Стаття

Отримано 10.08.2025

Доопрацьовано 24.11.2025

Прийнято 29.12.2025

Взято з Том 28, № 2, 2025

Сторінки 151 -167

Nesterenko, O. (2025). Methodological aspects and models for assessing the effectiveness of artificial intelligence in project management. The National Transport University Bulletin: A Scientific and Technical Journal, 28(2), 151-167. https://doi.org/10.32703/2617-9040-2025-46-11

Методологічні аспекти та моделі оцінки ефективності штучного інтелекту в управлінні проєктами

Олексій Нестеренко

Швидка інтеграція штучного інтелекту в управління проєктами пропонує значний потенціал  для  підвищення  продуктивності  завдяки  автоматизації  даних,  моніторингу ефективності та оптимізації розкладів. Однак виклики, такі як "ефективна неефективність" та  варіативність  результатів  моделей  ШІ,  ускладнюють  оцінку  ефективності.  У  статті аналізуються  методологічні  аспекти  оцінки  ефективності  ШІ  в  управлінні  проєктами, класифікуються  існуючі  методи  (бенчмарки,  пояснювальний  штучний  інтелект,  взаємна інформація,  психометрія),  ідентифікуються  ключові  виклики  (упередження,  відсутність стандартів, етичні обмеження) та пропонуються нові метрики (ПАНК, КНУПШ, ДОПШ) для вимірювання  інновацій.  Зазначено  потенціал  цих  підходів  для  проєктів  транспортної інфраструктури,  де  ШІ  даєзмогу  створювати  принципово  нові  можливості  в  плануванні, прогнозуванні  обслуговування  та  оптимізації  ресурсів.  Перспективи  включають  гібридні метрики та інтеграцію з системами підтримки прийняття рішень. Дослідження підкреслює необхідність міждисциплінарних підходів для адаптації оцінки ШІ до середовищ в управлінні проєктами з обмеженими ресурсами

модель; машинне навчання; бенчмарк; оцінка ефективності; методологія; когнітивні моделі; системний аналіз; управління проєктом; штучний інтелект; СППР
  1. Müller, R., Locatelli, G., Holzmann, V., Nilsson, M., & Sagay, T. (2024). Artificial intelligence and project management: Empirical overview, state of the art, and guidelines for future research. Project Management Journal, 55(1), 9–15. https://doi.org/10.1177/87569728231225198
  2. Mills, S., & Spencer, D. A. (2025). Efficient inefficiency: Organisational challenges of realising economic gains from AI. Journal of Business Research, 189, 115128. https://doi.org/10.1016/j.jbusres.2024.115128
  3. Edwards, J. (2025). How to measure AI efficiency and productivity gains. In InformationWeek (Ed.), AI and Machine Learning Insights. Available from: https://www.informationweek.com/machine-learning-ai/how-to-measure-ai-efficiency-and-productivity-gains
  4. Burden, J. (2024). Evaluating AI evaluation: Perils and prospects. arXiv preprint arXiv:2407.09221. https://doi.org/10.48550/arXiv.2407.09221
  5. Challapally, A., & Pease, C. (2025). AI trends and innovations in 2025. In Artificial Intelligence News (Ed.), Annual AI Report. Available from: https://www.artificialintelligence-news.com/wp-content/uploads/2025/08/aireport2025.pdf
  6. Wang, A., Pruksachatkun, Y., Nangia, N., Singh, A., Michael, J., Hill, F., … Bowman, S. (2019). SuperGLUE: A stickier benchmark for general-purpose language understanding systems. Advances in Neural Information Processing Systems, 32, 1–15. https://doi.org/10.48550/arXiv.1905.00537
  7. Zhang, M., Wang, H., Li, J., & Gao, H. (2020). Learned sketches for frequency estimation. Information Sciences, 507, 365–385. https://doi.org/10.1016/j.ins.2019.08.045
  8. Ribeiro, M. T., Singh, S., & Guestrin, C. (2016, August). “Why should I trust you?” Explaining the predictions of any classifier. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 1135–1144). https://doi.org/10.1145/2939672.2939778
  9. Arrieta, A. B., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., … Herrera, F. (2020). Explainable artificial intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82–115. https://doi.org/10.1016/j.inffus.2019.12.012
  10. Doshi-Velez, F., & Kim, B. (2017). Towards a rigorous science of interpretable machine learning. arXiv preprint arXiv:1702.08608. https://doi.org/10.48550/arXiv.1702.08608
  11. Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30. https://doi.org/10.48550/arXiv.1705.07874
  12. Olah, C., Mordvintsev, A., & Schubert, L. (2017). Feature visualization. Distill, 2(11), e7. https://distill.pub/2017/feature-visualization
  13. Tishby, N., Pereira, F. C., & Bialek, W. (2000). The information bottleneck method. arXiv preprint physics/0004057. https://doi.org/10.48550/arXiv.physics/0004057
  14. Hernandez-Orallo, J. (2017). Evaluating intelligence across species and machines. In The Measure of All Minds (pp. 50–100). Cambridge, UK: Cambridge University Press. https://doi.org/10.1017/9781316596654
  15. McKinsey & Company. (2023). Generative AI’s impact on business in 2023. In The State of AI Report (pp. 10–25). New York, NY: McKinsey & Company. Available from: https://www.mckinsey.com/business-functions/mckinsey-digital/our-insights/the-state-of-ai-in-2023
  16. World Intellectual Property Organization (WIPO). (2023). Trends in AI technology development. Technology Trends 2023: Artificial Intelligence. Geneva, Switzerland: WIPO.
  17. Mehrabi, N., Morstatter, F., Saxena, N., Lerman, K., & Galstyan, A. (2021). A survey on bias and fairness in machine learning. ACM Computing Surveys, 54(6), 1–35. https://doi.org/10.1145/3457607
  18. MIT. (2025). Business applications of AI in 2025. The State of AI in Business 2025 (pp. 5–20). Cambridge, MA: MIT Press. Available from: https://www.mit.edu/ai-report-2025
  19. Nesterenko, O., & Kulbovskyi, I. (2024). Mathematical framework of transformer-based artificial intelligence architectures in large language models for the development of intelligent agents. Science and Technology Today, 5(46).

https://doi.org/10.32703/2617-9040-2025-46-11