Å levere KI-prosjekter

Les transkripsjonen:

Vi prøver ut transkribering av podkastene våre ved hjelp av et program. Tilgi eventuelle skrivefeil, ettersom roboten ikke er korrekt 100 % av tiden.

Galen Low: Du har hatt de drømmene igjen. Du vet, den der alle de andre prosjektlederne på teamet ditt er kyborger? Eller den der KI-produktet teamet ditt bygger, blir selvbevisst og gjør menneskeheten til slaver?

Slapp av.

Kunstig intelligens er riktignok et hett tema for tiden, men teknologien har eksistert i en eller annen form i flere tiår. Og den finnes overalt rundt deg: Den foreslår formuleringer i e-postene dine, anbefaler videoer, og finner den beste ruten til jobb.

Men ja, det er et stort ansvar å levere prosjekter som involverer KI, og helt ærlig er det uunngåelig. Og som med all teknologi i rask utvikling er ikke alle prosjekter dømt til å lykkes. Så ... presset du føler, er både forståelig og reelt.

Hvis du prøver å forstå kunstig intelligens og hvordan den vil påvirke digital prosjektstyring, er dagens episode for deg. Vi skal se nærmere på hvorfor KI-prosjekter mislykkes, og hva vi som prosjektledere kan gjøre for å gi KI-relaterte prosjekter best mulig sjanse til å lykkes.

Hei, alle sammen, og takk for at dere lytter. Jeg heter Galen Low og kommer fra Digital Project Manager. Vi er et fellesskap av digitale fagfolk med et mål om å hjelpe hverandre med å bli dyktigere, tryggere og bedre knyttet sammen, slik at vi kan forsterke verdien av prosjektstyring i en digital verden. Hvis du vil høre mer om dette, kan du gå til thedigitalprojectmanager.com.

I dag snakker vi om prosjekter som involverer kunstig intelligens, og om hvordan smidige praksiser kan bidra til å håndtere noen av kompleksitetene ved å skape et KI-basert produkt.

Med meg i dag har jeg Kathleen Walch og Ron Schmelzer, administrerende partnere og ledende analytikere i Cognilytica, samt vertene for AI Today – en podkast viet til praktisk innsikt fra den virkelige verden om det som skjer innen kunstig intelligens.

Kathleen, Ronald, velkommen!

Ronald Schmelzer: Takk for at vi fikk komme.

Kathleen Walch: Ja, vi er veldig glade for å være her.

Galen Low: Det er flott å ha dere med i programmet. Til dere som lytter: Vi snakket nettopp ivrig om podkaster, fordi Ron og Kathleen har laget podkast om KI i hva da – seks år nå?

Kathleen Walch: Nesten, ja.

Galen Low: Så jeg har sugd til meg alle tipsene og hemmelighetene deres, og jeg kjenner litt på presset.

Jeg føler meg litt usikker, men tenkte at vi bare kunne sette i gang. KI er et så interessant tema akkurat nå innen prosjektstyring, og kanskje i hele verden. Podkasten deres har massevis av lyttere. Alle prøver virkelig å følge med på utviklingen innen dette som beveger seg svært raskt og stort sett er noe misforstått.

Men før vi går inn i det, kan dere fortelle litt om Cognilytica? Hva fikk dere til å opprette organisasjonen, og hvordan hjelper dere folk med å navigere i kunstig intelligens?

Kathleen Walch: Klart. Cognilytica har eksistert omtrent like lenge som podkasten vår, siden 2017. Det startet fordi Ron og jeg allerede hadde jobbet sammen i et selskap som het Tech Breakfast, som egentlig var et arrangement med demonstrasjoner om morgenen.

Det var svært entreprenørielt og ikke nødvendigvis fokusert på KI, men på teknologi generelt. Målet var å vise frem og fremheve det som skjedde i ulike regioner i USA. Vi var til stede på omtrent tolv steder, fra Boston og New York til Washington-området, Nord-Virginia og Maryland. Vi hadde også noen arrangementer i Texas, Nord-Carolina og selvfølgelig Silicon Valley.

Fra Tech Breakfast begynte vi å se at det skjedde mye innen stemmeassistenter og stemmeteknologi. Da sa vi: Greit, kanskje det finnes noe her. Det var på en måte begynnelsen på Cognilytica. Cognilytica startet som et forsknings-, rådgivnings- og utdanningsselskap med fokus på KI. Det vi raskt innså, var at folk som drev med KI – selve begrepet kunstig intelligens ble faktisk skapt i 1956 – ikke jobbet med prosjektene på riktig måte.

Konseptet er altså ikke nytt. Det har eksistert i flere tiår, men føles likevel nytt. Og for mange er det kanskje nytt. De har aldri blitt introdusert for det før. Det er først de siste tiårene at teknologien virkelig har blitt allemannseie. Folk bruker dette daglig gjennom stemmeassistenter på telefonen og ulike typer ansiktsgjenkjenning.

Det vi oppdaget, var at folk ikke gjennomførte KI-prosjekter på riktig måte, og at feilraten var høy. Derfor sa vi: La oss ta et skritt tilbake og forstå hva som skjer, og hvorfor det skjer. På podkasten vår har vi faktisk en serie om KI-fiaskoer som tar for seg vanlige årsaker til at KI-prosjekter mislykkes.

Det kan handle om kvaliteten eller mengden på dataene. Kanskje avkastningen på investeringen ikke er til stede. Folk vil bruke KI bare for å bruke KI. En annen viktig årsak var at folk av en eller annen grunn lover for mye og leverer for lite. De lover for mye om hva KI kan gjøre. De blir så begeistret for teknologien at de selvfølgelig leverer for lite, kanskje fordi prosjektet var utenfor rammen.

De har rett og slett tatt seg vann over hodet. Derfor sa vi: Greit, vi må fokusere på grunnleggende opplæring og vise og lære folk hvordan man gjør KI riktig, blant annet ved å følge beste praksiser og metoder. Og med det lar jeg Ron presentere seg selv og fortsette.

Ronald Schmelzer: En fantastisk introduksjon.

Jeg heter Ron Schmelzer og er også administrerende partner i Cognilytica. Noe av det vi oppdaget, og noe av grunnen til at podkasten fikk så stor oppslutning, er at vi bruker mye tid på konsepter, forklaringer og til og med terminologi.

Noe av dette er forvirrende. Som vi sier, er deler av det nesten – og helt ærlig kanskje med vilje – forvirrende. Vi bruker de samme ordene om forskjellige ting, og forskjellige ord om de samme tingene, fordi kunstig intelligens egentlig er en samling av mange beslektede, men ulike fagmiljøer.

Det finnes tradisjonelle robotikkmiljøer og folk som har arbeidet med kontrollsystemer. Det finnes statistikere og analysefolk som bidrar med bakgrunnen sin innen analyse. Vi har lingvister og folk som arbeider med naturlig språk. Og vi har mennesker som har jobbet med kybernetikk og kontrollsystemer. De sier: Vi bruker dette ordet for å beskrive dette. Og andre svarer: Det er interessant, vi bruker dette ordet for å beskrive noe annet.

Men ingen løser egentlig problemet. De legger bare alt sammen. Samtidig blir mange forskere plutselig del av store selskaper som Microsoft, Amazon, Google og Facebook når folk blir begeistret for KI og investerer enorme summer, noen ganger milliarder av dollar, i teknologien.

Som Kathleen nevnte, bruker vi mye tid på opplæring. Vi lanserte tidlig kurs i Cognilyticas historie om grunnleggende kunstig intelligens, KI-anvendelser og lignende. Dette tok raskt av, og vi endte med å holde mye opplæring for myndigheter, store offentlige institusjoner på føderalt, regionalt og lokalt nivå, samt internasjonalt i Australia, Storbritannia, Singapore og mange andre land. Vi har også arbeidet med store organisasjoner og virksomheter.

Man skulle tro at de etter alle disse årene hadde oversikt. Men man går selvfølgelig inn og blir overrasket: Hvordan kan dere gjøre alt dette uten å ha et grunnleggende fundament? Det førte oss til denne metoden, som vi skal bruke litt tid på å snakke om: hvordan man gjennomfører KI-prosjekter. Mange av disse organisasjonene hadde nemlig det til felles at de gjorde de samme feilene igjen og igjen.

Det skyldes ikke at de mangler intelligente mennesker. De har mange svært dyktige folk. Noen av de mest intelligente og kjente forskerne på området arbeider for disse selskapene, og de har fremragende teknologi. Så noe annet må være problemet. Og som dere alle vet, er prosjektlederen den magiske ingrediensen som får mye av dette til å fungere. Det er derfor vi er her.

Galen Low: Det er interessant at dere nevner at kunstig intelligens har sitt opphav i 1950-årene, og jeg ser for meg science fiction-teknologi som først dukker opp i fiksjon og deretter blir virkelighet. På en måte handler spørsmålet om hvorfor KI-prosjekter mislykkes om mer enn bare å få teknologien til å fungere. Det handler også om hvorfor man lager den, hvilken forretningsmessig effekt den skal ha, og hvordan man tar teknologien i bruk.

Ronald Schmelzer: Vi ser faktisk dette nå. Et av selskapene innen autonome kjøretøy har gått konkurs. Argo, som var verdsatt til en milliard dollar, ble lagt ned og sa opp 2 000 mennesker, mens teamet og teknologien ble solgt til Ford og Volkswagen.

Det viser poenget ditt. Kathleen liker særlig ideen om autonome kjøretøy, men teknologien mangler ikke bare en sjåfør – den mangler også en forretningsmessig drivkraft. Spørsmålet er derfor om det er selve jakten som betyr noe, eller om vi trenger en avkastning for å få det til å fungere.

Galen Low: Jeg liker det. Mange hører «KI-prosjekter» og tenker på autonome kjøretøy, samtaledesign og chatboter. Men dette er et stort område. Kunstig intelligens er ikke bare det. Hvilke andre typer prosjekter snakker vi om når vi snakker om å levere prosjekter som involverer kunstig intelligens?

Kathleen Walch: Det var noe vi også slet med i begynnelsen. Når folk snakker om KI, kan de mene to forskjellige ting. De kan snakke om KI-aktiverte chatboter eller autonome kjøretøy, eller de kan snakke om noe annet, som prediktivt vedlikehold. Alt faller inn under den generelle kategorien KI, men det er ikke det samme.

Derfor utviklet vi de sju KI-mønstrene, fordi alle prosjektene vi har sett, faller inn under ett eller flere av disse mønstrene. På et overordnet nivå har vi samtalesystemer, autonome systemer, gjenkjenning, målstyrte systemer, mønstre og avvik, hyperpersonalisering og prediktiv analyse.

Når man deler det opp på denne måten, blir det lettere å forstå hvilken type prosjekt man har, hvilke data man trenger, hvilke algoritmer man skal velge, og hvem i teamet som må involveres. Det kan bidra til å forkorte veien til et vellykket KI-prosjekt.

Galen Low: Jeg liker ordet «mønstre». Først tenkte jeg på datamønstre og trender, men det er nesten mer som et symønster: Et mønster for en kjole er annerledes enn et mønster for en bukse, og det hjelper deg i en bestemt retning.

Ronald Schmelzer: Ja, det er faktisk ikke en dårlig mental modell. Når vi forsøker å få maskinlæringssystemer til å lære fra data, handler alt i praksis om mønstergjenkjenning og om å gjøre ting med mønstre.

Men mønsteret har betydning. Hvis jeg prøver å lære et språkmønster, kan jeg ikke bruke den samme modellen til bildegjenkjenning. Det finnes et overordnet mål innen kunstig intelligens som kalles kunstig generell intelligens, altså et system som kan lære hva som helst. Men vi klarer ikke å utvikle dette ennå. I stedet arbeider vi med smal KI, der vi forsøker å løse individuelle mønstre.

Galen Low: Det gjør det enda mer fascinerende. Vi forstår ikke alt om hvordan hjernen fungerer, men prøver likevel å bygge den bit for bit. Jakten på kunstig generell intelligens er nesten en jakt på å lære hvordan man bygger en hjerne.

En ting vi var inne på tidligere, er forskjellene og misforståelsene rundt levering av KI-prosjekter. Hvordan skiller et KI-prosjekt seg fra andre prosjekter, også andre digitale prosjekter? Hvilke egenskaper må prosjektledere være oppmerksomme på for å lykkes?

Ronald Schmelzer: Dette er det viktigste spørsmålet. Mange ser på KI-prosjekter som vanlige prosjekter eller digitale prosjekter, men det finnes noen viktige forskjeller. Den største er at KI-systemer er helt avhengige av data.

Et maskinlæringssystem lærer alt fra data. Selv om to team bygger nøyaktig den samme chatboten med den samme teknologien, kan ulike treningsdata føre til helt forskjellige resultater. Derfor må KI-prosjekter gjennomføres fra et datasentrisk perspektiv.

Kathleen Walch: Hvis du skal gjennomføre et datasentrisk prosjekt, trenger du en datadrevet tankegang, samt dataspesifikke metoder og praksiser. Mange bruker fortsatt den tradisjonelle tankegangen fra programvareprosjekter, og da mislykkes prosjektet.

Vi anbefaler CPMAI-metoden, som står for kognitiv prosjektstyring for KI. Det er viktig å begynne med forretningsforståelse. Hvis du ikke løser et reelt problem, hvorfor gjør du det i det hele tatt? Mange blir revet med av KI-hypen og bruker tid, penger og ressurser på å bygge noe som ikke har en nyttig anvendelse.

Galen Low: Det er lett å glemme konteksten. Prosjektstyring har noen ganger blitt behandlet som en generell ferdighet, uten å ta hensyn til forskjellen mellom å styre et datapro­sjekt, et nettsted eller en CRM-implementering. Både dataforskere og prosjektledere kan miste helheten hvis de ikke forstår virksomhetens strategi og mål.

Ronald Schmelzer: Et vanlig problem er at man antar at man har tilgang til dataene man trenger, uten faktisk å ha undersøkt dem. Når prosjektet starter, oppdager man kanskje at dataene mangler, er av dårlig kvalitet, ikke kan nås eller inneholder personopplysninger. Da kan hele prosjektet avhenge av datarensing, innsamling, merking og tilgang som det ikke er budsjettert for.

Derfor er vårt mantra: Tenk stort, men start smått og iterer ofte. Kanskje man ikke trenger et komplett autonomt system i første omgang. Kanskje man kan starte med en enkel vogn med et kamera for å skanne butikkhyller. Da skiller man gjenkjenningsmønsteret fra det autonome mønsteret.

Galen Low: Listen ligger svært høyt for KI. Hvis vi skal lage et KI-prosjekt, må det nesten være en robot som lager frokosten min. Men første versjon kan kanskje bare være et personlig oppskriftsforslag. La oss begynne svært smått.

Agile virker egnet fordi ting endrer seg raskt og vi må verdsette iterasjoner. Er det den perfekte metoden, eller hvor kan smidig utvikling komme til kort i KI-verdenen?

Kathleen Walch: Mange organisasjoner er smidige, eller ønsker å være det. Vi bruker ofte begrepet «wagile», en kombinasjon av fossefall og smidig utvikling. KI-prosjekter må forbedres med en datasentrisk tilnærming, slik at vi forstår at dette er datapro­sjekter som må styres som datapro­sjekter, samtidig som vi tar med oss den smidige tankegangen.

Ronald Schmelzer: Tenk på det som to sammenvevde spiraler. Den ene gjelder hovedprosjektet, og den andre gjelder maskinlæringsmodellen eller KI-systemet. De kan ha ulike tidsrammer og iterere med ulik frekvens. I første omgang kan KI-teamet levere en enkel løsning, som en heuristikk, og gjøre den stadig mer intelligent senere.

CPMAI er i praksis en prosess: Først forstår man forretningsbehovet og gjennomfører en KI-vurdering av om man skal gå videre. Deretter forstår man dataene, klargjør dem, utvikler modellen, evaluerer den og setter den i drift. Så gjentar man prosessen i en smidig sprint. Det erstatter ikke smidig utvikling; det viser hva man skal gjøre i hver iterasjon.

Kathleen Walch: En trinnvis tilnærming sørger for at alle forstår hva som trengs, og at vi ikke gjennomfører prosjekter tilfeldig. I forretningsforståelsen gjør man én type arbeid, i dataforståelsen en annen. Da unngår man å oppdage etter fem måneder at ingenting er levert, eller at prosjektet har kostet fem millioner dollar.

Galen Low: Hvordan kan man håndtere forventninger og unngå å love for mye?

Kathleen Walch: Først må man forstå hva KI kan og ikke kan gjøre. Det er ikke en universalløsning. Hvis du trenger nøyaktig samme resultat hver gang, bør du kanskje programmere en løsning eller bruke enkel automatisering. KI er sannsynlighetsbasert, ikke deterministisk.

Sett realistiske forventninger, avgrens prosjektet riktig og forstå problemet du prøver å løse. Hvis KI ikke er riktig teknologi, er det helt greit å si det. Overdrevne løfter og manglende levering kan føre til en ny KI-vinter, med mindre investering, mindre forskning og mindre finansiering.

Ronald Schmelzer: Mange ønsker KI fordi de vil automatisere vanskeligere oppgaver som krever menneskelige evner. Men augmented intelligence, eller forsterket intelligens, kan være en bedre tilnærming: Mennesket beholdes i loopen, mens arbeidsmengden reduseres.

Kathleen Walch: Motstand mot KI handler også om frykt for å miste jobben. Ledelsen må tydelig si at målet ikke er å erstatte ansatte, men å gjøre dem bedre i jobben. Tilbakemeldinger er avgjørende. Vi må automatisere oppgavene folk ikke liker, ikke oppgavene de trives med.

Galen Low: Vil KI erstatte prosjektledere?

Kathleen Walch: Roller som krever menneskelig kontakt og menneskelige egenskaper, forsvinner ikke nødvendigvis, men de kan endre seg. KI er ikke nødvendigvis en jobbmorder, men den kan gjøre en hel jobbkategori overflødig. Teknologi har alltid endret hvordan vi arbeider og lever, samtidig som nye jobber oppstår.

Ronald Schmelzer: Jo flere KI-prosjekter vi får, desto flere prosjektledere trenger vi. KI kan hjelpe med møtereferater, dokumentasjon, sporing og prediksjoner, men prosjektlederens rolle er fortsatt å lede prosjektet til en vellykket avslutning, skape sammenheng og opprettholde eierskap.

Galen Low: Hvordan kan en prosjektleder lære nok om KI til å stille de riktige spørsmålene?

Kathleen Walch: Det er en viktig grunn til at vi utviklet CPMAI-opplæringen og sertifiseringen. Den er laget for personer som ikke har dyp bakgrunn innen kunstig intelligens, maskinlæring eller avansert matematikk. Vi har også et gratis introduksjonskurs til CPMAI på AItoday.live/cpmai. Det tar omtrent tre timer og gir en god oversikt over metoden og hvordan den kan brukes i prosjekter.

Ronald Schmelzer: Vi har også en ordliste i AI Today. Den forklarer grunnleggende begreper som kunstig generell intelligens, KI-vintre, prediktiv analyse og de sju mønstrene for KI. Noen ganger trenger folk bare et grunnlag og en forståelse av terminologien.

Galen Low: Jeg liker virkelig tanken på kunnskapsutveksling. Ron, Kathleen, tusen takk for at dere gjestet programmet. Dette var både morsomt og svært lærerikt.

Kathleen Walch: Takk. Dette var veldig gøy.

Galen Low: Hva synes du?

Krever ledelse av et kunstig intelligens-prosjekt en bestemt tilnærming for å lykkes? Eller er et prosjekt bare et prosjekt, med de samme utfordringene som alle andre?

Fortell oss en historie: Når har et KI-drevet verktøy eller en KI-teknologi satt kjepper i hjulene for prosjektet ditt? Og hvordan løste du det?

Hvis du vil utvikle ferdighetene dine som en strategisk prosjektleder, kan du bli med i fellesskapet vårt!

Gå til thedigitalprojectmanager.com/membership for å få tilgang til et støttende fellesskap som deler kunnskap, løser komplekse utfordringer og sammen former fremtiden for faget vårt.

Fra robuste maler og månedlige opplæringsøkter som sparer deg for tid og energi, til støtte fra kolleger gjennom Slack-diskusjoner, direktesendte arrangementer og mastermind-grupper: Som medlem av fellesskapet vårt har du over tusen mennesker i ryggen når du navigerer karrieren din innen digital prosjektleveranse.

Hvis du likte det du hørte i dag, kan du abonnere og holde kontakten på thedigitalprojectmanager.com.

Takk for at du lyttet, så høres vi neste gang.