ВИЗНАЧЕННЯ ОПТИМАЛЬНИХ ПАРАМЕТРІВ НЕЙРОМЕРЕЖІ ДЛЯ ОБҐРУНТУВАННЯ РІШЕНЬ В УПРАВЛІННІ ІТ-ПРОЄКТАМИ

Я.О. Колодінська; Г.І. Великоіваненко

doi:10.32782/CMI/D2026-18-3

Я.О. Колодінська Приватний вищий навчальний заклад "Європейський університет"; Київський національний економічний університет імені Вадима Гетьмана https://orcid.org/0000-0002-3330-7565
Г.І. Великоіваненко Київський національний економічний університет імені Вадима Гетьмана https://orcid.org/0000-0001-6326-3965

DOI: https://doi.org/10.32782/CMI/D2026-18-3

Ключові слова: управління ІТ-проєктами, показники ефективності, цифрова економіка, інформаційні технології, нейромережа, кластерний аналіз, оптимізація, кластеризація, карти самоорганізації Кохонена (SOM), кластери

Анотація

Метою статті є оптимізація архітектури карт самоорганізації Кохонена (SOM) для кластеризації показників ефективності ІТ-проєктів як базису для подальшого етапу фазифікації нейро-нечіткого моделювання. Запропонована методика ґрунтується на багатокритеріальній Парето-оптимізації за показниками похибки квантування та топографії у поєднанні з ітераційним підходом за аналогією до бутстреп-ресемплінгу. За результатами тестування визначено оптимальну конфігурацію карти, яка стабільно демонструє Парето-ефективність та забезпечує виділення п'яти стійких кластерів за показником рентабельності інвестицій ROI. Практичне застосування розробленої методики дозволяє мінімізувати суб'єктивізм і підвищити точність оцінювання успішності ІТ-продуктів для обґрунтування прийняття рішень в управлінні ІТ-проєктами в умовах динамічної цифрової економіки.

Посилання

Zadeh L. A. Fuzzy logic–a personal perspective. Fuzzy Sets and Systems. 2015. Vol. 281. P. 4–20. DOI: https://doi.org/10.1016/j.fss.2015.05.009

Haykin S. Neural networks and learning machines. 3rd ed. Pearson Education, 2009. 936 p. URL: https://dai.fmph.uniba.sk/courses/NN/haykin.neural-networks.3ed.2009.pdf

Kohonen T. Self-organizing maps. 3rd ed. Berlin : Springer, 2001. 501 p. URL: https://books.google.com.ua/books/about/Self_Organizing_Maps.html?id=e4igHzyfO78C&redir_esc=y

Vesanto J., Alhoniemi E. Clustering of the self-organizing map. IEEE Transactions on Neural Networks. 2000. Vol. 11, № 3. P. 586–600. DOI: https://doi.org/10.1109/72.846731

Kiviluoto K. Topology preservation in self-organizing maps. Proceedings of International Conference on Neural Networks (ICNN'96). 1996. P. 294–299. DOI: https://doi.org/10.1109/ICNN.1996.548907

Матвійчук А. В. Нейронні мережі в економіці : монографія. Київ : КНЕУ, 2011. 439 с.

Великоіваненко Г.І., Мамонова К. Комплекс економіко-математичних моделей оцінювання інвестиційної привабливості суб’єктів господарювання. Нейро-нечіткі технології моделювання в економіці. 2012. № 1. С. 65-96. DOI: http://doi.org/10.33111/nfmte.2012.065

Пахомова В.М., Сухомлин О.О. Дослідження самоорганізуючої карти Кохонена щодо виявлення мережевих атак категорії R2L. Вісник Херсонського національного технічного університету. 2023. № 2(85). С. 203-209. DOI: https://doi.org/10.35546/kntu2078-4481.2023.2.28

Efron B., Tibshirani R. An introduction to the bootstrap. New York : Chapman & Hall, 1994. 456 p.

Оlena Skliarenko, Аnatolii Pashko, Leonid Lytvynenko, Yanina Kolodinska. Deep learning models for solving the problem of comparing unstructured textual information. Bulletin of Taras Shevchenko National University of Kyiv. Physical and Mathematical Sciences. 2025. № 80(1), P. 157-163. DOI: https://doi.org/10.17721/1812-5409.2025/1.21

Zhytkevych, O., Matviychuk, A., Kmytiuk, T. Modeling Nations’ Decarbonisation Potential / Ortiz-Rodríguez, F., Tiwari, S., Usoro Usip, P., Palma, R. (eds) : Electronic Governance with Emerging Technologies. Communications in Computer and Information Science. 2023. Vol 1888. P. 60-77. Springer, Cham. DOI: https://doi.org/10.1007/978-3-031-43940-7_6

Піскунова О.В., Савіна С.С. Визначення оптимальних параметрів нейромережі для прогнозування успішності стартапів. The 9 th International scientific and practical conference “Modern research in world science”(November 28-30, 2022) SPC “Sci-conf. com. ua”, Lviv, Ukraine. 2022. С. 1661-1665. URL: https://dspace.wunu.edu.ua/bitstream/316497/48282/1/MODERN-RESEARCH-IN-WORLD-SCIENCE-28-30.11.2022.pdf#page=1661

Мірошниченко І. В. Модель оцінювання інвестиційного потенціалу країни. Інвестиції: практика та досвід. 2016. № 7. С. 81–85. URL: http://www.investplan.com.ua/?op=1&z=4954&i=12

Matviychuk A., Lukianenko O., Miroshnychenko I. Neuro-fuzzy model of country’s investment potential assessment. Fuzzy Economic Review. 2019. Vol. 24, №с2. P. 65–88. DOI: https://doi.org/10.25102/fer.2019.02.04.

Zadeh, L. A. (2015). Fuzzy logic–a personal perspective. Fuzzy Sets and Systems, no. 281, pp. 4-20. DOI: https://doi.org/10.1016/j.fss.2015.05.009

Haykin, S. (2009). Neural networks and learning machines (3rd ed.). Pearson Education. Available at: https://dai.fmph.uniba.sk/courses/NN/haykin.neural-networks.3ed.2009.pdf

Kohonen, T. (2001). Self-organizing maps (3rd ed.). Springer. Available at: https://books.google.com.ua/books/about/Self_Organizing_Maps.html?id=e4igHzyfO78C&redir_esc=y

Vesanto, J., & Alhoniemi, E. (2000). Clustering of the self-organizing map. IEEE Transactions on Neural Networks, no. 11(3), pp. 586-600. DOI: https://doi.org/10.1109/72.846731

Kiviluoto, K. (1996). Topology preservation in self-organizing maps. Proceedings of International Conference on Neural Networks (ICNN'96), pp. 294-299. DOI: https://doi.org/10.1109/ICNN.1996.548907

Matviychuk, A. V. (2011). Neironni merezhi v ekonomitsi: monohrafiia [Neural networks in economics: monograph]. Kyiv : KNEU. (in Ukrainian)

Velykoivanenko, H. I., & Mamonova, K. (2012). Kompleks ekonomiko-matematychnykh modelei otsiniuvannia investytsiinoi pryvablyvosti subiektiv hospodariuvannia [Complex of economic and mathematical models for evaluating the investment attractiveness of business entities]. Neiro-nechitki tekhnolohii modeliuvannia v ekonomitsi, no. 1, pp. 65-96. DOI: http://doi.org/10.33111/nfmte.2012.065 (in Ukrainian)

Pakhomova, V. M., & Sukhomlyn, O. O. (2023). Doslidzhennia samoorhanizuiuchoi karty Kokhonena shchodo vyiavlennia merezhevykh atak katehorii R2L [Research of the Kohonen self-organizing map regarding the detection of R2L category network attacks]. Visnyk Khersonskoho natsionalnoho tekhnichnoho universytetu, no. 85(2), pp. 203-209. DOI: https://doi.org/10.35546/kntu2078-4481.2023.2.28 (in Ukrainian)

Efron, B., & Tibshirani, R. (1994). An introduction to the bootstrap. New York : Chapman & Hall. 456 p.

Skliarenko, O., Pashko, A., Lytvynenko, L., & Kolodinska, Y. (2025). Deep learning models for solving the problem of comparing unstructured textual information. Bulletin of Taras Shevchenko National University of Kyiv. Physical and Mathematical Sciences, no. 80(1), pp. 157-163. DOI: https://doi.org/10.17721/1812-5409.2025/1.21

Zhytkevych, O., Matviychuk, A., & Kmytiuk, T. (2023). Modeling Nations’ Decarbonisation Potential. In F. Ortiz-Rodríguez, S. Tiwari, P. Usoro Usip, & R. Palma (Eds.), Electronic Governance with Emerging Technologies. Communications in Computer and Information Science. vol. 1888, pp. 60-77. Springer. DOI: https://doi.org/10.1007/978-3-031-43940-7_6

Piskunova, O. V., & Savina, S. S. (2022). Vyznachennia optymalnykh parametriv neironmerezhi dlia prohnozuvannia uspishnosti startapiv [Determination of optimal neural network parameters for predicting the success of startups]. In Modern research in world science: Proceedings of the 9th International scientific and practical conference (pp. 1661-1665). Available at: https://dspace.wunu.edu.ua/bitstream/316497/48282/1/MODERN-RESEARCH-IN-WORLD-SCIENCE-28-30.11.2022.pdf#page=1661 (in Ukrainian)

Miroshnychenko, I. V. (2016). Model otsiniuvannia investytsiinoho potentsialu krainy [Model for assessing the investment potential of the country]. Investytsii: praktyka ta dosvid, no. 7, pp. 81-85. Available at: http://www.investplan.com.ua/?op=1&z=4954&i=12 (in Ukrainian)

Matviychuk, A., Lukianenko, O., & Miroshnychenko, I. (2019). Neuro-fuzzy model of country’s investment potential assessment. Fuzzy Economic Review, no. 24(2), pp. 65-88. DOI: https://doi.org/10.25102/fer.2019.02.04 (in Ukrainian)