Bài “Quản lý chi phí dự án xây dựng: Từ dự toán đến kiểm soát ngân sách thực tế” đã đặt nền tảng cho quản lý chi phí dự án: muốn kiểm soát ngân sách, doanh nghiệp phải nhìn đồng thời ngân sách được phê duyệt, chi phí cam kết, chi phí thực tế, phần chi phí còn lại để hoàn thành và tổng chi phí dự báo khi hoàn thành. Quan trọng hơn, báo cáo chi phí chỉ có giá trị quản trị khi nó giúp nhìn thấy sai lệch đủ sớm để còn lựa chọn, thay vì chỉ xác nhận một khoản vượt ngân sách sau khi tiền đã được chi.

AI mở rộng chính năng lực nhìn sớm đó. Thay vì chờ một chỉ số chi phí vượt ngưỡng, mô hình có thể đọc đồng thời hàng loạt tín hiệu nhỏ: năng suất suy giảm, khối lượng thay đổi, thời gian phê duyệt kéo dài, giá mua tăng, tỷ lệ sử dụng dự phòng cao, công việc chậm làm phát sinh chi phí gián tiếp, hoặc dự báo chi phí còn lại liên tục bị điều chỉnh tăng. Mỗi tín hiệu riêng lẻ có thể chưa đủ để kết luận; khi kết hợp, chúng có thể tạo thành một mô hình rủi ro rõ hơn nhiều tuần hoặc nhiều tháng trước khi vượt ngân sách xuất hiện trên báo cáo chính thức.

Nhưng “AI dự báo vượt ngân sách” không nên được hiểu như một hệ thống đưa vào vài con số rồi trả ra một tỷ lệ chính xác tuyệt đối. Bài toán thực tế phức tạp hơn: phải xác định đúng đối tượng cần dự báo, chuẩn hóa dữ liệu theo thời gian, tránh dùng thông tin của tương lai để dự báo quá khứ, đánh giá độ tin cậy của mô hình, giải thích nguyên nhân và quan trọng nhất là biến cảnh báo thành hành động quản trị.

Bài viết này phân tích toàn bộ chuỗi đó, từ câu hỏi AI thực sự dự báo điều gì, dữ liệu nào cần thiết, mô hình học gì, cách đo chất lượng dự báo, đến kiến trúc triển khai và lộ trình phù hợp cho doanh nghiệp xây dựng.

1. Vượt ngân sách là kết quả cuối cùng của một chuỗi tín hiệu hình thành từ trước

Trong quản lý truyền thống, dự án thường được coi là có vấn đề khi chi phí thực tế vượt ngân sách hoặc khi ước tính chi phí hoàn thành tăng đáng kể. Tuy nhiên, đó là thời điểm hậu quả đã hiện rõ. Trước đó, dự án thường trải qua một chuỗi biến động: năng suất giảm làm tăng giờ công; công việc chậm kéo dài thời gian sử dụng thiết bị; thay đổi thiết kế làm tăng khối lượng; phê duyệt chậm buộc mua sắm gấp; giá vật tư thay đổi; hoặc một số gói thầu liên tục phải điều chỉnh phần chi phí còn lại.

Điểm mạnh của AI nằm ở khả năng tìm quan hệ giữa nhiều tín hiệu yếu như vậy. Một mô hình không nhất thiết chờ EAC vượt ngân sách mới cảnh báo. Nó có thể nhận ra rằng tổ hợp “năng suất giảm + thay đổi tăng + dự phòng bị sử dụng nhanh + tiến độ kéo dài” trong lịch sử thường dẫn đến vượt ngân sách, từ đó nâng mức rủi ro khi mô hình tương tự bắt đầu xuất hiện ở dự án hiện tại.

Vì vậy, dự báo vượt ngân sách nên được xem là một bài toán cảnh báo sớm. Giá trị không nằm ở việc nói chính xác con số cuối cùng từ rất sớm, mà ở việc nhận ra hướng đi của chi phí khi vẫn còn đủ thời gian để quản lý thay đổi kết quả.

Hình 1. Vượt ngân sách thường hình thành trước khi xuất hiện trên báo cáo

2. Trước khi chọn thuật toán, phải xác định rõ AI đang dự báo điều gì

Cùng một cụm từ “dự báo vượt ngân sách” có thể chứa nhiều bài toán khác nhau. Doanh nghiệp có thể muốn dự báo xác suất một dự án vượt ngân sách trên 5%; dự báo mức vượt tính theo tỷ lệ; dự báo EAC trong ba tháng tới; hoặc xếp hạng các gói công việc theo nguy cơ gây áp lực ngân sách. Mỗi câu hỏi cần dữ liệu, mô hình và cách đánh giá khác nhau.

Nếu mục tiêu là cảnh báo nhị phân, mô hình có thể trả về xác suất vượt ngưỡng. Nếu mục tiêu là dự báo EAC, bài toán là ước tính một giá trị liên tục. Nếu mục tiêu là hỗ trợ điều hành danh mục, đôi khi thứ tự ưu tiên quan trọng hơn việc dự báo chính xác từng đồng.

Việc xác định mục tiêu cũng quyết định “thời điểm dự báo”. Một cảnh báo ở mức hoàn thành 20% có thể kém chính xác hơn cảnh báo ở 80%, nhưng có giá trị quản trị lớn hơn vì còn nhiều dư địa can thiệp. Do đó, doanh nghiệp phải thiết kế mục tiêu dự báo gắn với quyết định mà người quản lý thực sự có thể thực hiện.

3. AI cần nhiều hơn dữ liệu kế toán

Nếu chỉ dùng chi phí thực tế từ kế toán, AI sẽ gặp cùng một hạn chế với báo cáo truyền thống: nhìn thấy vấn đề muộn. Bài “Quản lý chi phí dự án xây dựng: Từ dự toán đến kiểm soát ngân sách thực tế” đã chỉ ra rằng chi phí cam kết và phần chi phí còn lại thường cho tín hiệu sớm hơn số tiền đã thanh toán. Với AI, nguyên tắc này càng quan trọng.

Lớp thứ nhất là dữ liệu nền của ngân sách: ngân sách gốc, ngân sách hiện hành, dự phòng, cấu trúc mã chi phí và phân bổ theo thời gian. Lớp thứ hai là dữ liệu thương mại: hợp đồng, đơn hàng, giá mua, phụ lục, thay đổi và các nghĩa vụ đang hình thành. Lớp thứ ba là chi phí thực tế và dồn tích. Lớp thứ tư là dữ liệu thực hiện: khối lượng, tiến độ, năng suất nhân công, thiết bị, vật tư, tái thi công. Lớp thứ năm là dữ liệu rủi ro và bối cảnh: biến động giá, thay đổi thiết kế, thời tiết, phê duyệt, chuỗi cung ứng và điều kiện hiện trường.

Quan trọng hơn số lượng dữ liệu là khả năng nối chúng bằng cùng mã dự án, gói việc, thời gian và đối tượng chi phí. Nếu hợp đồng nói về một gói, tiến độ dùng một mã khác và kế toán dùng một tài khoản không ánh xạ được, AI không thể tự động hiểu quan hệ kinh tế chỉ vì dữ liệu được đưa vào cùng một kho.

Hình 2. AI cần nhìn nhiều lớp dữ liệu chi phí cùng lúc

4. Mô hình không “hiểu dự án” như con người; nó học các mẫu quan hệ từ dữ liệu

Khi nói AI học nguyên nhân vượt ngân sách, cần thận trọng. Phần lớn mô hình học máy học quan hệ thống kê giữa các biến đầu vào và kết quả đã quan sát. Chúng có thể phát hiện rằng một số mẫu thường đi cùng vượt chi phí, nhưng điều đó không tự động chứng minh quan hệ nhân quả.

Các biến đầu vào có thể là tỷ lệ chi phí cam kết trên ngân sách, tốc độ sử dụng dự phòng, xu hướng chỉ số hiệu quả chi phí, tỷ lệ thay đổi chưa phê duyệt, mức lệch năng suất, số ngày trễ mua sắm, phần trăm công việc hoàn thành, mức biến động ETC giữa các kỳ hoặc độ trễ của hóa đơn. Trong mô hình, những biến này trở thành các tín hiệu quản trị có thể so sánh qua nhiều kỳ và nhiều dự án.

Những thuật toán như hồi quy, cây quyết định, rừng ngẫu nhiên, tăng cường độ dốc hoặc mạng nơ-ron có thể xử lý các mức độ phi tuyến khác nhau. Nghiên cứu gần đây cho thấy nhiều phương pháp học máy có thể cải thiện dự báo EAC hoặc phân loại nguy cơ vượt chi phí trong một số bộ dữ liệu. Tuy nhiên, kết quả phụ thuộc mạnh vào dữ liệu, giai đoạn dự án và cách kiểm định; không có một thuật toán tốt nhất cho mọi doanh nghiệp.

Hình 3. Từ dữ liệu dự án đến cảnh báo vượt ngân sách

5. Dự báo EAC bằng AI là phần mở rộng tự nhiên của hệ thống kiểm soát chi phí

Bài “Quản lý chi phí dự án xây dựng: Từ dự toán đến kiểm soát ngân sách thực tế” đã xác định EAC là câu hỏi trung tâm: với trạng thái hiện tại, dự án sẽ tốn bao nhiêu khi hoàn thành. Các công thức truyền thống thường ngoại suy từ hiệu quả chi phí và tiến độ hiện tại. Ưu điểm là minh bạch và dễ kiểm tra; hạn chế là chúng có thể đơn giản hóa quan hệ giữa nhiều yếu tố.

Học máy có thể bổ sung bằng cách sử dụng đồng thời nhiều biến hơn và học quan hệ phi tuyến. Một nghiên cứu năm 2025 về đường ống học máy tự động cho dự báo chi phí và thời gian đã so sánh 30 phương pháp học máy với các mô hình dựa trên quản lý giá trị thu được và tiến độ thu được; kết quả cho thấy một số phương pháp học máy cho dự báo EAC chính xác, ổn định và kịp thời hơn trong dữ liệu nghiên cứu.

Điều đó không có nghĩa phải bỏ EVM. Một kiến trúc thực tế có thể dùng EVM làm đường chuẩn dễ giải thích, trong khi mô hình AI tạo thêm một dự báo độc lập. Khi hai kết quả phân kỳ mạnh, đó là tín hiệu để người quản lý kiểm tra giả định, thay vì mặc định tin một mô hình.

6. Dự báo phải được thiết kế theo giai đoạn của dự án

Ở giai đoạn đầu, dữ liệu thực tế ít nhưng dư địa can thiệp lớn. Ở giai đoạn cuối, dữ liệu nhiều hơn và dự báo có thể chính xác hơn, nhưng phần lớn cam kết đã khóa và khả năng thay đổi kết quả thấp. Đây là nghịch lý quan trọng của dự báo dự án.

Một mô hình được đánh giá rất tốt ở mức hoàn thành 90% chưa chắc hữu ích về quản trị. Doanh nghiệp nên đánh giá riêng khả năng dự báo tại các mốc như 10%, 30%, 50% và 70% hoàn thành. Mỗi giai đoạn có thể cần tập tín hiệu và ngưỡng cảnh báo khác nhau.

Ở giai đoạn sớm, các biến về chất lượng phạm vi, thiết kế, chiến lược mua sắm và rủi ro có thể quan trọng hơn. Khi thi công tăng tốc, năng suất, thay đổi, cam kết, tiến độ và ETC trở nên giàu thông tin hơn. Mô hình phải phản ánh sự thay đổi đó thay vì giả định một quan hệ cố định suốt vòng đời.

Hình 4. Dự báo chi phí phải được cập nhật theo vòng đời dự án

7. Dữ liệu thời gian là điều kiện sống còn; sai một bước có thể tạo ra mô hình “biết trước tương lai”

Một lỗi phổ biến trong dự báo là vô tình đưa vào mô hình thông tin chỉ xuất hiện sau thời điểm cần dự báo. Ví dụ, dùng giá trị thay đổi đã được phê duyệt ở tháng 8 để dự báo rủi ro tại tháng 5, hoặc dùng EAC cuối dự án như một biến đầu vào. Mô hình khi đó có thể đạt độ chính xác rất cao trong thử nghiệm nhưng không thể tái hiện trong thực tế.

Đây thường được gọi là rò rỉ dữ liệu tương lai. Để tránh, mỗi bản ghi phải phản ánh đúng những gì người quản lý có thể biết tại ngày cập nhật. Dữ liệu cần giữ lịch sử thay vì ghi đè. Một thay đổi phải có ngày phát sinh, ngày đánh giá, ngày phê duyệt; ETC phải lưu từng phiên bản; tiến độ và chi phí phải có ngày dữ liệu.

Kiểm định cũng phải tôn trọng thời gian. Thay vì trộn ngẫu nhiên dữ liệu cũ và mới, nên huấn luyện trên các dự án hoặc kỳ trước và kiểm tra trên giai đoạn sau. Cách này khó hơn nhưng phản ánh đúng câu hỏi: mô hình xây từ lịch sử có dự báo được tương lai hay không?

8. Độ chính xác không đủ; dự báo phải được đánh giá bằng khả năng hỗ trợ quyết định

Nếu 90% gói việc không vượt ngân sách, một mô hình luôn dự báo “không vượt” đã đạt 90% độ chính xác nhưng hoàn toàn vô dụng. Vì vậy, cần xem khả năng phát hiện đúng các trường hợp rủi ro, tỷ lệ cảnh báo giả và mức độ hiệu chỉnh của xác suất.

Với dự báo EAC, có thể dùng sai số tuyệt đối, sai số phần trăm và xu hướng sai lệch. Với cảnh báo rủi ro, cần theo dõi tỷ lệ phát hiện, độ chính xác của cảnh báo và khả năng phân biệt nhóm nguy cơ cao. Nhưng trong quản trị dự án, còn một chỉ số quan trọng hơn: thời gian cảnh báo trước.

Một cảnh báo đúng trước hai ngày có thể không giúp gì; cảnh báo tương đối chính xác trước sáu tuần có thể cho phép đàm phán mua sắm, thay đổi trình tự, điều chỉnh nguồn lực hoặc dừng một thay đổi chưa kiểm soát. Vì vậy, mô hình nên được đánh giá cả bằng giá trị hành động mà nó tạo ra.

9. AI phải giải thích được vì sao mức rủi ro tăng

Một cảnh báo “78% nguy cơ vượt ngân sách” không đủ để người quản lý hành động. Họ cần biết rủi ro đến từ gói nào, yếu tố nào và mức độ đóng góp ra sao. Nếu không, AI chỉ tạo thêm một con số trên bảng điều khiển.

Các kỹ thuật AI có khả năng giải thích có thể xếp hạng những yếu tố ảnh hưởng mạnh đến dự báo. Nghiên cứu năm 2025 và 2026 về dự báo chi phí xây dựng đã kết hợp học máy với các kỹ thuật giải thích như SHAP để làm rõ biến nào thúc đẩy kết quả, đồng thời một số nghiên cứu còn đưa thêm khoảng bất định để tránh tạo cảm giác chắc chắn giả.

Trong ứng dụng doanh nghiệp, phần giải thích nên được chuyển sang ngôn ngữ quản trị: “EAC tăng chủ yếu do năng suất gói cơ điện giảm, ba thay đổi thiết kế chưa được xử lý và giá mua thiết bị cao hơn giả định”, thay vì chỉ hiển thị tên biến kỹ thuật.

10. Dự báo nên thể hiện bất định, không nên giả vờ rằng tương lai là một con số duy nhất

Dự án xây dựng chứa bất định về khối lượng, giá, năng suất, thời gian và thay đổi. Vì vậy, dự báo 125 tỷ đồng không có nghĩa chi phí cuối cùng chắc chắn là 125 tỷ. Người quản lý cần biết phạm vi có thể xảy ra và mức tin cậy.

Các mô hình xác suất hoặc kỹ thuật ước lượng bất định có thể trả về khoảng dự báo, ví dụ phần lớn kịch bản nằm trong 118–132 tỷ, thay vì chỉ một điểm. Nghiên cứu Scientific Reports năm 2026 đã đề xuất khung dự báo chi phí kết hợp độ chính xác, bất định được hiệu chỉnh và khả năng giải thích.

Điều này thay đổi cách ra quyết định. Nếu dự báo trung tâm chỉ cao hơn ngân sách 2% nhưng khoảng bất định kéo dài đến +15%, cách phản ứng sẽ khác với một dự báo +2% có khoảng rất hẹp. Quản trị cần nhìn cả giá trị dự báo và mức không chắc chắn.

11. AI không thay thế quản lý thay đổi, EVM hay kinh nghiệm của đội dự án

AI mạnh ở việc tổng hợp nhiều tín hiệu và nhận dạng mẫu. Nhưng nó không biết một thay đổi thiết kế có cần thiết về kỹ thuật hay không, một yêu cầu bồi hoàn có cơ sở hợp đồng đến đâu, hay việc tăng chi phí để bảo vệ mốc có đáng chấp nhận trong chiến lược kinh doanh.

Vì vậy, AI nên được đặt trên nền các phương pháp kiểm soát hiện có. EVM cung cấp các chỉ số minh bạch; quản lý thay đổi xác định nguồn gốc và trách nhiệm; dự báo ETC/EAC của chủ gói công việc phản ánh hiểu biết hiện trường; AI bổ sung một lớp phân tích độc lập để phát hiện quan hệ và xu hướng khó thấy.

Khi các nguồn dự báo đồng thuận, độ tin cậy tăng. Khi chúng mâu thuẫn, nhiệm vụ của hệ thống là làm nổi bật sự khác biệt để con người điều tra, không phải che nó bằng một con số tổng hợp.

12. Từ cảnh báo đến hành động là phần quyết định giá trị kinh doanh

Một hệ thống có thể dự báo rất tốt nhưng vẫn không tạo giá trị nếu cảnh báo không đi vào quy trình điều hành. Mỗi cảnh báo cần gắn với gói việc, chủ sở hữu, nguyên nhân, mức tác động, thời hạn phản hồi và các phương án có thể xem xét.

Ví dụ, nếu rủi ro đến từ giá vật tư tăng, hành động có thể là khóa giá, đổi nhà cung cấp, thay đổi thời điểm mua hoặc đánh giá vật liệu thay thế. Nếu nguyên nhân là năng suất, cần xem lại biện pháp, tổ đội, mặt bằng và trình tự. Nếu nguyên nhân là thay đổi thiết kế, cần thúc đẩy quyết định và kiểm soát phạm vi.

Sau hành động, hệ thống phải ghi nhận kết quả. Nếu dự báo rủi ro giảm, doanh nghiệp học được biện pháp nào có hiệu quả. Nếu không giảm, giả định hoặc hành động cần được điều chỉnh. Vòng phản hồi này biến AI từ công cụ dự báo thành một phần của hệ thống quản trị.

Hình 5. AI chỉ tạo giá trị khi dự báo dẫn đến hành động

13. Một ví dụ: gói cơ điện bắt đầu vượt ngân sách trước khi chi phí thực tế vượt ngưỡng

Giả sử một gói cơ điện có ngân sách 100 tỷ đồng. Tại thời điểm hoàn thành 45%, chi phí thực tế là 43 tỷ, vì vậy báo cáo truyền thống chưa cho thấy vượt ngân sách rõ ràng. Tuy nhiên, trong sáu tuần gần nhất, năng suất lắp đặt thấp hơn kế hoạch 12%; ba thay đổi thiết kế đang chờ đánh giá có tổng giá trị ước tính 5 tỷ; giá mua hai thiết bị chính cao hơn dự toán 8%; tiến độ kéo dài làm tăng chi phí quản lý hiện trường; và ETC của chủ gói đã tăng hai kỳ liên tiếp.

Mô hình AI kết hợp các tín hiệu đó và nâng xác suất vượt ngân sách từ 31% lên 74%, đồng thời dự báo EAC trung tâm 111 tỷ. Phần giải thích cho thấy ba yếu tố đóng góp lớn nhất là năng suất, thay đổi thiết kế và giá mua.

Ban dự án không cần chờ đến khi chi phí thực tế vượt 100 tỷ. Họ có thể ngay lập tức rà soát các thay đổi, đàm phán mua sắm, điều chỉnh biện pháp và cập nhật kế hoạch nguồn lực. Nếu sau bốn tuần EAC giảm về 105 tỷ và xác suất rủi ro xuống 42%, giá trị của AI không phải ở con số 74% ban đầu, mà ở việc nó tạo đủ thời gian cho hành động.

14. Mô hình sẽ suy giảm nếu môi trường dự án thay đổi

Một mô hình học từ các dự án 2021–2024 có thể gặp khó khi thị trường vật liệu, loại hợp đồng, quy trình phê duyệt hoặc chiến lược thi công thay đổi. Quan hệ giữa các biến và kết quả không bất biến theo thời gian.

Doanh nghiệp phải theo dõi sự suy giảm của mô hình: phân phối dữ liệu đầu vào có thay đổi không, tỷ lệ cảnh báo sai có tăng không, xác suất còn được hiệu chỉnh tốt không, và các yếu tố quan trọng có thay đổi không. Khi cần, mô hình phải được huấn luyện lại hoặc điều chỉnh ngưỡng.

Quản trị mô hình vì vậy là một quy trình liên tục, tương tự quản trị dự toán. Không nên coi một mô hình đã triển khai là tài sản cố định có thể chạy nhiều năm mà không kiểm chứng.

15. Lộ trình triển khai thực tế cho doanh nghiệp xây dựng

Giai đoạn đầu nên chọn một câu hỏi hẹp nhưng có giá trị, chẳng hạn dự báo xác suất vượt ngân sách trên 5% cho các gói thi công chính tại mức hoàn thành 30–70%. Không nên bắt đầu bằng mục tiêu “AI dự báo mọi chi phí”.

Tiếp theo, chuẩn hóa dữ liệu theo nền của Bài “Quản lý chi phí dự án xây dựng: Từ dự toán đến kiểm soát ngân sách thực tế“: ngân sách, mã chi phí, cam kết, thực tế, ETC, EAC, thay đổi và dự phòng. Bổ sung tiến độ, khối lượng và năng suất. Quan trọng nhất là giữ lịch sử theo ngày dữ liệu.

Sau đó xây mô hình chuẩn đơn giản trước. So sánh với EVM và dự báo hiện tại của đội dự án. Chạy thử ở chế độ quan sát trong vài tháng để xem cảnh báo có đến sớm, có giải thích được và có ổn định hay không. Chỉ khi đã chứng minh giá trị mới đưa cảnh báo vào nhịp họp chi phí.

Giai đoạn trưởng thành có thể mở rộng sang mô phỏng kịch bản, dự báo theo danh mục, đọc hồ sơ thay đổi, kết hợp BIM, dữ liệu mua sắm và các tác nhân AI hỗ trợ đề xuất hành động. Nhưng quyền phê duyệt các quyết định tài chính quan trọng vẫn phải nằm trong cơ chế quản trị rõ ràng.

Kết luận

AI có thể giúp dự án xây dựng chuyển từ kiểm soát chi phí mang tính phản ứng sang cảnh báo sớm. Giá trị lớn nhất không phải là thay thế dự toán hay tạo ra một con số “thông minh” hơn, mà là kết hợp nhiều tín hiệu đang phân tán thành một đánh giá rủi ro đủ sớm để người quản lý còn lựa chọn.

Muốn làm được điều đó, doanh nghiệp cần một nền dữ liệu đúng: ngân sách, cam kết, thực tế, ETC, EAC, thay đổi, tiến độ, khối lượng và năng suất phải được liên kết theo cùng cấu trúc và được lưu theo thời gian. Mô hình phải được kiểm định theo giai đoạn, tránh rò rỉ dữ liệu, thể hiện bất định và giải thích được nguyên nhân.

Cuối cùng, dự báo chỉ tạo giá trị khi đi vào vòng quản trị: quan sát → dự báo → ưu tiên → hành động → đo kết quả → học lại. Mục tiêu không phải để AI nói dự án sẽ vượt ngân sách, mà để doanh nghiệp nhận ra nguy cơ khi vẫn còn đủ thời gian thay đổi kết quả.

Tài liệu tham khảo

• Yalçın, G., Bayram, S. & Çıtakoğlu, H. (2024). Evaluation of Earned Value Management-Based Cost Estimation via Machine Learning. Buildings, 14(12), 3772.
• Ottaviani, F. M., Ballesteros-Pérez, P. & Narbaev, T. (2025). Automated machine learning pipeline for robust project cost and duration forecasting. Automation in Construction, 178, 106426.
• Mostofi, F., Tokdemir, O. B. & Toğan, V. (2025). Bidirectional spatio-temporal networks for predicting cost performance in construction using deep learning extension of earned value management. Automation in Construction.
• Chen, L. et al. (2025). Transparent and reliable construction cost prediction using advanced machine learning and explainable AI. Engineering Science and Technology, an International Journal, 70, 102159.
• Chen, L. et al. (2026). Uncertainty aware and explainable construction cost prediction using a hybrid probabilistic learning model. Scientific Reports, 16, 10973.
• Machine learning prediction of estimate at completion for infrastructure projects in Nusantara Indonesia (2026). Discover Applied Sciences, 8, 921.
• AACE International. Recommended Practice 10S-90: Cost Engineering Terminology, revised February 2026.