Чому традиційний проєктний менеджмент не працює для ШІ-проєктів

Програмне забезпечення для управління проєктами використовує штучний інтелект для виявлення проблем із графіками та обмеженнями ресурсів у традиційних IT-проєктах. Однак управління ШІ-ініціативами потребує значно більшого, ніж підтримка планування.

Такі організації, як Project Management Institute, уже починають визначати методологію управління ШІ-проєктами, виділяючи шість різних етапів: розуміння бізнесу, розуміння даних, підготовка даних, розроблення моделі, оцінювання моделі та введення моделі в експлуатацію. Попри це, CIO досі мають небагато практичних рекомендацій щодо управління такими ініціативами.

Перед CIO та проджект-менеджерами залишається питання:

Розглянемо їх по черзі.

Як ШІ-проєкти змінюють ролі IT та бізнесу

Розроблення ШІ-систем є безперервним та ітеративним. Такі рішення також значно більше зосереджені на даних, ніж на застосунках. Якщо дані, з якими працюють застосунки, неякісні, результати також не будуть якісними.

Це змінює динаміку роботи в IT: основними фахівцями, до яких звертаються під час створення ШІ-рішень, стають спеціалісти з даних, а не розробники застосунків.

Для бізнес-користувачів ця зміна динаміки також створює проблеми, оскільки саме експерти у відповідних кінцевих бізнес-функціях мають визначати, чи є дані правильними. Це змушує кінцевих користувачів відігравати в IT-орієнтованих ініціативах активнішу роль, ніж вони звикли.

Нарешті, відстежувати прогрес ШІ-проєкта може бути складно, оскільки такі рішення мають еволюційний характер і можуть фактично ніколи не завершуватися — принаймні у традиційному розумінні.

Вибір стратегії ШІ-моделі

Чітке розуміння бізнес-кейсу для ШІ-системи та результатів, яких очікує компанія, є першим кроком в управлінні ШІ-проєктом. Наступний виклик — визначити відповідну стратегію розроблення моделі.

Розроблення AI-моделі може бути складним, оскільки IT-фахівцям і користувачам важко зрозуміти, що саме воно передбачає. IBM визначає AI-модель як «програму, яку навчено на наборі даних для розпізнавання певних закономірностей або ухвалення певних рішень без подальшого втручання людини».

Однак залежно від бізнес-мети ШІ-системи підхід до розроблення моделі може відрізнятися.

Модель може являти собою набір алгоритмів, програмно визначених для роботи з певним набором даних шляхом надсилання до них конкретних запитань.

Або вона може містити елементи машинного навчання, яке здійснюється під дуже жорстким наглядом або взагалі без нагляду.

Компанії також можуть використовувати готові foundation models — базові моделі, які приблизно відповідають бізнес-проблемам, що їх намагається вирішити компанія. За потреби такі готові AI-моделі можна адаптувати під конкретні сценарії використання.

Щоб визначити найкращу AI-модель, компаніям необхідно глибоко розуміти бізнес-кейс, який вони намагаються реалізувати.

Якщо мета полягає у використанні ШІ для сценаріїв «що, якщо» та фінансового прогнозування на основі даних, які компанія вже має у своєму розпорядженні, для цього може підійти набір алгоритмів для стандартних запитів.

Якщо компанія прагне, наприклад, покращити діагностику раку, її ШІ-система діагностики може використовувати не лише внутрішні дані, а й зовнішні джерела, «навчаючись» на симптомах і даних з усього світу, щоб доповнити наявні локальні знання.

Якщо ж компанія хоче використовувати ШІ для допомоги в галузі, де їй бракує експертизи, наприклад у клієнтському сервісі, вона може придбати готову foundation-модель для клієнтського обслуговування, попередньо налаштовану з відповідними даними й алгоритмами, а потім із часом адаптувати її до власних потреб.

Вимоги до інфраструктури та готовність до ШІ

Ще один підготовчий крок, який слід зробити до затвердження будь-якої ШІ-ініціативи, — оцінити рівень експертизи персоналу та готовність IT-інфраструктури.

Якщо наявна IT-інфраструктура недостатньо потужна для підтримки AI-даних і необхідних обчислень, одним із варіантів може бути розміщення ШІ-системи у хмарі, де ресурси можна масштабувати — за умови, що це дозволяє бюджет.

Важливіше питання стосується готовності IT та кінцевих користувачів до ШІ.

З боку IT дата-аналітики уже мають значний досвід очищення та підготовки даних, а також роботи з технологіями на кшталт extract, transform and load — вилучення, трансформації та завантаження даних.

Дата-аналітики знають, як нормалізувати дані, щоб вони могли переміщуватися між системами через API та безперешкодно існувати в гібридних сховищах.

Однак у сфері розроблення ШІ-моделей неминуче виникне розрив між тим, що знають IT-розробники та кінцеві користувачі, і тим, чого потребує створення моделі.

Розроблення ШІ-моделей потребує навичок розроблення алгоритмів і навіть статистичного аналізу. Data scientists мають такі навички, але IT-розробники — не обов’язково.

Далі виникає питання самого навчання AI-моделі.

З боку користувачів навчання моделі мають здійснювати експерти предметної області. І це навчання має бути постійним та уважним, щоб AI-модель і результати її роботи з часом не відхилялися від контексту та не втрачали точності.

Єдиний спосіб забезпечити якість і подальшу еволюцію AI-моделі — щоб кінцеві користувачі та IT тісно співпрацювали протягом тривалого часу.

Це відрізняється від традиційного управління IT-проєктами, у межах якого в певний момент роботу оголошують завершеною, а всі її учасники розходяться й переходять до інших завдань.

Впроваджуйте ШІ поступово

Коли настає час перевести ШІ у продуктивне середовище, головною метою має бути автоматизація окремих етапів бізнес-процесу, а не всього процесу.

Це допомагає забезпечити початковий успіх розгортання ШІ, оскільки зі зміною бізнес-процесів змінюються і посадові обов’язки людей. Однак це може й викликати занепокоєння у користувачів, перешкоджати прогресу та підривати довіру до системи.

Для успішної реалізації AI-ініціативи найкраще змінювати робочі процеси такими темпами, які організація здатна сприйняти.

Є ще одна причина для поступової зміни робочих процесів у процесі впровадження ШІ: надзвичайно важливо, щоб люди залишалися в контурі прийняття рішень, оскільки штучний інтелект може помилятися.

ШІ-системи можуть генерувати ненадійні результати, якщо їх навчали на викривлених або упереджених даних, а також можуть «галюцинувати».

Підсумок: як управляти ШІ-проєктами

Методологія управління ШІ-проєктами все ще розвивається, тому систем управління проєктами, які враховують унікальні вимоги ШІ, небагато. Це покладає відповідальність за управління такими ініціативами безпосередньо на CIO та проджект-менеджерів.

Втім, кілька речей уже зрозумілі.

• Відповідальність за ШІ-проєкти так само важлива, як і за традиційні IT-проєкти. Хтось має бути відповідальним і готовим ухвалювати рішення. Ця людина має постійно комунікувати з членами команди та вищим керівництвом щодо прогресу роботи.
• ШІ-проєкти не схожі на традиційні IT-проєкти. Фактично вони можуть не завершуватися доти, доки не втратять актуальність бізнес-кейси, заради яких їх створили. Учасники команди та вище керівництво мають усвідомлювати цю реальність заздалегідь.
• ШІ-проєкти краще реалізовувати поступово. Люди навчаються в процесі роботи, тому тут потрібен обережний підхід. Такі ініціативи мають бути орієнтовані на невеликі, чітко визначені бізнес-кейси з ясними та досяжними цілями.

До графіків виконання завдань також слід включати навчання IT-фахівців і кінцевих користувачів. CIO та їхні команди мають бути готові до того, що перші AI-проєкти можуть поєднувати успіхи й невдачі, з яких потрібно вчитися. Вище керівництво також має поділяти це розуміння.

За матеріалами InformationWeek

Ілюстрація: toptal.com