人工智能(AI)如何彻底改变项目管理_机器学习在项目管理

评估、资源管理和关键业绩指标(KPI)只是机器学习技术和预测分析对项目结果产生积极影响的关键方面的一部分。从软件开发到建设到物流金融，每个公司都有需要进行规划、管理和监督的项目。
从软件开发到建设到物流金融，每个公司都有需要进行规划、管理和监督的项目。但是我们用来做这些工作的工具通常很复杂，是为专家设计使用的，并没有尽可能地对潜在的问题发出警告。基于人工智能的决策支持系统和自动化是否可以通过降低成本和错误，分析风险，提高工作效率或按时按预算完成工作，从而使项目更成功地完成?

以下是人工智能技术、机器学习和预测分析在未来几年如何影响项目结果的早期研究。
一、考虑风险因素
很好地管理一个项目不仅仅是提前制定一个宏大的计划并坚持执行。项目中的相互依存关系和外部变化使得项目结果变得不可预测。在最好情况下，评估和多次预测是一种客观判断;最糟糕的情况是，进行猜测和掩饰。现代管理技术(如敏捷式和持续交付)旨在通过渐进式工作来减少不确定性，但仍不能保证最终的项目交付。组合管理选择了可以平衡风险和回报的项目组合(因为如果只是处于安全考虑，很难保持竞争力)，但这意味着可以准确地评估风险，这其实很难。
Aptage公司首席执行官约翰•海因茨(John Heintz)告诉CIO.com：“项目中的风险始终是概率性事件，而人类的思维不擅长进行基于风险的概率管理，特别是当我们面临许多不同的可能事件时。明确你自己的想法，这很容易，“我得到了我想要的答案，我认同自己的选择。”
我们还喜欢他所说的“基于希望的计划”。
“这很自然，我们在一定程度上都是乐观的。我们都看到了前方光明的途径，这种途径是可行的，而且我们没有证据证明它行不通，所以我们希望事情能按照我们希望的方式去发展，”海因茨说。
Aptage公司使用机器学习技术来预测项目的结果，使用您现有的数据，例如项目各个阶段的计划开始及结束日期(以及如果有这些数据的话，评估一下积压未完成的工作)，以了解团队所完成的项目比例，并预测项目是否可以准时交付。评估总是不确定的，所以你可以在工作完成时间周期上设置上下限(或者软件可以用黄金比例来建模)。你还要考虑加入一些有关风险来源的信息：“不要只是责怪那个最后犯错的人，要弄清楚究竟出了什么问题，”正如海因茨所说的那样。
他建议，这是大多数团队都会有的信息。“没有严格流程的团队仍然可以使用我们的工具。如果一个团队在餐巾纸上写有七件积压未完成的工作，我们仍然可以给他们提供帮助。如果一个团队对整个项目有一个完整的最佳/较差的案例分析和工作分解结构，那么我们可以提供更多的建议，”海因茨说。
Aptage公司使用信心、可行性以及风险随时间变化升降的可视化效果，来帮助您在海因茨所谓的快速思维和慢速思维之间切换。“我们不得不创建这些视觉效果，因为我们需要将快速思考和直觉联系起来，帮助人们可以以一种让他们做出正确直观决策的方式来看待事情。如果项目开始出现大量需要紧急处理的工作，那么本能反应应该会恐慌。也许我们仍然会决定继续推进该项目，但是我们已经进行过考虑，已经被激发去思考一些正确的事情。‘这可能会很痛苦，但我们会有一个安全保障;如果我们不得不在这个项目上多花费20%的资源，那么我们仍然有极大的成功可能性;那就让我们冒险尝试一下吧。’”
Aptage公司使用的算法和模型是为软件开发而设计的，但也适合构建项目。第一次是与Jira软件进行(相当基础性的)整合，海因茨希望把可视化效果放入到项目团队每天使用的工具中(类似于比如微软的项目管理软件、Primavera公司的构建规划软件、Trello软件、甚至是Salesforce公司的软件或Power BI软件中的功能路线图和KPI仪表盘)。“如果我把一个工作任务放到Trello或者ServiceNow软件中，那么软件会预估我何时可以完成，并且预计会有多大的把握，还会给我一个有90%把握完成的日期。”
一般来说，我们的目标是避免在项目的结尾时大吃一惊。“如果你今天就知道这个项目有60%的风险无法完成，以及有60%的风险会顺利完成，你会采取什么不同的做法呢?我们给您指出风险的来源以及给您提供一些应对方案。”
Aptage公司不会去解决存在问题的项目，但它应该就这些问题给予你提醒，海因茨说。“这是合作的能力，应说出‘这是一个高风险的项目，我们正在对其进行妥善管理’，而不是说‘我们不知道风险是什么;我们只是承诺项目会完成，然后在最后一刻我们可能会说项目无法完成。’”
二、资源管理
微软云人工智能团队负责人兰斯•奥尔森(Lance Olsen)表示，一些人工智能工具企业已经采用了(如预测性维护的)方法，这可以帮助提高项目的效率和可靠性。“在项目日程和风险方面可能导致项目失败的最常见问题之一，就是您在项目中依赖的系统出现无法预料的故障。”
总的来说，他认为，“不管是对项目的预测，还是消除项目执行过程中的风险”，人工智能技术都是最有助于消除项目风险的。这将使项目更高效：“存在太多的不确定性，我们现在如何处理它，就是为了之后的工作留有巨大的缓冲余地，”他说。
New Relic公司平台产品管理主管纳迪亚•杜克•布恩(Nadya Duke Boone)认为，人工智能已经可以帮助跟踪项目进度和绩效，特别是如果您对项目管理有广泛的了解。该公司最近在其绩效追踪工具中增加了所谓的应用智能。“在很多正在执行的项目管理中，没有人正式担当这一头衔或角色，而且还使用一套新的项目管理工具，所以我们就不会有意识这样想。”
对于递进式项目，它的成功与否并不总是在其结束时进行确定，而是更有可能取决于在质量和可靠性方面的持续关键业绩指标(KPI)。“客户询问‘他们项目推进是否正常?’时会使用一些指标，比如我可以做多少部署工作?我的部署可靠性如何?我是否存在回归误差?我的绩效与预期一致吗?”布恩说道。“人工智能可以识别在数据流中那些重要但难以发现的缓慢趋势，或者即使被人看到了，也容易被忽视的趋势。”
New Relic公司的应用智能包括一个名为雷达的工具，用于查找这些模式和问题，提出一些应对方法，并可从用户的选择中进行学习。“这帮助我们发现某些被搁置延误多个星期的事情，以及由于项目更关注日常的工作，所以我们某些工作的方向错误，但并没有察觉，”她说道。
布恩认为，人工智能可以有助于确保我们能够注意到坏消息。“我已经发现，在某些情况下，衡量标准已经显示事情朝着错误的方向发展，但人们很难承认这一点。”
人工智能还可有助于工作自动化，让项目经理有更多的时间去实际管理。“现在任何一个行业中，在很大程度上，人工智能都是去处理那些枯燥乏味的工作，让人们把注意力放在机器无法完成的工作上。项目管理中的许多工作并不是数据处理，而是去做我们设定了明确目标的工作，让每个人都朝着同一个方向前进，协调一致。”
例如New Relic公司使用聊天机器人来提醒管理者去管理可资本化时间。布恩还推测，对人们措辞状态变化的自然语言分析可能有助于明确他们对项目进展的信心。
奥尔森(Olsen)指出：“减少那些单调耗时且价值不一定很高，但在每个项目都会出现的工作”，这不仅仅是为了节省时间，还会减少错误。
Software AG公司开发部门副总裁瑞克•迈克易切恩(Rick McEachern)认为，机器人过程自动化(RPA)帮助项目经理处理了大量琐碎和重复的工作，比如合并来自不同系统的数据以协调交付及其他物流工作，以及更新项目管理系统。迈克易切恩说：“可以做很多工作，比如在不同系统之间传输数据，处理大量电子邮件，制作报表和文件及文档处理等等。机器人很擅长做这些工作。”
迈克易切恩表示：“你可以让机器人关注不同的更新内容、状态报告和数据，如果某个文件应该在某个特定的日期交付，但并未提交，机器人可进行提醒。如果有人没有提交他们的最新评估报告，你可能会使用一个带有项目管理系统的机器人来提醒他：‘现在离截止日期还有两天，我将每小时提醒你一次’。而当他们上传新的时间表后，我可以让一个机器人来提取我关心的数据，并将其放入主项目时间表中。”
三、预测和试验
如果您可以定义业务规则或创建可用于评估和报告异常的数据模型，那么机器人过程自动化(RPA)也可以用于资源优化和项目调度。他说，这对运输和物流工作可能特别有用。“您可以使用机器学习技术来做很多不同的优化工作，如为最大限度降低燃油成本选择最低成本路线，或优化装载量。”
奥尔森说：“你可以使用预测方式来细化调整项目执行工作，并减少失误。”但是如果你真的想用人工智能来改善项目工作，你必须寻求一些方法进行实验和改进。“这些做法将在未来五年使一些组织脱颖而出。这些都是智能系统，首席信息官们必须来设计这些系统以提高实验的速度。”
“这个循环式工作的一部分内容是，‘我们上个月达到了75%的准确率，而另外25%是什么原因呢?也许天气也是我们的预测指标，让我们获取一些天气预报信息，并将其添加到模型中，也许我们可达到80%的准确率。’将你的实验速度和学习速度作为项目成功的关键指标。你如何系统地获取知识，并推进更多的实验?”奥尔森说。
他警告说，人们很容易认为，可以用机器学习技术来预测哪些项目会成功和哪些会失败，但是这可能还有很长的路要走。
“我们发现人们目前所关注的是项目内部的组件，即对资源以及基于资源的项目进展，或资源的健康度或表现。随着时间的推移，合乎逻辑的下一步就是提升一个层次，开始关注整个项目本身的进展如何?我们如何才能提高效率?”他警告说，这意味着要收集大量项目的详细信息。
“为了进行项目预测，你必须获取有关项目的数据，并将其提供给模型，并说明成功项目中的异常特征或共同特征是什么?”奥尔森说。
布恩对于如何准确地进行项目预测还做出了提醒，他指出一些项目任务比其他项目更容易预测，因为这些项目有更多的重复性。当她担任项目经理时，她发现有经验的电气工程估算师其工作是非常准确的，这不仅仅是因为建筑行业需要有多长时间来积累知识。
“工程和构建软件之间的区别在于我们不知道工作的衡量标尺。在工程中，我们会说这是一英尺长的管道或这是三英尺长的混凝土，但我们在软件工作中没有这样的衡量尺度。铺设沥青工作在何时何地都可以进行，但是即使在数据库中添加一个列，也可能会有很大的不同，这取决于您在项目中的角色以及操作者是谁。”布恩说。
对于拥有大量人员的大型复杂项目，其最终目标是可重复的，比如建立一个新的数据中心或将应用程序移动到容器平台。布恩认为，有足够的数据可以让机器学习来识别异常值、异常情况或相关性。“这里我们发现了三个有趣的相关性。你或许想要对其深入研究。这就是把人工智能当做项目经理的合作伙伴，应用其人类水平的智商和情商来工作。”（来源：企业网D1Net）