Введение В условиях глобальной цифровой трансформации эффективное управление ИТ-проектами определяет конкурентоспособность ИТ-организаций [1, 2]. Согласно ежегодному отчету Standish Group “CHAOS Report”, только 35–39 % ИТ-проектов успешно завершаются в срок и в рамках выделенного бюджета. Примерно 19 % терпят полный провал, и аналитики Gartner и PMI указывают, что основной причиной таких неудач является неэффективное управление качеством на всех этапах жизненного цикла разработки ИТ-проекта [2]. Анализ российских и зарубежных подходов указывает на отсутствие эффективных инструментов для управления качеством ИТ-проектов в условиях нестабильности внешней среды, высокой сложности проектов и высокой цены ошибок. Часть работ по управлению качеством ИТ-проекта основаны на применении экономических методик: функционально-стоимостного анализа проекта, структурирования функций качества проекта, анализа последствий и причин отказов, анализа ценности и стоимости качества проекта и пр. [3]. Другие подходы к управлению качеством ИТ-проекта носят преимущественно реактивный характер, направленный на исправление уже возникших дефектов (ошибок, сбоев или неисправностей), а не на прогнозирование и предупреждение их возникновения [4]. Проблемы, как правило, выявляются на поздних этапах разработки, когда их исправление требует максимальных ресурсов. Современный контекст разработки программного обеспечения включает в себя краткие и периодические циклы развертывания нового кода, постоянные изменения требований от заказчика, что требует перехода к проактивному управлению качеством. Взаимодействие множества участников ИТ-проекта, нелинейные социально-психологические связи между заказчиком, исполнителем и членами команды, стохастический характер процессов, слабо структурированные и формализованные данные при реализации ИТ-проекта определяют понятийную сложность и неопределенность объекта исследования, высокую размерность задачи анализа и обуславливают необходимость применения имитационных моделей, усиленных нейросетевыми технологиями [4, 5].Актуальной задачей становится повышение эффективности управления качеством ИТ-проектов на основе комплексного применения имитационного и нейросетевого моделирования, позволяющего не только выявлять узкие места и прогнозировать риски в детерминированных сценариях, но и адаптивно обучаться на исторических данных проекта, выявлять сложные паттерны деградации качества и формировать персонализированные рекомендательные управленческие воздействия на ранних этапах разработки [6–8].  Особенности управления качеством ИТ-проектовУправление ИТ-проектами представляет собой специализированную область теории управления организационными системами, которая сосредоточена на применении алгоритмов и методов для достижения уникальных целей при ограниченных ресурсах, точных дедлайнов и требований к качеству разрабатываемого программного обеспечения [1, 9]. В отличие от традиционных проектов ИТ-проект обладает характеристиками, определяемыми типом программного продукта и особенностями его реализации. Одной из ключевых характеристик ИТ-проекта является нематериальность промежуточных результатов. В отличие от физических продуктов программный код, архитектурные решения и их качество не поддаются точной верификации на ранних стадиях разработки. Данные условия создают трудности при объективной оценке качества и риск накопления скрытых дефектов, что потенциально может проявиться в production-среде. Под влиянием обратной связи от клиентов, изменчивости требований, рыночных изменений, технологических инноваций сходные спецификации подвержены постоянной корректировке [10, 11].ИТ-проект характеризуется высокой размерностью пространства параметров и многочисленными обратными связями между заказчиком, исполнителем и членами команды. Каждый ИТ-проект как элемент организационной системы ИТ-компании включает в себя 3 основных подсистемы: управляющую, техническую и социальную. Структура взаимодействия подсистем ИТ-проекта представлена на рис. 1.    Рис. 1. Системные взаимосвязи ИТ-проекта и его подсистем Fig. 1. System interrelations of an IT project and its subsystems  Принятое управленческое решение, касающееся одной из подсистем ИТ-проекта, часто порождает эффекты взаимодействия в других ее частях, создавая сложные причинно-следственные связи. Весь процесс разработки ИТ-проекта является интеллектуальной деятельностью, где качество конечного продукта напрямую определяется навыками, мотивацией и взаимодействиями между командами. Данная зависимость имеет нелинейный характер и слабо формализуется, т. е. незначительные изменения состава команды или уменьшение мотивации может привести к существенным  отклонениям во всем цикле разработки [12].Накопленные проблемы управления качеством в ИТ-проектах образуют комплекс взаимосвязанных рисков. Систематизация ключевых проблем управления качеством ИТ-проектов и их характеристик представлена в табл. 1. Таблица 1Table 1Ключевые проблемы управления качеством ИТ-проектовKey issues of IT project quality managementПроблемаОписаниеВлияние на качествоПричины возникновенияНакоплениетехнического долгаСовокупность проблемв кодовой базе, архитектуреи процессах, возникающих при ускорении разработкиЭкспоненциальный рост затрат на поддержку,снижение скоростиразработки новых функцийДавление сроков; недостаток ресурсов, отсутствиесистемного управленияРеактивныйконтроль качестваОриентированность наобнаружение и исправление уже возникших дефектов вместо их прогнозированияВыявление проблемна поздних этапах,максимальные затратына исправлениеТрадиционное финальное тестирование, не адекватное коротким циклам разработкиПротиворечие между качеством и скоростьюПостоянное противоречие между требованияминадежности и срокамивыхода на рынокВынужденное снижение качества продукта;накопление дефектовРыночные требованияк скорости; ограниченность ресурсовПроблема координации и коммуникацииТерминологические разрывы между участниками(заказчики, аналитики,разработчики, тестировщики)Искажение требований,несвоевременное выявление дефектовСложность многоуровневого взаимодействия; недостаток единого информационного пространстваНедостатокисторических данныхДефицит собственныхданных о проектах дляанализа и прогнозированияНевозможность построить точные прогностические моделиМалый объем завершенных проектов (стартапы, малые ИТ-компании), отсутствие систем сбора метрик  Сложный характер этих проблем требует системного подхода к управлению качеством ИТ-проекта. Решение задачи эффективного управления качеством в ИТ-проекте требует формализации сложных взаимосвязей между параметрами проекта и метриками качества [11, 13]. Многие процессы в разработке программного обеспечения имеют вероятностный характер и не могут быть описаны детерминированными уравнениями, необходимо применение методов, способных работать с неопределенностью и проверять гипотезы о поведении системы в различных ситуациях. Имитационное моделирование предоставляет такую возможность, позволяя на этапе планирования проекта проводить детальный анализ различных стратегий управления качеством ИТ-проекта, оценить последствия управленческих решений и выявить критические зависимости, которые остаются скрытыми при традиционном анализе изолированных метрик. В свою очередь, нейросетевое моделирование дополняет и расширяет имитационный подход, обеспечивая обработку слабо структурированных данных, аппроксимацию линейных зависимостей, таких как влияние мотивации команды на скорость разработки, и создание адаптивных систем, способных обучаться на исторических данных проектов ИТ-компании для выявления неоднозначных и скрытых паттернов деградации качества проекта и генерации персонализированных рекомендаций. Необходимость подхода к интеграции этих методов моделирования требует системного анализа системы управления качеством ИТ-проекта в части определения места и роли в ее структуре предлагаемых методов моделирования. Данный анализ позволит формализовать управление качеством как процесс оптимального выбора воздействий u  U, обеспечивающий достижение требуемого уровня качества z  Z при неопределенной обстановке θ   Θ [14], где имитационное моделирование выступает генератором сценариев, а нейросетевые модели – инструментом предиктивной аналитики и адаптации. Системный анализ структуры управления качеством ИТ-проектаРассмотрим ИТ-проект с точки зрения теории организационных систем как совокупность взаимосвязанных агентов (процессов управления качеством ИТ-проекта), находящихся под воздействием внешней среды и управляющих воздействий [1]. Концептуальная структура системы управления качеством ИТ-проекта как элемента организационной системы представлена на рис. 2.   Рис. 2. Концептуальная структура системы управления качеством ИТ-проекта Fig. 2. The conceptual structure of the IT project quality management system  На вход управляемого объекта (ИТ-проект) подаются управляющие воздействия y = (y1, y2, y3, y4) Î A = (A1, A2, A3, A4) и внешние воздействия q Î Q, на выходе – результат: состояние качества ИТ-проекта, включающий итоговые метрики качества, бюджет и сроки q Î A0, который зависит от действия y Î A и обстановки q Î Q следующим образом: q = w (y, q). Роль управляющего органа (центра) в структуре управления проектом выполняет руководитель проекта (см. рис. 2). Управляемыми субъектами или агентами являются процессы принятия решений управления качеством ИТ-проекта Ψi: агент организации команды и процессов Ψ1 (ОКП), агент разработки и изменения функционала Ψ2 (РИФ), агент тестирования и контроля качества Ψ3 (ТКК) и агент управления техническим долгом и архитектурой Ψ4 (ТДА). В представленной структуре (см. рис. 2) вектор управляющих воздействий от центра u = (u1, u2, u3, u4) адресован агентам ОКП, РИФ, ТКК и ТДА.Каждый агент принятия решений в области качества ИТ-проекта Ψi генерирует действия yi по отношению к объекту управления (ИТ-проекту), находящемуся под влиянием внешней среды θ Î Θ, а состояние качества проекта q Î A0 по каналам обратной связи возвращается в центр, к руководителю ИТ-проекта, замыкая контур управления. Обратная связь обеспечивает ИТ-компанию, агентов управления качеством и руководителя проекта информацией о проекте. В общем виде модель принятия решений агентами ОКП, РИФ, ТКК и ТДА описывается следующим кортежем [9]:Yi = {A i, A0, Q, Wi (×), l(×), Ii},где i Î N = {1, 2, 3, 4}, т. е. множествами допустимых действий A = (A1, A2, A3, A4), допустимых результатов деятельности A0, неопределенности обстановки θ = (θreq, θmarket, θreg)  где θreq – интенсивность изменения требований, θmarket – рыночное давление, θreg – регуляторные ограничения [11, 12]; функциями: полезности l1(×), l2(×), l3(×), l4(×) для агентов (управляемых субъектов) ОКП, РИФ, ТКК и ТДА и связями между действиями, обстановкой и результатом деятельности W1(×), W2(×), W3(×), W4(×) для ОКП, РИФ, ТКК и ТДА; а также информацией I = (I1, I2, I3, I4), которой обладают агенты ОКП, РИФ, ТКК и ТДА на момент принятия решений. Характеристики процессов ОКП, РИФ, ТКК и ТДА представлены в табл. 2.  Таблица 2Table 2Характеристики агентов принятия решений управления качеством в ИТ-проектеCharacteristics of quality management decision-making agents in an IT projectПроцесс ΨiФункции полезности агентов управления качеством ИТ-проектаΨ1: ОКПl1(Steam, H, Lcomm): определяет социальное состояние ИТ-проекта,где Steam – размер и структура команды проекта, H – усредненный уровень компетенцийкоманды проекта, Lcomm – качество коммуникацийΨ2: РИФl2(SP, СС, F): формирует основное техническое состояние ИТ-проекта, где SP – производительность системы, СС – сложность кода, F – функциональностьΨ3: ТККl3(COV, Pdefect): воздействует на техническое состояние ИТ-проекта, в частности на метрикитестового покрытия (COV  – branch/unit coverage), и способствует выявлению дефектов (Pdefect)Ψ4: ТДАl4(TD, qcode): влияет на техническое состояние ИТ-проекта, в частности на величинутехнического долга TD и показатели качества кода qcode ⊂ qprod  Структура системы управления качеством ИТ-проекта представлена кортежемY0 = {UA, Ul, UI, A0, Q, W(×), l0(×), I0},где UA = (UA1, UA2, UA3, UA4) – институциональное управление; Ul = (Ul1, Ul2, Ul3, Ul4) – мотивационное управление; UI = (UI1, UI2, UI3, UI4) – информационное управление [9]; A0 – множество допустимых результатов деятельности управляемых субъектов в разрезе качества ИТ-проекта; Q – множество обстановок; W (×) – зависимость результата деятельности от действия и обстановки; l0(×) – функция полезности; I0 – информация, имеющаяся у руководителя проекта (центра) для принятия решения. «Действия» агентов (управляемых субъектов) ОКП, РИФ, ТКК и ТДА называют стратегиями: . Совокупность стратегий  Î  называется обстановкой для i-го агента (ОКП, РИФ, ТКК и ТДА). Задача управления качеством ИТ-проекта формально может быть сформулирована следующим образом: найти допустимое управление, имеющее приемлемое качество, т. е. .Каждый агент ОКП, РИФ, ТКК и ТДА через воздействие от центра ui вносит свой вклад в формирование функций полезности l1(×), l2(×), l3(×), l4(×) (см. табл. 2), которое эволюционирует под воздействием внешней среды θ согласно закону функционирования Ω [11, 12]. При этом l1(×) характеризует социальную составляющую ИТ-про-екта, а l2(×), l3(×), l4(×) – его техническое состояние. Качество ИТ-проекта проекта q(t) как характеристику, изменяющуюся во времени, можно рассмотреть в виде совокупности функций q(t) = g(qprod(t), qproc(t), qproj(t)), где qprod(t) – качество ИТ-продукта, qproc(t) – качество процессов и qproj(t) – управления проектом. На концептуальном уровне структура системы управления качеством ИТ-проекта демонстрирует последовательную логику управления. Внешняя среда θ непосредственно воздействует как на сам объект управления (ИТ-проект), так и на четыре ключевых агента (Ψ1–Ψ4). Между этими агентами существуют системные взаимосвязи: например, эффективность процесса разработки (Ψ2) зависит от качества организации команды (Ψ1), а процесс управления техническим долгом (Ψ4) требует информации от тестирования (Ψ3). Агрегированный показатель их взаимодействия – показатель качества q(t) – поступает по каналам обратной связи в управляющий центр Ψ0, где на его основе формируются новые управляющие воздействия ui, замыкая контур управления [1, 13]. Такая структура управления качеством ИТ-проекта, с точки зрения теории организационных систем, позволяет:1. Интерпретировать управление качеством ИТ-проекта как задачу максимизации возможного уровня качества к моменту T завершения проекта, с учетом затрат Cost на реализацию выбранной стратегии управления качеством и риска его недостижения Risk [2].2. Обосновать декомпозицию процессов: разработки, тестирования, управления техническим долгом и коммуникаций в команде, как субмодели с последующей интеграцией в имитационную модель.3. Представить каждый процесс отдельной субмоделью с набором параметров и вероятностных зависимостей, которые отражают специфику его функционирования в общей системе.4. Интегрировать нейросетевые субмодели для предиктивной аналитики и формирования управленческих решений. Построенные субмодели должны быть интегрированы в контур системы управления качеством ИТ-проекта, являющейся по сути цифровым двойником при исследовании различных управленческих сценариев и выборе наиболее эффективных стратегий управления качеством [15, 16]. Алгоритм взаимодействия имитационной и нейросетевой моделейПредложенная концептуальная структура (см. рис. 2) создает формальную основу для управления качеством ИТ-проекта на основе имитационного моделирования, однако ее практическая ценность и эффективность существенно возрастает при интеграции нейросетевого моделирования [6]. Нейросетевое моделирование предлагает механизм для решения ключевых проблем имитационного подхода, таких как аппроксимация слабоформализуемых зависимостей и адаптивное прогнозирование на основе ограниченных данных и знаний. Нейросетевые модели могут быть интегрированы в формализованную систему Y0 = {UA, Ul, UI, A0, Q, W(×), l0(×), I0} на нескольких уровнях. В качестве функции зависимости результата деятельности от действия и обстановки W(×) предлагается использовать нейросеть, обученную на исторических данных. Такой подход позволит точнее  выявлять  нелинейные  связи,  особенно в социальной подсистеме и при взаимодействии процессов, выполняя аналитические функции [17]. Как предиктивный блок в управляющем центре Ψ₀ нейросетевая модель может прогнозировать будущее состояние системы или конечное качество всего ИТ-проекта, генерируя рекомендации управленческих воздействий u, влияющие на качество, тем самым обеспечивая переход к предиктивному режиму управления. Нейросетевая модель представлена в виде аналитического модуля для обработки неструктурированных данных. Процессы управления качеством ИТ-проекта u = (u1, u2, u3, u4) формируют информацию для загрузки  в нейросетевую модель в виде показателей и характеристик, обогащающих функции полезности l1(×), l2(×), l3(×), l4(×) ИТ-проекта и влияющих на повышение показателя эффективности модели [10].Максимальный синергетический эффект достигается при создании циклической интегрированной системы (рис. 3), где имитационное и нейросетевое моделирование взаимно дополняют друг друга в рамках замкнутого контура управления качеством ИТ-проекта.    Рис. 3. Схема управления качеством ИТ-проекта на основе интеграции имитационной и нейросетевой моделей Fig. 3. An IT project quality management scheme based on the integration of simulation and neural network models  В такой системе руководитель проекта может задавать сценарии для прогона имитационной модели, благодаря которым формируются синтетические данные, приближенные по своим свойствам к реальным. Имитационная модель позволяет проигрывать специфические, редкие и критические бизнес-сценарии, для которых недостаточно исторических данных ИТ-компании. Генерируемые синтетические данные, объединенные с реальными историческими метриками, формируют расширенную и репрезентативную обучающую выборку для нейросетевой модели. Обученная на таком расширенном множестве данных (dataset) нейросетевая модель приобретает способность не только к более точному прогнозированию, но и к выработке контекстно-зависимых рекомендаций по управляющим воздействиям. Анализируя текущее состояние проекта q(t), модель выявляет паттерны, схожие с успешными или проблемными сценариями, изученными как на реальных, так и на синтетических данных, и предлагает рекомендации по корректировке процессов и их параметров, например увеличение процента автоматического тестирования функциональных модулей ИТ-проекта или перераспределение ресурсов на рефакторинг (рис. 4).   Рис. 4. Алгоритм интеграции системы управления качеством ИТ-проекта и моделирования Fig. 4. The algorithm of integration of the IT project quality management system and modeling  Управляющий центр (Ψ₀), получая данные рекомендации, выполняет ключевую роль гибридного интеллекта [18]. Он интегрирует формализованные советы нейросети U с экспертными знаниями, бизнес-контекстом и бизнес-стратегией ИТ-компании, принимая окончательное решение и формируя вектор управления U* для применения в реальном ИТ-проекте [1]. Результаты применения решений U* (фактически достигнутые метрики качества, затраты, сроки) фиксируются и поступают обратно в систему. Эти новые данные выполняют две функции: они пополняют историческую базу и служат основой для непрерывного дообучения и адаптации обеих моделей. Нейросетевая модель уточняет свои прогнозы и рекомендации, а имитационная модель калибрует свои параметры, повышая точность генерируемых сценариев. Таким образом, система замыкает самообучающийся цикл, где каждое управленческое действие и его результат способствуют росту ее интеллектуальной эффективности [5]. Интеграция имитационного и нейросетевого  моделирования позволяет решить задачу недостаточности исторических примеров для обучения за счет синтетических данных от имитационной модели, а ее собственная точность растет благодаря верификации на реальных исходах. В результате формируется адаптивный инструмент, который не только анализирует текущее состояние ИТ-проекта, но и активно участвует в формировании более эффективных управленческих решений, создавая положительную обратную связь для повышения качестваи успешности ИТ-проектов. ЗаключениеПредложенная концептуальная структура системы управления качеством ИТ-проектов на основе имитационного и нейросетевого моделирования представляет собой теоретический фундамент для перехода от реактивных методов к проактивным и предиктивным подходам в управлении организационными системами. Формализация ИТ-проекта с интеграцией имитационного моделирования и самообучающихся нейросетевых модулей позволяет выявлять и учитывать нелинейные взаимодействия, стохастические процессы и дефицит важных исторических данных, типичные для ИТ-среды. Интеграция моделей обеспечивает взаимное обогащение, повышая точность прогнозов и рекомендаций, что в конечном итоге способствует минимизации рисков, оптимизации ресурсов и росту конкурентоспособности ИТ-компаний.