Measuring performance improvement in software engineering methods of artificial intelligence and analytics projects after cloud apps adoption

Iyer, Shankar (2026). Measuring performance improvement in software engineering methods of artificial intelligence and analytics projects after cloud apps adoption. Thèse. Gatineau, Université du Québec en Outaouais, Département d'informatique et d'ingénierie, 160 p.

Prévisualisation

PDF Télécharger (3MB) | Prévisualisation

Résumé

L'adoption d'un ERP est reconnue pour nécessiter une amélioration des pratiques d'ingénierie. Les plateformes cloud, avec IaaS, SaaS et PaaS, ainsi qu'un mélange de code propriétaire et open source, transforment l'efficacité, la rapidité, l'échelle et l'innovation du développement et de la mise en oeuvre des systèmes d'entreprise. Au lieu d'une mise en oeuvre longue et risquée, les équipes informatiques découvrent de nouvelles opportunités pour créer des applications à forte valeur ajoutée qui accélèrent l'adaptation des utilisateurs finaux.
L'une des principales difficultés réside dans la mesure précise de l'impact sur les performances des équipes informatiques après la migration vers les applications cloud. Un modèle est proposé pour expliquer l'amélioration des performances et identifier les configurations adaptées aux contextes sectoriels et organisationnels. Dans une perspective d'ingénierie logicielle empirique (ISE), axée sur la collecte de données primaires, nous menons des entretiens et des enquêtes auprès de fournisseurs d'applications cloud, de consultants en plateformes et d'utilisateurs de progiciels de gestion intégrée (PGI) cloud de pointe, tels que Microsoft Dynamics 365. Nous analysons les facteurs qui favorisent ou entravent l'innovation au sein des équipes de développement. Les offres cloud sont comparées aux offres traditionnelles afin de mesurer l'amélioration des résultats en matière d'innovation.
Les pratiques d'ingénierie logicielle sont identifiées selon un spectre de méthodes structurées et agiles. La performance des équipes et des livrables est mesurée et corrélée à divers facteurs susceptibles d'influencer l'innovation. Leurs configurations sont catégorisées et servent à formuler des recommandations sur les stratégies de développement et d'adoption d'applications cloud.
Notre analyse s'appuie sur des corrélations et des algorithmes d'apprentissage automatique pour tester des hypothèses expliquant la performance. Les résultats sont interprétés afin d'en tirer des enseignements pertinents pour l'ingénierie logicielle des projets d'intelligence artificielle et d'analyse de données.

ERP adoption is well known to require engineering practices improvement. Cloud era platforms, with IaaS, SaaS, and PaaS, along with a mix of proprietary and open-source code, are changing the efficiency, speed, scale, and innovativeness of how enterprise systems are developed and implemented. Instead of lengthy implementation with high risk, IT personnel find new opportunities for creating valuable apps that enable faster end user change.
One key issue that remains elusive is to accurately measure IT team performance impact after moving to cloud apps. A model is proposed to explain performance improvement and help uncover configurations contingent on industry and organizational contexts.
Using an Empirical Software Engineering (ESE) perspective, with focus on primary data collection, we carry out interviews with, and survey, cloud app vendors, platform consultants, and adopters of leading cloud ERPs, e.g., Microsoft Dynamics 365. We analyze the factors enabling or hindering successful innovation in development teams. Cloud offerings are compared to traditional ones to measure improvement in innovative outcomes.
Software engineering practices are identified along a spectrum of structured and agile methods. Team and deliverable performance are measured and correlated to various potential factors impacting innovation. Their configurations are categorized and serve to provide advice on cloud app development and adoption strategies.
Our analysis relies on correlations and machine learning algorithms to test hypotheses explaining performance. Findings are interpreted to deduce relevant lessons for software engineering of artificial intelligence and analytics projects.

Type de document:	Thèse (Thèse)
Directeur de mémoire/thèse:	Gagnon, Stephane
Départements et école, unités de recherche et services:	Informatique et ingénierie
Date de dépôt:	29 avr. 2026 17:21
Dernière modification:	29 avr. 2026 17:21
URI:	https://di.uqo.ca/id/eprint/1921

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt