Оценка, управление ресурсами и KPI - это лишь некоторые из ключевых областей, через которые машинное обучение и интеллектуальная аналитика могут положительно воздействовать на результаты проекта.

От разработки программного обеспечения до построения логистики и финансов, каждая компания имеет проекты, требующие планирования, управления и мониторинга.

Но инструменты, которые мы используем для этого, часто бывают сложны для обычного пользователя сложны, и не делают всего возможного для предупреждения о потенциальных проблемах. Способны ли системы поддержки и автоматизации принятия решений на основе AI повысить эффективность ваших проектов за счет снижения издержек и ошибок, анализа рисков, повышения эффективности или своевременного выполнения и соблюдения бюджета?

Вот футуристический взгляд на то, как искусственный интеллект, машинное обучение и интеллектуальная аналитика могут повлиять на результаты проекта в последующие годы.

Думая о риске

Грамотное управление проектом требует большего, чем просто разработать отличный план и придерживаться его. Взаимозависимости в рамках вашего проекта и внешние изменения делают результаты непредсказуемыми. Оценки и многие прогнозы - лучшая интуиция; в худшем случае, догадки и ручная работа. Современные методы управления, такие как гибкая и непрерывная доставка, направлены на уменьшение неопределенности путем постепенной работы, но это все еще не гарантирует окончательной доставки. Управление портфелем основано на сочетании проектов, которые уравновешивают риск и прибыль, потому что трудно оставаться конкурентоспособным, если вы получаете лишь безопасность), но это означает, что нужно оценивать риск как можно точнее, что крайне сложно.

«Риск в проекте всегда вероятен, и человеческий разум не очень хорошо справляется с управлением вероятностью на основе рисков, особенно когда мы объединяем множество разных вероятностей», - говорит генеральный директор Aptage Джон Хейнтц. Легко подтвердить свое мнение: «Я получил ответ, которого ожидал, и согласен с самим собой».

Мы также склонны к тому, что он называет «планированием на основе надежды».

«Это естественно: мы в какой-то степени оптимистичны; мы все видим позитивное развитие событий, способ, который поможет этому осуществиться, и у нас нет доказательств того, что он не может работать, поэтому мы надеемся, что все пойдет так, как мы этого хотим », - говорит Хайнц.

Aptage использует машинное обучение для прогнозирования результатов проектов с помощью уже имеющихся у вас данных, таких, как планируемая дата начала и окончания различных этапов проекта (и, если у вас есть, оценки по любым отставаниям), чтобы узнатьтемп работы команды и прогнозировать вероятность своевременности доставки. Оценки всегда неопределенны, поэтому вы можете установить верхнюю и нижнюю границы того, как долго будут выполняться задачи (или программное обеспечение может моделировать его с использованием золотого сечения). Вам также необходимо указать некоторую информацию об источнике рисков: «Бессмысленно обвинять того, кто не справляется с проблемой: выясните, что происходит не так », - говорит Хайнц.

Это информация, предоставляемая большинству команд,

продолжает он. «Команды, которые не имеют чрезвычайно строгого процесса, могут использовать наш инструмент сразу. Если у команды есть сильное отставание, мы все равно можем им помочь. Если у команды есть анализ наилучшего или худшего случая и структура разбивки работы для всего проекта, мы можем дать еще больше советов », - говорит Хайнц.

Aptage использует визуализацию уверенности, выполнимости и значений риска во времени, чтобы помочь вам переключаться между тем, что Хейнтц называет быстрым и медленным мышлением. «Мы должны были создать эти визуальные эффекты, потому что нам нужно связаться с быстромыслящим, интуитивным сознанием, чтобы люди могли видеть вещи таким образом, чтобы они могли принимать интуитивные решения. Если проект становится рискованнее, инстинкты демонстрируют некоторый страх. Возможно, мы по-прежнему решаем идти вперед с этим проектом, но мы думали об угрозах, и мы были вынуждены пересмотреть его. «Это может повредить, но у нас есть сеть безопасности; если нам придется потратить на этот проект 20% больше, мы все равно будем иметь хорошую вероятность [успеха]; давайте рискнем ».

Алгоритмы и модели использования Aptage были созданы для разработки программного обеспечения, но также подходят для строительных проектов. Первая (довольно базовая) интеграция -с Jira и со временем Хайнц надеется разместить визуализации внутри инструментов, которые команды проекта используют на ежедневной основе, такие как Microsoft Project, Primavera construction planning, Trello или даже дорожные карты и панели инструментов KPI в Salesforce или Power BI. «Если я поставил задачу в Trello или ServiceNow, когда я могу ожидать оценку и каков ее уровень уверенности? Мне нужна 90-процентная уверенность.

Как правило, цель состоит в том, чтобы дойдя до конца проекта, вам не пришлось удивляться. «Если бы вы знали сегодня, что риск невыполнения  или неуспешности проекта составляет  60 процентов, что бы вы сделали по-другому? Мы указываем вам на источник риска и на возможности его минимизации».

Хейнтц говорит, что Aptage не может исправлять проблемные проекты, но он должен предупредить вас о них. «Это способность сотрудничать и говорить:« Это проект с высоким риском, и мы хорошо им управляем» вместо:« Мы не знаем, что такое риск; мы просто обещаем, что проект будет выполнен (но  последнюю минуту мы можем сказать «нет») ».

Управление ресурсами

По словам Лэнса Олсена, директора Microsoft Cloud AI Team, некоторые из бизнес-инструментов AI  уже внедряются, такие как интеллектуальное обслуживание, и могут помочь сделать проекты более эффективными и надежными.

«Один из самых распространенных форс-мажоров, способных выбросить проект из строя с точки зрения его графика и риска, - сбой в системах, на которые вы полагаетесь в проекте».

В целом, он считает, что ИИ будет наиболее полезным, если он будет устранять риск в проектах: «будет ли это прогнозирование для проекта или устранение риска при исполнении». Это сделает проекты более эффективными:« В них так много неопределенности, и мы боремся с ней, создавая  гигантские буферы», - говорит он.

«AI уже способен помочь  отслеживать прогресс и производительность, особенно если вы понимаете управление проектами в широком смысле», - говорит Надя Дюк Бун, директор по управлению продуктами для платформы в компании New Relic, которая недавно ввела так называемый прикладной интеллект для своих инструментов мониторинга производительности. «Многие функции управления проектами осуществляются там, где никто официально не уполномочен этими обязанностями. Существует  новый набор инструментов управления проектами, о котором мы не задумываемся всерьез».

С дополнительными проектами, успех не всегда определяется в конце проекта;  KPI по качеству и надежности будут непрерывно пересматриваться. «Клиенты, спрашивающие « Держим ли мы курс?», используют такие показатели, как количество развертываний, которые можно сделать, степень надежности развертываний, наличие ошибок регрессии и другое», - говорит Бун. «AI мог бы идентифицировать медленно растущие тенденции в этом потоке данных, которые значительны, но их трудно увидеть или легко проигнорировать».

Новая Relic Applied Intelligence включает в себя инструмент Radar, который ищет эти шаблоны и проблемы, предлагает действия и узнает о выборе пользователей. «Это помогает нам находить такие тенденции, как недельное замедление; движение чего-либо в неправильном направлении, где мы бы не обнаружили это, потому что проект так сосредоточен на повседневной жизни », - говорит она.

AI может помочь удостовериться, что мы обращаем внимание на плохие новости. «Я знаю случаи, когда показатели говорят о том, что все происходит в неправильном направлении, но людям это трудно признать». - говорит Бун.

Он также может помочь в автоматизации, оставляя менеджерам проектов больше времени для действительного управления. «Большая часть ИИ в любой отрасли сейчас устраняет утомительную и монотонную работу,и позволяет людям сосредоточиться на вещах, которые машины не в силах осуществить. Проблема не в объеме работы при управлении проектами, а том, имеются ли четкие цели, все ли движется в одном направлении, и скоординирована ли работа».

Например, новый  Relic  использует чат-бот, чтобы напомнить менеджерам о том, как управлять капитализационными часами. Бун также предполагает, что анализ естественного языка о том, как обновления статуса фразы людей могут помочь определить, насколько они уверены в успехе.

«Сокращение монотонных и трудоемких задач, которые не обязательно имеют высокую ценность, но проявляются в каждом проекте, не просто освобождает время,, - это также сокращает ошибки», - отмечает Олсен;

Рик Макейчерн, вице-президент по развитию бизнеса в Software AG, видит роботизацию процессов (RPA) в том, что она берет на себя множество земных, рутинных и объемных задач менеджеров проектов, таких как объединение данных из разных систем для координации поставок и другой логистики и обновление систем управления делами. «Есть тонны работы, которая может быть выполнена в отношении передачи данных, перемещения их между различными системами, обработки массовых писем, ведения отчетов и обработки файлов и документов», - говорит Макейчерн. «Роботы отлично справляются с такой деятельностью».

«У вас могут быть роботы, которые отслеживают различные обновления, отчеты о статусе и данные, и оповещают вас, если файл не был получен в нужный срок», - говорит Макейчерн. «Если кто-то не представил свою последнюю оценку, вы можете использовать робота с системой управления делами, чтобы проверить их и сказать:« До истечения срока осталось два дня, я собираюсь отправить вам почасовое напоминание». И когда они загружают новое расписание, я могу подключить робота для извлечения волнующих меня данных, и поместить их в расписание мастер-проекта ».

Прогнозирование и экспериментирование

RPA также может быть полезна для оптимизации ресурсов и планирования, если вы можете определить бизнес-правила или создать модели данных, которые будут  использоваться для оценки и отчета об исключениях. Это может быть особенно полезно для перевозки и логистики, сказал он; «Существует множество способов оптимизации, реализуемых за счет машинного обучения, например, маршрутизация с наименьшими затратами для минимизации затрат на топливо или оптимизации нагрузки».

«Вы можете использовать прогнозирование как способ усовершенствования реализации проекта и минимизации промахов», - говорит Олсен, но если вы действительно хотите использовать ИИ для улучшения проектов, вам нужно больше экспериментировать и искать пути совершенствования. «Эти виды деятельности будут тем, что действительно разграничивает деятельность организаций в ближайшие пять лет.  ИТ-директора должны проектировать интеллектуальные системы,

Эти системы интеллекта и ИТ-директора должны проектировать их, чтобы управлять скоростью экспериментов».

К примеру, интеллектуальная система подскажет вам следующее: « Мы получили 75-процентную точность в прошлом месяце; а как насчет других 25 процентов? Может быть, погода является для нас важным фактором; давайте получим погодный фид и добавим его в модель, и, возможно, мы доберемся до 80 процентов. «Посмотрите на свою скорость эксперимента и ваш уровень обучения в качестве ключевого показателя успеха в ваших проектах. Насколько систематически вы готовы осуществлять такое обучение и управление экспериментами? »- говорит Олсен.

«Заманчиво думать, что вы можете использовать машинное обучение для прогнозирования успешности проектов, но это может долгой работой», - предупреждает он.

«Мы наблюдаем, что люди сегодня сосредоточены на компонентах внутри проекта, ресурсах и прогресса в отношении ресурсов, жизнеспособности или эффективности ресурсов. По мере достижения этих компонентов, следующим логичным шагом  является повышение уровня, а что касается проекта в целом - необходимо определить, как можно сделать его еще эффективнее. Это будет предполагать сбор подробной информации о многих проектах», - добавляет Олсен

«Чтобы получить прогнозы по проектам, вы должны собирать данные о самом проекте и вносить их в модель и выявлять общие черты и различия в проекте, сделавшие его успешным» - говорит Олсен.

Бун озвучивает предупреждение  о том, насколько точными могут быть прогнозы, отметив, что некоторые проектные задачи оценить легче других, потому что они чаще повторяются. Работая в качестве менеджера проекта, она обнаружила, что опытные инженеры по электротехнике были очень точными, и не только из-за продолжительности накопления знаний строительной индустрией.

Разница между проектированием физических объектов и программного обеспечения заключается в том, что во втором случае мы не знаем единицу работы. В физическом строительстве это может быть фут трубопровода или ярд бетона, но в программном обеспечении такого нет. Укладка асфальта - это укладка асфальта, независимо от того, где и когда вы это делаете, но даже добавление столбца в базу данных может сильно отличаться в зависимости от того, на какой стадии проекта вы находитесь и кто это осуществляет», - говорит Бун.

Для крупных сложных проектов с большим количеством сотрудников, где конечная цель является чем-то повторяемым, например, создание нового центра обработки данных или перенос приложений на контейнерную платформу, Бун полагает, что может быть достаточно данных для машинного обучения, чтобы идентифицировать выбросы, аномалии или корреляции.  «Вот три интересные корреляции, которые мы нашли; возможно вы захотите их изучить. Это определяет ИИ как партнера менеджера проекта и позволяет ему применять свой человеческий и эмоциональный интеллект».

No Comments