أبحاث الذكاء الاصطناعي وتأخر الجداول الزمنية
هل يستطيع نموذج مدرّب على بيانات أساسية للمشاريع أن ينبّهنا إلى أن الجدول سيتأخر؟ وأي نموذج يفعل ذلك بشكل أفضل؟ نشرت مع زميليّ بحثين عن هذين السؤالين عام 2026.
Benchmarking Machine Learning Models for Software Project Schedule Overrun Prediction
السؤال. إذا كان التعلّم الآلي قادراً على التنبؤ بتأخر الجداول، فأي خوارزمية تحقق أفضل توازن بين الدقة وقابلية التفسير؟
المنهجية. قارنّا ست خوارزميات انحدار على 4,517 سجلاً لمشاريع برمجية: الانحدار الخطي، وشجرة الانحدار، والغابة العشوائية، وانحدار المتجهات الداعمة، و Gradient Boosting، وشبكة عصبية عميقة. واستخدمت كلها المتغيرات نفسها والإعدادات الافتراضية والتحقق المتقاطع بعشر طيّات.
النتائج. حقق Gradient Boosting أقل نسب خطأ، وجاءت الشبكة العصبية العميقة قريبة جداً منه مع أعلى معامل ارتباط تربيعي. وحلّت الغابة العشوائية ثالثة، وكان انحدار المتجهات الداعمة الأضعف بالإعدادات الافتراضية. وبقي عامل المخاطر والمدة ورضا العميل أكثر المتغيرات ثباتاً في التأثير. وبالموازنة بين الدقة وقابلية التفسير، يُعد Gradient Boosting الخيار العملي الأقوى لأنظمة الإنذار المبكر وقرارات المحافظ.
Sweilem, A. R., Abdoh, H. J., & Abdoh, A. J. (2026). Benchmarking Machine Learning Models for Software Project Schedule Overrun Prediction. Journal of Computer Science and Technology Studies, 8(8), 159–212. https://doi.org/10.32996/jcsts.2026.8.8.13
AI-Based Schedule Overrun Prediction in Technical Projects Using Gradient Boosting Machine for Decision Support
السؤال. تعتمد الرقابة التقليدية على حكم الخبراء والخطط الثابتة، فيصعب التنبؤ بأداء الجدول الزمني مع ازدياد تعقيد المشاريع التقنية.
المنهجية. درّبنا نموذج Gradient Boosting Machine على بيانات عامة تضم 4,517 مشروعاً. المدخلات: المدة، والتكلفة الإجمالية، وحجم الفريق، وعامل المخاطر، ورضا العميل. والمستهدف: نسبة تأخر الجدول.
النتائج. فسّر النموذج نحو 83.5% من التباين في نسبة التأخير. وكان عامل المخاطر ومدة المشروع أكثر المتغيرات تأثيراً، ثم رضا العميل.
Sweilem, A. R., Abdoh, H. J., & Abdoh, A. J. (2026). AI-Based Schedule Overrun Prediction in Technical Projects Using Gradient Boosting Machine for Decision Support. Frontiers in Computer Science and Artificial Intelligence, 5(8), 01–16. https://doi.org/10.32996/jcsts.2026.5.8.1
التنبؤ بتأخر الجدول الزمني قبل أن يحدث
بحثان منشوران عام 2026: الأول يدرّب نموذج Gradient Boosting على بيانات 4,517 مشروعاً لتقدير نسبة تأخر الجدول، والثاني يقارن بين ستة نماذج تعلّم آلي على السؤال نفسه. وأقوى المؤشرات: عامل المخاطر ومدة المشروع.
عندك برنامج تريد تنفيذه أو شهادة تريد اجتيازها؟
أخبرني بما تعمل عليه، وسأرد عليك خلال يومي عمل، بالعربية أو الإنجليزية.