AI-projecten opleveren

Lees het transcript:

We proberen onze podcasts te transcriberen met behulp van een softwareprogramma. Vergeef ons eventuele typefouten, want de bot is niet 100% van de tijd correct.

Galen Low: Je hebt die dromen weer gehad. Je weet wel, die waarin elke andere projectmanager in je team een cyborg is? Of die waarin het AI-product dat je team bouwt zelfbewust wordt en de mensheid tot slaaf maakt?

Ontspan.

Kunstmatige intelligentie is tegenwoordig zeker een populair onderwerp, maar het bestaat al tientallen jaren in een of andere vorm. En het is overal om je heen: het stelt formuleringen voor je e-mail voor, het beveelt video's aan, het berekent zelfs de beste route naar je werk.

Maar ja, projecten opleveren waarin AI een rol speelt is een grote verantwoordelijkheid en eerlijk gezegd onvermijdelijk. En zoals bij elke zich snel ontwikkelende technologie is niet elk project voorbestemd om te slagen. Dus... de druk die je voelt is terecht en reëel.

Als je iemand bent die probeert kunstmatige intelligentie en de impact ervan op digitaal projectmanagement te begrijpen, dan is de aflevering van vandaag voor jou. We gaan dieper in op de redenen waarom AI-projecten mislukken en wat wij als projectmanagers kunnen doen om onze AI-gerelateerde projecten de beste kans op succes te geven.

Hallo allemaal, bedankt dat jullie luisteren. Mijn naam is Galen Low van The Digital Project Manager. Wij zijn een community van digitale professionals met als missie elkaar te helpen vaardigheden te ontwikkelen, zelfvertrouwen op te bouwen en contacten te leggen, zodat we de waarde van projectmanagement in een digitale wereld kunnen vergroten. Als je daar meer over wilt horen, ga dan naar thedigitalprojectmanager.com.

Vandaag hebben we het over projecten waarin kunstmatige intelligentie een rol speelt en hoe agile werkwijzen kunnen helpen bij het navigeren door enkele van de complexiteiten van het creëren van een AI-gebaseerd product.

Kathleen Walch en Ron Schmelzer zijn vandaag bij me. Zij zijn de managing partners en leidende analisten achter Cognilytica en ook de presentatoren van AI Today: een podcast gewijd aan praktische, realistische inzichten in wat er gebeurt in de wereld van kunstmatige intelligentie.

Kathleen, Ronald, welkom!

Ronald Schmelzer: Bedankt dat je ons hebt uitgenodigd.

Kathleen Walch: Ja, we zijn ontzettend blij dat we hier mogen zijn.

Galen Low: Het is geweldig om jullie in de show te hebben. Voor de luisteraars: we waren net enthousiast aan het praten over podcasts, omdat Ron en Kathleen al, wat, zes jaar over AI podcasten?

Kathleen Walch: Zo ongeveer, ja.

Galen Low: Dus ik heb al hun tips en geheimen verzameld en voel nu een beetje druk.

Ik voel me wat onzeker, maar ik dacht: laten we er meteen induiken. AI is op dit moment zo'n interessant onderwerp in de wereld van projectmanagement, misschien wel overal ter wereld. Jullie podcast heeft enorm veel luisteraars. Iedereen probeert de vinger aan de pols te houden van iets dat zich heel snel ontwikkelt en over het algemeen nogal verkeerd wordt begrepen.

Maar voordat we daarop ingaan, kunnen jullie ons iets vertellen over Cognilytica? Wat bracht jullie ertoe deze organisatie op te richten en hoe helpen jullie mensen hun weg te vinden in de wereld van kunstmatige intelligentie?

Kathleen Walch: Zeker. Cognilytica bestaat ongeveer net zo lang als onze podcast, sinds 2017. Het begon omdat Ron en ik daarvoor ook al samenwerkten bij een bedrijf genaamd Tech Breakfast, een evenement in de stijl van een ochtenddemo.

Het was erg ondernemend en niet per se gericht op AI, maar op technologie in het algemeen. We wilden laten zien en benadrukken wat er in verschillende regio's van de Verenigde Staten gebeurde. We waren actief op ongeveer twaalf locaties, van Boston tot New York, de regio rond Washington DC, Noord-Virginia en Maryland. We hadden ook locaties in Texas, North Carolina en natuurlijk Silicon Valley.

Vanuit Tech Breakfast begonnen we veel ontwikkelingen te zien rond spraakassistenten en spraaktechnologie. We dachten: goed, misschien zit hier iets in. Dat vormde ongeveer het begin van Cognilytica. Cognilytica begon als een onderzoeks-, advies- en opleidingsbureau gericht op AI. Wat we al snel beseften, was dat mensen die AI-projecten uitvoerden vaak niet wisten hoe ze dat goed moesten aanpakken.

De term kunstmatige intelligentie werd in 1956 bedacht. Het concept is dus niet nieuw. Het bestaat al tientallen jaren, maar voelt nog steeds nieuw aan. Voor veel mensen is het misschien ook nieuw. Ze waren er nog niet eerder echt mee in aanraking gekomen. Pas in het afgelopen decennium is het echt mainstream geworden. Mensen werken er dagelijks mee via spraakassistenten, hun telefoon en verschillende technologieën voor gezichtsherkenning.

Wat we ontdekten, was dat mensen AI-projecten niet goed uitvoerden en dat het mislukkingspercentage hoog was. We besloten een stap terug te doen om te begrijpen wat er gebeurde en waarom. Op onze podcast hebben we daarom een serie over AI-mislukkingen waarin we ingaan op veelvoorkomende redenen waarom AI-projecten mislukken.

Dat kan te maken hebben met de kwaliteit of hoeveelheid gegevens. Misschien is het rendement op je investering er niet echt. Mensen willen AI gebruiken alleen maar om AI te gebruiken. Een andere belangrijke reden was dat mensen te veel beloven en te weinig leveren. Ze beloven te veel over wat AI kan doen, raken enthousiast over de technologie en leveren vervolgens te weinig omdat het project misschien buiten de scope viel.

Ze hadden meer op zich genomen dan ze aankonden. Daarom zeiden we: goed, we moeten ons richten op fundamentele educatie en mensen echt laten zien en leren hoe ze AI goed kunnen toepassen. Daaronder vallen ook het volgen van methodologieën met best practices. Ik laat Ron zichzelf voorstellen en hierop voortbouwen.

Ronald Schmelzer: Fantastische introductie.

Ik ben Ron Schmelzer, ook managing partner bij Cognilytica. Een van de dingen die we ontdekten, en een van de redenen waarom de podcast zo sterk groeide, is dat we veel tijd besteden aan concepten, uitleg en zelfs terminologie.

Een deel daarvan is verwarrend. Sommige zaken zijn bijna opzettelijk verwarrend. We gebruiken dezelfde woorden voor verschillende dingen en verschillende woorden voor hetzelfde, omdat kunstmatige intelligentie eigenlijk bestaat uit een verzameling verwante maar verschillende gemeenschappen.

We hebben de traditionele roboticaspecialisten en mensen die in besturingssystemen werken. We hebben statistici en data-experts die hun analytische achtergrond meebrengen. We hebben taalkundigen en specialisten in natuurlijke taal. We hebben mensen die in cybernetica en besturingssystemen hebben gewerkt. Iedereen gebruikt soms andere woorden voor dezelfde concepten, maar niemand lost het probleem echt op. Alles wordt gewoon samengevoegd.

Ondertussen zijn er veel onderzoekers en organisaties die enthousiast worden over AI en er enorme bedragen in investeren, soms miljarden dollars. Die onderzoekers komen vervolgens terecht bij grote bedrijven zoals Microsoft, Amazon, Google en Facebook, waar ze deze projecten uitvoeren.

Zoals Kathleen al zei, besteden we veel tijd aan educatie. Al vroeg in de geschiedenis van Cognilytica brachten we trainingen uit over de basisprincipes en toepassingen van kunstmatige intelligentie. Die trainingen groeiden snel en uiteindelijk verzorgden we veel opleidingen voor overheden, grote overheidsinstellingen en organisaties op federaal, regionaal en lokaal niveau, maar ook internationaal in Australië, het Verenigd Koninkrijk, Singapore en veel andere landen.

Je zou denken dat mensen na al die jaren wel weten wat er speelt. Maar als je binnenkomt, ben je vaak verbaasd. Je denkt: hoe kunnen jullie dit allemaal doen zonder een fundamenteel begrip ervan? Dat bracht ons bij deze methodologie, waar we later nog over praten: hoe voer je AI-projecten uit? Veel organisaties maakten steeds opnieuw dezelfde fouten.

Dat komt niet doordat ze geen slimme mensen hebben. Ze hebben juist enorm veel slimme mensen. Sommige van de bekendste onderzoekers in dit vakgebied werken voor deze bedrijven en ze beschikken over geweldige technologie. Er is dus iets anders de oorzaak. Zoals jullie allemaal weten, is de geheime saus die veel hiervan laat werken de projectmanager. En daarom zijn wij hier.

Galen Low: Het is grappig dat je noemt dat kunstmatige intelligentie zijn oorsprong heeft in de jaren vijftig en toen zijn naam kreeg. Ik stel me sciencefictiontechnologie voor die eerst in fictie verschijnt en vervolgens werkelijkheid wordt. Op een bepaalde manier gaat het om het idee van AI en de vraag waarom AI-projecten mislukken.

We gaan daarop in. Ik denk bijvoorbeeld aan teleportatie: iets dat we in fictie hebben bedacht en dat iemand probeert werkelijkheid te maken. De focus ligt dan op het laten werken ervan, in plaats van op de vraag waarom teleportatie nodig is en welke zakelijke impact het kan hebben.

En op de vraag hoe we die technologie in gebruik brengen.

Ronald Schmelzer: We zien dat nu ook. Deze week was er nieuws over een bedrijf voor autonome voertuigen dat failliet is gegaan. Argo, met een waarde van een miljard dollar, werd stopgezet, ontsloeg tweeduizend mensen en verkocht zijn team en technologie aan Ford en Volkswagen.

Er stond een groot artikel waarin werd gesteld dat de glans eraf was en dat autonome voertuigen misschien niet werkelijkheid zouden worden. Dat sluit aan bij jouw punt. Kathleen houdt vooral van het idee van autonome voertuigen, maar het voertuig heeft geen bestuurder, en zakelijk gezien ook geen zakelijke drijfveer. Er zit geen bestuurder voorin en er is ook geen zakelijke reden die het vooruitstuurt.

Is het doel op zichzelf dan belangrijk? Of moeten we rendement behalen om het te laten werken?

Galen Low: Dat vind ik sterk. Veel luisteraars, en eigenlijk mensen in het algemeen, horen 'AI-projecten' en denken aan autonome voertuigen, conversatieontwerp, chatbots en vergelijkbare toepassingen.

Maar het is een enorm gebied. Kunstmatige intelligentie is veel meer dan dat. Misschien kunnen we voor onze luisteraars het kader schetsen: over welke andere soorten projecten hebben we het wanneer we praten over het opleveren van projecten waarin kunstmatige intelligentie een rol speelt?

Kathleen Walch: Dat was in het begin ook lastig voor ons, omdat mensen met AI twee verschillende dingen kunnen bedoelen. Ze kunnen het hebben over AI-chatbots of autonome voertuigen, waar ik dol op ben. Maar ze kunnen ook iets anders bedoelen, zoals voorspellend onderhoud.

Al deze toepassingen vallen onder de algemene categorie AI, maar ze zijn niet hetzelfde. Daarom hebben we de zeven patronen van AI ontwikkeld. Alle projecten die we hebben gezien vallen in één of meer van deze zeven patronen.

Op hoofdlijnen zijn dat conversatiesystemen: computers die met mensen praten, mensen die met computers praten en mensen die met elkaar communiceren via bijvoorbeeld automatische vertaling. Dan zijn er autonome systemen, waarbij je de mens uit het systeem probeert te halen. Denk aan autonome voertuigen, maar ook aan autonome software.

Er zijn herkenningssystemen, die vooral ongestructureerde gegevens interpreteren. Denk aan computervisie en gezichtsherkenning. Er zijn doelgestuurde systemen die versterkend leren gebruiken om het optimale pad door bijvoorbeeld een doolhof te vinden. Spelletjes zijn daar een bekend voorbeeld van.

Daarnaast zijn er patronen- en afwijkingssystemen, waarbij we gegevens onderzoeken om patronen en uitschieters te vinden. Er is ook hyperpersonalisatie, waarbij we mensen niet langer in groepen en categorieën indelen, maar hen als individuen behandelen. Denk aan gerichte advertenties, maar ook aan hypergepersonaliseerde geneeskunde en gezondheidszorg.

Het laatste patroon is voorspellende analyse: historische of actuele gegevens gebruiken om mensen te helpen betere voorspellingen te doen.

Als je AI op deze manier bekijkt, wordt het veel begrijpelijker. Je kunt dan zeggen: mijn toepassing voor natuurlijke taalverwerking valt onder het conversatiepatroon. Dat helpt ook om sneller succes te behalen met een AI-project, bijvoorbeeld doordat je beter begrijpt welke gegevens je nodig hebt, welke algoritmen je moet kiezen en wie er in je team moet worden betrokken.

Galen Low: Ik vind het woord patronen interessant. Eerst dacht ik aan patronen in de zin van computers, patronen en trends. Maar als ik het goed begrijp, gaat het bijna meer om naaipatronen: een patroon voor een jurk tegenover een patroon voor een broek. Het helpt je een bepaalde richting op omdat het je een startpunt geeft, in plaats van alleen maar een rechthoekig stuk stof. Klopt dat?

Ronald Schmelzer: Ja, dat woord patroon is een van die Engelse woorden die we op een algemene maar ook specifieke manier gebruiken. Het is geen slechte mentale voorstelling. Soms denk ik ook aan een koekjesvorm als patroon, omdat machineleersystemen proberen te leren van gegevens. In feite zijn al deze zaken vormen van patroonherkenning en het uitvoeren van handelingen met patronen.

Het patroon is belangrijk, want als ik een taalpatroon probeer te leren, kan ik dat model niet zomaar toepassen op beeldherkenning. Er bestaat een overkoepelend doel binnen kunstmatige intelligentie: kunstmatige algemene intelligentie, oftewel AGI. Dat is het idee van een systeem dat alles kan leren: herkenning, conversatie, autonome handelingen en meer.

Maar we kunnen dat nog niet goed realiseren, omdat we niet precies weten hoe het brein werkt. Daarom werken we nu met zogenaamde beperkte AI, waarbij we afzonderlijke patronen proberen op te lossen.

Dat is waarom patronen belangrijk zijn. Als iets heel goed is in schaken of poker en de beste mensen verslaat, kun je het niet automatisch gebruiken voor beeldherkenning. Dat is nog steeds een enorme sprong.

Galen Low: Dat maakt het nog fascinerender. We begrijpen niet alles over de werking van een brein en proberen het toch stap voor stap na te bouwen. De zoektocht naar AGI is bijna een zoektocht om te leren hoe we een brein kunnen bouwen.

Een onderwerp dat we eerder aanraakten, is het opleveren van projecten en de misverstanden rond projecten waarin AI een rol speelt. Hoe verschilt het opleveren van een AI-project van het opleveren van andere projecten of digitale projecten? Met welke belangrijke kenmerken moeten projectmanagers rekening houden om succesvol te zijn?

Ronald Schmelzer: Dit is de belangrijkste vraag. Veel getalenteerde mensen proberen grote problemen op te lossen en falen daarin op opvallende manieren. Online zie je schattingen dat 70 tot 80 procent van alle AI-projecten mislukt. Daarmee bedoelen we dat projecten worden geannuleerd, bedrijven worden gesloten of grote aantallen mensen worden ontslagen.

Een belangrijk deel komt neer op fundamentele problemen met projectmanagement. AI- en dataspecialisten kennen soms de basisprincipes van projectmanagement niet. Tegelijkertijd behandelen projectmanagers die bij een AI-project worden betrokken het vaak als elk ander project of digitaal project. Er zijn echter belangrijke verschillen.

Het grootste verschil is dat AI-systemen volledig afhankelijk zijn van gegevens. Een machineleersysteem leert alles uit data. Zelfs als twee teams exact dezelfde chatbot bouwen met dezelfde technologie, kunnen verschillende trainingsgegevens tot totaal verschillende succes- en faalpercentages leiden.

Microsoft liet dit zien met de bekende Tay-bot, die het internet als trainingsbron gebruikte. Binnen 24 uur moest de bot worden verwijderd nadat hij allerlei racistische en andere schadelijke inhoud had geproduceerd.

Daaruit leren we dat AI-projecten vanuit een datacentrisch perspectief moeten worden uitgevoerd. Dat betekent dat we specifieke gegevensgerichte werkwijzen en methodologieën moeten gebruiken.

Kathleen Walch: Als je een datacentrisch project wilt uitvoeren, heb je een datagerichte mentaliteit nodig. Je hebt ook gegevensspecifieke methodologieën en werkwijzen nodig. Veel mensen deden dat niet en gebruikten de traditionele aanpak voor softwareprojecten. Daardoor mislukten hun projecten.

Wij pleiten daarom voor de CPMAI-methodologie: cognitief projectmanagement voor AI. Een belangrijk onderdeel is dat je eerst het bedrijfsprobleem begrijpt. Als je geen echt probleem oplost, waarom doe je het dan überhaupt?

Mensen raken vaak verstrikt in de hype rond AI. Het management zegt dat ze AI willen, of AI staat in het nieuws als de nieuwste trend. Maar als je geen echt probleem oplost, besteed je veel tijd, geld en middelen aan iets zonder nuttige toepassing.

Als er geen rendement op de investering komt, zal het management misschien nooit meer een AI-project goedkeuren. Dan wordt gevraagd: je hebt vijf miljoen dollar uitgegeven, maar waarvoor precies?

Galen Low: Het draait dus ook om context. Alle disciplines en specialisaties kunnen tunnelvisie ontwikkelen: de taak uitvoeren zonder de bredere context te begrijpen. Projectmanagement is daar soms ook schuldig aan.

Een enterprise-PMO kan zeggen: leid dit project naar succes. Maar dat houdt niet altijd rekening met het verschil tussen een dataproject, een websitebouw of de uitrol van een CRM-systeem.

Zowel datawetenschappers als projectmanagers kunnen de bomen niet meer zien als ze geen oog hebben voor de bedrijfsstrategie en de doelen van de organisatie. Zeker bij AI verandert alles snel. De concurrentie is intens en zonder die context kun je plotseling merken dat het project niet meer relevant is.

Ronald Schmelzer: Dit probleem zie je ook bij grote dataprojecten. AI-projecten zijn eigenlijk een soort grote dataprojecten. Mensen zeggen: ik heb alleen deze gegevens nodig om een voorspellend model, aanbevelingssysteem of chatbot te bouwen. Maar hebben ze die gegevens daadwerkelijk gezien? Hebben ze er toegang toe?

Vaak begint een project zonder dat iemand de data heeft bekeken. Vervolgens blijkt dat de helft ontbreekt, de kwaliteit slecht is, de toegang ontbreekt of dat het om privégegevens gaat. Dan ontstaan problemen met privacy en beveiliging.

Een project dat volledig afhankelijk is van toegang tot en het opschonen van gegevens kan daardoor maanden of jaren vertraging oplopen. Misschien moet er eerst een ander project komen om gegevens te verzamelen, op te schonen, te labelen of uit te breiden. Vaak is daarvoor geen budget.

Na twaalf of achttien maanden is er misschien nog steeds niets opgeleverd. Ondertussen kan de markt veranderd zijn of de behoefte aan het project verdwenen zijn.

Daarom is onze belangrijkste boodschap: denk groot, maar begin klein en verbeter vaak. Je hoeft niet meteen alle complexe problemen van robotica op te lossen. Begin bijvoorbeeld met een kleinere dataset of een karretje met een camera dat schappen scant. Scheid het herkenningspatroon van het autonome patroon.

Galen Low: De lat voor AI ligt vaak extreem hoog. Als we een AI-project doen, moet het meteen een robot zijn die mijn ontbijt klaarmaakt. De eerste iteratie kan echter gewoon een gepersonaliseerde receptsuggestie zijn.

Dat sluit aan bij agile werken. Agile is nuttig omdat de omstandigheden snel veranderen en we iteraties moeten waarderen. Is het de perfecte methodologie voor AI, of waar kan agile tekortschieten?

Kathleen Walch: Veel organisaties zijn agile of willen dat zijn. Wij gebruiken vaak de term 'wagile': een combinatie van waterval en agile. Organisaties willen agile zijn, maar projecten duren alsnog twaalf tot achttien maanden.

Agile is nuttig, maar moet voor AI-projecten worden aangevuld. We moeten begrijpen dat dit dataprojecten zijn en ze ook als dataprojecten beheren, terwijl we tegelijk de agile mentaliteit toepassen.

Ronald Schmelzer: Je kunt het zien als twee in elkaar grijpende spiralen. Eén spiraal is het hoofdproject, bijvoorbeeld het bouwen van een toepassing. De andere is het AI- of machinelearningmodel dat de toepassing ondersteunt.

De twee onderdelen hoeven niet hetzelfde tempo of dezelfde frequentie te hebben. In de eerste iteratie kan het AI-team iets eenvoudigs leveren. Een chatbot kan bijvoorbeeld steeds hetzelfde antwoord geven. Later kan hij steeds intelligenter worden.

De CPMAI-aanpak beschrijft een proces: eerst de bedrijfsbehoefte begrijpen, vervolgens bepalen of het AI-project wel of niet moet doorgaan, daarna de gegevens begrijpen, de gegevens voorbereiden, het model ontwikkelen, het model evalueren en het model operationeel maken. Daarna herhaal je het proces in de context van een agile sprint.

Galen Low: Frameworks helpen ons om hierover na te denken, maar we moeten ze niet rigide volgen. De essentie van agile is juist aanpasbaarheid. We kunnen nog steeds in elke fase itereren: op het bedrijfsmodel, de gegevens of het model zelf.

De onderdelen moeten met elkaar verbonden blijven. Je kunt niet het ene deel bouwen en pas aan het einde ontdekken dat het niet op het andere aansluit. Het gaat erom voortdurend met elkaar te blijven praten, omdat niets definitief vastligt en alles kan veranderen.

Ronald Schmelzer: Wat mensen meestal opbreekt, zijn aannames. Ze denken dat ze meteen petabytes aan gegevens en de meest geavanceerde neurale netwerken nodig hebben. Maar voor de eerste iteratie heb je misschien slechts megabytes en een eenvoudige beslisboom nodig.

Dan kun je testen of een voorspelling werkt en of mensen die gebruiken, zonder dat je planning wordt opgehouden. Het is niet het einddoel, maar slechts de eerste iteratie. Later kun je het eenvoudige model vervangen door iets geavanceerders.

Kathleen Walch: Een stapsgewijze aanpak helpt iedereen begrijpen wat nodig is en zorgt ervoor dat iedereen op één lijn zit. Zo voeren we geen projecten op ad-hocbasis uit. In de fase van bedrijfsbegrip bepaal je wat nodig is; in de fase van gegevensbegrip onderzoek je de gegevens. Zo voorkom je verrassingen maanden later.

Toegang krijgen tot gegevens kan op zichzelf al maanden duren. Soms moet de organisatiecultuur veranderen of moeten er afspraken worden gemaakt met leiders. Daarom is steun van het management belangrijk. Je kunt ook beginnen met een kleine hoeveelheid gegevens waar je al toegang toe hebt, zodat je niet meteen alle datasilo's hoeft open te breken.

Galen Low: Dat brengt ons bij een moeilijker gesprek: verwachtingen zijn vaak niet op elkaar afgestemd. Het management verwacht een robot, terwijl het team een winkelkarretje oplevert dat een paar codes scant. Of het team belooft iets geweldigs en levert na vijf miljoen dollar nog steeds niets.

Hoe kunnen mensen verwachtingen beter op elkaar afstemmen?

Kathleen Walch: Eerst moeten ze begrijpen wat AI wel en niet kan. AI is geen universele technologie. Als iets elke keer exact hetzelfde moet gebeuren, is eenvoudige automatisering of programmering misschien beter. AI is probabilistisch, niet deterministisch.

Stel realistische verwachtingen. Baken het project goed af en begrijp welk probleem je probeert op te lossen. Als AI inderdaad de juiste technologie is, volg dan best practices om de kans op succes te vergroten.

Galen Low: Dat is ook een verantwoordelijkheid van het team dat het werk uitvoert. Als we te veel beloven en te weinig leveren, verliezen mensen het vertrouwen en investeren ze niet meer in AI.

Ronald Schmelzer: Mensen begrijpen de aantrekkingskracht van die belofte. We proberen moeilijke problemen op te lossen die verband houden met menselijke vaardigheden. Als machines dat kunnen overnemen, lijkt digitale transformatie binnen bereik.

Maar algoritmen zijn niet perfect. Daarom bestaat het idee van versterkte intelligentie: de mens blijft in de lus, terwijl technologie een deel van het werk vermindert. Dat is een mildere manier om AI toe te passen en geeft mensen het gevoel dat ze controle houden.

Galen Low: Hoe ga je om met weerstand? Niet alleen bij besluitvormers en investeerders, maar ook bij teams die aan AI werken en bang zijn voor de technologie?

Kathleen Walch: Zorg allereerst voor steun van het leiderschap. Er bestaan emotionele en rationele zorgen rond AI en beide moeten worden aangepakt. Mensen willen niet het gevoel krijgen dat technologie hun baan afpakt.

Mensen en machines zijn goed in verschillende dingen. Machines kunnen repetitieve of onveilige taken uitvoeren, terwijl mensen zich kunnen richten op zaken die meer menselijke beoordeling of emotie vereisen. Een AI-chatbot kan eenvoudige vragen beantwoorden, terwijl mensen beschikbaar blijven voor complexere gesprekken.

Feedback is ook ontzettend belangrijk. Vraag eindgebruikers welke onderdelen van hun werk frustrerend zijn en probeer juist die taken te verbeteren. Zo voelen mensen zich gehoord en helpt de technologie hen beter te werken, in plaats van hun rol volledig te vervangen.

Ronald Schmelzer: Dit hangt ook samen met het verschil tussen werk en je baan. Als je baan klantenservice is, is je doel niet om gegevens in te voeren. Je doel is klantrelaties en klantenservice verbeteren. Als iemand zes van de acht uur per dag gegevens invoert, doet die persoon het eigenlijke werk niet.

Automatisering en intelligente systemen kunnen tijd vrijmaken voor activiteiten die waarde toevoegen. Dit gaat vaak meer over verandermanagement dan over AI zelf.

Galen Low: Dat is een goede overgang naar de vraag die iedereen zich stelt: zal AI projectmanagers vervangen?

Kathleen Walch: Rollen waarin menselijke betrokkenheid belangrijk is, verdwijnen waarschijnlijk niet volledig, maar kunnen wel veranderen. AI is niet per se een banenverwoester, maar kan wel een functiecategorie veranderen of laten verdwijnen.

Technologie heeft altijd de manier waarop we werken veranderd. In de jaren zestig bestond het beroep van socialmediamarketeer nog niet. Nu zijn er daar heel veel van. Banen en rollen verschuiven.

AI raakt elke sector en projectmanagement zal niet anders zijn. AI kan projectmanagers helpen hun werk beter te doen en bepaalde taken overnemen, maar dat betekent niet automatisch dat de rol verdwijnt.

Ronald Schmelzer: Ironisch genoeg hebben we naarmate er meer AI-projecten komen juist meer projectmanagers nodig, omdat veel AI-projecten mislukken door gebrekkig projectmanagement.

AI kan vergaderingen transcriberen, documentatie maken en betere voorspellingen leveren. Maar de projectmanager blijft verantwoordelijk voor het begeleiden van een project naar een succesvolle afronding. De projectmanager is het verbindende weefsel tussen de verschillende onderdelen.

De toekomstige projectmanager zal waarschijnlijk efficiënter werken. Misschien verandert de betekenis van de P of de M in PM, maar de rol blijft bestaan en zal verder evolueren.

Galen Low: Hoe kan een projectmanager genoeg over AI leren om de juiste vragen te stellen en eenvoudige alternatieven te herkennen?

Kathleen Walch: Dat is een belangrijke reden waarom we de CPMAI-training en certificering hebben ontwikkeld. Deze zijn bedoeld voor mensen zonder diepgaande achtergrond in kunstmatige intelligentie, machine learning of wiskunde.

Voor mensen die nog niet klaar zijn voor de volledige training en certificering is er ook een gratis introductiecursus op AItoday.live/cpmai. Die duurt ongeveer drie uur en geeft een uitgebreid overzicht van CPMAI en de toepassing ervan in projecten.

Het is een stapsgewijze aanpak. Je hoeft alleen de stappen en de juiste volgorde te begrijpen. Omdat het proces iteratief is, kun je indien nodig teruggaan naar eerdere stappen.

Ronald Schmelzer: We besteden ook veel tijd aan onze podcast en aan een verklarende woordenlijst. AI omvat veel termen: AGI, AI-winters, voorspellende analyse en de zeven patronen. We leggen elk begrip eenvoudig uit, inclusief de basisvraag: wat zijn gegevens en wat is big data?

We willen ons ook meer verbinden met de PM-community, bijvoorbeeld door deel te nemen aan projectmanagementevenementen en AI- en projectmanagementgemeenschappen met elkaar te verbinden.

Galen Low: Ik vind dat idee van kruisbestuiving geweldig. Misschien kunnen we samen een evenement organiseren waar beide publieken van elkaar leren.

Kathleen Walch: Zeker.

Galen Low: Ron, Kathleen, heel erg bedankt dat jullie te gast wilden zijn. Dit was leuk en bijzonder inzichtelijk. Ik zal jullie podcast, AI Today en Cognilytica hieronder linken voor iedereen die meer wil weten.

Kathleen Walch: Dank je. Dit was erg leuk.

Galen Low: Wat denk jij?

Is er een specifieke aanpak nodig om een kunstmatige-intelligentieproject succesvol te leiden? Of is een project gewoon een project, met dezelfde uitdagingen als elk ander project?

Vertel ons jouw verhaal: wanneer gooide een AI-gestuurde tool of technologie roet in het eten van je project? En hoe heb je dat opgelost?

Als je je vaardigheden als strategisch projectleider wilt aanscherpen, sluit je dan aan bij onze community!

Ga naar thedigitalprojectmanager.com/membership voor toegang tot een ondersteunende community die kennis deelt, complexe uitdagingen oplost en samen de toekomst van ons vak vormgeeft.

Van uitgebreide sjablonen en maandelijkse trainingen die je tijd en energie besparen tot collegiale ondersteuning via onze Slack-discussies, live-evenementen en mastermindgroepen: lid zijn van onze community betekent dat meer dan duizend mensen je steunen terwijl je je loopbaan in digitale projectoplevering ontwikkelt.

Als je hebt genoten van deze aflevering, abonneer je dan en blijf in contact via thedigitalprojectmanager.com.

Tot de volgende keer, bedankt voor het luisteren.