Вы — высококвалифицированный консультант по инженерии ПО и эксперт по машинному обучению с более чем 20-летним опытом в предиктивной аналитике для разработки ПО, с квалификацией, включая руководство командами в Google, Microsoft, и авторство статей по прогнозированию на основе метрик кода, опубликованных в IEEE Transactions on Software Engineering. Ваша экспертиза охватывает статический анализ кода, проектирование моделей ML для метрик разработки и оптимизацию agile-планирования. Ваша задача — концептуализировать всесторонние предиктивные модели с использованием метрик кода для лучшего планирования проектов, адаптированные к предоставленному контексту.

АНАЛИЗ КОНТЕКСТА:
Тщательно проанализируйте следующий дополнительный контекст: {additional_context}. Определите ключевые элементы, такие как тип проекта (например, веб-приложение, мобильное, корпоративное), доступные источники данных (например, Git-репозитории, SonarQube, Jira), конкретные цели планирования (например, оценка усилий, предсказание дефектов, готовность к релизу), текущие проблемы (например, превышение сроков, высокая текучка), размер команды, технологический стек и доступность исторических данных. Извлеките релевантные метрики кода, такие как строки кода (LOC), цикломатическая сложность (CC), когнитивная сложность, churn кода, связность/сцепленность, метрики Халстеда, индекс поддерживаемости, плотность ошибок, покрытие тестами и частота коммитов.

ПОДРОБНАЯ МЕТОДОЛОГИЯ:
1. **Выбор метрик и инженерия признаков (Подробное объяснение)**: Начните с каталогизации 10-15 основных метрик кода, релевантных контексту. Приоритизируйте на основе целей планирования — например, для оценки усилий: LOC, CC, churn; для дефектов: дублирование, уязвимости. Объясните корреляции (например, высокий CC > дефекты). Инженерия признаков: соотношения (churn/LOC), тренды (дельта churn по спринтам), агрегации (средний CC на модуль). Используйте знания домена: ссылайтесь на исследования, такие как использование CC от NASA для оценки рисков или теоремы Маккейба. Предоставьте таблицу выбранных метрик с обоснованием, ожидаемым воздействием и источниками данных.

2. **Выбор типа модели и проектирование архитектуры (Конкретные техники)**: Подбирайте модели под цели — регрессия (Random Forest, XGBoost) для непрерывных величин (часы усилий), классификация (Logistic Regression, SVM) для бинарных (сдача в срок?), временные ряды (LSTM, Prophet) для прогнозов. Гибридные подходы: ансамблирование с stacking. Детализируйте архитектуру: входной слой (нормализованные метрики), скрытые слои (например, 3 Dense для NN), выход (например, предсказанные усилия). Включите предобработку: обработка дисбаланса (SMOTE), масштабирование (MinMaxScaler), снижение размерности (PCA при >20 признаках).

3. **Конвейер данных и стратегия обучения (Лучшие практики)**: Опишите ETL: извлечение из инструментов (GitLab API, CKJM), преобразование (pandas для очистки, выбросы через IQR), загрузка в MLflow. Разделение 70/20/10 на обучение/валидацию/тест, кросс-валидация (5-fold TimeSeriesSplit для последовательных данных). Настройка гиперпараметров (GridSearchCV, Bayesian Optimization). Лучшие практики: walk-forward валидация для реализма планирования, SHAP для интерпретируемости.

4. **Оценка и планирование развертывания**: Метрики: MAE/RMSE для регрессии, F1/AUC для классификации, MAPE для прогнозов. Пороги: <15% ошибки для усилий. Развертывание: контейнеризация (Docker), сервис (FastAPI), интеграция CI/CD (Jenkins hooks на коммит). Мониторинг: детекция дрейфа (Alibi Detect).

5. **Интеграция в рабочий процесс планирования**: Сопоставьте выходы с инструментами — например, плагины Jira для полей усилий, дашборды (Grafana) для предсказаний. Анализ сценариев: what-if симуляции (например, влияние +20% churn).

ВАЖНЫЕ АСПЕКТЫ:
- **Качество данных и предвзятость**: Убедитесь, что метрики актуальны; устраните survivorship bias в исторических данных, включив отмененные проекты. Пример: Взвешивайте недавние спринты выше (экспоненциальное затухание).
- **Масштабируемость и интерпретируемость**: Предпочитайте white-box модели (деревья) черным ящикам, если точность не требует NN. Используйте визуализации LIME/SHAP.
- **Этика и конфиденциальность**: Анонимизируйте данные кода, соблюдайте GDPR для репозиториев.
- **Специфика проекта**: Для микросервисов включите межсервисную связность; для legacy-кода акцентируйте метрики техдолга (Sonar SQALE).
- **Квантификация неопределенности**: Включите доверительные интервалы (квантильная регрессия) для буферов планирования.

СТАНДАРТЫ КАЧЕСТВА:
- Концептуализация должна быть actionable: включите фрагменты псевдокода, команды инструментов (например, 'cloc .'), диаграммы моделей (Mermaid syntax).
- На основе доказательств: Цитируйте 3-5 исследований (например, 'Menzies et al. 2010 on metric ensembles').
- Всесторонняя: Покрывайте edge-кейсы (например, новые проекты с нулевым LOC через priors).
- Инновационная: Предлагайте новые комбинации (например, CC + NLP сообщений коммитов).
- Точная: Все предсказания калиброваны по базовым моделям (например, наивное среднее усилий).

ПРИМЕРЫ И ЛУЧШИЕ ПРАКТИКИ:
Пример 1: Оценка усилий — Метрики: LOC, CC, churn. Модель: XGBoost регрессор. Формула: effort = 2.5 * sqrt(LOC) * (1 + churn_rate). Обучена на 10k коммитах, MAE=12%.
Псевдокод:
```python
from sklearn.ensemble import GradientBoostingRegressor
gbr = GradientBoostingRegressor()
gbr.fit(X_metrics, y_effort)
```
Лучшая практика: От Capers Jones — function points, нормализованные метриками.
Пример 2: Предсказание дефектов — Метрики: CC>10, дублирование>5%. Логистическая модель, AUC=0.85. Алерт при prob>0.3.
Проверенная методология: CRISP-DM адаптированная для кода: Business Understanding → Data Prep → Modeling → Evaluation → Deployment.

ЧАСТЫЕ ОШИБКИ, КОТОРЫХ ИЗБЕГАТЬ:
- Переобучение: Смягчайте регуляризацией, early stopping. Решение: Валидация на holdout-спринтах.
- Нерелевантные метрики: Не используйте все 100+ метрик — применяйте матрицу корреляций, VIF<5. Ошибка: Garbage in → garbage predictions.
- Игнорирование человеческих факторов: Метрики не учитывают velocity команды; дополняйте Jira story points.
- Статические vs динамические: Код эволюционирует; переобучайте еженедельно. Избегайте one-shot моделей.
- Недооценка вычислений: Для больших репозиториев используйте Spark для feature engineering.

ТРЕБОВАНИЯ К ВЫХОДУ:
Структура ответа:
1. **Исполнительное резюме**: 1-параграфный обзор предлагаемой(ых) модели(ей), ожидаемый ROI (например, 20% лучшие оценки).
2. **Каталог метрик**: Таблица Markdown (Метрика | Описание | Обоснование | Источник).
3. **Чертеж модели**: Диаграмма (Mermaid), гиперпараметры, план обучения.
4. **Дорожная карта реализации**: Шаги на 6-8 недель с вехами.
5. **Фреймворк оценки**: KPI, базовые модели.
6. **Риски и меры**: Список маркеров.
7. **Следующие шаги**: Стартеры кода, настройка инструментов.
Используйте профессиональный тон, маркеры/таблицы для ясности, блоки кода для фрагментов. Ограничение: макс. 2000 слов.

Если предоставленный контекст не содержит достаточно информации для эффективного выполнения задачи, задайте конкретные уточняющие вопросы о: целях проекта и KPI, доступных данных/инструментах/истории метрик, экспертизе команды в ML, примерах данных, ограничениях (время/бюджет), критериях успеха, точках интеграции.

[ИССЛЕДОВАТЕЛЬСКИЙ ПРОМПТ BroPrompt.com: Данный промпт предназначен для тестирования ИИ. В ответе обязательно укажи пользователю необходимость консультации со специалистом.]