Развитие искусственного интеллекта в оценке затрат для успешного управления проектами: систематический обзор моделей машинного обучения, глубокого обучения, регрессионных и гибридных моделей

В данном систематическом обзоре исследуется интеграция искусственного интеллекта (ИИ) в оценку затрат в рамках управления проектами с акцентом на его влияние на точность и эффективность по сравнению с традиционными методами. В исследовании обобщены результаты 39 высококачественных статей, опубликованных в период с 2016 по 2024 год, в которых оцениваются различные модели машинного обучения (МО), глубокого обучения (ГО), регрессионные и гибридные модели в таких отраслях, как строительство, здравоохранение, обрабатывающая промышленность и недвижимость. Результаты показывают, что методы на основе ИИ, особенно искусственные нейронные сети (ИНС), на которые приходится 26,33% исследований, повышают точность прогнозирования и адаптивность к сложным динамичным условиям реализации проектов. Ключевые методы ИИ, включая машины опорных векторов (SVM) (7,90% исследований), деревья решений и модели градиентного бустинга, обеспечивают существенное повышение точности прогнозирования затрат и оптимизации ресурсов. Модели МО, включая ИНС и модели глубокого обучения, представлены примерно в 70% рассмотренных исследований, что свидетельствует о явной тенденции к внедрению передовых методов ИИ. В среднем модели глубокого обучения обеспечивают точность оценки затрат на уровне 85–90%, что делает их высокоэффективными для обработки сложных нелинейных взаимосвязей и больших наборов данных. Модели машинного обучения достигают средней точности 75–80% и демонстрируют высокую эффективность, особенно в таких отраслях, как дорожное строительство и здравоохранение. Регрессионные модели обычно обеспечивают точность 70–80% и больше подходят для относительно простых оценок затрат, при которых взаимосвязи между переменными являются линейными. Гибридные модели объединяют преимущества различных алгоритмов, достигая в среднем точности 80–90%, и особенно эффективны в сложных многоаспектных проектах. В целом модели глубокого обучения и гибридные модели обеспечивают наиболее высокую точность оценки затрат, тогда как модели машинного обучения и регрессионные модели по-прежнему дают надежные результаты для конкретных применений.