Розробка засобу управління проєктами з рекомендаціями на основі штучного інтелекту

Abstract

Метою роботи є створення програмного засобу управління проєктами "CircleFlow", що інтегрує модуль штучного інтелекту в Kanban-підхід для надання рекомендацій щодо вибору виконавців і прогнозування термінів виконання завдань для підвищення ефективності командної роботи. У ході дослідження проаналізовано сучасні підходи до управління проєктами та можливості застосування штучного інтелекту. Обґрунтовано вибір моделей машинного навчання (RandomForestRegressor та RandomForestClassifier). Спроєктовано трикомпонентну архітектуру системи (React SPA, Spring Boot Backend, Python/FastAPI ШІ-мікросервіс) та реляційну базу даних (PostgreSQL). Розроблено програмний прототип "CircleFlow" з ключовим функціоналом та механізмами безпеки. Проведено функціональне тестування та оцінку ефективності ШІ-модуля на синтетичних даних. Результати підтвердили працездатність системи та задовільну якість ШІ-моделей (R²=0.8445 для прогнозування, ROC-AUC=0.949 для рекомендацій). Новизна полягає в підході до інтеграції моделей Random Forest в Kanban-систему для оптимізації планування та розподілу ресурсів. Розроблений прототип може слугувати основою для створення інструменту підвищення ефективності команд.

The thesis is devoted to the study of methods for selective encryption of video information. The goal is to study approaches to selective encryption of images based on neural networks and develop a software tool that implements these approaches As part of this work, a comprehensive system for selective image protection was developed. For automatic identification of areas of interest, a neural network model of the U-Net architecture was trained on the Stanford Background Dataset dataset using the PyTorch framework, the Adam optimizer and a cross-entropy loss function, using data augmentation and a training strategy. For cryptographic protection of the selected ROIs, a new 9-round symmetric encryption algorithm was developed and implemented, which uses the PBKDF2 key derivation function, key stream generation based on coupled chaotic tent mappings, global pixel permutation, interleaving of replacement operations, and HMAC-SHA256 for authentication. The implementation is done in Python using the hashlib, hmac, and NumPy libraries.