20.500.12556/DKUM-94839 Uporaba metod strojnega učenja za klasifikacijo nalog po prioritetah v IT projektih Using machine learning methods to classify tasks by priority in ITprojects Določanje prioritet in razvrščanje nalog še vedno predstavlja izziv pri učinkovitem vodenju projektov. Obstaja veliko klasičnih pristopov za določanje prioritet. Vendar so te tehnike delovno intenzivne, subjektivne in neprilagodljive. V prispevku obravnavamo pristope za samodejno določanje prioritet nalog v IT projektih, ki temeljijo na strojnem učenju. Raziskujemo, kako lahko z uporabo metod strojnega učenja pomagamo projektnim vodjem pri učinkovitejšem razvrščanju nalog v IT projektih. V ta namen smo na množici več kot 1000000 zapisov projektnih nalog razvili klasifikacijski model za samodejno določanje prioritet. Problem, ki smo ga obravnavali, je večrazredni, pri tem je večina primerov, označenih z najvišjo prioriteto, kar predstavlja izziv pri modeliranju kot tudi pri učinkovitosti upravljanja IT projektov. Preskusili smo različne algoritme ter različne pristope, s ciljem izboljšanja rezultatov klasifikacije. Pokazali smo, da je naloge smiselno razvrstiti v manjše skupine prioritet, kar prispeva k večji natančnosti klasifikacijskega modela in preglednosti prioritet nalog, slednje pa lahko olajša upravljanje IT projektov. Prioritizing and classifying tasks remain a challenge in effective project management. There are many classic approaches to prioritization. However, all these techniques are labour intensive, subjective and lack flexibility. In this paper we investigate machine learning based approaches for automatic prioritization of tasks in IT projects. We explore how machine learning methods can be used to help project managers prioritize tasks in IT projects more efficiently. We developed a classification model for automatically determining priorities based on a dataset of over 1,000,000 project task records. The problem we addressed is multi-class, with the majority of cases labelled with the highest priority, which presents a challenge both in modelling and in the efficiency of IT project management. To address these challenges, we explored strategies to enhance classification performance, including reducing the number of priority classes. Our findings demonstrate that simplifying the priority structure improves the model’s accuracy and contributes to more efficient task management in IT projects. IT project management machine learning task prioritization multiclass classification data imbalance vodenje ITprojektov strojno učenje določanje prioritet nalog večrazredna klasifikacija neuravnoteženost podatkov neuravnoteženost podatkov true true false Angleški jezik Slovenski jezik Znanstveno delo 2025-08-28 10:14:36 2025-08-28 10:14:36 2025-08-30 03:33:05 0000-00-00 00:00:00 2025 0 0 str. 3-17 št. 1 Letn. 33 2025 0000-00-00 Zaloznikova Objavljeno NiDoloceno 0000-00-00 0000-00-00 2025-01-09 004.8 238610691 10.31449/upinf.240 1318-1882 https://uporabna-informatika.si/ui/article/view/240/206 1 09ca6983-83e7-11f0-a712-00155d000105 https://dk.um.si/Dokument.php?lang=slv&id=196750 620+(Unuchak).pdf 620+(Unuchak).pdf 1 EFB852B9482EB79ED8DCE4562521AD25 f5e94e77b7227d169547b56b36e660c1ca7472920c47fb78cf7b29267e9a755d 76f9d8d7-83e7-11f0-a712-00155d000105 https://dk.um.si/Dokument.php?lang=slv&id=196751 Fakulteta za organizacijske vede 0 0 0