<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Інформаційна технологія прогнозування та мінімізації інцидентів під час управління ІТ-послугами

Вантажиться...
Ескіз

Дата

Науковий керівник

Редактор

Інші учасники

Відповідальний

ORCID

Назва журналу

Номер ISSN

Назва тому

DOI

Альтернативна назва

Анотація

Використовуючи сучасні інформаційні технології машинного навчання та аналізу часових рядів, проведено дослідження процесу автоматизованого прогнозування та мінімізації інцидентів у системах управління ІТсервісами. У роботі запропоновано комплексний підхід до аналізу історичних даних сервісних записів за допомогою ансамблевих методів прогнозування. Основною метою є трансформація реактивного підходу до управління інцидентами у проактивну модель превентивних дій з автоматизованою генерацією структурованих рекомендацій для служб технічної підтримки. Розроблений підхід сприяє автоматизації процесів аналізу сервісних записів, оптимізації ресурсного планування та підвищенню якості ІТ-обслуговування в організаціях.
Using modern information technologies of machine learning and time series analysis, a study of the automated forecasting and minimization of incidents in IT service management systems has been conducted. The paper proposes a comprehensive approach to analyzing historical service record data using ensemble forecasting methods. The main objective is to transform the reactive approach to incident management into a proactive model of preventive actions with automated generation of structured recommendations for technical support services. The developed approach facilitates automation of service record analysis processes, optimization of resource planning, and improvement of IT service quality in organizations.

Опис

УДК

Тип документа

Мова

ISSN

Серія, номер

ISBN

ББК

Інші ідентифікатори

Пов’язані матеріали

Спонсорська підтримка

Правовласник

Бібліографічний опис

Крижановський Є. М., Побідаш В. В. Інформаційна технологія прогнозування та мінімізації інцидентів під час управління ІТ-послугами // Матеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2026/paper/view/26234.

Схвалення

Рецензія

Доповнено

Цитується в

Список використаної літератури (14)

  1. What is ITSM (IT service management)? – IBM | International Business Machines [Електронний ресурс]. – Режим доступу: https://www.ibm.com/think/topics/it-service-management
  2. ISO 20000: The International Standard for Service Management [Електронний ресурс]. – Режим доступу: https://www.itgovernance.co.uk/iso20000
  3. Горобець О. Ю., Горобець С. В., Хахно К. Ю. Мова Python для інженерних та наукових задач. КПІ ім. Ігоря Сікорського, 2024. [Електронний ресурс]. – Режим доступу: https://ela.kpi.ua/handle/123456789/67188
  4. McKinney W. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. 2nd ed. Sebastopol, CA: O'Reilly Media, 2017. 550 p. ISBN 978-1-491-95766-0
  5. Harris C. R., Millman K. J., van der Walt S. J., et al. Array Programming with NumPy. Nature, 2020. Vol. 585. P. 357-362. DOI: 10.1038/s41586-020-2649-2. arXiv: 2006.10256
  6. Taylor S. J., Letham B. Forecasting at Scale. The American Statistician, 2018. Vol. 72, No. 1. P. 37-45. DOI: 10.1080/00031305.2017.1380080.
  7. Virtanen P., Gommers R., Oliphant T. E., et al. SciPy 1.0: Fundamental Algorithms for Scientific Computing in Python. Nature Methods, 2020. Vol. 17. P. 261-272. DOI: 10.1038/s41592-019-0686-2. arXiv: 1907.10121.
  8. Pedregosa F., Varoquaux G., Gramfort A., et al. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 2011. Vol. 12. P. 2825-2830.
  9. Liu F. T., Ting K. M., Zhou Z.-H. Isolation Forest. Proceedings of the 2008 Eighth IEEE International Conference on Data Mining (ICDM '08). IEEE Computer Society, 2008. P. 413-422. DOI: 10.1109/ICDM.2008.17
  10. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD '16). ACM, 2016. P. 785-794. DOI: 10.1145/2939672.2939785. arXiv: 1603.02754.