Мэри Шеклет, президент консалтинговой компании Transworld Data, рассказывает на портале InformationWeek о том, чем управление проектами искусственного интеллекта отличается от традиционного ИТ-менеджмента в аспектах планирования, подбора персонала, управления и долгосрочного контроля.

ИИ-проекты не вписываются в традиционное управление ИТ-проектами. Разработка ИИ — это непрерывный, ориентированный на данные и итеративный процесс, что затрудняет управление им с помощью традиционных методов управления проектами.

ПО для управления проектами использует ИИ для выявления проблем с планированием и ограничений ресурсов в традиционных ИТ-проектах, но управление ИИ-проектами требует большего, чем просто планирование с помощью ИИ.

Такие организации, как Институт управления проектами (Project Management Institute), начинают определять методологию управления проектами для ИИ, охватывающую шесть различных этапов — понимание бизнеса, понимание данных, подготовка данных, разработка модели, оценка модели и операционализация модели. Тем не менее, у CIO по-прежнему мало практических рекомендаций по управлению ИИ-проектами.

Вопрос, стоящий перед CIO и менеджерами проектов, остается открытым: какие изменения следует внести в традиционную методологию управления проектами, чтобы учесть уникальную природу ИИ?

Давайте рассмотрим их по порядку.

Как ИИ-проекты меняют роли ИТ и бизнеса

Разработка систем ИИ — это непрерывный и итеративный процесс. ИИ-проекты также в большей степени ориентированы на данные, чем на приложения. Если данные, с которыми работают приложения, некачественные, то и результаты будут неудовлетворительными. Это меняет динамику проектов для ИТ-службы, поскольку основными в ИИ-проектах становятся специалисты по данным, а не разработчики приложений.

Для бизнес-пользователей это изменение динамики также создает проблемы, поскольку именно эксперты в предметной области конечных пользователей должны определять корректность данных. Это вынуждает конечных пользователей играть более активную роль в ИТ-ориентированных проектах, чем они привыкли.

Наконец, отслеживание прогресса ИИ-проектов может быть затруднительным, поскольку они носят эволюционный характер и могут никогда не завершиться, по крайней мере, в традиционном смысле.

Выбор стратегии для модели ИИ

Четкое понимание бизнес-кейса для системы ИИ и результатов, которые ожидает компания, является первым шагом в управлении ИИ-проектами. Определение соответствующей стратегии разработки модели для ИИ-проекта — следующая задача.

Разработка моделей ИИ может быть сложной задачей, поскольку ИТ-специалистам и пользователям трудно понять, что она собой представляет. IBM определяет модель ИИ как «программу, обученную на наборе данных для распознавания определенных закономерностей или принятия определенных решений без дальнейшего вмешательства человека». Однако, в зависимости от бизнес-предназначения системы ИИ, подходы к разработке модели могут различаться:

  • Модель может представлять собой набор алгоритмов, программно определенных для работы с набором данных путем запроса к этим данным с помощью конкретных вопросов.
  • Или она может включать элементы машинного обучения, которые либо строго контролируемы, либо неконтролируемы вовсе.
  • Компании также могут использовать готовые базовые модели, которые приблизительно подходят для бизнес-задач, которые они пытаются решить, с возможностью настройки этих готовых моделей ИИ для своих конкретных сценариев использования.

Чтобы определить наилучшую модель ИИ, компаниям необходимо глубокое понимание бизнес-задачи, которую они решают. Если цель состоит в том, чтобы внедрить ИИ в сценарии «что-если» и финансовое прогнозирование на основе данных, которые компания уже имеет под управлением, то набор алгоритмов для стандартных запросов может подойти. Если компания хочет улучшить диагностику рака, ей может понадобиться, чтобы ее система диагностики на основе ИИ анализировала данные как извне, так и внутри компании, «учась» на основе симптомов и данных со всего мира, чтобы дополнить то, что известно на местном уровне. Если компания хочет, чтобы ИИ помогал ей в области, где ей не хватает опыта (например, в обслуживании клиентов), она может приобрести базовую систему ИИ для обслуживания клиентов, которая поставляется с предварительно настроенными данными и алгоритмами, которые компания сможет со временем адаптировать под свои нужды.

Требования к инфраструктуре и готовность к ИИ

Другой подготовительный шаг, который следует предпринять до того, как любой проект ИИ получит одобрение, — это оценка опыта персонала и готовности ИТ-инфраструктуры.

Если существующая ИТ-инфраструктура недостаточно надежна для поддержки обработки данных и нагрузок ИИ, одним из вариантов, при условии наличия бюджетных средств, является размещение системы ИИ в облаке, где ресурсы могут масштабироваться.

Более важный вопрос касается готовности ИТ-службы и конечных пользователей к ИИ.

Что касается ИТ-специалистов, то аналитики данных уже обладают большим опытом в очистке и подготовке данных, а также в таких технологиях, как извлечение, преобразование и загрузка данных. Аналитики данных знают, как нормализовать данные, чтобы они могли перемещаться между системами через API и беспрепятственно существовать в гибридных хранилищах данных.

Однако, что касается разработки моделей ИИ, неизбежно возникает разрыв между тем, что знают ИТ-разработчики и конечные пользователи, и тем, что требуется для разработки моделей. Последняя требует навыков разработки алгоритмов и даже статистического анализа. Специалисты в области науки о данных обладают этими навыками, но ИТ-разработчики могут их не иметь.

Затем следует сам процесс обучения модели ИИ. Со стороны пользователя обучение модели должно проводиться экспертами в предметной области — и это обучение должно быть непрерывным и постоянным, чтобы модель ИИ и ее результаты не дрейфовали и не теряли контекстную точность с течением времени.

Единственный способ обеспечить качество и непрерывное развитие модели ИИ — это тесное сотрудничество конечных пользователей и ИТ-специалистов на долгосрочной основе. Это отход от традиционного управления ИТ-проектами, когда в какой-то момент проект объявляется завершенным и каждый его участник может идти своим путем.

Постепенное внедрение ИИ

Когда приходит время внедрять ИИ в производство, первоочередной задачей должна быть автоматизация отдельных этапов бизнес-процесса, а не всего процесса целиком. Это помогает обеспечить первоначальный успех внедрения проекта ИИ, поскольку по мере изменения бизнес-процессов меняются и обязанности людей. Это может выбить пользователей из колеи и подорвать прогресс проекта и доверие. Наилучший путь к успеху ИИ-проектов — это постепенные изменения рабочих процессов.

Есть ещё одно обоснование для постепенных изменений рабочих процессов в ИИ-проектах: крайне важно, чтобы люди участвовали в процессе, потому что ИИ может работать некорректно. Системы ИИ могут выдавать ненадежные результаты при обучении на искаженных или предвзятых данных, а также могут страдать галлюцинациями. «Недавно я полностью автоматизировал на основе ИИ систему отказоустойчивости в своем центре обработки данных, — рассказал мне один CIO, — но когда дело доходит до активации фактического резервирования, я всё ещё хочу сам анализировать данные и нажимать кнопку».

Главные выводы относительно управления ИИ-проектами

Методология управления ИИ-проектами всё ещё развивается, и лишь немногие программные системы управления проектами учитывают уникальные требования ИИ. Это возлагает бремя управления ИИ-проектами непосредственно на плечи CIO и менеджеров проектов.

Уже понятны несколько вещей:

  • Подотчетность так же важна для ИИ-проектов, как и для традиционных ИТ-проектов. Кто-то должен быть главным и готовым принимать решения. Этот человек должен постоянно информировать членов команды и высшее руководство о ходе проекта.
  • ИИ-проекты отличаются от традиционных ИТ-проектов. На самом деле, эти проекты могут не завершиться до тех пор, пока не будут исчерпаны бизнес-задачи, связанные с их использованием. Участники проекта и высшее руководство должны заранее принять эту реальность.
  • В ИИ-проектах лучше всего продвигаться постепенно. Люди учатся в процессе работы, что требует осторожности. ИИ-проекты должны быть ориентированы на небольшие, четко сформулированные бизнес-задачи с ясными и достижимыми целями.
  • График выполнения задач проекта также должен включать задачи по обучению и подготовке ИТ-специалистов и конечных пользователей. CIO и их команды должны понимать, что первоначально ИИ-проекты могут представлять собой сочетание успехов и неудач, из которых нужно извлекать уроки, — и высшее руководство должно разделять это понимание.