Методологічні аспекти та моделі оцінки ефективності штучного інтелекту в управлінні проєктами.
Ключові слова:
модель, машинне навчання, бенчмарк, оцінка ефективності, методологія, когнітивні моделі, системний аналіз, управління проєктом, штучний інтелект, система підтримки прийняття рішеньАнотація
Швидка інтеграція штучного інтелекту в управління проєктами пропонує значний потенціал для підвищення продуктивності завдяки автоматизації даних, моніторингу ефективності та оптимізації розкладів. Однак виклики, такі як "ефективна неефективність" та варіативність результатів моделей ШІ, ускладнюють оцінку ефективності. У статті аналізуються методологічні аспекти оцінки ефективності ШІ в управлінні проєктами, класифікуються існуючі методи (бенчмарки, пояснювальний штучний інтелект, взаємна інформація, психометрія), ідентифікуються ключові виклики (упередження, відсутність стандартів, етичні обмеження) та пропонуються нові метрики (ПАНК, КНУПШ, ДОПШ) для вимірювання інновацій. Зазначено потенціал цих підходів для проєктів транспортної інфраструктури, де ШІ дає змогу створювати принципово нові можливості в плануванні, прогнозуванні обслуговування та оптимізації ресурсів. Перспективи включають гібридні метрики та інтеграцію з системами підтримки прийняття рішень. Дослідження підкреслює необхідність міждисциплінарних підходів для адаптації оцінки ШІ до середовищ в управлінні проєктами з обмеженими ресурсами.
Посилання
Müller, R., Locatelli, G., Holzmann, V., Nilsson, M., & Sagay, T. (2024). Artificial intelligence and project management: Empirical overview, state of the art, and guidelines for future research. Project Management Journal, 55(1), 9-15. https://doi.org/10.1177/87569728231225198.
Mills, S., & Spencer, D. A. (2025). Efficient Inefficiency: Organisational challenges of realising economic gains from AI. Journal of Business Research, 189, 115128. https://doi.org/10.1016/j.jbusres.2024.115128.
Edwards, J. (2025). How To Measure AI Efficiency and Productivity Gains. In: InformationWeek, ed. AI and Machine Learning Insights. Available from:. https://www.informationweek.com/machine-learning-ai/how-to-measure-ai-efficiency-and-productivity-gains.
Burden, J. (2024). Evaluating ai evaluation: Perils and prospects. arXiv preprint arXiv:2407.09221. https://doi.org/10.48550/arXiv.2407.09221.
Challapally, A., & Pease, C. (2025). AI trends and innovations in 2025. In: Artificial Intelligence News, ed. Annual AI Report. Available from: https://www.artificialintelligence-news.com/wp-content/uploads/2025/08/aireport2025.pdf.
Wang, A., Pruksachatkun, Y., Nangia, N., Singh, A., Michael, J., Hill, F., ... & Bowman, S. (2019). Superglue: A stickier benchmark for general-purpose language understanding systems. Advances in neural information processing systems, 32б 1-15. https://doi.org/10.48550/arXiv.1905.00537.
Zhang, M., Wang, H., Li, J., & Gao, H. (2020). Learned sketches for frequency estimation. Information Sciences, 507, 365-385. https://doi.org/10.1016/j.ins.2019.08.045.
Ribeiro, M. T., Singh, S., & Guestrin, C. (2016, August). " Why should i trust you?" Explaining the predictions of any classifier. In Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining (pp. 1135-1144). https://doi.org/10.1145/2939672.2939778.
Arrieta, A. B., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., ... & Herrera, F. (2020). Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information fusion, 58, 82-115. https://doi.org/10.1016/j.inffus.2019.12.012.
Doshi-Velez, F., & Kim, B. (2017). Towards a rigorous science of interpretable machine learning. arXiv preprint arXiv:1702.08608. https://doi.org/10.48550/arXiv.1702.08608.
Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. Advances in neural information processing systems, 30. https://doi.org/10.48550/arXiv.1705.07874.
Olah, C., Mordvintsev, A., & Schubert, L. (2017). Feature visualization. Distill, 2(11), e7. https://distill.pub/2017/feature-visualization.
Tishby, N., Pereira, F. C., & Bialek, W. (2000). The information bottleneck method. arXiv preprint physics/0004057. https://doi.org/10.48550/arXiv.physics/0004057.
Hernandez-Orallo, J., 2017. Evaluating intelligence across species and machines. The Measure of All Minds, ed. Cognitive Science Series. Cambridge, UK: Cambridge University Press, 50–100. https://doi.org/10.1017/9781316596654.
McKinsey & Company. (2023). Generative AI’s impact on business in 2023. In: The State of AI Report, ed. Digital Transformation Insights. New York, NY: McKinsey & Company, 10–25. Available from: https://www.mckinsey.com/business-functions/mckinsey-digital/our-insights/the-state-of-ai-in-2023.
WIPO (2023). Trends in AI technology development. Technology Trends 2023: Artificial Intelligence, ed. IP Research Series. Geneva, Switzerland: World Intellectual Property Organization.
Mehrabi, N., Morstatter, F., Saxena, N., Lerman, K., & Galstyan, A. (2021). A survey on bias and fairness in machine learning. ACM computing surveys (CSUR), 54(6), 1-35. https://doi.org/10.1145/3457607.
MIT (2025). Business applications of AI in 2025. The State of AI in Business 2025, ed. Technology Insights. Cambridge, MA: MIT Press, pp.5–20. Available from: https://www.mit.edu/ai-report-2025.
Doshi-Velez, F., & Kim, B. (2017). Towards a rigorous science of interpretable machine learning. arXiv preprint arXiv:1702.08608. https://doi.org/10.48550/arXiv.1702.08608.
Nesterenko O., & Kulbovskyi I. (2024). Mathematical framework of transformer-based artificial intelligence architectures in large language models for the development of intelligent agents. Science and technology today, 5(46). http://dx.doi.org/10.52058/2786-6025-2025-5(46)-1860-1872.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Ліцензійні умови: Це стаття з відкритим доступом, поширювана за умовами Ліцензії Creative Commons Attribution License, яка дозволяє необмежено використовувати, розповсюджувати та відтворювати на будь-якому носії за умови представлення автора та джерела оригіналу.
