Tematyka zarządzania projektami obfituje mnóstwem niezwykle interesujących aspektów. Jednym z nich jest aplikacja statystyki, zaawansowanej analityki, uczenia maszynowego, programowania czy wreszcie sztucznej inteligencji. Co nawet inspiruje nas do zadania sobie pytania o możliwość zastępowalności ludzkiego lidera projektu właśnie przez sztuczną, świadomą „maszynę”.
Jak więc wygląda kooperacja z czymś1 tak wieloaspektowym? W jakim kierunku zmierza? Jakiego impaktu na zarządzanie projektami możemy się spodziewać?
Aby odpowiedzieć na te pytania, wprowadźmy do naszej dyskusji następujące wymiary:
- zakres – jakiego charakteru współpracy lub wsparcia poszukujemy?
- dane – jaka jest ich dostępność, wolumen oraz jakość?
- autonomia – jak dużo niezależności czy też decyzyjności jesteśmy w stanie delegować?
Patrząc z ich perspektywy, wydaje się, iż można by wydzielić swego rodzaju poziomy kompleksowości tematyki będącej przedmiotem dyskusji i przyjrzeć się im szczegółowo.
Standardowe obliczenia
Na poziomie pierwszym posiadamy dostęp do typowych danych projektowych, na przykład wstępnie zdefiniowane wymagania, podstawy estymacji kosztów. Korzystamy ze standardowych metod statystycznych, przykładowo: średnia, wariancja lub predefiniowanych formuł dla np. PERT, EVM, CPI. Uruchamiamy je cyklicznie między innymi dla celów raportowania postępu prac, przewidywania wybranych parametrów czy prostych symulacji. Nie wychodząc poza popularne metodyki zarządzania projektami, uznajemy, iż wystarcza nam to dla skutecznej realizacji projektu. Nie potrzebujemy również zaawansowanego wsparcia analitycznego, ponieważ rekomendowane sposoby na przykład estymacji kosztów aż nadto odpowiadają naszym potrzebom. Żadna autonomia tych „narzędzi” także nie wchodzi tutaj w grę – pracę inicjuje i wykonuje człowiek.
Monte Carlo? Może innym razem! Symulacja Monte Carlo jest rekomendowana przez PMBOK® Guide, lecz, poza dużymi projektami inżynieryjnymi, nie jest zbyt popularna. Natomiast, nawet używana, bywa aplikowana niewłaściwie. Za główną tego przyczynę uważa się niezrozumienie jej przez kierowników projektów oraz poczucie dyskomfortu czy też niechęć do stosowania zaawansowanych metod statystycznych.2
Eksploracja danych
To poziom drugi, związany z zapotrzebowaniem na większą ilość danych. W niektórych przypadkach musimy pozyskać dodatkowe informacje, z innych projektów, w tym dane historyczne. Zaczynamy stosować analitykę w wersji zaawansowanej. Ta zaś może obejmować na przykład analizę zależności między wymaganiami, badanie ryzyka czy optymalizację zasobów. Bardzo pomocna jest także w ekstrakcji informacji z większych, ustrukturyzowanych i nieustrukturyzowanych zbiorów. Analizy te, nawet jeśli wymagają znaczącego zaangażowania, są przeważnie tematami ad-hoc. Zatem raczej nie ma mowy o ich automatyzacji oraz autonomiczności działań maszyny. Zazwyczaj mają na celu odkrywanie wiedzy (knowledge discovery) i wspomaganie podejmowania decyzji projektowych (informed decisions).
Lessons learned? Dziękuję, nie mam czasu! Zazwyczaj organizacje gromadzą lekcje z projektów, lecz często wyzwaniem jest zapoznanie się z nimi. Jak to zrobić efektywnie? Do realizacji tego zadania zastosowano technikę eksploracji danych tekstowych (text mining). Celem identyfikacji dobrych i złych praktyk, przetworzono 50 tego typu dokumentów, o objętości do 25 stron, uzyskanych z projektów budowlanych.3 W innym przypadku, użyto text mining do oceny ryzyka opóźnienia w harmonogramie. Tutaj, obok dokumentów lessons learned włączono te dotyczące zakresu; w sumie blisko 2000 stron z 13 projektów.4 W rezultacie znacznie skróciło to czas dostępu do wartościowej wiedzy i wyciągnięcia wniosków na przyszłość.
Zaawansowane algorytmy
Na trzecim poziomie potrzebujemy nowych źródeł i jeszcze więcej danych. W porównaniu do poprzednich etapów, nasz apetyt na zastosowanie bardziej wyspecjalizowanych metod ich obróbki rośnie. Aplikujemy na przykład uczenie maszynowe (machine learning), w tym sieci neuronowe (neural networks) czy uczenie głębokie (deep learning).
Z tym, że nadal podejmowanie decyzji nie jest autonomiczną cechą maszyny. Jednakże nie jesteśmy już tak bardzo na „nie”, ponieważ jej algorytmy poprawiają się nieustannie poprzez samouczenie. Zatem wyniki, które otrzymujemy, stają się coraz bardziej godne zaufania. Mogą to być na przykład rekomendacje mitygacji ryzyka, predykcje. Ponadto, identyfikacja takich zdarzeń, jak odchylenia od harmonogramu, naruszenia standardów jakości etc., zanim będą mieć one szansę wystąpienia. Niemal cała praca jest wykonywana przez automat, zaś kierownik projektu otrzymuje konkretne wartości obliczonych parametrów.
Ile to story points? Zapytaj maszynę! Z sukcesem sięgnięto po deep learning do estymacji zgłoszeń (tickets) tj. nakładu pracy potrzebnej do zrealizowania konkretnych wymagań w projekcie, mierzonej wg wartości story points. Udało się zbudować i przetestować rozwiązanie, które byłoby istotną pomocą, w tego rodzaju aktywności. Warto wspomnieć, że aby nauczyć system umiejętności wyceny, przetworzono dane z co najmniej 81 projektów software’owych.5
Automatyzacja i wąska autonomia
Poziom czwarty jest już tym, na którym szukamy inteligentnych algorytmów i rozwiązań; w zasadzie „maszyn-programów”. Mogłyby one spróbować wykonać za nas jakieś zadanie. No, na pewno nie tak solidnie jak my sami, i nie tak kompleksowe zadanie, jednakże oferując poważne odciążenie. To byłaby forma sztucznej inteligencji (AI), która rozumie na przykład tekst i posiada umiejętność jego przetwarzania (natural language processing). Do pewnego stopnia potrafi też samodzielnie podejmować decyzje. Nie myślimy tutaj jeszcze o rozwiązaniu docelowym, jakim byłyby maszyny zarządzające całym projektem. Musimy zadowolić się czymś innym, mianowicie dość obiecującym rozwiązaniem w postaci chatbotów.
Powiedz mi, nad czym dziś pracujesz? Uważa się, iż jednym z najbardziej znaczących osiągnięć w dziedzinie sztucznej inteligencji są właśnie chatboty. Mogłyby wspomóc znacząco kierownika projektu w zadaniach związanych z np. raportowaniem statusu prac.6 Obecnie programy te potrafią prowadzić konwersacje i zadawać pytania, o to, nad czym pracuje zespół.7 Ponadto, dobrze integrują się z narzędziami jak Ms Project czy Clarizen.
Sztuczna i świadoma inteligencja
Dotarliśmy wreszcie, do piątego poziomu, najwyższego. Jest najciekawszy, choć i najbardziej niepokojący, głównie z racji mnóstwa wizjonerskich artykułów, dyskusji, często oderwanych od rzeczywistości. Często sugerujących, iż wkrótce „maszyna” zastąpi kierownika projektu, czyli samodzielnie poprowadzi projekt. A to oznacza, że wcześniej zdała test Turinga! Test ten, jest sposobem „określania zdolności maszyny do posługiwania się językiem naturalnym i po średnio mającym dowodzić opanowania przez nią umiejętności myślenia w sposób podobny do ludzkiego”.8
W praktyce nie ma jeszcze takich maszyn, choć najlepszej do sukcesu zabrakło 4 punkty procentowe.9 W ostatnich latach osiągnięto zauważalny w dotyczących progres i pojawiły się duże nadzieje, ale wyzwanie jest jednak przeogromne! Szczególnie w zarządzaniu projektami dotyczyłoby to umiejętności swobodnego wykorzystania danych, osiągnięcia samodzielności, jaką posiadają kierownicy projektów oraz zrozumienia kontekstu projektu. Operacyjnie, realizacji takich zadań jak budowanie zespołu, prowadzenie negocjacji czy dokonywania wyborów uwzględniając czynniki etyczne.
Poznajmy Lili! Ciekawym narzędziem, tzw. virtual assistant, dla wsparcia zarządzania projektami jest Lili. Potrafi eksplorować olbrzymie ilości danych, także nieustrukturyzowanych, i w różnych formatach – w tym popularnych jak np. doc, xls czy ppt, o różnym przeznaczeniu i zawartości np. rejestr ryzyka, komunikacja emailowa, harmonogram, techniczne raporty. Celuje w wykrycie problemów, np. opóźnień w projekcie, zanim staną się one faktem. Ponadto potrafi budować łatwą w dostępie bazę wiedzy projektowej.10
Quo vadis…
Nie ulega wątpliwości, że zmierzamy dynamicznie w kierunku interesujących zmian.
Co nas czeka?
Wydaje się, iż dalszy rozwój w kierunku zautomatyzowanego zarządzania projektami, ze wsparciem sztucznej inteligencji. Można przyjąć, że ten trend będzie mocno kontynuowany. Już teraz istnieje kilka ciekawych i zaakceptowanych w praktyce narzędzi potrafiących, zgodnie z tym podejściem, skutecznie wspierać kierownika projektu. Przykładowo, zaczynając od niektórych dodatków do Jiry, a kończąc na wirtualnych asystentach zarządzania projektami jak Lili.
Co automatyzować?
Natomiast, jeśli by zapytać, w jakich konkretnie tematach AI mogłaby pomóc kierownikom projektów, to powinniśmy wyjść od pewnej zasady. Otóż te procesy, które wykorzystują dane mogą z użyciem AI zostać zautomatyzowane. Przykładem tego może być tworzenie WBS, estymowanie czasu trwania działań, czy budowanie i monitorowanie harmonogramu. Natomiast z perspektywy 10 obszarów wiedzy (wg PMI) mogłyby to być w szczególności zarządzanie kosztami, czasem oraz ryzykiem.11
Co z kompetencjami i rolą kierownika projektu?
Pomimo, iż wiele rozwiązań zaimplementowano już w programach do zarządzania, na przykład analizę Monte Carlo w Primavera Risk, to nieraz pojawi się konieczność wykonania ekstra analiz. Z tego względu, nie które z umiejętności kierowników projektów w omawianym tutaj obszarze być może będą dotyczyć nie tylko zdolności analitycznych, lecz również i programowania.12 Zatem, możemy mieć do czynienia z rozszerzeniem tych kompetencji, które w szczególności mogą być pomocne w automatyzacji powtarzalnych działań.
A czy spowoduje to, że będziemy musieli nauczyć się współpracować z takimi „inteligentnymi” narzędziami lub maszynami – czy to będzie nowa kompetencja? Na pewno! I to się już dzieje.
Innym aspektem jest natomiast kwestia – jak zmieni się rola kierownika projektu? Odpowiedź jest trudna. Prowadzone badania dają do myślenia, że impakt jednak wystąpi, lecz nadal za wcześnie, by mówić o jego charakterze.
Przypisy do artykułu:
1. Można powiedzieć, iż to połączenie dziedzin: Inżynieria danych, Data science oraz Inżynieria oprogramowania.
2. Avlijas, G. (2019). Examining the Value of Monte Carlo Simulation for Project Time Management. Management: Journal Of Sustainable Business And Management Solutions In Emerging Econ omies, 24(1), 11-23.
3. Choudhary, A., i in. (2009). The needs and benets of Text Mining applications on Post-Pro ject Reviews. Computers in Industry, 60 (9), pp. 728-740.
4. Son, Byung-Yu, i in. (2019). Using Text Mining to Estimate Schedule Delay Risk of 13 Offshore Oil and Gas EPC Case Studies During the Bidding Process. Energies. 12. 1956.
5. Choetkiertikul, M., i in. (2019). A Deep Learning Model for Estimating Story Point. IEEE Trans actions on Software Engineering, vol. 45, no. 7, pp. 637-656.
6. Cho, Jehyun, i in. (2019). A Chatbot System for Construction Daily Report Information Management. Conference: 36th International Symposium on Automation and Robotics in Construction.
7. Munir, M. (2019). How Artificial Intelligence can help Project Managers. Global Journal Of Management And Business Research. Vol. 19 Issue 4.
8. https://pl.wikipedia.org/wiki/Test_Turinga
9. https://pl.wikipedia.org/wiki/CleverBot
10. https://lili.ai
11. Fridgeirsson, T., i in. (2021). An Authoritative Study on the Near Future Effect of Artificial In telligence on Project Management Knowledge Areas. Sustainability. 13(4):2345.
12. Koldunov, N. V., i in. (2018). Programming as a soft skill for project managers: How to have a computer take over some of your work, Adv. Geosci. 45, 295–303.
Związany głównie z branżą IT. Doświadczenie zdobywał w międzynarodowych korporacjach oraz startupach (FinTech, analityka i infrastruktura). Obok certyfikatu PMP czy Associate Systems Engineering Professional (INCOSE), posiada też kilka związanych ze skalowaniem startupów. W wolnych chwilach angażuje się w wolontariat, np. recenzowanie standardów PMI. Lubi jazz oraz dobre kino.