Proceedings of the International scientific and practical conference ―Science at the Frontier of Progress‖ (June 8-10, 2026) / Publisher website: www.naukainfo.com. – Paris, France, 2026. - 178 p.

55 складання технічних специфікацій, що часто гальмує процес публікації ідей. Запропоноване у даній роботі рішення усуває зазначені проблеми шляхом впровадження комбінованого підходу, який передбачає використання штучного інтелекту для розширення базових ідей до повноцінних специфікацій та застосування векторної бази даних для організації нечіткого семантичного пошуку. Метою дослідження є проєктування та розробка вебсистеми організації та підтримки проєктної взаємодії ІТ-фахівців. Для досягнення цієї мети було поставлено низку завдань, першим з яких є дослідження та реалізація архітектурних підходів цибулевого шаблону проєктування (Clean Architecture) задля забезпечення незалежності бізнес-логіки від зовнішніх фреймворків [1, c. 142]. Також виникла необхідність спроєктувати гібридну базу даних для розділення транзакційних операцій та процесів інтелектуального пошуку. Важливим етапом стала інтеграція алгоритмів генеративного штучного інтелекту для автоматичного створення описів проєктів (Desired Projects) та реалізація підсистеми семантичного пошуку (Approximate Nearest Neighbor) на базі векторних масивів. Головною перевагою створеної платформи є перехід від концепції «пошуку за фільтрами» до «пошуку за змістом». Користувач може описати проєкт своєї мрії природною мовою у довільній формі, а система самостійно конвертує цей текст у багатовимірний вектор та знайде математично найближчі концепції серед існуючих стартапів. Крім того, наявність модуля управління командами та асинхронної обробки подій забезпечує повний цикл взаємодії — від первинного метчингу до розподілу проєктних ролей (Project Roles) в єдиному цифровому середовищі. Для забезпечення високої надійності, масштабованості та можливості незалежного розгортання компонентів, систему спроєктовано за принципами чистої архітектури (Clean Architecture) та предметно-орієнтованого проєктування (Domain-Driven Design) [2, c. 115]. Використання модульного моноліту дозволило чітко розмежувати систему на доменні області: управління користувачами (User Module), управління командами (Team Module) та управління проєктами (Project Module). Кожен модуль містить власні прикладні сервіси, абстрактні інтерфейси (порти) та сутності, що взаємодіють між собою без прямого зв'язування. Клієнтську частину реалізовано за допомогою бібліотеки React. Серверна частина розроблена мовою Python із застосуванням високопродуктивного асинхронного фреймворку FastAPI. Для валідації вхідних даних та серіалізації структур використано бібліотеку Pydantic. Аутентифікація та авторизація користувачів побудована на базі протоколу безпеки JWT (JSON Web Token), що забезпечує надійний захист кінцевих точок (endpoints) системи без необхідності зберігання сесій на сервері. Для ефективного збереження та обробки різнорідної інформації у системі було спроєктовано та реалізовано гібридну базу даних, що поєднує класичну реляційну та сучасну векторну парадигми [3, с. 210]. Основна транзакційна логіка, облікові записи користувачів, статуси проєктів, ієрархія команд та історія сповіщень зберігаються у реляційній системі керування базами даних PostgreSQL. Вибір цієї системи зумовлений її високою надійністю, підтримкою складних зв'язків та транзакційною цілісністю, що є критично важливим для управління організаційними аспектами проєктів. Взаємодія додатку з реляційною базою здійснюється через об'єктно-реляційне відображення SQLAlchemy, що дозволяє інкапсулювати SQL-запити та працювати з даними на абстрактному рівні доменних сутностей. Водночас для реалізації механізму семантичного метчингу використовується спеціалізована векторна база даних Qdrant. Процес обробки неструктурованих текстових даних, таких як описи ідей, технологічні стеки та вимоги до кандидатів, передбачає їх трансформацію у багатовимірні числові масиви, відомі як ембединги [5, c. 128]. Ця трансформація відбувається за допомогою інтеграції з програмним інтерфейсом мовних моделей OpenAI. Коли користувач створює новий профіль бажаного проєкту або публікує свій стартап, система не лише зберігає текстовий опис у PostgreSQL, але й відправляє його на векторизацію до зовнішнього сервісу штучного інтелекту. Отриманий математичний вектор зберігається у колекціях Qdrant. Під час виконання пошукового запиту система векторизує введений користувачем текст і виконує високошвидкісний пошук найближчих сусідів у багатовимірному векторному просторі, повертаючи ті проєкти, математична відстань до яких є мінімальною [4, c. 825]. Такий підхід дозволяє знаходити глибокі семантичні зв'язки між запитом та існуючими проєктами навіть за повної відсутності спільних ключових слів. Окремим модулем системи є використання генеративного штучного інтелекту для етапу ініціації проєктів. Часто ініціатори мають лише загальне бачення продукту, якого недостатньо для залучення профільних спеціалістів. Для вирішення цієї проблеми реалізовано функціонал автоматичної генерації бізнес-специфікацій. Користувач вводить базову ідею природною мовою, а