Інтелектуальна система прогнозування продуктивності працівників великих ІТ компаній
Автор: Ворожко Віталій Анатолійович
Кваліфікаційний рівень: магістр
Спеціальність: Інформаційні управляючі системи та технології
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2025-2026 н.р.
Мова захисту: українська
Анотація: Актуальність. Традиційні методи оцінювання продуктивності працівників ІТ-компаній характеризуються суб’єктивністю, неоперативністю та розпорошеністю даних, що унеможливлює своєчасне прийняття управлінських рішень та виявлення ризиків зниження ефективності персоналу. Об’єкт дослідження - процес оцінювання та прогнозування продуктивності працівників великих ІТ-компаній. Предмет дослідження - методи машинного навчання для автоматизованого прогнозування продуктивності персоналу на основі метрик робочої активності та HR-даних. Мета дослідження - розроблення інтелектуальної системи прогнозування продуктивності працівників ІТ-компаній з використанням алгоритмів машинного навчання для підвищення об’єктивності та оперативності оцінювання персоналу. Структура роботи. Дана магістерська робота складається зі вступу, чотирьох розділів, висновків, списку використаних джерел та додатків. У першому розділі обґрунтовано актуальність теми, проаналізовано предметну область, сучасні підходи до прогнозування продуктивності. У другому розділі виконано постановку задачі, вибору методів машинного навчання та технологій. У третьому розділі описано технології та інструменти розробки, реалізацію ML-pipeline, структуру бази даних та веб-інтерфейсу системи. У четвертому розділі наведено результати експериментальних досліджень, де представлено результати порівняльного аналізу алгоритмів, оптимізації гіперпараметрів, аналізу важливості ознак та валідації моделей на реальних даних. Методи та інструменти дослідження. У роботі використано алгоритми машинного навчання (XGBoost, Random Forest, Gradient Boosting, Logistic Regression), методи попередньої обробки даних (StandardScaler, OneHotEncoder), оптимізацію гіперпараметрів через Grid Search, крос-валідацію, аналіз важливості ознак, технології Python, Flask, MySQL, scikit-learn, веб-технології HTML/CSS/JavaScript/Bootstrap. Результати та практичне значення. Розроблено інтелектуальну систему прогнозування продуктивності з точністю класифікації 89,4% та коефіцієнтом детермінації R?=0,838, що дозволяє автоматизувати оцінювання персоналу, скоротити час підготовки аналітичної звітності у 3-5 разів та забезпечити об’єктивну підтримку управлінських рішень у великих ІТ-компаніях. Повний обсяг роботи складає 108 сторінок, в тому числі 71 сторінок основного тексту, містить 19 рисунків, 5 таблиць, список використаних джерел налічує 49 найменувань. Ключові слова: інтелектуальна система, машине навчання, прогнозування продуктивності, аналітика даних, Python.