Att leverera AI-projekt

Läs transkriberingen:

Vi provar att transkribera våra poddar med hjälp av ett program. Ursäkta eventuella stavfel eftersom boten inte har rätt 100 procent av gångerna.

Galen Low: Du har haft de där drömmarna igen. Du vet, den där där varannan projektledare i ditt team är en cyborg? Eller den där där AI-produkten som ditt team bygger blir självmedveten och förslavar mänskligheten?

Ta det lugnt.

Visst, artificiell intelligens är ett hett ämne nuförtiden, men det är något som har funnits i någon form i årtionden. Och det finns överallt omkring dig: den föreslår formuleringar till dina mejl, rekommenderar videor åt dig och räknar ut den bästa vägen till jobbet.

Men ja, att leverera projekt som innefattar AI är ett stort ansvar och, ärligt talat, en oundviklighet. Och precis som med all teknik som utvecklas snabbt är inte alla projekt avsedda att lyckas. Så den press du känner är giltig och verklig.

Om du försöker förstå artificiell intelligens och hur den kommer att påverka digital projektledning är dagens avsnitt för dig. Vi ska gå på djupet med anledningarna till att AI-projekt misslyckas och vad vi som projektledare kan göra för att ge våra AI-relaterade projekt bästa möjliga chans att lyckas.

Hej allihop, tack för att ni lyssnar. Jag heter Galen Low och arbetar med The Digital Project Manager. Vi är en gemenskap av digitala yrkesverksamma med uppdraget att hjälpa varandra att utvecklas, bli säkrare och skapa kontakter så att vi kan förstärka värdet av projektledning i en digital värld. Om du vill höra mer om det kan du gå till thedigitalprojectmanager.com.

Okej. I dag pratar vi om projekt som innefattar artificiell intelligens och hur agila arbetssätt kan hjälpa till att hantera några av komplexiteten i att skapa en AI-baserad produkt.

Med mig i dag har jag Kathleen Walch och Ron Schmelzer, managing partners och huvudanalytiker bakom Cognilytica samt programledare för AI Today – en podd om praktiska insikter från verkligheten kring vad som händer inom artificiell intelligens.

Kathleen och Ronald, välkomna!

Ronald Schmelzer: Tack för att vi fick komma.

Kathleen Walch: Ja, vi är så glada över att vara här.

Galen Low: Det är fantastiskt att ha er med i programmet. För er som lyssnar satt vi precis och nördade ner oss i poddar, eftersom Ron och Kathleen har gjort poddar om AI i vadå, sex år nu?

Kathleen Walch: Ungefär så, ja.

Galen Low: Så jag har försökt fånga upp alla deras tips och hemligheter och känner mig lite pressad.

Jag känner mig lite osäker, men jag tänkte att vi skulle kasta oss in direkt. AI är ett så intressant ämne just nu inom projektledning, kanske överallt i världen. Er podd har massor av lyssnare. Alla försöker verkligen hålla sig uppdaterade om den här teknik som utvecklas mycket snabbt och i allmänhet är något missförstådd.

Men innan vi går in på det undrar jag om ni kan berätta lite om Cognilytica. Vad fick er att skapa organisationen och hur hjälper ni människor att navigera i artificiell intelligens?

Kathleen Walch: Absolut. Cognilytica har funnits ungefär lika länge som vår podd, sedan 2017. Det började eftersom Ron och jag redan hade arbetat tillsammans på ett företag som hette Tech Breakfast, vilket i grunden var ett evenemang med morgondemonstrationer.

Det var mycket entreprenöriellt och inte nödvändigtvis fokuserat på AI, utan på teknik i allmänhet. Vi ville visa och lyfta fram vad som hände i olika regioner i USA. Vi fanns på ungefär tolv platser, från Boston till New York, Washingtonområdet och norra Virginia och Maryland. Vi hade även några platser i Texas, North Carolina och naturligtvis Silicon Valley.

Från Tech Breakfast började vi se att mycket hände inom framför allt röstassistenter och röstteknik. Då tänkte vi att det kanske fanns något här. Det var början på Cognilytica. Cognilytica startade som ett forsknings-, rådgivnings- och utbildningsföretag med fokus på AI. Det vi snabbt insåg var att människor som drev AI-projekt inte gjorde det på rätt sätt, och att andelen misslyckanden var hög.

Därför tog vi ett steg tillbaka och försökte förstå vad som hände och varför. I vår podd har vi faktiskt en serie om AI-misslyckanden som går igenom vanliga orsaker till att AI-projekt misslyckas.

Det kan handla om datakvalitet och mängden data. Kanske finns inte den förväntade avkastningen på investeringen. Människor vill använda AI bara för att använda AI. En annan stor anledning var att man av någon anledning lovar för mycket och levererar för lite. Man lovar för mycket om vad AI kan göra, blir väldigt entusiastisk över tekniken och levererar sedan för lite eftersom projektet kanske låg utanför omfattningen.

Man hade helt enkelt tagit sig vatten över huvudet. Därför bestämde vi oss för att fokusera på grundläggande utbildning och visa människor hur man gör AI på rätt sätt, vilket bland annat innebär att följa metoder enligt bästa praxis. Jag låter Ron presentera sig och fortsätta där.

Ronald Schmelzer: En fantastisk introduktion.

Jag heter Ron Schmelzer och är också managing partner på Cognilytica. En av sakerna vi upptäckte, och en del av anledningen till att podden tog fart så mycket, är att vi ägnar mycket tid åt begrepp, förklaringar och även terminologi.

En del är förvirrande. Som vi brukar säga är en del nästan avsiktligt förvirrande. Vi använder samma ord för olika saker och olika ord för samma saker, eftersom artificiell intelligens egentligen är en samling av många besläktade men olika grupper.

Vi har traditionella robotikexperter och personer som arbetat med styrsystem. Vi har statistiker som bidrar med sin bakgrund inom analys. Vi har lingvister och experter på naturligt språk. Vi har också personer som arbetat med cybernetik och styrsystem. Alla använder olika ord för att beskriva liknande saker, men ingen verkar riktigt lösa problemet.

I stället lägger man ihop allt. Samtidigt blir forskare plötsligt efterfrågade när människor blir entusiastiska över AI och investerar stora summor pengar, ibland miljarder dollar.

Plötsligt arbetar dessa forskare på stora företag som Microsoft, Amazon, Google och Facebook och driver projekt. Som Kathleen nämnde ägnar vi mycket tid åt utbildning. Tidigt i Cognilyticas historia lanserade vi utbildningar om artificiell intelligens, AI:s grunder och tillämpningar.

Det tog fart snabbt och vi började utbilda regeringar, stora offentliga institutioner på federal, regional och lokal nivå samt internationella organisationer i Australien, Storbritannien, Singapore och många andra länder. Vi har också arbetat med stora organisationer och företag.

Man skulle kunna tro att de efter alla dessa år vet vad som pågår. Men när man kommer in blir man ofta förvånad. Hur kan ni göra allt detta utan en grundläggande förståelse? Det ledde oss till den metodik som vi ska prata om: hur man driver AI-projekt. Många av dessa organisationer gjorde samma misstag om och om igen.

Det beror inte på att de saknar smarta människor. De har mängder av smarta människor och några av de mest kända forskarna inom området arbetar där. De har fantastisk teknik. Så något annat måste vara problemet. Och som ni alla vet är projektledaren den magiska ingrediens som får mycket av detta att fungera. Det är därför vi är här.

Galen Low: Det är intressant att ni nämner att artificiell intelligens har sitt ursprung och fick sitt namn på 1950-talet. Jag föreställer mig science fiction-teknik som först kommer genom fiktion och sedan blir verklighet. På ett sätt handlar frågan om AI och varför AI-projekt misslyckas om att försöka förverkliga något, snarare än att koppla det till varför man ska göra det och vilken affärsnytta det kan ge.

Hur kopplar vi det till hur vi levererar tekniken så att den faktiskt används?

Ronald Schmelzer: Vi ser faktiskt detta just nu. Ett företag inom autonoma fordon har gått i konkurs. Argo, som värderades till en miljard dollar, stängde ner, sade upp 2 000 personer och sålde sitt team och sin teknik till Ford och Volkswagen.

Det knyter an till din poäng. Kathleen tycker särskilt mycket om idén med autonoma fordon, men ur ett affärsperspektiv saknar tekniken en affärsdrivkraft. Det finns ingen förare i framsätet och ingen affärsmässig drivkraft heller. Är det själva jakten som är viktig, eller behöver vi en avkastning för att få det att fungera?

Galen Low: Jag gillar det. Många av våra lyssnare hör ”AI-projekt” och tänker på autonoma fordon, konversationsdesign och chattbotar. Men området är mycket större. Artificiell intelligens är inte bara detta. När vi pratar om hur man levererar projekt som innefattar artificiell intelligens, vilka andra slags projekt menar vi då?

Kathleen Walch: Det var något vi själva kämpade med i början. När människor pratar om AI kan de mena två olika saker. De kan prata om chattbotar eller autonoma fordon, eller om prediktivt underhåll. Allt faller under den övergripande kategorin AI, men det är inte samma sak.

Därför tog vi fram AI:s sju mönster, eftersom alla projekt vi har sett faller inom ett eller flera av dessa sju mönster.

På en övergripande nivå handlar det om konversationssystem, autonoma system, igenkänning, målstyrda system, mönster och avvikelser, hyperpersonalisering samt prediktiv analys.

Konversationssystem innebär att datorer pratar med människor, människor pratar med datorer och även människor kommunicerar med varandra, exempelvis genom maskinöversättning. Autonoma system syftar till att ta bort människan ur systemet, exempelvis autonoma fordon eller programvara som automatiskt väljer den mest effektiva vägen.

Igenkänning handlar främst om att förstå ostrukturerad data, till exempel datorseende och ansiktsigenkänning. Målstyrda system använder förstärkningsinlärning för att hitta den bästa vägen genom en labyrint, där spel är ett tydligt exempel.

Mönster och avvikelser handlar om att hitta mönster och avvikande värden i data. Hyperpersonalisering innebär att man inte längre placerar människor i grupper och kategorier, utan behandlar dem som individer. Det kan handla om riktad annonsering eller individanpassad medicin och sjukvård.

Det sista mönstret är prediktiv analys, där tidigare eller aktuell data används för att hjälpa människor att göra bättre prognoser.

När man ser på AI på det här sättet blir det lättare att förstå vilken typ av system man bygger, vilka data och algoritmer som behövs och vilka personer i teamet som behöver involveras. Det hjälper också till att förkorta vägen till framgång i AI-projekt.

Galen Low: Jag gillar ordet mönster. Jag tänkte först på datorer, mönster och trender, men det är nästan mer som sömnad. Man har ett mönster för en klänning och ett annat för ett par byxor. Det hjälper en i en viss riktning eftersom det ger en startpunkt.

Ronald Schmelzer: Det är en bra mental bild. Jag tänker ibland också på en kakform, eftersom maskininlärningssystem lär sig av data och allt i praktiken handlar om mönsterigenkänning och att göra saker med mönster.

Mönstret spelar roll eftersom en modell som lär sig ett språkmönster inte kan användas för bildigenkänning. Det finns en övergripande idé inom artificiell intelligens som kallas artificiell generell intelligens, alltså ett system som kan lära sig vad som helst.

Men vi kan inte skapa det ännu. Därför arbetar vi med så kallad smal AI, där vi försöker lösa enskilda mönster. Ett system som är mycket bra på schack eller poker kan inte automatiskt användas för bildigenkänning.

Det är ungefär som att säga att man tillverkar kläder. Det säger något generellt, men man måste fråga vilken sorts kläder. Klänningar skiljer sig mycket från parkas. Det är en bra analogi.

Galen Low: Det gör det ännu mer fascinerande. Vi förstår inte allt om hur hjärnan fungerar, men försöker ändå bygga den bit för bit. Jakten på artificiell generell intelligens är nästan en jakt på att lära sig bygga en hjärna.

En sak vi berörde tidigare var hur man levererar projekt och vilka missförstånd och problem som finns kring projekt som innefattar AI. Hur skiljer sig leveransen av ett AI-projekt från andra projekt eller digitala projekt? Vilka egenskaper behöver projektledare känna till för att lyckas?

Ronald Schmelzer: Det här är den centrala frågan. Man kan läsa att 70–80 procent av alla AI-projekt misslyckas. Med misslyckande menar man att de ställs in, att företag läggs ner eller att många människor sägs upp.

Det finns också mindre misslyckanden, till exempel projekt som stoppas eller personer som flyttas till andra uppgifter. Mycket handlar om grundläggande projektledningsfrågor. AI- och dataexperter kan sakna grundläggande kunskaper i projektledning, medan projektledare ofta behandlar ett AI-projekt som vilket annat projekt som helst.

Den största skillnaden är att AI-system är helt beroende av data. Maskininlärningssystem lär sig allt från data. Även om två team bygger exakt samma chattbot med samma teknik kan resultatet bli helt olika beroende på träningsdata.

Microsofts Tay-bot är ett tydligt exempel. De lät internet träna chattboten. Inom 24 timmar behövde den tas ner eftersom den hade lärt sig rasistiskt och annat skadligt innehåll.

Därför måste AI-projekt drivas ur ett datacentrerat perspektiv. Man behöver ett datatänkande samt specifika metoder och arbetssätt för data.

Kathleen Walch: Om man vill driva ett datacentrerat projekt måste man förstå både verksamheten och datan. Vissa börjar med datan eftersom de säger att data är AI:s hjärta. Men man måste börja med verksamhetsförståelsen. Om man inte löser ett verkligt problem, varför gör man då projektet?

Människor fastnar lätt i AI-hypen. Ledningen vill göra något med AI eller så är det den nya heta tekniken i nyheterna. Men om man inte löser ett verkligt problem lägger man bara tid, pengar och resurser på något som inte har någon praktisk användning.

Om investeringen inte ger den förväntade avkastningen kanske ledningen aldrig godkänner ett nytt AI-projekt. Det är ytterligare en viktig anledning till att projekt misslyckas.

Galen Low: Projektledning har ibland behandlats som ett generellt hantverk utan att man förstått skillnaden mellan att hantera ett dataprojekt, bygga en webbplats eller lansera ett CRM-system. Både dataforskare och projektledare kan missa helheten om de inte förstår verksamhetens strategi och mål.

Ronald Schmelzer: Bristen på datacentricitet blir tydlig när man säger att man bara behöver vissa data för att bygga en modell. Har man faktiskt försökt få tag på datan? Har man sett den? Ofta börjar projektet innan man ens har granskat datan.

Sedan upptäcker man att hälften saknas, att kvaliteten är dålig eller att man saknar åtkomst. Kanske innehåller datan privat information och kräver nya säkerhets- och integritetsåtgärder.

Plötsligt hänger hela projektet på möjligheten att få tillgång till och rensa datan. Man kan ha den bästa produktidén, men om man inte kommer åt medicinska bilddata, om datan är skyddad eller om kvaliteten är för låg måste projektet pausas.

Då kan man behöva ett helt nytt projekt för att rensa data, samla in ny data, märka data eller förbättra datamängden. Efter tolv eller arton månader kanske man fortfarande inte har producerat något.

Därför är vår devis: tänk stort, men börja smått och iterera ofta. Man kanske inte behöver börja med ett helt autonomt system. Man kunde exempelvis ha börjat med en kundvagn med en kamera för att skanna hyllor, i stället för att lösa alla robotikproblem på en gång.

Galen Low: Ribban för AI är ofta väldigt hög. Om vi ska göra ett AI-projekt måste det vara en robot som lagar frukost. Men den första iterationen kanske bara är ett personligt receptförslag.

Agilt arbete verkar passa eftersom saker förändras snabbt och iterationer är viktiga. Är det den perfekta metoden, eller finns det situationer där agilt arbete inte fungerar så bra inom AI?

Kathleen Walch: Många organisationer är agila, eller vill åtminstone vara det. Vi använder ofta begreppet ”wagile”, en kombination av vattenfall och agilt arbete. Man vill vara agil men arbetar inte riktigt så.

AI-projekt behöver ett förstärkt agilt arbetssätt. Man måste förstå att de är dataprojekt som ska hanteras som dataprojekt, samtidigt som man tar med sig det agila tankesättet.

Ronald Schmelzer: Man kan tänka på agilt arbete som en kontinuerligt roterande spiral. Huvudprojektet kan innehålla en komponent som bygger en maskininlärningsmodell eller ett AI-system. AI är inte slutmålet, utan ett medel för att nå ett annat mål.

Det är som två sammanflätade spiraler. Den ena gäller huvudprojektet och den andra gäller maskininlärningsmodellen. De behöver inte iterera enligt samma tidplan eller med samma frekvens.

I den första iterationen kan AI-teamet leverera något mycket enkelt. En chattbot kanske bara svarar samma sak varje gång. Senare kan den göras mer intelligent. På så sätt kan projektets olika delar utvecklas parallellt.

CPMAI, kognitiv projektledning för AI, är i praktiken en process som går igenom verksamhetsbehov, ett AI-beslut om att gå vidare eller inte, dataförståelse, dataförberedelse, modellutveckling, model utvärdering och driftsättning av modellen. Sedan upprepas processen inom ramen för en agil sprint.

Galen Low: Ramverk hjälper oss att tänka, men de ska inte följas så rigid att man glömmer själva principen bakom agilt arbete: att kunna anpassa sig och ändra riktning när det behövs.

Om datan inte hanteras tidigt kan projektets tidsplan och kostnader förändras kraftigt. Det innebär dock inte att datainsamlingen måste ske som en linjär vattenfallsfas. Även den kan genomföras iterativt.

Ronald Schmelzer: Det som ofta ställer till problem är antaganden. Man kanske tror att man behöver petabyte av data och ett avancerat neuralt nätverk redan i den första iterationen. Men för att bevisa att en prognos fungerar och att människor använder den kan man börja med megabyte och en enkel beslutsträdmodell.

Då hålls inte tidplanen tillbaka och man behöver mindre tid för datarensning. Det här är inte slutmålet, utan den första iterationen. På samma sätt kan man använda ett rep för att kontrollera avståndet mellan två delar av ett flygplan innan man tillverkar den slutliga kabeln.

Kathleen Walch: Ett steg-för-steg-arbetssätt hjälper alla att förstå vad som behövs och se till att alla har samma bild. Man hittar problem tidigare i stället för att arbeta ad hoc och upptäcka efter fem månader att inget har levererats och att projektet kostat fem miljoner dollar.

Ibland tar det månader bara att få åtkomst till data. Då kan man börja med en mindre datamängd som redan är tillgänglig, i stället för att omedelbart försöka bryta igenom alla informationssilos.

Galen Low: Det leder till en svårare diskussion: förväntningarna är ibland inte anpassade. Ledningen kanske förväntar sig en robot, medan teamet levererar en kundvagn som skannar streckkoder. Eller teamet lovar något fantastiskt och alla undrar efter fem miljoner dollar var resultatet är.

Kathleen Walch: Först måste man förstå vad AI kan och inte kan göra. Det är inte en teknik som passar alla problem. Om man behöver exakt samma resultat varje gång kan enkel programmering eller automatisering vara bättre.

AI är probabilistiskt, inte deterministiskt. Det ger inte nödvändigtvis exakt samma resultat varje gång. Därför måste man vara ärlig om AI verkligen är rätt lösning.

Man bör sätta realistiska förväntningar, avgränsa projektet korrekt och förstå vilket problem man försöker lösa. Om AI är rätt teknik ska man följa bästa praxis för att öka chansen att lyckas.

Ronald Schmelzer: Människor lockas av AI eftersom de svårare problemen ofta kräver mänskliga förmågor. Om maskiner kan utföra dem kan vi komma vidare i den digitala transformationen.

Men algoritmer är inte perfekta. Därför finns idén om förstärkt intelligens, där människan finns kvar i loopen men får mindre arbetsbelastning. Det är ofta ett mer varsamt sätt att införa tekniken.

Galen Low: Hur hanterar man motstånd? När AI-system misslyckas eller inte motsvarar förväntningarna skapas en rädsla för tekniken. Hur pratar man med team som tycker att AI är obehagligt eller farligt?

Kathleen Walch: Man måste ha stöd från ledningen och hantera både känslomässiga och rationella farhågor. Människor vill inte känna att tekniken ska ta deras jobb.

Människor är bra på vissa saker och maskiner på andra. Maskiner kan ta över repetitiva eller osäkra uppgifter, medan människor kan fokusera på sådant som kräver omdöme, empati och problemlösning.

Återkoppling är mycket viktig. Man måste prata med slutanvändarna om vilka delar av arbetet som är mest smärtsamma och försöka ta bort just dem, inte de uppgifter som de faktiskt tycker om.

Ronald Schmelzer: Det handlar också om förändringsledning. Om en kundtjänstmedarbetare ägnar sex av åtta timmar åt datainmatning utför personen kanske inte sitt egentliga jobb, som är att förbättra kundrelationen.

Där kan automatisering eller intelligenta system ge tydlig avkastning. Tekniken kan ta hand om enkla uppslag och låta människor ägna sig åt mer komplicerade frågor.

Galen Low: Kommer AI att ersätta projektledare?

Kathleen Walch: Roller som kräver mänsklig kontakt och mänskliga egenskaper försvinner inte nödvändigtvis, men de kan förändras. AI är inte nödvändigtvis en jobbdödare, men den kan förändra hela yrkeskategorier.

Teknik har alltid förändrat hur vi arbetar. Datorn tog bort många sekreterartjänster, men skapade samtidigt nya yrken, som sociala medier-specialister. Projektledning kommer inte att vara annorlunda.

AI kan hjälpa projektledare att utföra sitt arbete bättre och automatisera vissa uppgifter, men det betyder inte nödvändigtvis att projektledarrollen försvinner.

Ronald Schmelzer: Ju fler AI-projekt vi får, desto fler projektledare behöver vi sannolikt. Projektledaren är den sammanhållande kraft som ser till att projektet slutförs framgångsrikt och att alla delar fungerar tillsammans.

AI kan transkribera möten, skriva mötesanteckningar och ge bättre prognoser, men den ersätter inte ansvaret för att leda projektet till ett lyckat resultat.

Galen Low: Hur kan en projektledare lära sig tillräckligt om AI för att ställa rätt frågor och föreslå enklare alternativ?

Kathleen Walch: Det är en viktig anledning till att vi skapade CPMAI-utbildningen och certifieringen. Den är avsedd för personer som inte har djupa kunskaper i artificiell intelligens, maskininlärning eller avancerad matematik.

Vi har också en kostnadsfri introduktionskurs till CPMAI på AItoday.live/cpmai. Den tar ungefär tre timmar och ger en omfattande överblick över metoden och hur den kan användas i projekt.

Ronald Schmelzer: Vi har också arbetat med en ordlista över grundläggande AI-begrepp. Många kan behöva hjälp med begrepp som artificiell generell intelligens, AI-vintrar, prediktiv analys och de sju AI-mönstren. Ibland behöver man börja med frågan: vad är data, och vad är då stora datamängder?

Galen Low: Jag gillar verkligen tanken på kunskapsutbyte mellan AI- och projektledningsgemenskaperna. Det är så vi lär oss av varandra och blir bättre på det vi gör.

Kathleen Walch: Ja, verkligen.

Galen Low: Ron och Kathleen, tack för att ni var med i programmet. Det här var både roligt och mycket insiktsfullt. Jag länkar till er podd, allt som rör AI Today och information om Cognilytica för den som vill lära sig mer.

Kathleen Walch: Tack. Det har varit väldigt roligt.

Galen Low: Vad tycker du?

Kräver ledning av ett projekt inom artificiell intelligens ett särskilt arbetssätt för att lyckas? Eller är ett projekt bara ett projekt med samma utmaningar som alla andra?

Berätta om en gång då ett AI-drivet verktyg eller en AI-driven teknik ställde till problem i ditt projekt. Hur löste du det?

Om du vill utveckla dina färdigheter som strategisk projektledare kan du gå med i vår gemenskap!

Besök thedigitalprojectmanager.com/membership för att få tillgång till en stödjande gemenskap som delar kunskap, löser komplexa utmaningar och formar framtiden för vårt yrke – tillsammans.

Från robusta mallar och månatliga utbildningstillfällen som sparar tid och energi till kollegialt stöd via våra Slack-diskussioner, liveevenemang och mastermind-grupper innebär medlemskap i vår gemenskap att du har över tusen personer på din sida när du navigerar din karriär inom digital projektleverans.

Om du tyckte om det du hörde i dag får du gärna prenumerera och hålla kontakten på thedigitalprojectmanager.com.

Tack för att du lyssnade. Vi hörs nästa gång.