عصر ایران- بودجه بندی پروژه ها یکی از مهم ترین چالش ها در شرکت های صنعتی و مهندسی است زیرا اگر هزینه ها درست تخمین زده نشوند، یا پروژه با ضرر مالی روبه رو می شود یا شرکت فرصت های مهم را از دست می دهد. در روش های سنتی، کارشناسان بر اساس تجربه، داده های گذشته و تقسیم بندی فعالیت ها تلاش می کنند هزینه نهایی پروژه را پیش بینی کنند اما این روش ها به دلیل پیچیدگی پروژه های امروزی و محدودیت زمانی در مرحله پیشنهاد قیمت، همیشه دقت کافی ندارند.
یک پژوهش منتشر شده از سوی دانشگاه وست کلیف آمریکا به موضوع استفاده از یادگیری ماشین به عنوان یک روش جدید برای بهبود پیش بینی هزینه ها می پردازد. یادگیری ماشین به سیستم های کامپیوتری این امکان را می دهد که از داده های گذشته یاد بگیرند و بدون نیاز به فرمول های ثابت، الگوهای پنهان در داده ها را پیدا کنند و پیش بینی دقیق تری انجام دهند. در این پژوهش نیز هدف این بوده که بررسی شود آیا مدل های یادگیری ماشین می توانند دقت بودجه بندی پروژه های صنعتی را نسبت به روش های سنتی افزایش دهند یا نه.
برای انجام این بررسی، داده های 552 پروژه صنعتی اتوماسیون از کشورهای مختلف در خاورمیانه و آفریقا استفاده شده است. این پروژه ها از نظر اندازه، زمان اجرا، شرایط محیطی و نیازهای مشتری متفاوت بوده اند اما ساختار کلی هزینه ها در آن ها مشابه بوده است. هزینه هر پروژه به چند بخش اصلی تقسیم شده است که شامل تجهیزات، مهندسی، لجستیک، هزینه های مالی، ریسک ها، نصب و سایر هزینه ها است.
داده ها به دو بخش تقسیم شده اند، 70 درصد برای آموزش مدل ها و 30 درصد برای آزمایش آن ها. این کار باعث شده است که بتوان عملکرد مدل ها را روی داده های جدید بررسی کرد و از صرفا حفظ کردن داده های قبلی جلوگیری شود. در این تحقیق از پنج مدل یادگیری ماشین استفاده شده است که شامل رگرسیون خطی چندگانه، شبکه عصبی مصنوعی، ماشین بردار پشتیبان، نزدیک ترین همسایه و جنگل تصادفی است.
هر کدام از این مدل ها روش متفاوتی برای تحلیل داده ها دارند. برای مثال مدل رگرسیون خطی رابطه ساده ای بین هزینه ها و نتیجه ایجاد می کند اما شبکه عصبی می تواند روابط پیچیده تر و غیر خطی را یاد بگیرد. مدل نزدیک ترین همسایه بر اساس شباهت پروژه ها تصمیم می گیرد و جنگل تصادفی از ترکیب چندین مدل تصمیم گیری برای افزایش دقت استفاده می کند.
برای ارزیابی عملکرد مدل ها از شاخصی به نام RMSE استفاده شده است که میزان اختلاف بین هزینه واقعی و هزینه پیش بینی شده را نشان می دهد. هر چه مقدار این شاخص کمتر باشد، دقت مدل بیشتر است. نتایج نشان داده اند که برخی مدل های یادگیری ماشین نسبت به روش سنتی دقت بالاتری دارند و می توانند هزینه پروژه را بهتر پیش بینی کنند.
در میان مدل های بررسی شده، مدل های جنگل تصادفی و شبکه عصبی در بسیاری از موارد عملکرد بهتری داشته اند. با این حال برخی مدل ها مانند شبکه عصبی در بعضی حالت ها دچار بیش برازش شده اند یعنی روی داده های آموزشی بسیار خوب عمل کرده اند اما در داده های جدید دقت کمتری داشته اند. این موضوع نشان می دهد انتخاب مدل مناسب اهمیت زیادی دارد.
نتایج کلی تحقیق نشان داده است که تفاوت معناداری بین روش سنتی بودجه بندی و مدل های یادگیری ماشین وجود دارد. به عبارت ساده تر، استفاده از مدل های هوش مصنوعی می تواند خطای پیش بینی هزینه را کاهش دهد و دقت تصمیم گیری را افزایش دهد. همچنین این مدل ها می توانند عوامل مهم تاثیر گذار بر هزینه مانند تجهیزات یا خدمات را شناسایی کنند و به شرکت ها کمک کنند روی بخش های مهم تر تمرکز کنند.
یکی دیگر از مزیت های این روش کاهش زمان لازم برای بودجه بندی است. در روش های سنتی تحلیل هزینه زمان بر است اما مدل های یادگیری ماشین می توانند در زمان کوتاه تری نتیجه بدهند. علاوه بر این شرکت ها می توانند از این مدل ها به عنوان یک معیار پایه برای قیمت گذاری پروژه های جدید استفاده کنند و تصمیم های دقیق تری بگیرند.
این روش فقط محدود به پروژه های صنعتی نیست و در حوزه های دیگر مانند ساخت و ساز، فناوری اطلاعات، انرژی و تولید نیز قابل استفاده است. البته کیفیت نتایج به کیفیت داده های ورودی بستگی دارد و اگر داده ها ناقص یا نادرست باشند، دقت مدل کاهش پیدا می کند.
در نهایت این پژوهش نشان می دهد که یادگیری ماشین می تواند نقش مهمی در آینده بودجه بندی پروژه ها داشته باشد. شرکت هایی که از این روش استفاده می کنند می توانند هزینه ها را دقیق تر پیش بینی کنند، ریسک مالی را کاهش دهند و شانس موفقیت خود را در پروژه ها افزایش دهند.
