en

Стаття

Алгоритми машинного навчання для моделювання процесів та прийняття рішень в управлінні портфелем проєктів

Юрій Ющенко
Анотація

 Управління портфелем проєктів у динамічному середовищі та умовах невизначеності потребує дедалі більше методів, що здатні підтримувати швидке прийняття рішень та забезпечувати адаптивність та стійкість до зовнішньої волатильності. Останні досягнення в машинному навчанні забезпечують основу для інтеграції алгоритмічного інтелекту в процеси на рівні портфеля, дозволяючи організаціям вибирати, визначати пріоритети та коригувати конфігурації проєктів у режимі реального часу. Метою цієї статті було розроблення та формалізація інтелектуальної моделі адаптивного управління портфелем проєктів, заснованої на математичних засадах динамічних алгоритмів навчання з підкріпленням. Для досягнення цієї мети було застосовано комплекс методів, зокрема математичне моделювання процесів ухвалення рішень із використанням підходу «багаторукого бандита» (Multi-Armed Bandit), синтез алгоритмів родини Upper Confidence Bound, а також сценарне моделювання для проведення порівняльного аналізу ефективності запропонованих підходів. Центральним результатом дослідження було обґрунтування переваг алгоритму Dynamic Confidence Bound, який завдяки механізму експоненціального дисконтування дозволив системі ігнорувати застарілі дані та зосередитися на поточних показниках ефективності. Експериментальна валідація встановила, що використання машинного навчання збільшує кумулятивну винагороду на 18-22  % порівняно з евристичними методами у стабільних середовищах, тоді як у нестаціонарних умовах динамічна межа довіри перевершує класичні підходи на 14-17 %. Результати моделювання підтвердили, що запропонована модель виявляє погіршення показників або зсуви в реалізації проєктів у 2-4 рази швидше, ніж стандартні механізми, мінімізуючи когнітивні упередження, зокрема ефект якорування. Доведено, що впровадження адаптивного дисконтування забезпечує на 48-60  % швидше відновлення портфеля після різких зовнішніх потрясінь порівняно з базовими алгоритмами Upper Confidence Bound. Дослідження також продемонструвало високу чутливість моделі до налаштування гіперпараметрів, що дозволяє гнучко балансувати між дослідженням нових можливостей та використанням перевірених рішень залежно від стратегічного контексту організації. Практичне значення роботи полягає у створенні готового до використання обчислювального конвеєра, який можна інтегрувати в корпоративні системи управління проєктами для автоматизації пріоритезації та динамічного перерозподілу ресурсів у режимі реального часу

Ключові слова

адаптивне прийняття рішень; багаторукий бандит; Upper Confidence Bound; динамічні середовища

Завантажити статтю

Отримано 10.10.2025, Доопрацьовано 29.01.2026, Прийнято 24.02.2026 Опубліковано 21.05.2026

Взято з Том 13, № 1, 2026

ЦИТУВАТИ

Yushchenko, Yu. (2026). Machine learning algorithms for process modelling and decision-making in project portfolio management. Economics, Entrepreneurship, Management, 13(1), 76-84. https://doi.org/10.56318/ eem2026.01.076

https://doi.org/10.56318/ eem2026.01.076

Сторінки 76-84

Використані джерела

  1. Bertsimas, D., & Kallus, N. (2018). From predictive to prescriptive analytics. Management Science, 66(3), 1025-1044. doi: 10.1287/mnsc.2018.3253.
  2. Bondar, O., Ryzhenko, N., & Chernykhivska, A. (2023). Green recovery of Ukraine in the post-war period. Collection of Scientific Papers “ΛΌГOΣ”, 13-14. doi: 10.36074/logos-27.10.2023.01.
  3. Bubeck, S., & Cesa-Bianchi, N. (2012). Regret analysis of stochastic and non-stochastic multi-armed bandit problems. Foundations and Trends in Machine Learning, 5(1), 1-122. doi: 10.1561/9781601986276.
  4. Bushuyev, S., Bushuyeva, N., Lobok, Ye., & Murovansky, H. (2025). Management of innovative projects based on artificial intelligence applications in a turbulent environment. Innovative Technologies and Scientific Solutions for Industries, 2(32), 168-176. doi: 10.30837/2522-9818.2025.2.168.
  5. Bushuyev, S., Bushuyeva, N., Onyshchenko, S., & Bondar, A. (2021). Modelling projects portfolio structure dynamics. In 2021 IEEE 16th international conference on computer sciences and information technologies (pp. 293-298). Lviv: IEEE Ukraine Section. doi: 10.1109/CSIT52700.2021.9648713.
  6. Chakraborty, S. (2022). Incentivized exploration of non-stationary stochastic bandits. (Master's thesis, University of Colorado, Boulder, USA).
  7. Chen, Q., Golrezaei, N., & Bouneffouf, D. (2022). Non-stationary bandits with auto-regressive temporal dependency. In Proceedings of the 37th international conference on neural information processing systems (pp. 7895-7929). New York: Curran Associates Inc. doi: 10.5555/3666122.3666468.
  8. Cooper, R.G. (2022). The 5th generation stage-gate idea to launch process. IEEE Engineering Management Review, 50(4), 43-55. doi: 10.1109/EMR.2022.3222937.
  9. Devlin, J., Chang, M.W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers. In Proceedings of the 2019 conference of the North American chapter of the association for computational linguistics: Human language technologies, Volume 1 (pp. 4171-4186). Minneapolis: Association for Computational Linguistics.
  10. Esmaeili, S.A., Shin, S., & Slivkins, A. (2023). Robust and performance incentivizing algorithms for multi-armed bandits with strategic agents. Proceedings of the AAAI Conference on Artificial Intelligence, 39(13), 13814-13822. doi: 10.1609/aaai.v39i13.33510.
  11. Garivier, A., & Moulines, E. (2011). On Upper-Confidence Bound policies for Switching Bandit problems. In J. Kivinen, C. Szepesvári, E. Ukkonen & T. Zeugmann (Eds.), Algorithmic learning theory (pp. 174-188). Berlin: Springer. doi: 10.1007/978-3-642-24412-4_16.
  12. Gornet, J., Hosseinzadeh, M., & Sinopoli, B. (2022). Stochastic Multi-armed Bandits with non-stationary rewards generated by a linear dynamical system. In IEEE 61st conference on decision and control (pp. 1460-1465). Mexico: Institute of Electrical and Electronics Engineers.
  13. Harris, K., & Slivkins, A. (2025). Should you use your large language model to explore or exploit? arXiv. doi: 10.48550/arXiv.2502.00225.
  14. Keplinger, N.S., Luo, B., Bektas, I., Zhang, Y., Wray, K.H., Laszka, A., Dubey, A., & Mukhopadhyay, A. (2025). NS-Gym: A сomprehensive and open-source simulation environments and benchmarks for non-stationary Markov decision processes. arXiv. doi: 10.48550/arXiv.2501.09646.
  15. Khurshid, S., Abdulla, M.S., & Ghatak, G. (2024). Optimizing sharpe ratio: Risk-adjusted decision-making in multi-armed bandits. Machine Learning, 114, article number 32. doi: 10.1007/s10994-024-06680-2.
  16. Kovari, A. (2024). AI for decision support: Balancing accuracy, transparency, and trust across sectors. Information, 15(11), article number 725. doi: 10.3390/info15110725.
  17. Levine, S., Kumar, A., Tucker, G., & Fu, J. (2020). Offline reinforcement learning: Tutorial, review, and perspectives on open problems. arXiv. doi: 10.48550/arXiv.2005.01643.
  18. Slivkins, A., Xu, Y., & Zuo, S. (2025). Greedy algorithm for structured bandits: A sharp characterization of asymptotic success / failure. arXiv. doi: 10.48550/arXiv.2503.04010.
  19. Slivkins, A. (2019). Introduction to multi-armed bandits. arXiv. doi: 10.48550/arXiv.1904.07272.
  20. Thananjeyan, B., Kandasamy, K., Stoica, I., Jordan, M.I., Goldberg, K., & Gonzalez, J.E. (2021). Resource allocation in Multi-Armed Bandit exploration: Overcoming sublinear scaling with adaptive parallelism. Proceedings of the 38th International Conference on Machine Learning, 139, 10236-10246.
  21. Vernade, С., Gyorgy, A., & Mann, T.A. (2020). Non-stationary delayed bandits with intermediate observations. Proceedings of the 38th International Conference on Machine Learning, 119, 9722-9732.
  22. Xiang, D., West, R., Wang, J., Cui, X., & Huang, J. (2022). Multi Armed Bandit vs. A/B Tests in E-commerce – confidence interval and hypothesis test power perspectives. In KDD ‘22: Proceedings of the 28th ACM SIGKDD conference on knowledge discovery and data mining (pp. 4204-4214). New York: Association for Computing Machinery. doi: 10.1145/3534678.3539144.
  23. Yasinetskyi, O., & Galchenko, I. (2025). AI tools and risk management methods in the scrum project lifecycle. Telecommunications and Information Technologies, 3(88), 106-112. doi: 10.31673/2412-4338.2025.038711.
  24. Zuo, J., & Joe-Wong, C. (2021). Combinatorial multi-armed bandits for resource allocation. In 55th annual conference on information sciences and systems (pp. 1-4). Baltimore: Johns Hopkins University.