Realizacja projektów związanych ze sztuczną inteligencją

Przeczytaj transkrypcję:

Testujemy transkrypcję naszych podcastów za pomocą programu komputerowego. Prosimy o wyrozumiałość w przypadku literówek, ponieważ bot nie zawsze działa w 100% poprawnie.

Galen Low: Znowu masz te sny. Wiesz, te, w których co drugi kierownik projektu w twoim zespole jest cyborgiem? Albo te, w których produkt oparty na sztucznej inteligencji, tworzony przez twój zespół, zyskuje świadomość i zniewala ludzkość?

Spokojnie.

Oczywiście sztuczna inteligencja jest dziś bardzo popularnym tematem, ale w jakiejś formie istnieje już od dziesięcioleci. Jest wszędzie wokół nas: podpowiada sformułowania w wiadomościach e-mail, rekomenduje filmy, wyznacza najlepszą trasę do pracy.

Jednak realizacja projektów wykorzystujących sztuczną inteligencję jest dużą odpowiedzialnością, a właściwie nieuniknioną koniecznością. Podobnie jak w przypadku każdej szybko rozwijającej się technologii, nie każdy projekt jest skazany na sukces. Presja, którą odczuwasz, jest więc uzasadniona i realna.

Jeśli próbujesz zrozumieć sztuczną inteligencję i sposób, w jaki wpłynie ona na cyfrowe zarządzanie projektami, ten odcinek jest dla ciebie. Przyjrzymy się przyczynom niepowodzeń projektów związanych ze sztuczną inteligencją oraz temu, co my, kierownicy projektów, możemy zrobić, aby zapewnić naszym projektom jak największą szansę na sukces.

Cześć wszystkim, dziękuję za dostrojenie się. Nazywam się Galen Low i reprezentuję The Digital Project Manager. Jesteśmy społecznością cyfrowych profesjonalistów, której misją jest wzajemna pomoc w zdobywaniu umiejętności, pewności siebie i kontaktów, abyśmy mogli zwiększać wartość zarządzania projektami w cyfrowym świecie. Jeśli chcesz dowiedzieć się więcej, odwiedź stronę thedigitalprojectmanager.com.

Dzisiaj rozmawiamy o projektach wykorzystujących sztuczną inteligencję oraz o tym, jak praktyki zwinne mogą pomóc w poruszaniu się po złożonościach związanych z tworzeniem produktu opartego na sztucznej inteligencji.

Moimi gośćmi są Kathleen Walch i Ron Schmelzer, partnerzy zarządzający i główni analitycy w Cognilytica, a także prowadzący AI Today — podcast poświęcony praktycznym, rzeczywistym spostrzeżeniom dotyczącym wydarzeń w świecie sztucznej inteligencji.

Kathleen, Ronald, witajcie!

Ronald Schmelzer: Dziękujemy za zaproszenie.

Kathleen Walch: Tak, bardzo się cieszymy, że możemy tu być.

Galen Low: Wspaniale gościć was w programie. Słuchacze powinni wiedzieć, że przed chwilą rozmawialiśmy o podcastach, ponieważ Ron i Kathleen tworzą podcast o sztucznej inteligencji już od około sześciu lat.

Kathleen Walch: Tak, mniej więcej.

Galen Low: Podpatrywałem więc wszystkie wasze wskazówki i sekrety, a teraz czuję trochę presji.

Sztuczna inteligencja jest obecnie niezwykle interesującym tematem w świecie zarządzania projektami, a być może także w całym świecie. Wasz podcast ma ogromną liczbę słuchaczy. Wszyscy starają się być na bieżąco z czymś, co rozwija się bardzo szybko i jest ogólnie dość niezrozumiałe.

Zanim jednak przejdziemy do szczegółów, czy moglibyście opowiedzieć nam trochę o Cognilytica? Co skłoniło was do stworzenia tej organizacji i jak pomagacie ludziom poruszać się po świecie sztucznej inteligencji?

Kathleen Walch: Jasne. Cognilytica istnieje mniej więcej tak długo jak nasz podcast, czyli od 2017 roku. Powstała, ponieważ Ron i ja wcześniej pracowaliśmy razem w firmie Tech Breakfast, która organizowała wydarzenia w formie porannych demonstracji.

Było to przedsięwzięcie bardzo przedsiębiorcze, niekoniecznie skoncentrowane na sztucznej inteligencji, lecz ogólnie na technologii. Pomagaliśmy prezentować i podkreślać to, co działo się w różnych regionach Stanów Zjednoczonych. Działaliśmy w około 12 lokalizacjach — od Bostonu i Nowego Jorku, przez okolice Waszyngtonu, północną Wirginię i Maryland, po Teksas, Karolinę Północną oraz oczywiście Dolinę Krzemową.

Właśnie dzięki Tech Breakfast zaczęliśmy dostrzegać wiele wydarzeń związanych w szczególności z asystentami głosowymi i technologią głosową. Pomyśleliśmy wtedy, że może kryje się za tym coś interesującego. Tak właśnie zaczęła się historia Cognilytica. Początkowo była to firma badawczo-doradcza i edukacyjna skoncentrowana na sztucznej inteligencji.

Szybko zorientowaliśmy się, że ludzie realizujący projekty związane ze sztuczną inteligencją często robią to nieprawidłowo, a wskaźnik niepowodzeń jest wysoki. Postanowiliśmy więc cofnąć się o krok, zrozumieć, co się dzieje i dlaczego tak się dzieje. W naszym podcaście mamy serię poświęconą nieudanym projektom związanym ze sztuczną inteligencją, w której omawiamy najczęstsze przyczyny ich niepowodzeń.

Problemy mogą dotyczyć jakości lub ilości danych. Być może oczekiwany zwrot z inwestycji nie istnieje. Niektórzy chcą wdrażać sztuczną inteligencję tylko dlatego, że jest modna. Kolejnym ważnym powodem jest nadmierne obiecywanie i niedostarczanie rezultatów: ludzie obiecują zbyt wiele, ponieważ ekscytują się technologią, a później nie są w stanie spełnić obietnic, na przykład dlatego, że projekt wykraczał poza zakres.

Dlatego uznaliśmy, że musimy skupić się na podstawowej edukacji i pokazywać ludziom, jak prawidłowo realizować projekty związane ze sztuczną inteligencją, między innymi poprzez stosowanie najlepszych praktyk i metodyk.

Ronald Schmelzer: To świetne wprowadzenie.

Nazywam się Ron Schmelzer i jestem również partnerem zarządzającym w Cognilytica. Jednym z powodów, dla których nasz podcast tak bardzo się rozwinął, jest to, że poświęcamy dużo czasu na wyjaśnianie koncepcji, terminologii i podstawowych pojęć.

Część z nich jest myląca. Używamy tych samych słów w różnych znaczeniach albo różnych słów dla określenia tego samego. Sztuczna inteligencja jest w rzeczywistości zbiorem wielu powiązanych, lecz odmiennych społeczności: robotyki, systemów sterowania, statystyki, analityki, lingwistyki, przetwarzania języka naturalnego, cybernetyki i wielu innych dziedzin.

Wszystkie te środowiska używają własnych pojęć, a nikt nie zawsze rozwiązuje problem niespójności terminologicznej. Tymczasem badacze trafiają do wielkich firm, takich jak Microsoft, Amazon, Google czy Facebook, gdzie realizują projekty finansowane często miliardami dolarów.

W Cognilytica od początku zajmowaliśmy się edukacją. Stworzyliśmy szkolenia z podstaw sztucznej inteligencji, jej zastosowań i podobnych tematów. Bardzo szybko zaczęliśmy szkolić rządy, instytucje federalne, stanowe i lokalne, organizacje międzynarodowe oraz duże przedsiębiorstwa.

Po latach można by oczekiwać, że wszystkie te organizacje doskonale wiedzą, co robią. Jednak często byliśmy zaskoczeni, że realizują skomplikowane projekty bez podstawowego zrozumienia sztucznej inteligencji. Doprowadziło nas to do opracowania metodyki prowadzenia takich projektów, ponieważ wiele organizacji popełniało wciąż te same błędy.

Nie wynikało to z braku zdolnych ludzi. Pracowały tam bardzo inteligentne osoby i świetni badacze. Winne było coś innego. Jak wszyscy wiemy, sekretnym składnikiem, który sprawia, że wiele takich przedsięwzięć działa, jest kierownik projektu — i właśnie dlatego tu jesteśmy.

Galen Low: Zabawne, że wspominacie o początkach sztucznej inteligencji w latach pięćdziesiątych. Kojarzy mi się to z technologią science fiction, która najpierw pojawia się w fikcji, a później staje się rzeczywistością. Zastanawiam się więc, dlaczego projekty związane ze sztuczną inteligencją kończą się niepowodzeniem.

Można pomyśleć o teleportacji: ktoś próbuje ją stworzyć, ale zamiast pytać, po co właściwie jest potrzebna i jaki wpływ biznesowy może mieć, skupia się wyłącznie na samym osiągnięciu celu. Ważne jest także pytanie, jak wdrożyć tę technologię do praktycznego zastosowania.

Ronald Schmelzer: Właśnie to obserwujemy. Niedawno jedna z firm zajmujących się pojazdami autonomicznymi zakończyła działalność. Argo, firma warta miliard dolarów, została zamknięta, zwolniła około 2000 osób, a jej zespół i technologia zostały przejęte przez Forda i Volkswagena.

To dobrze pokazuje, że sam cel technologiczny nie wystarcza. Pojazd autonomiczny może nie mieć kierowcy, ale może też nie mieć biznesowego uzasadnienia. Czy liczy się samo dążenie do celu, czy potrzebujemy realnego zwrotu, aby projekt miał sens?

Galen Low: Podoba mi się to. Wielu słuchaczy słysząc „projekty związane ze sztuczną inteligencją”, myśli o pojazdach autonomicznych, projektowaniu konwersacyjnym, chatbotach i podobnych rozwiązaniach. Tymczasem jest to znacznie szerszy obszar. Jakie inne rodzaje projektów obejmuje sztuczna inteligencja?

Kathleen Walch: Na początku sami mieliśmy z tym problem, ponieważ mówiąc o sztucznej inteligencji, można mieć na myśli różne rzeczy: chatboty, pojazdy autonomiczne, konserwację predykcyjną i wiele innych zastosowań. Wszystkie należą do ogólnej kategorii sztucznej inteligencji, ale nie są tym samym.

Dlatego opracowaliśmy siedem wzorców sztucznej inteligencji. Projekty, które obserwowaliśmy, należą do jednego lub większej liczby z nich. Są to systemy konwersacyjne, systemy autonomiczne, rozpoznawanie, systemy ukierunkowane na cel, wzorce i anomalie, hiperpersonalizacja oraz analityka predykcyjna.

Systemy konwersacyjne obejmują komunikację komputerów z ludźmi, ludzi z komputerami, a także ludzi między sobą, na przykład za pomocą tłumaczenia maszynowego. Systemy autonomiczne mają na celu usunięcie człowieka z procesu, jak w przypadku pojazdów autonomicznych lub oprogramowania automatycznie wybierającego optymalną ścieżkę.

Rozpoznawanie polega głównie na interpretowaniu nieustrukturyzowanych danych, na przykład dzięki widzeniu komputerowemu i rozpoznawaniu twarzy. Systemy ukierunkowane na cel wykorzystują uczenie ze wzmocnieniem, aby znaleźć optymalną drogę do osiągnięcia celu, na przykład w grze.

Wzorce i anomalie służą do znajdowania wzorców oraz wartości odstających w danych. Hiperpersonalizacja polega na traktowaniu każdej osoby indywidualnie zamiast przypisywania jej do szerokiej grupy. Analityka predykcyjna wykorzystuje dane historyczne lub bieżące, aby pomóc ludziom tworzyć lepsze prognozy.

Taki podział pomaga określić, jakich danych potrzebujemy, jakie algorytmy wybrać i jakie osoby powinny znaleźć się w zespole.

Galen Low: Podoba mi się określenie „wzorce”. Początkowo myślałem o wzorcach danych, trendach i zależnościach, ale można też porównać je do wykroju krawieckiego: inny wzór służy do uszycia sukienki, a inny do spodni. Wzorzec wyznacza kierunek i daje punkt wyjścia.

Ronald Schmelzer: To trafna analogia. W uczeniu maszynowym systemy uczą się na podstawie danych i w pewnym sensie wszystkie te działania są formami rozpoznawania wzorców. Wzorzec ma znaczenie, ponieważ model uczący się języka nie będzie odpowiedni do rozpoznawania obrazów.

Istnieje idea sztucznej inteligencji ogólnej, czyli systemu, który potrafiłby uczyć się wszystkiego: rozpoznawania, rozmowy i działań autonomicznych. Nie potrafimy jednak jeszcze tego stworzyć, ponieważ nadal nie rozumiemy dokładnie, jak działa ludzki mózg.

Obecnie pracujemy przede wszystkim ze sztuczną inteligencją wąską, która rozwiązuje konkretne problemy. System świetny w grze w szachy lub pokera nie będzie automatycznie dobry w rozpoznawaniu obrazów. To różne wzorce i różne zadania.

Galen Low: To jeszcze bardziej fascynujące. Próbujemy budować mózg kawałek po kawałku, mimo że sami nie rozumiemy go w pełni. Być może dążenie do sztucznej inteligencji ogólnej jest tak naprawdę próbą nauczenia się, jak zbudować mózg.

Wspomnieliśmy wcześniej o problemach i nieporozumieniach związanych z realizacją projektów wykorzystujących sztuczną inteligencję. Czym różni się taki projekt od innych projektów, a nawet od innych projektów cyfrowych? Jakie cechy muszą rozumieć kierownicy projektów, aby odnieść sukces?

Ronald Schmelzer: To kluczowe pytanie. Wiele projektów związanych ze sztuczną inteligencją kończy się niepowodzeniem — szacunki mówią o 70–80 procentach. Czasami są anulowane, czasami firmy zwalniają ludzi lub całkowicie się zamykają.

Część problemu wynika z podstawowych kwestii zarządzania projektami. Specjaliści od sztucznej inteligencji i danych nie zawsze znają podstawy zarządzania projektami, a kierownicy projektów często traktują projekt związany ze sztuczną inteligencją jak każdy inny projekt cyfrowy.

Największa różnica polega na tym, że systemy sztucznej inteligencji są całkowicie zależne od danych. Stronę internetową lub aplikację mobilną można zbudować bez dużej ilości danych. System uczenia maszynowego uczy się wszystkiego z danych. Nawet dwa identyczne chatboty, zbudowane przy użyciu tej samej technologii, mogą działać zupełnie inaczej, jeśli zostaną wytrenowane na różnych zbiorach danych.

Dlatego projekty związane ze sztuczną inteligencją trzeba prowadzić z perspektywy skoncentrowanej na danych. Oznacza to zastosowanie odpowiedniego sposobu myślenia, metodyk i praktyk dotyczących danych.

Kathleen Walch: Jesteśmy zwolennikami metodyki CPMAI, czyli kognitywnego zarządzania projektami związanymi ze sztuczną inteligencją. Pomaga ona zrozumieć, że najpierw trzeba określić problem biznesowy. Jeśli nie rozwiązujemy rzeczywistego problemu, nie ma sensu realizować projektu tylko dlatego, że sztuczna inteligencja jest modna.

Trzeba odpowiedzieć na pytanie, czy projekt zapewni oczekiwany zwrot z inwestycji. Jeśli organizacja wyda miliony bez użytecznego rezultatu, kierownictwo może nie chcieć realizować kolejnych projektów związanych ze sztuczną inteligencją.

Galen Low: To pokazuje, jak ważny jest kontekst. Każda dziedzina ma własne zasady i specjalizacje. Zarządzanie projektem dotyczącym danych różni się od zarządzania budową strony internetowej czy wdrożeniem systemu CRM.

Zarówno naukowiec zajmujący się danymi, jak i kierownik projektu mogą nie dostrzegać szerszego obrazu, jeśli nie rozumieją strategii biznesowej, celów projektu i celów organizacji. W przypadku sztucznej inteligencji wszystko zmienia się bardzo szybko, konkurencja jest ogromna, a bez właściwego kontekstu można realizować projekt, który wkrótce przestanie być potrzebny.

Ronald Schmelzer: Ten problem pojawia się również w projektach związanych z dużymi zbiorami danych. Często ktoś zakłada, że wystarczy uzyskać dostęp do danych i zbudować model predykcyjny. Dopiero po rozpoczęciu projektu okazuje się, że danych brakuje, są złej jakości, nie można uzyskać do nich dostępu albo zawierają informacje prywatne.

Projekt może zależeć od możliwości zebrania i oczyszczenia danych, a tego nie uwzględniono w budżecie ani harmonogramie. Po 12 lub 18 miesiącach zespół nadal może zajmować się wyłącznie przygotowywaniem danych, podczas gdy potrzeba biznesowa zdąży zniknąć.

Dlatego warto myśleć ambitnie, ale zaczynać od małej skali i często iterować. Zamiast od razu budować całkowicie autonomiczny system, można zacząć od prostego rozwiązania, na przykład wózka z kamerą do skanowania półek. W ten sposób oddzielamy wzorzec rozpoznawania od wzorca autonomicznego.

Galen Low: Poprzeczka dla sztucznej inteligencji jest bardzo wysoka. Jeśli realizujemy projekt AI, oczekuje się robota gotującego śniadanie, podczas gdy pierwsza iteracja mogłaby być po prostu spersonalizowaną sugestią przepisu.

Czy metodyka zwinna jest idealnym podejściem do takich projektów? W jakich sytuacjach może zawieść?

Kathleen Walch: Wiele organizacji jest zwinnych albo przynajmniej chce takie być. Często używamy określenia „wagile”, które opisuje połączenie podejścia kaskadowego i zwinnego. Organizacje chcą działać zwinnie, ale w praktyce realizują projekty trwające 12 lub 18 miesięcy.

Zwinność jest ważna, ale w projektach związanych ze sztuczną inteligencją trzeba ją wzbogacić o zrozumienie, że są to projekty dotyczące danych. Należy zarządzać nimi jak projektami danych, jednocześnie wykorzystując zwinny sposób myślenia.

Ronald Schmelzer: Można wyobrazić sobie dwie przeplatające się spirale. Jedna dotyczy głównego projektu, a druga modelu uczenia maszynowego znajdującego się w jego centrum. Te dwa procesy mogą mieć różne harmonogramy i częstotliwości iteracji.

Na początku model może być bardzo prosty. Chatbot może za każdym razem odpowiadać tak samo. Później można stopniowo zwiększać jego inteligencję. Dzięki temu zespół projektu i zespół AI mogą iterować niezależnie, ale pozostawać ze sobą połączeni.

CPMAI można traktować jako proces obejmujący zrozumienie potrzeb biznesowych, decyzję „kontynuować czy nie”, zrozumienie danych, przygotowanie danych, opracowanie modelu, ocenę modelu i wdrożenie modelu. Następnie cykl się powtarza w ramach zwinnego sprintu.

Galen Low: Ramy postępowania pomagają kierować pracą, ale nie powinny być stosowane sztywno. Prawdziwa zasada zwinności polega na zdolności do dostosowania się i zmiany kierunku, gdy jest to potrzebne.

Ważne jest również to, że projekt biznesowy i model AI są ze sobą przeplecione. Nie można najpierw wykonać jednej części, a dopiero później drugiej i liczyć na to, że wszystko samo się połączy. Oba obszary muszą być rozwijane równolegle, ponieważ zmieniają się zarówno dane, jak i potrzeby biznesowe.

Ronald Schmelzer: Ludzie często potykają się o założenia. Zakładają, że od razu potrzebują petabajtów danych i najbardziej zaawansowanych sieci neuronowych. Tymczasem w pierwszej iteracji wystarczy mniejszy zbiór danych i prosty model, na przykład drzewo decyzyjne.

Pierwsza iteracja ma sprawdzić, czy predykcja działa i czy ludzie będą z niej korzystać. Nie musi być rozwiązaniem końcowym. Podobnie jak w przypadku budowy samolotu można najpierw użyć liny do sprawdzenia połączenia między dwiema częściami, a dopiero później zastąpić ją właściwym przewodem.

Kathleen Walch: Podejście krok po kroku pomaga wszystkim zrozumieć, co jest potrzebne. Dzięki temu nie realizujemy projektów chaotycznie. Na każdym etapie wiemy, co należy zrobić i unikamy sytuacji, w której po kilku miesiącach nadal nie ma żadnego rezultatu, a koszty sięgają milionów.

Czasami samo uzyskanie dostępu do danych może potrwać miesiące. W takiej sytuacji warto rozpocząć od mniejszej ilości danych, do których mamy dostęp, zamiast od razu próbować pokonać wszystkie bariery organizacyjne i silosy danych.

Galen Low: To prowadzi do trudnej rozmowy o oczekiwaniach. Kierownictwo może oczekiwać robota, a zespół dostarczyć wózek skanujący kody. Zespół może obiecać wspaniałe rezultaty, a po wydaniu pięciu milionów dolarów nadal nie będzie wiadomo, co właściwie powstało. Jak rozmawiać o tym proaktywnie?

Kathleen Walch: Najpierw trzeba zrozumieć, co sztuczna inteligencja może, a czego nie może zrobić. Nie jest to technologia uniwersalna. Jeśli potrzebujemy dokładnie takiego samego rezultatu za każdym razem, lepszym rozwiązaniem może być zwykła automatyzacja. Sztuczna inteligencja działa probabilistycznie, a nie deterministycznie.

Należy ustalić realistyczne oczekiwania, właściwie zdefiniować zakres projektu i zrozumieć problem, który chcemy rozwiązać. Jeśli sztuczna inteligencja jest odpowiednią technologią, trzeba stosować najlepsze praktyki, aby zwiększyć szansę na sukces.

Ronald Schmelzer: Ludzie ulegają obietnicom, ponieważ trudne problemy biznesowe często wymagają ludzkich zdolności. Chcemy, aby maszyny wykonywały coraz bardziej złożone zadania, ale musimy zachować kontrolę człowieka. Koncepcja inteligencji wspomaganej polega na tym, że system zmniejsza obciążenie człowieka, ale nie usuwa go całkowicie z procesu.

Galen Low: W jaki sposób radzić sobie z oporem wobec sztucznej inteligencji, zarówno na poziomie organizacji, jak i zespołów?

Kathleen Walch: Potrzebne jest poparcie kierownictwa. Obawy wobec sztucznej inteligencji mogą być emocjonalne lub racjonalne i trzeba zająć się jednymi oraz drugimi. Ludzie nie chcą czuć, że technologia odbierze im pracę.

Maszyny dobrze wykonują pewne zadania, a ludzie inne. Automatyzacja powtarzalnych lub niebezpiecznych czynności może umożliwić pracownikom skupienie się na zadaniach wymagających empatii, osądu i kontaktu z innymi ludźmi.

Niezwykle ważne są również informacje zwrotne. Trzeba rozmawiać z użytkownikami końcowymi i pytać, które elementy ich pracy są najbardziej uciążliwe. Celem powinno być usunięcie niechcianych czynności, a nie tych, które pracownicy lubią wykonywać.

Ronald Schmelzer: Warto rozróżnić pracę od stanowiska. Jeśli czyimś zadaniem jest poprawa obsługi klienta, to wprowadzanie danych nie jest jego właściwą pracą, nawet jeśli zajmuje sześć z ośmiu godzin dziennie. Automatyzacja takich czynności może przynieść korzyści zarówno pracownikowi, jak i organizacji.

Często spotykamy procesy, w których pracownik jedynie wyszukuje informacje, zamiast pomagać klientowi. Odzyskanie tego czasu dzięki automatyzacji lub inteligentnym systemom może zwiększyć wartość pracy. Wprowadzanie sztucznej inteligencji w takich mniej efektownych, rutynowych obszarach może przynieść największy zwrot.

Galen Low: Czy sztuczna inteligencja zastąpi kierowników projektów?

Kathleen Walch: Role wymagające ludzkiego kontaktu i ludzkiego aspektu niekoniecznie znikną, ale mogą się zmienić. Sztuczna inteligencja nie musi eliminować miejsc pracy, lecz może eliminować całe kategorie stanowisk.

Technologie transformacyjne zawsze zmieniały sposób, w jaki pracujemy i żyjemy. Komputery ograniczyły zapotrzebowanie na sekretarki, ale stworzyły nowe zawody, takie jak specjalista ds. marketingu w mediach społecznościowych.

Sztuczna inteligencja dotyka każdej branży, dlatego zarządzanie projektami nie będzie wyjątkiem. Może pomóc kierownikom projektów wykonywać pracę lepiej, zautomatyzować część czynności i zwiększyć skuteczność ich ról. To, czy zastąpi samą rolę, zależy od tego, jak ważny jest w niej czynnik ludzki.

Ronald Schmelzer: Im więcej będzie projektów związanych ze sztuczną inteligencją, tym więcej będzie potrzebnych kierowników projektów, ponieważ wiele z tych projektów nie kończy się sukcesem właśnie z powodu problemów z zarządzaniem.

Sztuczna inteligencja może pomóc w transkrypcji spotkań, śledzeniu projektów, analizie zakresu i dokumentacji. Nie eliminuje jednak podstawowej funkcji kierownika projektu, którym jest doprowadzenie przedsięwzięcia do pomyślnego zakończenia i utrzymanie poczucia odpowiedzialności.

Kierownik projektu jest ogniwem łączącym różne osoby i zespoły. W przyszłości jego rola prawdopodobnie się zmieni, ale nadal będzie potrzebna.

Galen Low: Jak kierownik projektu może nauczyć się wystarczająco dużo o sztucznej inteligencji, aby zadawać właściwe pytania i proponować prostsze rozwiązania?

Kathleen Walch: Właśnie dlatego stworzyliśmy szkolenie i certyfikację CPMAI. Są przeznaczone dla osób, które nie mają głębokiej wiedzy z zakresu sztucznej inteligencji, uczenia maszynowego ani zaawansowanej matematyki.

Jeśli ktoś nie jest jeszcze gotowy na pełne szkolenie, może skorzystać z bezpłatnego kursu wprowadzającego do CPMAI na stronie AItoday.live/cpmai. Kurs trwa około trzech godzin i daje kompleksowy przegląd metodyki oraz sposobu stosowania jej w projektach.

Ronald Schmelzer: W naszym podcaście stworzyliśmy również słownik podstawowych pojęć. Omawiamy między innymi sztuczną inteligencję ogólną, zimy AI, analitykę predykcyjną, siedem wzorców sztucznej inteligencji, duże zbiory danych i wiele innych terminów.

Czasami trzeba zacząć od podstaw i odpowiedzieć na pytanie, czym właściwie są dane. Zrozumienie terminologii ułatwia udział w wydarzeniach i rozmowach dotyczących sztucznej inteligencji, nawet jeśli nie trzeba zagłębiać się w szczegóły techniczne.

Galen Low: Bardzo podoba mi się idea wzajemnego przenikania się społeczności. Możemy połączyć odbiorców i stworzyć przestrzeń do wspólnej rozmowy, ponieważ w ten sposób wszyscy uczymy się od siebie i stajemy się lepsi w tym, co robimy.

Kathleen Walch: Zdecydowanie.

Galen Low: Ron, Kathleen, dziękuję za udział w programie. To była bardzo ciekawa i pouczająca rozmowa. Z pewnością nasi słuchacze wiele z niej wyniosą. Zamieszczę poniżej informacje o waszym podcaście, AI Today i Cognilytica dla osób, które chcą dowiedzieć się więcej.

Jeszcze raz dziękuję za podzielenie się waszymi przemyśleniami i czasem.

Kathleen Walch: Dziękujemy. To była świetna zabawa.

Galen Low: A co wy o tym sądzicie?

Czy prowadzenie projektu związanego ze sztuczną inteligencją wymaga specjalnego podejścia, aby odnieść sukces? Czy projekt to po prostu projekt, z takimi samymi wyzwaniami jak każde inne przedsięwzięcie?

Opowiedzcie nam swoją historię: kiedy narzędzie lub technologia oparta na sztucznej inteligencji pokrzyżowały plany waszego projektu? Jak rozwiązaliście ten problem?

Jeśli chcecie rozwijać swoje umiejętności jako strategiczni liderzy projektów, dołączcie do naszej społeczności.

Odwiedźcie stronę thedigitalprojectmanager.com/membership, aby uzyskać dostęp do wspierającej społeczności, która dzieli się wiedzą, rozwiązuje złożone problemy i wspólnie kształtuje przyszłość naszego zawodu.

Od rozbudowanych szablonów i comiesięcznych szkoleń oszczędzających czas i energię po wsparcie innych członków dostępne w dyskusjach na Slacku, podczas wydarzeń na żywo i w grupach mastermind — członkostwo w naszej społeczności oznacza dostęp do ponad tysiąca osób, które pomogą wam rozwijać karierę w obszarze realizacji projektów cyfrowych.

Jeśli podobał wam się dzisiejszy odcinek, zasubskrybujcie podcast i pozostańcie z nami w kontakcie na stronie thedigitalprojectmanager.com.

Do usłyszenia następnym razem. Dziękujemy za wysłuchanie.