Управление проектами с использованием искусственного интеллекта против традиционного программного обеспечения

Представьте себе такую ​​ситуацию: ваша компания решает внедрить систему искусственного интеллекта (ИИ) для оптимизации критически важного процесса. Руководитель проекта, привыкший к масштабным внедрениям традиционного программного обеспечения, открывает график работ, определяет четкий объем работ, связывает результаты на линейной доске Kanban и обещает максимальную точность в рекордно короткие сроки.

Если вы управляете своими проектами в области данных и искусственного интеллекта так же, как и проектами по внедрению ERP-систем или устаревшего программного обеспечения, у меня есть для вас отрезвляющий момент: ваш график вас обманывает.

В мире традиционных технологий успех обычно бинарен: код работает или нет, экран включается или не включается. Но когда мы переходим в мир искусственного интеллекта, логика кардинально меняется. Мы покидаем область детерминизма и вступаем в область вероятности, где один плюс один не всегда равно двум.

Чтобы понять, почему так много проектов в области ИИ терпят неудачу еще до начала разработки, и как технологические лидеры могут преодолеть эту проблему, мы собрали ключевые практические уроки, обсуждаемые в подкасте Builders Podcast экспертами, которые непосредственно переживают этот переход.

Реалистичный взгляд на вещи: почему традиционные методы терпят неудачу в области искусственного интеллекта?

Рыночные данные беспощадны. Исследования консалтинговых компаний, таких как McKinsey, показывают, что от 70% до 85% проектов в области ИИ терпят неудачу или не проходят даже первую фазу тестирования (известную как «доказательство концепции» или PoC).

Причина таких тревожных темпов кроется не в недостатке передовых технологий, а в глубоком несоответствии ожиданий и методологий. Разработка ИИ больше напоминает научный и экспериментальный процесс, чем традиционную разработку программного обеспечения.

Изменение в «определении завершенности»

В традиционных проектах по разработке программного обеспечения или модулях ERP определение понятия «готово» четкое: рабочий процесс переходит от разработки к проверке и завершается развертыванием структурированного кода.

В искусственном интеллекте определение «готовности» — это проверка гипотезы. Процесс по своей сути цикличен и итеративен: реализация, тестирование, анализ полноты ( показатель, оценивающий, сколько ошибок совершает модель или нуждается в дополнительном тестировании), а затем возвращение к началу. Часто в начале пути ни разработчик, ни клиент просто не знают, каким будет конечный результат.

Три типа клиентов (и риски для проекта)

Работа с ИИ требует тонкого управления ожиданиями людей. В бизнес-экосистеме выделяются три типичных заинтересованных сторон , с которыми руководителям проектов необходимо научиться взаимодействовать:

1. Человек, верящий в чудо: это восторженный профиль того, кто слышал о потенциале технологий на рынке и верит, что внедрение ИИ будет быстрым, простым и волшебным. Он понятия не имеет о том, сколько работы и внутренней структуры потребуется ему самому, чтобы модель дала результаты.
2. Скептик в отношении немедленной окупаемости инвестиций: верит в потенциал, но требует чрезвычайно быстрой окупаемости, не понимая эволюционной траектории развития ИИ. Модели машинного обучения требуют длительного процесса: сначала достигается 30% эффективности, затем 60%, пока не будет достигнута зрелость и совершенство.
3. Политический серфер: хочет внедрить технологию любой ценой, лишь бы убедить внутри компании или на рынке в том, что у нее «есть ИИ». Это считается наиболее опасным профилем, поскольку такие люди точно не знают, чего им нужно это решение, игнорируют технические ограничения и в будущем могут столкнуться с очень высоким уровнем разочарования.

Скрытый исходный материал: готовы ли ваши данные?

Главным фактором, определяющим успех или неудачу агента или модели искусственного интеллекта, является качество данных. Технология будет читать и обучаться исключительно на основе предоставленной ей информации.

Наиболее распространенная ситуация в компаниях заключается в том, что клиент запрашивает сложное решение, а при запросе информации о базе данных обнаруживает, что ее не существует, она неполная или совершенно неструктурированная. Например: если вы создаете модель, предназначенную для решения проблем отдела кадров, и используете для ее работы несогласованную базу данных, или пытаетесь извлечь из нее финансовые данные, для которых она не была обучена, реализация проекта потерпит неудачу.

Прежде чем проектировать роботов или сложные рабочие процессы, перейдите к сути дела и проведите аудит исходных данных: бизнес-данных.

Как адаптировать управление: капитальные затраты, операционные затраты и двухэтапный гибкий подход

Чтобы предотвратить негативное влияние традиционной детерминированной модели на управление временем и ресурсами, крупные компании используют системы адаптации в реальном времени:

• Разделение бухгалтерского учета (капитальные затраты против операционных затрат): На более зрелых рынках это различие четко прослеживается. Этапы структурирования данных, исследований, экспериментов и первоначального обучения модели рассматриваются как капитальные затраты (CAPEX ). С момента создания модели, ее мониторинга и получения масштабируемых результатов проект переходит в OPEX ).
• Двухэтапная структура: использование гибкой модели, одновременно разделенной на два направления: Исследование (экспериментирование) и Внедрение (предоставление ценности, ориентированное на программное обеспечение).
• Картирование потока создания ценности: фокусирование на непрерывном улучшении и постоянном совершенствовании процессов, а не на рассмотрении ошибок как неизбежных неудач. В эпоху ИИ обучение на основе аномального поведения моделей является частью эволюционного цикла.

Вывод: ИИ не заменяет людей, он заменяет виды деятельности

Успешные проекты в области искусственного интеллекта создаются не для замены человеческого фактора, а для устранения операционных узких мест и полностью ручной или бюрократической работы. Освобождая специалистов от рутинных задач, таких как многочасовое ручное форматирование отчетов или презентаций, руководители получают ценное время для сосредоточения на стратегии, межличностных отношениях и новых деловых возможностях.

Управление ИИ требует отказа от статичных ограничений и перехода к вероятностному ритму. Ваши временные рамки перестанут лгать только тогда, когда будут отражать гипотезы, структурированные данные и реальные эксперименты.

Хотите досконально освоить методы управления, соответствующие новой технологической эпохе?

Прослушайте полную запись дискуссии и ознакомьтесь со всеми лайфхаками, примерами баз данных для HR/финансов и практическими уроками, которыми поделились Бруно Маркос (координатор по проектированию данных в Skyone) и Сидни Роча (директор по сервисам в Skyone) в этом незабываемом выпуске.

🎧 Нажмите здесь, чтобы прослушать полный выпуск подкаста Builders Podcast на Spotify!

Автор: Skyone