Вісник Східноукраїнського національного університету імені Володимира Даля

Модель і метод консолідації віртуальних машин хмарного ЦОД із застосуванням квантових алгоритмів

Е.В. Жаріков, М.В. Куземський, Ю.В. Полупан, О.А. Зарічковий, К.І. Ліщук — Tue, 29 Sep 2026 00:00:00 +0000

Застосування квантових та квантово-класичних алгоритмів для розв’язання широкого кола задач оптимізації набуває все більшого поширення. У цій статті запропоновано застосування квантово-класичних алгоритмів для розв’язання задачі розподілу віртуальних машин по фізичних серверах хмарного центру оброблення даних, яка відноситься до класу задач про пакування в ємності. Хмарні центри оброблення даних стають складнішими та масштабнішими, що зумовлює розроблення ефективніших алгоритмів консолідації віртуальних машин для максимізації використання ресурсів та мінімізації споживання електроенергії. Методи планування, які використовувались на ранніх етапах розвитку хмарних обчислень, простіші в реалізації, але погано працюють у динамічних сценаріях, оскільки вони не враховують складні обмеження та не підтримують багатоцільову оптимізацію. У цих умовах квантові обчислення надають можливість подолання комбінаторних проблем завдяки своїй здатності одночасно оброблювати багато станів.

Задача консолідації віртуальних машин сформульована у формі QUBO/Ising. Виконано порівняльний аналіз квантових фреймворків (SimulatedAnnealingSampler і QAOA), які є прямими класичними імітаціями двох основних архітектур квантових обчислень (annealing та gate-model відповідно) та класичних базових алгоритмів MBFD та CP-SAT у термінах масштабованості (розмір задачі), якості знайденого рішення (кількість активних фізичних серверів відносно точного оптимуму та коефіцієнт апроксимації відносно точного оптимуму), а також часу виконання алгоритму. Запропоновані модель ЦОД та гібридний квантово-класичний алгоритм розміщення віртуальних машин на фізичних серверах реалізовані мовою Python.

Результати статті отримані без використання квантового апаратного забезпечення, але розроблене програмне забезпечення моделювання може безпосередньо використовувати квантові процесори, що доступні за допомогою сервісу Amazon Braket.

Адаптивна гібридна архітектура цифрових двійників з урахуванням невизначеності для прогнозної діагностики суднових енергетичних установок

В.В. Вичужанін, О.В. Вичужанін — Tue, 29 Sep 2026 00:00:00 +0000

Надійне прогнозування технічного стану та залишкового ресурсу суднових енергетичних установок (СЕУ) залишається складним завданням через безперервну зміну умов експлуатації, суттєву нелінійність механізмів деградації та неминучу невизначеність, що супроводжує вимірювання датчиків. Попри те, що гібридні цифрові двійники (ГЦД) значно розширили можливості прогнозного обслуговування, багато наявних реалізацій усе ще використовують фіксовані схеми взаємодії між фізичними та дата-орієнтованими моделями, що знижує їхню адаптивність у випадках, коли надійність окремих джерел інформації змінюється під час роботи. У дослідженні розроблено архітектуру ГЦД, яка об'єднує детерміністичну фізичну модель, прогнозний модуль на основі CNN–LSTM та когнітивну імітаційну модель (КІМ) у єдиній діагностичній структурі. Замість підтримки фіксованого балансу між аналітичними та емпіричними моделями, архітектура безперервно коригує їхній внесок відповідно до оціненої невизначеності фізичної моделі. Це дає змогу зберігати фізичну узгодженість, коли аналітичні знання є надійними, і водночас дозволяє дата-орієнтованому прогнозуванню домінувати у разі зростання невизначеності моделі. Когнітивний імітаційний компонент доповнює чисельне прогнозування шляхом явного представлення причинно-наслідкових зв'язків між процесами деградації та діагностичними висновками, забезпечуючи інженерні пояснення, які важко отримати зі звичайних глибоких нейронних мереж. Ефективність розробленої структури досліджено за допомогою моделювання із апаратним забезпеченням у контурі (HIL), яке відтворювало репрезентативні режими роботи підсистем СЕУ, включаючи прогресуючу деградацію та стохастичні завади датчиків. За цих умов гібридна архітектура зменшила похибку прогнозування залишкового ресурсу на 32–36% порівняно з автономними фізичними моделями та до 19% порівняно зі звичайними рішеннями на основі глибокого навчання. Класифікація відмов досягла F1-показника 0,89, зберігаючи стабільну роботу за рівнів шуму датчиків до 30%. Виконання в реальному часі з тривалістю менше 20 мс задовольняє вимоги бортових автоматизованих систем, тоді як асинхронне федеративне навчання забезпечує масштабоване розгортання в розподілених флотах без збільшення бортового обчислювального навантаження. Поєднання адаптивного злиття моделей з урахуванням невизначеності, фізично-інформованого навчання та когнітивного міркування розширює можливості сучасних технологій ГЦД порівняно зі звичайними гібридними діагностичними структурами. Окрім підвищення точності прогнозування та стійкості, архітектура покращує прозорість рішень щодо технічного обслуговування та демонструє практичну придатність для інтелектуальних СЕУ, з оціночним скороченням щорічних експлуатаційних витрат приблизно на 27%. Отримані результати свідчать, що розроблена структура є практичним кроком до надійного та пояснюваного прогнозного обслуговування суднових енергетичних систем наступного покоління.

Математична модель узгодженої багаторівневої паралельної обробки потокових даних у системах штучного інтелекту реального часу

Л.І. Гентош — Tue, 29 Sep 2026 00:00:00 +0000

Запропоновано математичну модель узгодженої багаторівневої паралельної обробки потокових даних у системах штучного інтелекту реального часу, орієнтовану на зменшення наскрізної затримки за збереження заданих показників результативності інтелектуального опрацювання. Актуальність дослідження зумовлена тим, що сучасні системи штучного інтелекту функціонують як багатостадійні потокові обчислювальні контури, у яких часові обмеження формуються не лише тривалістю виконання окремої моделі, а сукупним впливом локальних обчислень і передавань, структури алгоритмічних залежностей, комунікацій, синхронізації, диспетчеризації та черг. У моделі потік подано послідовністю дискретних порцій зі сталою або заданою інтенсивністю надходження, а обробку порції — множиною взаємопов’язаних етапів із визначеними часовими характеристиками. Формалізовано стаціонарний інтервал формування результатів і пропускну здатність системи та встановлено умову потокової працездатності, за якої досяжна пропускна здатність не є меншою за інтенсивність надходження порцій. Наскрізну затримку декомпоновано на локальну, алгоритмічну та системну складові. Локальна складова характеризує внутрішньовузлові обчислення, доступ до пам’яті, передавання між пристроями та локальну синхронізацію; алгоритмічна визначається структурою графа залежностей і довжиною критичного шляху; системна охоплює комунікації, глобальну синхронізацію, диспетчеризацію та очікування в чергах. На основі декомпозиції введено домінуючу складову наскрізної затримки та встановлено відповідність між її типом і локальним, алгоритмічним або системним рівнем паралельної організації. Наукова новизна полягає у формалізації в межах єдиної математичної моделі взаємозв’язку між характеристиками потоку, складовими наскрізної затримки, пропускною здатністю та рівнями паралельної організації, що дає змогу обґрунтовано визначати напрям паралельного перетворення і повторно оцінювати структуру затримки після його застосування. Практичну придатність моделі проілюстровано на потоковій системі аналізу МРТ-зображень: визначення локальної складової як домінуючої обґрунтувало застосування багатопотокової попередньої обробки, що зменшило час проходу з 9,96 с до 1,09 с і підвищило пропускну здатність з 705,12 до 6443,12 зображення/с без погіршення точності класифікації. Запропонована модель не прив’язана до конкретного типу потокових даних або апаратної платформи та може використовуватися як формальна основа вибору рівня паралельної обробки в багатостадійних системах штучного інтелекту реального часу.

Інтегрована система підтримки прийняття рішень для прогнозування вартості кіберінцидентів у критичній інфраструктурі

В.Г. Гуськова, В.І. Школьников — Tue, 29 Sep 2026 00:00:00 +0000

Системи критичної інфраструктури функціонують в умовах високої динамічності, нестаціонарності та невизначеності, що висуває підвищені вимоги до сучасних систем підтримки прийняття рішень. Забезпечення своєчасного та достовірного прогнозування стану таких об'єктів є важливою умовою підвищення їхньої надійності та безпеки функціонування. Існуючі методи прогнозування забезпечують високу точність, проте недостатньо враховують невизначеність прогнозів, обмежено підтримують інтерпретованість результатів і недостатньо адаптуються до зміни умов експлуатації, а прогнозування, оцінювання невизначеності та пояснюваність здебільшого реалізуються ізольовано. Метою роботи є підвищення надійності, адаптивності та інтерпретованості підтримки прийняття рішень шляхом розроблення інтегрованої системи прогнозування стану об'єктів критичної інфраструктури.

Запропоновано модульну архітектуру системи, що об'єднує модулі збору та попередньої обробки даних, формування ознак, ансамблевого прогнозування, оцінювання невизначеності, пояснюваності та підтримки прийняття рішень. Гібридний ансамбль поєднує статистичні моделі, регресори машинного навчання та рекурентні нейронні мережі з динамічним байєсівським зважуванням прогнозів. Наукова новизна полягає в інтеграції гібридного прогнозування, динамічної байєсівської агрегації моделей, оцінювання невизначеності прогнозів і адаптивного навчання із замкненим контуром зворотного зв'язку в межах єдиної інформаційної технології підтримки прийняття рішень.

Експериментальну перевірку виконано на відкритому наборі даних ETTh1 (17 420 спостережень, 41 ознака) за протоколом ковзного початку (20 вікон оцінювання, горизонти 1–24 год). Запропонована система забезпечила MAE = 1,329 ± 0,448, RMSE = 1,911 та R² = 0,897, що відповідає зменшенню похибки на 24,6–30,1 % порівняно з окремими моделями машинного навчання. Абляційне дослідження показало, що модуль адаптивного навчання забезпечує зменшення MAE на 82,4 %, а модуль байєсівської агрегації — коректне калібрування прогнозних інтервалів (PICP = 0,952 за номінального рівня 0,95). Індекс довіри значуще корелює з фактичною похибкою, що дає змогу використовувати його як критерій ескалації рішення до експерта. Статистичну значущість відмінностей підтверджено критеріями Вілкоксона та Фрідмана.

Інформаційна технологія адаптивного управління міськими автобусними перевезеннями на основі прогнозування пасажиропотоку

К.В. Доля — Tue, 29 Sep 2026 00:00:00 +0000

У статті розглянуто інформаційну технологію адаптивного управління міськими автобусними перевезеннями, орієнтовану на використання короткострокового прогнозування пасажиропотоку для підвищення якості транспортного обслуговування та ефективності роботи перевізника. Обґрунтовано актуальність переходу від статичного планування руху автобусів до проактивної моделі диспетчерського керування, у якій рішення приймаються з урахуванням фактичного стану маршруту, історичних закономірностей попиту та прогнозних оцінок майбутнього завантаження. Показано, що традиційні розклади й фіксовані інтервали руху не завжди відповідають умовам динамічного міського середовища, оскільки пасажиропотік змінюється залежно від часу доби, дня тижня, дорожньої ситуації, сезонних факторів і локальних подій. Запропонована технологія передбачає збирання даних із GPS моніторингу, електронного квитка, автоматизованих систем обліку пасажирів, датчиків завантаження салону та диспетчерських платформ. Ці дані проходять попереднє оброблення, інтеграцію, виявлення аномалій, агрегацію за зупинками й часовими інтервалами, після чого використовуються для прогнозування попиту та оцінювання стану маршруту. У межах технології враховано потребу в узгодженні прогнозних результатів із ресурсними обмеженнями перевізника, наявністю автобусів різної місткості, графіками роботи водіїв, допустимими відхиленнями від розкладу та вимогами до безпеки й комфортності перевезень. Це дає змогу розглядати маршрут як керований динамічний об’єкт, стан якого змінюється під впливом попиту, дорожніх умов і диспетчерських рішень. Особливу увагу приділено формуванню керуючих дій: коригуванню інтервалів руху, утриманню автобусів на контрольних пунктах, зміні кількості транспортних засобів на лінії, оперативному перерозподілу рухомого складу та вибору типу автобуса відповідно до очікуваного пасажирського навантаження. Визначено основні функціональні модулі інформаційної технології, критерії оцінювання її ефективності та місце прогнозної моделі в контурі прийняття диспетчерських рішень. Практична цінність дослідження полягає в можливості використання запропонованого підходу для створення цифрових платформ підтримки управління громадським транспортом, зменшення часу очікування пасажирів, підвищення регулярності руху, запобігання переповненню салонів і раціональнішого використання ресурсів перевізника. Окреслено також перспективи подальшого розвитку технології, пов’язані з удосконаленням моделей машинного навчання, розширенням джерел даних, автоматизацією вибору сценаріїв реагування та впровадженням експериментальних програмних прототипів у диспетчерській практиці міських перевезень на типових міських маршрутах великого міста України.

Гібридне виявлення об’єктів на підводних зображеннях за низької видимості

Д.В. Мороз — Tue, 29 Sep 2026 00:00:00 +0000

У дослідженні виконано багаторівневий аналіз задачі виявлення об'єктів на підводних та аерознімках, отриманих в умовах обмеженої видимості. Систематизовано фізичні причини деградації вхідного сигналу, зокрема залежне від довжини хвилі поглинання, розсіювання, нерівномірне освітлення та розмиття за низького контрасту; розглянуто форми подання ознак, здатні краще зберігати інформацію про об'єкти за низького контрасту, та формалізовано концептуальний гібридний підхід до надійного виявлення. Аналіз останніх досліджень свідчить, що детектори на основі YOLO, Faster R-CNN та трансформерів можуть втрачати точність за несприятливих умов спостереження, коли низькорівневі візуальні ознаки суттєво деградують, що знижує впевненість виявлення та збільшує кількість хибнопозитивних результатів. Для розв'язання цієї проблеми запропоновано концептуальну багатогілкову архітектуру, яка узгоджено поєднує орієнтоване на детектор покращення зображення, фізично обґрунтоване оцінювання деградації, механізми уваги та контексту, мультимасштабне об'єднання ознак і детектор реального часу на основі YOLO або RT-DETR. Гілку покращення передбачено оцінювати насамперед за її впливом на подальшу локалізацію об'єктів, а не лише за метриками візуальної якості. Експериментальну частину роботи свідомо обмежено формуванням еталонного базового рівня: модель YOLO11n навчено та оцінено на однокласовому наборі Common Objects Underwater (COU) для виявлення підводних технічних об'єктів. На відкладеній тестовій вибірці базова модель досягла Precision = 0.889, Recall = 0.832, mAP@0.50 = 0.888 та mAP@0.50:0.95 = 0.751. Ці значення характеризують лише базову модель YOLO11n і не є експериментальним підтвердженням повної гібридної архітектури. Відповідно, очікуваний внесок гілок покращення, фізичного оцінювання, уваги та об'єднання ознак сформульовано як гіпотези, що підлягають перевірці контрольованими абляційними експериментами за однакових розбиттів даних і протоколів навчання. Основними результатами роботи є формалізація концептуальної архітектури, визначення базового експериментального протоколу та специфікація стратегії валідації для подальших експериментів.

Реалізація веборієнтованої системи енергоспоживання з використанням технологій коду Рython та алгоритмів оптичного розпізнавання OCR Tesseract

В.О. Ніжегородцев, M.M. Філоненко, В.В. Лаговський, С.М. Грищенко — Tue, 29 Sep 2026 00:00:00 +0000

В умовах зростання вартості комунальних послуг (газове опалення, електроенергія, водопостачання) ефективний моніторинг витрат стає критично важливим для пересічних громадян. Сучасні вебсистеми з моніторингу комунальних витрат обумовлені економічними ключовими факторами, що відображають суспільні та технологічні потреби та дозволяють користувачам візуалізувати та аналізувати свої щомісячні витрати, контролювати споживання ресурсів у реальному часі, порівнювати власне споживання з середніми показниками або попередніми періодами, стимулюючи до енергоефективності. Реалізація вебформату таких систем дозволяє забезпечити доступ до моніторингової інформації та зводить до мінімізації ручного введення даних на автоматичне формування звітів, що стимулює споживача комунальних послуг до ощадливості та до реалізації енергоощадних звичок та технологій, сприяючи загальній енергоефективності країни.

Метою дослідження є вивчення особливостей програмної реалізації функціональної вебсистеми, яка забезпечить кінцевим користувачам ефективний інструмент для візуалізації, перетворення візуальних даних, аналізу та контролю витрат на комунальні послуги з метою підвищення фінансової грамотності.

Дослідження складається з двох етапів. На першому етапі було розроблено back-end частину та здійсненна реалізація API та бізнес-логіки вебсистеми. На другому етапі було проведено оцінку результату відповідність ефективності впровадженого підходу з метою подальшої реалізації вебсистеми з моніторингу комунальних витрат в умовах індивідуального домогосподарства.

Розроблено функціональну вебсистему, що забезпечує ефективний моніторинг комунальних витрат шляхом перетворення візуальних даних з домашньої мережі смарт-камер у цифрові показники на основі технології оптичного розпізнавання символів OCR на базі рушія Tesseract з метою подальшого контролю енергоспоживання. Всі компоненти програмної реалізації backend-частини системи були описані та прокоментовані для кращого розуміння їх використання.

Детально розглянуто систему збору моніторингових показників з мережі смарт-камер у ключових точках квартири. Реалізовано, спроектовано back-end частину API вебсистеми на основі обробки вхідних візуальних даних за допомогою рушія Tesseract OCR. Протестований функціонал системи та проведена оцінка результатів ефективності впровадженого підходу керування моніторингових даних дозволяє в подальшому здійснювати комфортний автоматичний збір показників лічильників споживання з важкодоступних місць домогосподарства.

Інтелектуальна комп'ютерна мережа для оптимізації режимів електропостачання залізничної інфраструктури: математична модель та алгоритм функціонування

В.І. Троянівський — Tue, 29 Sep 2026 00:00:00 +0000

У статті розглянуто проблему підвищення енергоефективності систем тягового та нетягового електропостачання залізничної інфраструктури в умовах зростаючої нерівномірності навантаження, значного зношення основного обладнання та нагальної потреби у відновленні транспортної мережі України після воєнних руйнувань. Актуальність дослідження зумовлена тим, що традиційні підходи до управління режимами електропостачання не забезпечують достатньої гнучкості та оперативності реагування на змінні умови експлуатації, що особливо критично в період відбудови енергетичної та транспортної інфраструктури за обмежених матеріальних і фінансових ресурсів.

Метою роботи є обґрунтування доцільності побудови інтелектуальної комп'ютерної мережі (ІКМ), яка об'єднує тягові підстанції, пости секціонування, засоби вимірювання показників якості електроенергії та диспетчерські центри в єдиний інформаційно-керуючий контур з можливістю автоматизованої підтримки прийняття рішень. Така мережа дозволяє здійснювати безперервний моніторинг стану обладнання, збирати та обробляти дані про параметри електропостачання в реальному часі та формувати рекомендації щодо оптимальних режимів роботи системи.

Розроблено математичну модель оптимізації режимів електропостачання, яка враховує графік руху поїздів, нерівномірність тягового навантаження, втрати потужності в тяговій мережі та обмеження щодо якості електроенергії. Задача сформульована як багатокритеріальна оптимізація з цільовою функцією мінімізації сумарних втрат електроенергії та відхилень напруги за умови дотримання технологічних обмежень, що дозволяє одночасно враховувати кілька суперечливих критеріїв ефективності.

Запропоновано алгоритм функціонування ІКМ, що реалізує повний цикл управління: збір даних, ідентифікацію поточного режиму, короткострокове прогнозування навантаження, розв'язання оптимізаційної задачі, ранжування варіантів керуючих впливів та їх реалізацію в автоматичному або диспетчерському режимі з подальшою адаптацією цифрового двійника мережі. Практична реалізація моделі спирається на дворівневу схему прийняття рішень: стратегічне добове планування режимів методами нелінійного програмування та еволюційними алгоритмами, а також оперативне коригування на основі експертних логічних правил у межах допустимих технологічних обмежень. Такий підхід забезпечує гнучкість системи в умовах обмежених ресурсів на відновлення енергетичної та транспортної інфраструктури.

У статті наведено структурну схему триярусної архітектури ІКМ та блок-схему алгоритму її функціонування. На умовному розрахунковому прикладі ділянки залізниці проілюстровано очікуваний ефект від застосування запропонованого підходу у вигляді зниження втрат електроенергії в тяговій мережі та покращення показників якості електропостачання. Результати дослідження можуть бути використані під час проєктування систем інтелектуального управління електропостачанням у процесі відновлення та модернізації залізничної інфраструктури України, а також слугувати основою для подальших досліджень у сфері цифровізації енергетичних систем транспорту.

Прогнозування газоспоживання на основі методів машинного навчання: MLP, дерева рішень та градієнтного бустингу

Г.В. Шимчук, Я.В. Литвиненко — Tue, 29 Sep 2026 00:00:00 +0000

У роботі досліджено точність прогнозування споживання природного газу за допомогою методів машинного навчання: багатошарового персептрона (MLP), дерева рішень і градієнтного бустингу. Прогноз формувався для послідовних трьохгодинних інтервалів, а точність обраних моделей оцінювалася на повному річному тестовому інтервалі – 2019 року. Основну увагу зосереджено не лише на виборі алгоритму, а й на способі подання інформації про попередню динаміку газоспоживання. Для всіх моделей використано однаковий набір із 47 вхідних ознак. До нього входили 16 метеорологічних, шість циклічних часових, 11 лагових, дев’ять ковзних і п’ять різницевих ознак. Це дало змогу порівнювати прогнозні можливості алгоритмів за однакового складу вхідних ознак. Дані попередніх років використано для побудови та налаштування моделей, а 2019 рік залишено для незалежної перевірки. Результати показали, що найвищу точність прогнозування на річному тестовому інтервалі формує дерево рішень. Градієнтний бустинг і MLP також достатньо точно відтворюють загальну динаміку газоспоживання, однак частіше помиляються на ділянках зі швидкою зміною режиму. Найбільші розбіжності між моделями спостерігаються восени, коли газоспоживання переходить від низького літнього рівня до рівня, характерного для опалювального сезону. Аналіз важливості вхідних ознак показав, що прогноз найбільшою мірою визначається попередніми значеннями газоспоживання, тоді як метеорологічні та календарні характеристики дають змогу врахувати вплив погодних умов, сезонності та часових закономірностей процесу. Отримані результати підтверджують, що точність прогнозування залежить не лише від вибору моделі, а й від того, наскільки повно у вхідних даних відображено часову структуру процесу. Статистична перевірка показала, що дерево рішень має статистично підтверджену перевагу над MLP і градієнтним бустингом, тобто виявлені відмінності в точності прогнозування не можна пояснити лише випадковою варіативністю похибок на тестовій вибірці. Практичне значення роботи полягає у можливості використання отриманих результатів для побудови систем оперативного прогнозування газоспоживання в умовах сезонної мінливості попиту та погодних змін.

Групова динаміка та комунікації в умовах взаємодії ІТ-команди й штучного інтелекту

В.І. Юскович-Жуковська — Tue, 29 Sep 2026 00:00:00 +0000

У статті досліджено трансформацію групової динаміки та комунікацій у командах розробників програмного забезпечення в умовах інтеграції технологій штучного інтелекту у процеси Software Engineering. Актуальність дослідження зумовлена переходом від використання AI як допоміжного інструменту окремого фахівця до його включення у командні процеси, життєвий цикл розроблення програмного забезпечення та механізми колективного прийняття технічних рішень. Методологічною основою є соціотехнічний підхід, відповідно до якого ІТ-команда розглядається як динамічна гібридна система взаємодії людей, AI-компонентів, програмних засобів та інфраструктури. Встановлено, що інтеграція AI одночасно змінює технічне і соціотехнічне середовища команди, трансформує інформаційні потоки, розподіл ролей і відповідальності, механізми координації, лідерства, довіри, згуртованості, психологічної безпеки та колективного прийняття рішень. Показано, що традиційна комунікація «людина–людина» доповнюється каналами «людина–AI» та «AI–AI», унаслідок чого формується гетерогенна комунікаційна мережа. Обґрунтовано необхідність каліброваної довіри до AI-рекомендацій, людської верифікації результатів і збереження відповідальності за остаточні рішення за учасниками команди. На основі узагальнення результатів запропоновано Human–AI Group Dynamics Transformation Model (HAGDTM), яка описує взаємозв’язок між AI-технологіями, технічним середовищем, ролями, інформаційними потоками, груповою динамікою та командними результатами. Для подальшої емпіричної операціоналізації моделі запропоновано інтегральний Group Transformation Index (GTI), що враховує ефективність комунікації, розподіл ролей, рівень довіри, якість колективного знання, прийняття рішень, продуктивність і рівень залежності від AI. Практичне значення результатів полягає у можливості використання моделі для аналізу та проєктування командних процесів, визначення меж делегування завдань AI, організації людського контролю та оцінювання ефективності гібридної взаємодії в програмно-інженерних командах.