В статье рассмотрен подход к применению процессной модели управления портфелем проектов для моделирования архитектуры информационной системы управления проектами (ИСУП) малого предприятия, занимающегося разработкой программного обеспечения. Данный подход учитывает особенности моделирования архитектуры информационной системы для решения задач многопроектной деятельности. Существующая тенденция приближения архитектуры ИСУП к архитектуре ERP-систем не отражает потребности управления проектами на малом предприятии. Для малых предприятий должен быть менее сложный и измеримый подход к архитектуре ИСУП. Обоснована необходимость применения операционной модели в нотации ArchiMate для моделирования архитектуры ИСУП. Указаны преимущества операционной модели для разработки архитектуры ИСУП в отличие от бизнес-модели. Разработана операционная модель управления проектами в организации на языке моделирования ArchiMate. Разработанная операционная модель отражает четыре основных потока создания ценностей при управлении проектами: спрос на портфель, требования к развертыванию, выполнение, исправление ошибок. На этом основании была разработана модель архитектуры ИСУП с использованием стека программного обеспечения российских производителей, что позволяет оптимизировать стратегический, тактический и операционный уровень управления проектами

В статье проводится сравнительный анализ эффективности различных методов машинного обучения для прогнозирования цен на однокомнатные квартиры на вторичном рынке Москвы в период с сентября 2022 по май 2025 года. Исследование осуществляется в условиях значительной макроэкономической неопределенности, характеризующейся высокой волатильностью ключевых показателей. Для моделирования используются как исторические данные о ценах, так и набор макроэкономических и геo-переменных. В работе тестируются модели линейной регрессии, ансамблевые методы (стэкинг), рекуррентные нейронные сети (LSTM) и модель прогнозирования временных рядов Prophet. Результаты показывают, что классические методы машинного обучения, в частности стэкинг регрессоров, демонстрируют наилучшую точность на данном временном интервале, превосходя более сложные нейросетевые архитектуры, что свидетельствует о специфике обрабатываемых данных и важности правильного подбора признаков