PMI выпустил свою методологию по управлению проектами в области AI (искусственного интеллекта) — Cognitive Project Management for AI

Первый вопрос — зачем?

Традиционные методологии управления проектами и разработки приложений не в полной мере учитывают
сложность проектов ИИ. Решения ИИ основаны на данных, а не только на программном обеспечении, что требует
системного подхода, который обеспечивает:
● Соответствие бизнес-целям и окупаемости инвестиций
● Надлежащую подготовку и управление данными
● Надежную оценку и операционализацию модели
● Итеративную разработку для адаптации к меняющимся данным и потребностям

CPMAI датацентричен и основывается на итеративном подходе.

Методология предоставляет 7 шаблонов (паттернов) —

• Разговорное и человеческое взаимодействие
• Распознавание
• Шаблоны и аномалии
• Предиктивная аналитика и поддержка решений
• Гиперперсонализация
• Автономные системы
• Системы, управляемые по цели

Методология включает 6 основных фаз

• Понимание бизнеса
• Понимание данных
• Подготовка данных
• Разработка модели
• Оценка моели
• Перевод в операционное использование

В представленной методологии отдельная секция посвящена вопросам доверия к ИИ, и встраиванию доверия в каждую фазу проекта. (Примечание. Для интересующихся вопросами доверия и этики при разработке ИИ систем адресую к моим презентациям — 1 и 2)

Ключевые роли в ИИ проектах

• Менеджер проекта/Руководитель проекта ИИ: контролирует всю инициативу в области ИИ, обеспечивая ее соответствие этапам CPMAI. Руководитель проекта: поддерживает проект ИИ на уровне руководства, распределяет
  ресурсы и помогает согласовать инициативу в области ИИ с более широкой организационной стратегией. Эта должность координирует сроки, управляет рисками, взаимодействует сзаинтересованными сторонами и обеспечивает соответствие проекта бизнес-целям.
  ● Инженер по данным: создает конвейеры данных и архитектуру, питающие системы ИИ. Он
  выполняет такие задачи, как прием, интеграция, очистка, преобразование данных, а также обеспечивает надежность, масштабируемость и безопасность потоков данных, что критически важно для бесперебойной разработки и ввода в эксплуатацию модели.
  ● Бизнес-аналитик/Эксперт в предметной области: обеспечивает соответствие решения ИИ реальным бизнес-целям и потребностям предметной области. Он помогает определить критерии успеха, интерпретировать результаты и преобразовывать информацию об ИИ в действия, которые могут выполнять заинтересованные стороны и конечные пользователи.
  ● Инженер MLOps/DevOps: устраняет разрыв между разработкой модели и ее развертыванием в производстве, управляя контролем версий, непрерывной интеграцией/непрерывной поставкой и постоянным мониторингом производительности.
• ● Специалист по данным: если необходимо разработать модель МО с нуля или требуется тонкая настройка для расширения существующих моделей, организациям также может потребоваться специалист по данным в команде. Эта роль сосредоточена на создании и проверке моделей. Специалист по данным обладает опытом в области статистики, алгоритмов машинного обучения и экспериментов с моделями. Он должен переводить бизнес-потребности в технические требования и соответствующим образом принимать решения по моделированию.

«Мягкие» навыки и культура ИИ

● Критическое мышление и решение проблем: проекты ИИ по своей сути экспериментальны, поэтому
команды должны уметь концептуализировать подходы, быстро тестировать решения и проводить итерации.
● Коммуникация и повествование: заинтересованным сторонам необходимы чёткие объяснения сложных результатов ИИ, будь то для обоснования распределения ресурсов или решения проблем пользователей.
● Сотрудничество и кросс-функциональность: проекты ИИ охватывают области данных, инженерии и бизнеса. Важны слаженная командная работа и взаимопонимание между отделами.
● Адаптивность и толерантность к неопределённости: поскольку модели развиваются, а данные изменяются,
команды должны быть готовы к итеративным циклам и возможности доработки.

РЕЗЮМЕ

Используйте итеративный подход CPMAI, ориентированный на данные и специфичный для ИИ
● Шесть этапов CPMAI: от понимания бизнеса (этап I) до операционализации модели (этап VI), каждый этап гарантирует решение правильных задач, наличие необходимых данных, ответственную разработку ИИ и подтверждение удовлетворения реальных потребностей.
● Итеративный подход, ориентированный на данные: проекты ИИ не статичны. Они требуют итеративных циклов
подготовки данных, уточнения модели и получения отзывов заинтересованных сторон, чтобы оставаться актуальными и избегать отклонений.
● Интеграция с организационными процессами: этапы CPMAI эффективно дополняют привычные практики управления проектами (включая Agile и DevOps/MLOps),
обеспечивая необходимые для успеха специфические для ИИ условия.
● Надежный ИИ: этичные, ответственные и прозрачные методы разработки являются неотъемлемой частью долгосрочного внедрения ИИ. CPMAI уделяет особое внимание выявлению предвзятости, управлению и вовлеченности заинтересованных сторон на каждом этапе.
● Команда и культура: успех ИИ зависит от правильного распределения ролей — инженеров по данным, специалистов по данным, аналитиков, экспертов в предметной области и руководителей проектов — которые работают вместе, используя гибкий подход, основанный на обучении по ходу дела.