Yazılım projelerinde risk-duyarlı kaynak-kısıtlı çizelgeleme için llm ve makine öğrenmesi tabanlı hibrit bir yaklaşım
A Hybrid Approach Based on LLM and Machine Learning for Risk-Aware Resource-Constrained Project Scheduling in Software Projects
- Tez No: 1018098
- Danışmanlar: PROF. DR. ERSİN NAMLI
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Kaynak kısıtlı çizelgeleme, Risk modellemesi, İnsan-yapay zeka etkileşimi, İstatistiksel modelleme, Resource constrained scheduling, Risk modelling, Human-artificial intelligence interaction, Statistical modelling
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, yazılım projelerinin sprint planlama süreçlerinde karşılaşılan süre tahmin belirsizliklerini ve kaynak kısıtlı çizelgeleme problemlerini azaltmak amacıyla, Büyük Dil Modelleri (LLM), makine öğrenmesi ve matematiksel optimizasyon tekniklerini bütünleştiren hibrit bir karar destek sistemi geliştirilmiştir. Çalışma kapsamında, doğal dil işleme tabanlı semantik öznitelik çıkarımı ile gradyan artırma tabanlı regresyon modelleri ve risk-duyarlı kaynak kısıtlı proje çizelgeleme yaklaşımı bir araya getirilmiştir. Önerilen yöntemde, JIRA tabanlı proje yönetim kayıtlarında yer alan görev başlıkları ve açıklamalarından, GPT-4o-mini modeli kullanılarak zero-shot ve few-shot prompting stratejileri aracılığıyla altı boyutlu semantik skor seti (complexity, ambiguity, scope, risk, testing_need, dependency_risk) üretilmiştir. Elde edilen bu semantik öznitelikler; geleneksel proje değişkenleri (HoursEstimate, görev türü, proje kodu, alt kategori vb.) ile birleştirilerek XGBoost ve LightGBM modellerinde işlenmiştir. Böylece, hem noktasal süre tahminleri hem de olasılıksal belirsizlik aralıkları üreten bütünleşik bir tahmin mimarisi oluşturulmuştur. Araştırmada kullanılan veri seti, Jones ve Cullum (2019) tarafından yayımlanan SiP (Software in Production) ticari yazılım veri setidir. Veri seti; 19 farklı proje, 22 geliştirici ve toplam 8.919 görev kaydına ait proje yönetimi verilerini içermektedir. Veri ön işleme aşamalarının ardından görev kayıtları üzerinde deneysel analizler gerçekleştirilmiş; farklı risk ve geliştirici senaryoları altında optimizasyon çözümleri uygulanmıştır. Çizelgeleme sonuçları Gantt şemaları ve Kritik Yol Analizi (Critical Path Method - CPM) ile değerlendirilmiştir. Deneysel bulgular, geliştirilen hibrit modelin insan proje yöneticisi tahminlerine kıyasla Ortalama Mutlak Hata (MAE) değerini 3,48 saatten 2,97 saate düşürerek %14,6 oranında iyileşme sağladığını göstermektedir. Bootstrap güven aralığı analizlerinde bu iyileşmenin istatistiksel olarak anlamlı olduğu belirlenmiştir (p < 0,000001). Ayrıca, LightGBM tabanlı quantile regression modeli %76,8 kapsama oranına sahip güven aralıkları üretmiş; risk-duyarlı RCPSP optimizasyon modeli ise yüksek riskli görevleri proje zaman çizelgesinde daha erken aşamalara taşıyarak proje akışının dayanıklılığını artırmıştır. Elde edilen sonuçlar, LLM tabanlı semantik özniteliklerin doğrudan süre tahmini yerine, makine öğrenmesi ve optimizasyon modellerini besleyen açıklayıcı girdiler olarak kullanıldığında daha etkili sonuçlar üretebildiğini göstermektedir. Çalışma, yazılım proje yönetiminde geleneksel tek noktalı tahmin yaklaşımından, belirsizlik altında veri destekli ve risk duyarlı karar destek sistemlerine geçiş açısından önemli metodolojik katkılar sunmaktadır.
Özet (Çeviri)
This thesis proposes a hybrid decision support system that integrates Large Language Models (LLMs), machine learning, and mathematical optimization techniques to reduce duration estimation uncertainties and resource-constrained scheduling problems encountered in software project sprint planning processes. Within the scope of the study, a unified framework combining natural language processing–based semantic feature extraction, gradient boosting regression models, and a risk-aware resource-constrained project scheduling approach was developed. In the proposed methodology, six-dimensional semantic score sets (complexity, ambiguity, scope, risk, testing_need, and dependency_risk) were generated from task titles and descriptions obtained from JIRA-based project management records using the GPT-4o-mini model through zero-shot and few-shot prompting strategies. These semantic features were combined with traditional project variables (e.g., HoursEstimate, task type, project code, and subcategory) and processed using XGBoost and LightGBM models. As a result, an integrated estimation architecture capable of producing both point-based duration predictions and probabilistic uncertainty intervals was established. The dataset used in this research is the SiP (Software in Production) commercial software dataset published by Jones and Cullum (2019). The dataset contains project management records from 19 different projects, 22 developers, and a total of 8,919 software tasks. Following data preprocessing procedures, experimental analyses and optimization experiments were conducted under different risk and developer scenarios. Scheduling results were evaluated through Gantt charts and Critical Path Method (CPM) analyses. Experimental findings indicate that the proposed hybrid model reduced the Mean Absolute Error (MAE) from 3.48 hours to 2.97 hours compared to human project manager estimates, corresponding to a 14.6% improvement in prediction accuracy. Bootstrap confidence interval analyses demonstrated that this improvement was statistically significant (p < 0.000001). Furthermore, the LightGBM-based quantile regression model produced uncertainty intervals with a 76.8% coverage rate, while the risk-aware RCPSP optimization module increased project robustness by prioritizing high-risk tasks at earlier stages of the project schedule. The results demonstrate that LLM-based semantic features are more effective when utilized as explanatory inputs supporting machine learning and optimization models rather than being directly transformed into duration estimates. Overall, the study provides important methodological contributions toward transitioning from traditional single-point estimation approaches to data-driven and risk-aware decision support systems under uncertainty in software project management.
Benzer Tezler
- Assessment of urbanization history of Addis Ababa city, Ethiopia
Addıs Ababa cıty, Ethıopıa'nın kentleşme tarihinin değerlendirilmesi
ABDURAHMAN HUSSEN YIMER
Yüksek Lisans
İngilizce
2023
Şehircilik ve Bölge PlanlamaMersin ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
DOÇ. DR. ALİ CENAP YOLOĞLU
- Sermaye bütçelemesinde risk analiz yöntemleri ve değerlendirilmesi
Risk analysis medhods in capital budgeting and their evalution
ALİ SİNAN SARIASLAN
- A dataset quality enhancement method for fine-grained just-in-time software defect prediction models
İnce taneli tam zamanında yazılım hata tahmin modelleri için veri kalitesi iyileştirme yöntemi
İREM FİDANDAN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FEZA BUZLUCA
- Kubbeli cami tasarımında kasnak pencerelerinin açık veya kapalı durumunun duman ve sıcaklık yayılımına etkisinin yangın dinamik simülasyonu ile analizi
Analysis of the open or closed conditions of drum windows effect on smoke and temperature propagation with fire dynamics simulation in domed mosque design
SEMAHAT MERVE TOP
Yüksek Lisans
Türkçe
2021
MimarlıkGazi ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. ABDURRAHMAN YAĞMUR TOPRAKLI
- Yazılım projelerinde risk yönetimi
Risk management in software projects
ALAA E. YOUNİS
Yüksek Lisans
Türkçe
2011
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. O. AYHAN ERDEM