Материал подготовлен на основе блога IPMA
Роль и влияние искусственного интеллекта (ИИ) расширяются с каждым днем. По мере того, как ИИ становится мейнстримом, возникает необходимость повышать осведомленность о нем.
На профессиональном уровне речь идет не только о знании основ или поверхностном понимании полезности искусственного интеллекта необходимо, чтобы люди во всех функциональных областях были готовы к его использованию. Управление проектами не является исключением.
В частности, поскольку управление проектами рассматривается как средство осуществления изменений, организации все больше будут полагаться на профессионалов в области проектов, которые будут использовать искусственный интеллект не только для выполнения проектной работы, но и для разработки новых продуктов и услуг. С ростом использования ИИ в организациях его использование для проектной работы станет необходимостью.
Один из способов начать обучение ИИ — понять различные термины и концепции, такие как машинное обучение (ML), обработка естественного языка (NLP), нейронные сети (NN) и т. д.
Ниже приведен список некоторых полезных терминов, связанных с ИИ и его подмножествами (например, ML, NLP и NN), с учетом их применимости и полезности в контексте управления проектами.
• Модель (Model). Как правило, представляет собой представление (например, математическое или физическое) абстрактного явления. Она помогает нам понять и визуализировать структуру явления или системы.
В управлении проектами прогнозные модели ИИ могут быть построены для целей оценки (например, времени или стоимости).
• Функции (Features). Этот термин обозначает измеримое свойство или характеристики явления. С точки зрения машинного обучения объект представляет точку данных (или переменную, или атрибут в данных). В управлении проектами данными проекта могут быть продолжительность задачи, размер команды или сложность проекта. При построении прогностической модели влияния проекта на социальную устойчивость команда может учитывать такие характеристики, как создание рабочих мест, разнообразие и равные возможности, здоровье, безопасность и т. д.
• Тренировка (Training). Относится к обучению модели машинного обучения делать прогнозы или классификации путем изучения шаблонов в наборе данных.
Проектные группы могут использовать исторические данные проекта для обучения моделей прогнозированию затрат, времени, рисков и т. д.
• Контролируемое обучение (обучение с учителем, Supervised learning). Процесс использования размеченных данных для обучения модели машинного обучения изучению закономерностей в данных для принятия прогнозов или решений по классификации. Для принятия таких решений используются алгоритмы регрессии или классификации. Данные называются «помеченными», потому что они помечены тем, чем они являются.
Например, обучение модели машинного обучения для классификации рискованных и нерискованных проектов.
• Неконтролируемое обучение (обучение без учителя, Unsupervised leaning). Это процесс использования неразмеченных (необработанных) данных для обучения моделей машинного обучения с целью изучения закономерностей в данных и поиска кластеров или групп с похожими характеристиками. Система пытается объединить данные в кластеры на основе закономерностей, которые она обнаруживает в процессе обучения.
Проектная группа может использовать неконтролируемое обучение для обучения моделей с целью выявления проектов, которые потребуют определенных стратегий управления качеством, чтобы обеспечить получение наилучших результатов и снизить вероятности неудач проекта.
• Обучение с подкреплением (Reinforcement learning). Относится к обучению моделей машинного обучения на основе их взаимодействия с окружающей средой. Его также можно рассматривать как обучение методом проб и ошибок.
В контексте управления проектами одним из примеров может быть корректировка бюджета проекта на основе хода его (проекта) выполнения и анализа рисков и проблем проекта в режиме реального времени.
• Федеративное обучение (Federated learning). Относится к подходу, основанному на машинном обучении, при котором обучение модели происходит на нескольких децентрализованных машинах или серверах. Такой подход позволяет использовать локальные выборочные данные без обмена, что помогает снять любые опасения по поводу совместного использования данных. В контексте управления проектами это может быть полезно, если задействованы данные нескольких сторон и их необходимо использовать для обучения модели. Команды могут совместно обучать модели на своих локализованных данных, сохраняя при этом конфиденциальность и безопасность.
• Трансферное обучение (Transfer learning). Относится к использованию знаний, полученных при решении одного типа проблем, для решения другого типа проблем.
Проектные группы могут искать доступные предварительно обученные модели в смежных областях, чтобы понять, можно ли использовать их для решения некоторых проблем, с которыми они сталкиваются при управлении проектами.
• Конструирование признаков (Feature engineering). Речь идет о создании, выборе и изменении признаков (например, переменных) с целью повышения производительности (например, точности прогнозирования или классификации) моделей машинного обучения.
В управлении проектами это может быть похоже на создание новой метрики для идентификации рисков, которую можно использовать для обучения моделей, чтобы повысить их точность.
• Предсказательное моделирование (Predictive modelling). Относится к построению моделей машинного обучения, которые предсказывают результат на основе изучения закономерностей в данных. В контексте управления проектами команды могут создавать модели, например, для прогнозирования того, уложится ли проект в установленные сроки.
Полезность ИИ и его растущее влияние неоспоримы. Поэтому людям, работающим в любой профессии, необходимо подготовиться к использованию ИИ в повседневной жизни и рабочих целях. Это особенно важно для профессионалов в области проектов. Организации все больше используют инструменты ИИ, и поскольку проекты встроены в организации, у людей, работающих над проектами, нет другого выбора.
