Помощь студентам в учебе и написании работ. Заказать дипломную, курсовую, работу. Никольский Помощь

Содержание

Пояснительная записка к междисциплинарному курсовому проекту (МДКП)

на тему: «Применение методов искусственного интеллекта для анализа и визуализации информации при руководстве ИТ-проектами (на примере системы управления проектами в сфере аутсорсинга)» 


Введение	3
1.	Постановка задачи исследования	4
1.1.	Системный анализ объекта и предмета исследования	4
1.2.	Формулировка проблемы	4
2.	Описание методов, применяемых в исследовании	5
3.	Описание прототипа системы	8
3.1.	Архитектура	8
3.2.	Основные функции	9
Литературный обзор рассмотренных источников	17
Заключение	19

Введение

Ввиду возрастающей необходимости в цифровой трансформации всё больше компании сталкиваются с быстрым ростом объемов проектных данных. Каждый день генерируются большие объемы информации о ходе выполнения ИТ-проектов, из-за чего растет нагрузка на менеджеров при принятии решений и составлении отчетов.
Современные системы управления проектами (Trello, Jira, MS Project) обрабатывают огромное количество задач, подзадач, комментариев. Менеджерам сложно находить узкие места и выявлять риски без автоматизации аналитики.
 Необходимость в оперативных отчетах делают обязательным повышение скорости процесса анализа и принятия решений. Это способствует снижению рисков срыва сроков и выхода за рамки бюджета.
Для прогнозирования рисков применяется машинное обучение, повышающее точность аналитики и дает возможность выявлять скрытые закономерности.
Цель работы – разработать прототип интеллектуальной системы поддержки принятия решений в управлении ИТ-проектами с автоматизированным анализом данных методами машинного обучения и визуализацией ключевых метрик на интерактивном дашборде.
Задачи исследования:
˗	Изучить существующие методы анализа данных проекта;
˗	Проанализировать предметную область;
˗	Описать прототип системы визуализации и анализа;
˗	Выявить преимущества использования ИИ при управлении проектами.

Заключение

В данной пояснительной записке предложен подход к созданию системы поддержки принятия решений в управлений ИТ-проектами.
Описанные методы кластеризации и классификации позволят выявить скрытые закономерности во входных данных и прогнозировать риски. В свою очередь, интерактивные визуализации облегчат анализ больших объемов данных.
В перспективе этот проект может быть доработан:
˗	Увеличить число применяемых методов (например, за счет добавления нейросетей);
˗	Добавить интеграцию с существующими системами управления (Jira, Trello, MS Project);
˗	Реализовать механизмы совместной работы пользователей (при необходимости).

Подробное описание

📘 О чем эта работа

В работе рассматривается применение методов искусственного интеллекта для автоматизированного анализа и визуализации информации при руководстве ИТ‑проектами на примере компании, предоставляющей финансово‑бухгалтерский аутсорсинг. Объект исследования — процессы управления проектами; предмет — алгоритмы машинного обучения и способы визуализации ключевых метрик.

📚 Что внутри

Пояснительная записка содержит подробное описание этапов: сбор и предобработка входных файлов (CSV/Excel), нормализация и очистка пропусков, выбор признаков и снижение размерности (PCA). Приведены используемые алгоритмы: K‑means для кластеризации задач по признакам 'duration', 'delay', 'priority' и Random Forest для классификации уровня риска (Low/Medium/High) и оценки вероятности срыва через predict_proba. Представлена архитектура прототипа по трехслойной модели: клиентская часть на Dash, REST API на Flask и хранилище (CSV/Excel + PostgreSQL).

Примеры данных: таблицы задач с полями длительность, дата начала/окончания, приоритет, задержка, ресурсные метки.
Кодовые фрагменты: загрузка файлов (pd.read_csv/pd.read_excel), вызов endpoint '/api/analyze-risk', построение кластеров KMeans и генерация Gantt/heatmap через Plotly.
Инструменты экспорта: генерация PDF/HTML отчетов с помощью WeasyPrint или ReportLab.
Теория и источники: описаны Random Forest, принципы визуализации (Plotly, Dash) и методология Agile/Scrum для операционной интеграции.
Выводы: описаны преимущества автоматизации аналитики, снижение ручной нагрузки и повышение скорости принятия решений.

📊 Для кого подходит

Материал полезен студентам и преподавателям по направлениям информатики и вычислительной техники, специалистам по бизнес‑аналитике и менеджерам проектов, которым нужен быстрый прототип дашборда для мониторинга задач, оценки рисков и планирования ресурсов.

✨ Особенности

Работа содержит конкретные практические наработки: примеры endpoint'ов Flask для загрузки и анализа, фрагменты кода для KMeans и RandomForest, готовые варианты визуализаций (Gantt, тепловая карта загрузки, столбчатая диаграмма распределения рисков). Описана интеграция с PostgreSQL и возможность масштабирования на реальные project management системы (Jira, Trello, MS Project).

❓ Частые вопросы

Подойдет ли для моего ВУЗа?
Структура соответствует требованиям: введение, постановка задачи, методы, описание прототипа, заключение и список литературы; легко адаптируется под локальные методички.

Можно адаптировать?
Да. Кодовые фрагменты на Python (Pandas, Scikit‑learn, Plotly, Dash) и описанная архитектура позволяют дорабатывать модель (например, добавить нейросети) и подключать внешние источники через REST API.

Готовая курсовая: ИИ-анализ и визуализация ИТ‑проектов