над розробкою її початкової версії. Цей підхід використовується в науково-дослідних проєктах, у яких кінцева мета проєкту невідома й часто непередбачувана.

Штучний інтелект відіграє важливу роль в управлінні ризиками та запобіганні шахрайству у фінансових установах завдяки своїм можливостям машинного навчання та розпізнавання образів.

Алгоритми векторної регресії - це методи машинного навчання, які використовуються для прогнозування безперервних значень. Кінцевою метою алгоритмів регресії є створення оптимальної прямої або кривої лінії між даними. Отже, можна максимізувати рентабельність інвестицій.

Штучний інтелект і машинне навчання трансформують способи обслуговування клієнтів, оцінки ризиків, виявлення шахрайства й управління інвестиціями у фінансових установах. Чат-боти й віртуальні асистенти стають поширеними інструментами для покращення підтримки й взаємодії з

клієнтами. Наприклад, Capital One представив Eno, чат-бота на основі штучного інтелекту, який допомагає клієнтам керувати своїми рахунками, контролювати свої витрати та попереджає їх про потенційні шахрайства. Eno надає швидкі, персоналізовані відповіді на запити клієнтів і покращує клієнтський досвід.

Ці стратегії цифрової трансформації підкреслюють здатність фінансових установ адаптуватися до мінливих очікувань клієнтів і технологічного прогресу. Використовуючи фінтех-партнерство, розробку мобільних застосунків, технологію блокчейн і штучний інтелект, фінансові установи не тільки зберігають свої конкурентні переваги, але й завойовують провідні позиції в цифрову епоху [1].

Розробка цілей і завдань проєкту планування та розвитку ресурсів вимагає визначення основних цілей системи, її технічного призначення й основних функцій, які вона виконуватиме. Крім цілей, необхідно також визначити завдання, які має вирішувати інтелектуальна система в адміністративному впровадженні. Ці завдання також визначають вибір технології машинного навчання, вибір змісту моделі й тип даних для навчання [2].

Штучний інтелект може допомогти в прийнятті рішень, коли відповідні дані, параметри змінюються й перебувають поза межами людського розуміння. Переважно системи штучного інтелекту приймають правильні рішення в умовах обмежень; інструменти на основі штучного інтелекту допомагають менеджерам і керівникам розставляти пріоритети й приймати правильні рішення на кожному етапі від планування до реалізації. Вони допомагають обробляти дані проєкту й виявляти закономірності (табл.1).

імплементаційний машинний навчання проект

Таблиця 1

Програмне забезпечення для управління проектами

Джерело: [3]

Wrike також використовує штучний інтелект, щоб допомогти менеджерам проєктів автоматизувати рутинні завдання, покращити комунікацію й оптимі- зувати робочий процес. Рішення бізнес-аналітики Wrike дає змогу менеджерам проєктів визначати пріоритетність найважливіших завдань і забезпечувати роботу команд над найціннішими завданнями за допомогою автоматизованих рекомендацій Wrike щодо пріоритетності завдань.

Proggio використовує штучний інтелект для автоматизації 17 рутинних завдань, покращення комунікації й оптимізації робочого процесу. Можливості штучного інтелекту Proggio дають змогу керівникам проєктів визначати пріоритетність найважливіших завдань, а командам зосередити свої зусилля на найціннішій роботі за допомогою автоматизованих рекомендацій Proggio щодо пріоритетності завдань. Можливості штучного інтелекту Proggio включають інтелектуальне визначення пріоритетності завдань, управління робочим навантаженням та розподіл ресурсів. Платформа використовує алгоритми машинного навчання для аналізу даних з минулих проєктів і надає інформацію про те, як оптимізувати майбутні проєкти. Функції штучного інтелекту Proggio автоматизують рутинні завдання, такі як планування зустрічей і нагадування. Інтелектуальна функція пріоритизації завдань Proggio допомагає менеджерам проєктів економити час і зменшувати кількість помилок, аналізуючи дані з попередніх проєктів і надаючи інформацію про те, які завдання є найбільш цінними, таким чином допомагаючи визначити найбільш важливі завдання. Ця функція дає змогу керівникам проєктів забезпечити, щоб їхні команди зосереджувалися на найбільш цінній роботі, рекомендуючи пріоритетність завдань за допомогою автоматичного визначення пріоритетності завдань Proggio.

Asana також використовує штучний інтелект, щоб допомогти менеджерам проєктів автоматизувати рутинні завдання, покращити комунікацію і впорядкувати робочі процеси. Функції зі штучним інтелектом дають змогу менеджерам проєктів визначати пріоритетність найважливіших завдань, а автоматичні рекомендації Asana забезпечують роботу команд над найважливішими завданнями. Функції зі штучним інтелектом в Asana включають інтелектуальне визначення пріоритетності завдань, управління робочим навантаженням і розподіл ресурсів. Функції Asana зі штучним інтелектом автоматизують рутинні завдання, такі як планування зустрічей і надсилання нагадувань, допомагаючи менеджерам проєктів заощаджувати час й уникати помилок.

Creatio (раніше bpm'online) - це SaaS-платформа, яка повністю підтримує BPMN 2.0 і надає кінцевим користувачам єдиний гнучкий каталог конфігурацій бізнес-процесів і прості інструменти для спільного створення процесів і швидкого документування.

Creatio Studio має доступ до різних типів інтерфейсів, уключаючи Mac, Windows, вебінтерфейс, хмарні сервіси, iOS та Android. Це надзвичайно зручно для доступу до продукту з різних пристроїв.

Для забезпечення цілісності й надійності даних у Creatio передбачено механізми управління правами доступу різних груп користувачів. Він також надає користувачам журнал активності, щоб усі необхідні дані можна було відстежувати й миттєво отримувати, видаляти або змінювати за потреби.

Creatio Studio, особливо пакет Enterprise, дає змогу легко створювати індивідуальні рішення з невеликою кількістю коду, а більшість операцій можна виконувати за допомогою функції Drag and Drop. Крім того, усі дії, що виконуються під час ресурсного планування, можуть здійснювати декілька користувачів одночасно. Також можна встановити машинне навчання, щоб запропонувати найкращий спосіб налаштування бізнес-процесів у майбутньому. Відкритий механізм дає змогу візуалізувати всю інформацію у вигляді звітів і метрик [6].

Open Plan - це професійна система управління проєктами. Кількість ресурсів, доступних протягом проєктного періоду, виражається параметром доступності. У разі відновлюваних ресурсів (наприклад, будівельної робочої сили) цей параметр визначається їх кількістю, доступною в певні часові інтервали. Для невідновлюваних ресурсів (наприклад, будівельних матеріалів) - це загальна кількість і дата, коли ресурс стає доступним, а для обмежених у часі ресурсів - загальна кількість і тривалість доступності ресурсу.

Ресурс може змінюватися із часом (збільшуватися або зменшуватися в ціні). Якщо ціна ресурсу збільшується або зменшується через певний проміжок часу, зміна відображається в результатах аналізу витрат. Система також визначає поняття кваліфікації ресурсів. Для роботи можна визначити кількість одиниць ресурсу й потребу у кваліфікації ресурсу. Це дає змогу керівнику проєкту розподіляти конкретні ресурси. Ресурси також може бути виділено на певний період часу, а не на весь період роботи.

Open Plan дає змогу розподіляти ресурси на певний період часу від початку роботи. Він надає потужний інструмент для аналізу доступності ресурсів проєкту шляхом порівняння профілю потреби в ресурсах проєкту з профілем доступності ресурсів. Цей аналіз може бути виконано для одного ресурсу або групи ресурсів.

Програмне забезпечення для планування ресурсів на основі машинного навчання існує в багатьох формах. Найвідоміші з них - Aurora та Forecast, найсучасніші програмні рішення для інтелектуального планування на основі штучного інтелекту. Aurora особливо ефективна у великих проєктах зі складними обмеженнями й вимогами до ресурсів. Його перевагою є інтелектуальне планування ресурсів, що призводить до скорочення термінів реалізації проєктів, а Forecast - це платформа для управління проєктами й ресурсами на основі штучного інтелекту із сучасним, інтуїтивно зрозумілим інтерфейсом. Вона ідеально підходить для стартапів й ІТ-компаній, які прагнуть передбачуваності в бюджетах і проєктах. Серед переваг - можливість швидкого пошуку вільних працівників з потрібним набором навичок для роботи над затвердженими завданнями й автоматичні сповіщення, коли проєкти починають перевищувати бюджет або ресурси не відповідають робочому навантаженню [8].

Отже, аналіз даних використовує низку методів для визначення найкращих способів досягнення оптимальних результатів і прийняття ефективних управлінських рішень.

У сучасних умовах статистичний аналіз даних і методи машинного навчання можна поєднувати для досягнення синергії й оптимальних результатів. Зокрема, статистичні методи дають змогу оцінювати й інтерпретувати різні моделі машинного навчання [7].

Розвиток і застосування машинного навчання в управлінні проєктами є дуже важливим, оскільки дає змогу більш точно прогнозувати, ефективно планувати ресурси, оптимізувати процеси управління і досягати цілей проєкту. Ця розробка відповідає вимогам сучасного ринку й може забезпечити конкурентну перевагу для компаній, що займаються управлінням проєктами.

Висновки

Отже, необхідно звернути увагу на підвищену ефективність алгоритмів машинного навчання, про що свідчить зростання популярності технологій штучного інтелекту, які базуються на великих обсягах інформації та поступово набувають власних можливостей прийняття рішень для досягнення оптимальних результатів.

Машинне навчання - важлива технологія майбутнього, яка значно скорочує використання людських ресурсів, спрощує вирішення завдань завдяки автоматизації, прогнозує поведінку системи й запобігає непередбачуваним наслідкам. Втім, до вибору алгоритмів машинного навчання слід підходити дуже ретельно. Для того щоб отримати прогностичні дані в найбільш ефективний спосіб, алгоритми машинного навчання і методи їх реалізації мають бути ретельно підібрані. Використання таких технологій в управлінні проєктами призведе до зміни багатьох правил і принципів в управлінні проєктами. Водночас, як показує досвід, штучний інтелект може мати значний вплив на ефективність проєктних команд і результати проєктів. Керівники проєктів й організації, які використовують інструменти ШІ на ранніх стадіях проєктної діяльності, безсумнівно, випереджають конкурентів і значно підвищують свою ефективність для покращення результатів проєкту.

Отже, машинне навчання може ефективно допомогти вирішити проблеми планування ресурсів під час управління складними проєктами з великими інформаційними потоками. Завдяки цій технології повторювані й рутинні завдання, приблизні розрахунки, довготривалі суперечки щодо оціночної тривалості, порушення дедлайнів і перевитрати бюджету мають залишитися позаду.

Перспективи подальших досліджень полягають у більш детальному вивченні управління проєктами з використанням машинного навчання.

Література

Бабич О. А. Вплив цифровізації на фінансові інституції. Київський економічний науковий журнал. 2023. № 3. С. 7-13. URL: https://doi.org/10.32782/2786-765x/2023-3-1 (дата звернення: 25.12.2023).

Гасюк І., Баюк М. Механізм впровадження інтелектуальних систем в практику публічного управління. Наукові інновації та передові технології. 2023. № 12(26). URL: https://doi.org/10.52058/2786-5274-2023-12(26)-51-66 (дата звернення: 25.12.2023).

Кожемякін В. Аналіз можливостей застосування генеративного ШІ у сфері управління IT проектами: дипломна робота на здобуття ступеня бакалавра. Київ: КПІ,2023.79 с.

Кукель Г. С. Сучасний стан та перспективи розвитку проектного менеджменту. Реформування міжнародних економічних відносин і світового господарства в сучасних умовах. 2023. URL: https://doi.org/10.36059/978-966-397-295-4-39 (дата звернення:

.

Ліп'яніна-Гончаренко Х. В. Інтелектуальний метод формування людських ресурсів на короткостроковий проект. Вісник Черкаського державного технологічного університету. 2022. № 3. С. 49-58. URL: https://doi.org/10.24025/2306-4412.3.2022.259775 (дата звернення:

.

Панцир П. П. Імплементація цифрових інструментів в структуру бізнес-процесів організації : дипломна робота магістра. Тернопіль: ТНТУ, 2020. 112 с.

Пономаренко І. В., Красуля А. В. Оптимізація маркетингової стратегії компанії у соціальних мережах методами машинного навчання. Таврійський науковий вісник. серія: економіка. 2023. № 17. С. 120-125. URL: https://doi.org/10.32782/2708-0366/2023.17.16 (дата звернення: 25.12.2023).

Проскурін В. М., Морозов В. В., Шелест Т. М. The model of it project management system based on machine learning. Bulletin of NTU "khpi". series: strategic management, portfolio, program and project management. 2019. No. 1(1326). P. 42-50. URL: https://doi.org/ 10.20998/2413-3000.2019.1326.7 (date of access: 25.12.2023).

Фант М. Архітектура системи машинного навчання для створення паралельних двомовних корпусів текстів. Вісник Хмельницького національного університету. 2023. №3,С.314-319 URL: http://journals.khnu.km.ua/vestnik/wp-content/uploads/2023/07/vknu-ts- 2023-n3321.pdf#page=314 (date of access: 25.12.2023).

Fyrikhata D. V., Graf M. S. Analysis of existing methods and algorithmsfor information processing in the internet space. Scientific notes of taurida national V.I. vernadsky university. series: technical sciences. 2023. Vol. 1, no. 3. P. 239-243. URL: https://doi.org/10.32782/2663- 5941/2023.3.1/37 (date of access: 25.12.2023).

Hrabina K., Shendryk V. Method of the risk management of IT projects taking into account threats and opportunities. Management of development of complex systems. 2023. No. 55. P. 18-28. URL: https://doi.org/10.32347/2412-9933.2023.55.18-28 (date of access: 25.12.2023)

Kietzmann, J. P., & Emily, J. T. Artificial Intelligence in Advertising: How Marketers Can Leverage Artificial Intelligence Along the Consumer Journey. Journal of Advertising Research.2018. No. 58, P. 263-267.

Prospective ways of automating business processes in small business / H. A. Byshevets et al. Scientific notes of taurida national V.I. vernadsky university. series: technical sciences. 2023. Vol. 1, no. 3. P. 72-76. URL: https://doi.org/10.32782/2663-5941/2023.3.1/12 (date of access:

25.12.2023)

Rekha, M., & Asharaf, S. Artificial Intelligence Marketing: Anapplication of a novel Lightly Trained Support Vector Data Description. Journal of Information and Optimization Sciences. 2016. No.37. P. 681-691.

Riikkinen, M., Saarijarvi, H., Sarlin, P., & Lahteenmaki, I. Us ingartificial in telligence to create value in insurance. International Journal of Bank Marketing. 2018. No 36. P. 1145-11.68.

Tjepkema, L. What Is Artificial Intelligence Marketing & Why Is It So Powerful? URL: https://www.emarsys.com/en/resources/blog/artificialintelligence-marketing-solutions.

Wirth, N. Hello marketing, what canartificial in telligence help you with? International Journal of Market Research, 2018. No. 60. P. 435-438.

References

Babych O. A. (2023) Vplyv tsyfrovizatsii na finansovi instytutsii[The impact of digitalization on financial institutions]. Kyivskyi ekonomichnyi naukovyi zhurnal- Kyiv Economic Scientific Journal. 3, 7-13. [in Ukrainian].

Hasiuk I., Baiuk M. (2023) Mekhanizm vprovadzhennia intelektualnykh system v praktyku publichnoho upravlinnia[Mechanism of implementation of intelligent systems in the practice of public administration]. Naukovi innovatsii ta peredovi tekhnolohii - Scientific innovations and advanced technologies. 12(26). [in Ukrainian]

Kozhemiakin V.(2023) Analiz mozhlyvostei zastosuvannia heneratyvnoho ShI u sferi upravlinnia IT proektamy[Analysis of the possibilities of applying generative AI in the field of IT project management]: dyplomna robota na zdobuttia stupenia bakalavra - thesis for obtaining a bachelor's degree. 79. [in Ukrainian]

Kukel H. S.(2023) Suchasnyi stan ta perspektyvy rozvytku proektnoho menedzhmentu [Current state and prospects of development of project management]. Reformuvannia mizhnarodnykh ekonomichnykh vidnosyn i svitovoho hospodarstva v suchasnykh umovakh - Reforming international economic relations and the world economy in modern conditions. [in Ukrainian]

Lipianina-Honcharenko Kh. V. (2022) Intel ektualnyi metod formuvannia liudskykh resursiv na korotkostrokovyi proekt[Intellectual method of human resources formation for a shortterm project]. Visnyk Cherkaskoho derzhavnoho tekhnolohichnoho universytetu - Bulletin of the Cherkasy State Technological University.3, 49-58. [in Ukrainian]

Pantsyr P. P.(2020) Implementatsiia tsyfrovykh instrumentiv v strukturu biznes- protsesiv orhanizatsii[Implementation of digital tools in the structure of business processes of the organization] : dyplomna robota mahistra - master's thesis. 112. [in Ukrainian]

Ponomarenko I. V., Krasulia A. V.(2023) Optymizatsiia marketynhovoi stratehii kompanii u sotsialnykh merezhakh metodamy mashynnoho navchannia[Optimization of the company's marketing strategy in social networks using machine learning methods]. Tavriiskyi naukovyi visnyk. seriia: ekonomika - Taurian Scientific Herald. series: economy. 17, 120-125. [in Ukrainian]

Proskurin V. M., Morozov V. V., Shelest T. M. (2019) The model of it project management system based on machine learning[The model of it project management system based on machine learning]. Bulletin of NTU "khpi". series: strategic management, portfolio, program and project management - Bulletin of NTU "khpi". series: strategic management, portfolio, program and project management. 1(1326), 42-50. [in Ukrainian]

Byshevets, H. A., Furtat, S. O., Furtat, O. V., & Vyshemirska, Y. S. (2023). Prospective ways of automating business processes in small business. Scientific Notes of Taurida National V.I. Vernadsky University. Series: Technical Sciences, 1(3), 72-76.

Fant M. (2023) Arkhitektura systemy mashynnoho navchannia dlia stvorennia paralelnykh dvomovnykh korpusiv tekstiv[Architecture of a machine learning system for creating parallel bilingual text corpora]. Visnyk Khmelnytskoho natsionalnoho universytetu - Bulletin of the Khmelnytskyi National University. 3,314-319.

Fyrikhata, D. V., & Graf, M. S. (2023). Analysis of existing methods and algorithmsfor information processing in the internet space. Scientific Notes of Taurida National V.I. Vernadsky University. Series: Technical Sciences, 1(3), 239-243.

Hrabina, K., & Shendryk, V. (2023). Method of the risk management of IT projects taking into account threats and opportunities. Management of Development of Complex Systems, (55), 18-28.

Kietzmann, J. P., & Emily, J. T. (2018). Artificial Intelligence in Advertising: How Marketers Can Leverage Artificial Intelligence Along the Consumer Journey. Journal of Advertising Research, 58, 263-267 [in English].

Riikkinen, M., Saarijarvi, H., Sarlin, P., & Lahteenmaki, I. (2018). Us ingartificial in telligence to create value in insurance. International Journal of Bank Marketing, 36(6), 1145-11.68 [in English].

Rekha, M., & Asharaf, S. (2016). Artificial Intelligence Marketing: Anapplication of a novel Lightly Trained Support Vector Data Description. Journal of Information and Optimization Sciences, 37(5), 681-691 [in English].

Tjepkema, L. (2017). What Is Artificial Intelligence Marketing & Why Is It So Powerful? Retrieved from: https://www.emarsys.com/en/resources/blog/artificialintelligence- marketing-solutions [in English].

Wirth, N. (2018). Hello marketing, what canartificial in telligence help you with? International Journal of Market Research, 60 (5), 435-438 [in English].

Размещено на Allbest.ru