Wprowadzenie
AK: Konnichiwa. Witamy w AI Automation Dojo. W programie, w którym przyglądamy się nowoczesnemu zarządzaniu projektami i zastanawiamy się, czy wykres pistoletowy nie powinien zostać zastąpiony tablicą Ouija. Dziś wkraczamy na zdradzieckie wody realizacji projektów AI. Wiesz, gdzie plan projektu jest bardziej silną sugestią, a rezultaty czasami rozwijają własny umysł.
Aby nas poprowadzić, zaprosiliśmy specjalnego gościa, prawdziwego menedżera ds. dostaw, który spojrzał w otchłań sztucznej inteligencji i przeżył, aby opowiedzieć tę historię. Będziemy rozmawiać o projektach, w których wymagania są ruchomym celem. Kluczowy komponent, model AI, jest w zasadzie czarną skrzynką z napisem „tu będzie smok”, a sukces jest często definiowany jako „cóż, tym razem nie podpalił serwera”.
Jestem Andrzej Kinastowski, jeden z założycieli Office Samurai, gdzie wierzymy, że najważniejszą częścią każdego planu projektu jest wyraźnie oznaczone wyjście awaryjne. Jeśli kiedykolwiek próbowałeś wyjaśnić wynik zaufania w pokoju pełnym kierowników, którzy chcą tylko prostej odpowiedzi „tak” lub „nie”, ten odcinek może być twoją sesją terapeutyczną. Teraz chwyć swoją ulubioną katanę lub bardzo szczegółowy rejestr ryzyka i przejdźmy do rzeczy.
Dziś dołączyła do nas Dagmara Sysuła, która jest kierownikiem ds. dostaw w Office Samurai. Dołączyła do nas cztery lata temu i stała się osobą, która w zasadzie zajmuje się całą naszą dostawą, dając mi czas na robienie takich rzeczy jak podcasty. Dagmara, witaj w podcaście.
DS: Witaj, Andrzeju. Dziękuję za zaproszenie.
AK: Będziemy rozmawiać o projektach AI. Powiedz mi, dlaczego to właśnie z tobą rozmawiam o projektach AI?
DS: Ponieważ staramy się dostarczać projekty AI i myślę, że jest to teraz bardzo ważne, aby wiedzieć, jak to zrobić lub po prostu spróbować to zrobić w jakiś sposób i być świadomym, dlaczego może to być trudne lub dlaczego może zakończyć się sukcesem lub nie i który sposób jest najlepszy do dostarczania projektów AI. Myślę, że sztuczna inteligencja, a właściwie podcast jest tego dowodem. Jest to obecnie bardzo gorący temat i każdy chce dotknąć tej technologii.
Metodologia projektu: konieczność podejścia hybrydowego
DS: W jakiś sposób, ale czasami nie wiemy jeszcze, jak to zrobić poprawnie. Staramy się to robić w sposób, który już znamy, metodami, które znamy i metodologią, którą znamy. Nie jest to jednak tak łatwe, jak nam się wcześniej wydawało.
AK: Więc czym to się różni, ponieważ mam również wrażenie, że te projekty, przynajmniej w tym momencie, są zupełnie inne od tego, co już robimy? Jak lub dlaczego różnią się one od klasycznego projektu RPA?
DS: Powiedzmy, że ogólnie w IT mamy głównie te dwa sposoby dostarczania projektów, zarządzania projektami. Jest to metoda kaskadowa, w której wszystko jest ustrukturyzowane, w której mamy kamienie milowe, w której można przewidzieć, jaki będzie następny krok, a RPA zdecydowanie jest częścią metody kaskadowej. Dlaczego? Ponieważ jest to zazwyczaj krótki projekt, maksymalnie 300 godzin, a czasami wielokrotnie krótszy. I masz bardzo ścisłe etapy: analizę, rozwój, testowanie, wdrażanie i utrzymanie.
W agile jest inaczej, ponieważ pracujesz w sprintach, odkrywasz coś, sprawdzasz, robisz retro i przechodzisz przez tego rodzaju cykle. Ale jest to również w pewien sposób przewidywalne, ponieważ dostarczasz pewien projekt. W AI musisz być nieco bardziej skoncentrowany na eksperymentach, dlatego agile jest zdecydowanie najlepszym sposobem.
Nadal jednak trzeba jakoś zarządzać budżetem, na przykład z interesariuszami, ze sponsorami. Dlatego też należy również spojrzeć na waterfall. Dlatego musimy to trochę pomieszać i po prostu znaleźć nową metodologię. Prawdopodobnie na razie nazywamy to hybrydą, ponieważ eksperymentujemy. Używamy eksperymentów w zwinny sposób i właściwie tutaj część zwinnego Kanbana jest absolutnie idealna, ponieważ Kanban jest używany głównie w projektach utrzymaniowych. Scoring odbywa się przed wdrożeniem, a dla AI myślę, że jest to bardzo ważny moment, aby upewnić się, że to, co przygotowaliśmy, jest gotowe do wdrożenia.
Oczywiście jesteś również znany z tego, że jest to ogromny projekt kaskadowy, tylko w małych kawałkach. Z perspektywy Office Samurai chciałbym powiedzieć, że kilka lat temu wdrożyliśmy retrospektywę do wszystkich naszych projektów, które dostarczamy naszym klientom.
Kluczowa rola retrospektyw w projektach AI
DS: Twój projekt zakończy się retrospektywą i to, co jest bardzo, bardzo ważne w retrospektywie i bardzo lubię tę część metodyki zwinnej – siedzimy razem, zespół dostarczający (ponieważ mamy analitykę analityczną, mamy programistów, liderów, architektów, ktokolwiek dotknął tego projektu). Mamy przestrzeń do bardzo szczerej rozmowy o wszystkim, co się wydarzyło, o dobrych i złych rzeczach, o tym, czego już się nauczyliśmy, co zrobiliśmy źle podczas tego projektu i co, i bardzo, bardzo ważne, coś, co naprawdę uwielbiam, to działania. Co możemy zrobić lepiej lub inaczej podczas następnego projektu lub czego już się nauczyliśmy i co możemy wdrożyć w przyszłości. Myślę, że w projektach AI jest to absolutnie kluczowe, aby mieć jakąś retrospektywę po zakończeniu projektu i po prostu wiedzieć, czego się nauczyliśmy, ponieważ większość tych projektów AI może być eksperymentalna lub po prostu odkrywać coś nowego.
AK: Myślę, że retrospektywa jest czymś, co kiedy wprowadziłeś ją do naszej organizacji, było trochę trudne dla niektórych osób na początku. W przypadku projektów, w których sytuacja była nieco bardziej gorączkowa, gdy coś poszło nie tak, niezwykle ważne jest, abyśmy to robili, ponieważ w przeciwnym razie nie uczymy się na tych błędach lub problemach, które mieliśmy. Jeśli chodzi o projekty AI, ponieważ są one o wiele bardziej nowe i o wiele mniej przewidywalne, sprawia to, że te podsumowania są tak ważne.
DS: Ważne jest również podzielenie projektu na mniejsze części i wykonanie tego retro po tym małym pierwszym lub drugim okręgu. Czasami jest to trudne w projektach AI, ponieważ, jak wspomniałeś, nie są one przewidywalne. Czasami myślimy, że mamy jakiś plan, ale on nie działa, zmienia się lub zmienia się technologia i musimy zmienić sposób realizacji projektu. Dlatego też ważne jest, aby mieć ten pit stop i przekazać sponsorowi jakąś informację zwrotną. Punkt kontrolny, retrospektywa, jest idealny dla projektów AI.
AK: Zwłaszcza, gdy coś nie działa tak, jak tego oczekiwaliśmy. Mamy kilka niedawnych przykładów projektów, które rozpoczęliśmy dość dawno temu. Choć jest to bolesne, czasami musimy się zatrzymać i zadać sobie pytanie: okej, może w czasie, gdy zaczynaliśmy, użycie tej technologii było właściwym wyborem. Ale w międzyczasie mamy inną. Może potrzebujemy trochę przeróbki. Może potrzebujemy kroku wstecz. Ponieważ technologie AI, nie tylko Gen AI, te technologie AI, z których tak często korzystamy, takie jak rozumienie dokumentów UiPath lub eksploracja komunikacji, również ewoluują bardzo szybko. Myślę, że to całkowicie słuszne, że nie tylko robisz retro na końcu, ale musisz mieć te przystanki w trakcie projektu, aby zastanowić się, czy robimy to dobrze.
DS: Myślę, że to bardzo ważne. Potrzeba posiadania retro pochodzi przede wszystkim od naszych deweloperów. Dla mnie jest to część kultury, którą starałem się prowadzić, jest to absolutnie fantastyczne, ponieważ po prostu rozumieją potrzeby projektu i rozumieją przepływ projektu. To naprawdę niesamowite, że pochodzi to od zespołu.
Mieszanie metodologii: konieczność waterfall dla sponsorów
AK: Wspomniałeś o Kanbanie, który jest bardzo podstawowym narzędziem. Wspomniałeś o retrosach. Co jeszcze? Czy są jakieś inne narzędzia lub elementy metodologii, które Twoim zdaniem bardzo pomagają w projektach AI?
DS: Wspomniałem wcześniej o kaskadzie i myślę, że absolutnie musimy ją uwzględnić, ponieważ musimy w jakiś sposób komunikować się ze sponsorami. Ludzie, którzy nie rozumieją projektu AI lub po prostu technologii, ponieważ jest to skomplikowane. Trzeba mieć bardzo duże zrozumienie techniczne, aby wiedzieć, dlaczego tak się dzieje.
Ale sponsor ma potrzebę posiadania projektów AI w organizacji. Na pewno jest to w celach. Prawie wszędzie mają budżet i określone kamienie milowe. Muszą również raportować to na jakimś komitecie sterującym swoim przełożonym, dyrektorom, jak przebiega projekt. Dlatego właśnie potrzebujemy tutaj również kaskady, aby upewnić się, że nie wykorzystaliśmy całego budżetu.
AK: Może to być postrzegane jako uciążliwe, ale zazwyczaj klienci nie mają nieograniczonych budżetów i nieograniczonego czasu na robienie rzeczy. Musimy mieć tę ścieżkę kaskadową, aby komunikować się z interesariuszami i przeprowadzać autodiagnozę. Gdzie jesteśmy? Czy idziemy w tempie, w jakim chcieliśmy? Czy chcemy się obrócić? Czy chcemy zmienić technologię? Czy jesteśmy na dobrej drodze, by coś osiągnąć?
Projekty AI to długoterminowa konserwacja, a nie krótkoterminowe produkty.
DS: Co jest również ważne, gdy mówimy o budżetowaniu, jest to być może bardzo ważne dla sponsorów. Projekty AI, z tego co widzimy, nie są czymś, co jest bezpośrednim produktem. Jest to długi proces utrzymania. Decydując się na projekt AI lub po prostu narzędzie lub rozwiązanie AI, musisz wiedzieć, że być może za pół roku technologia zmieni się tak bardzo, że będziemy musieli coś zmienić w tym projekcie.
Modele cały czas się uczą. Trzeba to jakoś utrzymać. To nie jest coś takiego, że kładziesz pieniądze na stole i za trzy, sześć, siedem miesięcy masz produkt. W tej chwili rozpoznajemy trzy lub cztery główne projekty w projektach AI, które mamy na rynku. Pierwszy z nich to zazwyczaj POC lub po prostu projekty eksperymentalne. Chcemy czegoś spróbować.
Później mamy największe projekty, czyli te wdrożeniowe. Trzeci, który widzę dzisiaj, to zakup narzędzia AI, takiego jak na przykład Copilot, i wdrożenie go w naszych zespołach. Ale zawsze jest tak, jak z każdym innym narzędziem lub aplikacją, kupujesz je, ale musisz wiedzieć, jak z niego korzystać. Kiedy myślimy o wdrożeniu Copilotów lub po prostu narzędzi, które są dostępne na rynku, musimy być świadomi, że musimy również kupić wiedzę lub po prostu kilka szkoleń, aby pokazać ludziom, jak korzystać z tych narzędzi.
AK: Wdrożenie to nie tylko zakup licencji i zainstalowanie jej na komputerach ludzi, prawda? Muszą wiedzieć, jak z niego korzystać.
Czwarty typ projektu: Strategia AI
AK: Mówiłeś o trzech rodzajach projektów. Jaki jest czwarty?
DS: Myślę o strategii. Wiele firm myśli teraz o strategii AI. Powiedziałbym, że jest to czwarta, którą obecnie widzę. Bardzo ważne jest, aby wiedzieć, co chcemy wdrożyć, jakie narzędzia i z jakimi zasobami będziemy pracować. Niezwykle ważne jest, aby nie uruchamiać projektu bez całej strategii i bez zmiany kultury oraz zmiany sposobu myślenia i organizacji.
AK: Ale to jest coś, czego ponownie uczymy się na błędach, które wiele firm popełniło w związku z RPA. Wszystkie te rzeczy trzeba robić niejako równolegle. Powinno to działać równolegle, ponieważ po zbudowaniu strategii trzeba również mieć pewnego rodzaju wiedzę na temat tego, co jest możliwe w naszej organizacji. Absolutnie ważne jest posiadanie strategii, ale nie rozpoczynanie jej jako pierwszej.
DS: Tak. Dokładnie.
AK: Albo będziesz musiał zapłacić dużo pieniędzy jakiejś firmie konsultingowej, która przygotuje go dla ciebie. A przy okazji pewnie połowę z tego wygeneruje Gen AI. Dagmara, wiem, że wymyśliłaś zestaw prawd czy zasad zarządzania projektem. Powiedz mi, naprawdę chętnie posłucham, co by to było.
10 złotych zasad zarządzania projektami AI
DS: Pierwszym z nich jest zdecydowanie zarządzanie talentami. Trzeba wiedzieć, jakimi możliwościami i zasobami się dysponuje. Przede wszystkim trzeba zbudować zespół. Po drugie, szkolić tych ludzi.
AK: Ale to również sprowadza się do tych technologii. Są to niezwykle złożone technologie, ale narzędzia, które pozwalają z nich korzystać, nie są aż tak skomplikowane, prawda?
DS: Zgadza się. Wielokrotnie potrzebny jest bardzo dobry analityk. Bariera wejścia nie polega już na tym, że trzeba być naprawdę dobrym w matematyce, statystyce i tak dalej. Możesz być naprawdę dobrym power userem bez tego rodzaju wiedzy. Dlatego analitycy biznesowi są idealni do rozpoczęcia pracy ze sztuczną inteligencją.
DS: Jeśli chciałbym przejść do drugiej zasady, to jest to próba znalezienia pewnego rodzaju mistrzów AI i pokazania ich w naszym środowisku.
Kolejną zasadą, szczególnie dla menedżerów, jest zarządzanie oczekiwaniami sponsorów. Pokazanie im, że nie jest to bardzo prosta droga. Jeśli chcemy mieć rozwiązanie AI, musimy podjąć ryzyko.
AK: Projekty te mają charakter badawczo-rozwojowy, co do którego nie ma pewności, ponieważ technologie te są tak świeże. Tak naprawdę tego nie wiemy. Możemy myśleć, że coś zadziała, ale mogą pojawić się niespodzianki.
DS: Czwarty to uczenie się. Musimy włożyć wiele wysiłku w to, by się uczyć i uczyć nasze zespoły. Myślę, że jest to bardzo ważna część i jest to coś, czego naprawdę potrzebujemy teraz w naszej organizacji, po prostu uczyć się.
AK: Uczyć się, dzielić tą wiedzą i obserwować, co się dzieje. Technologia zmienia się teraz tak szybko, że to, co wiesz dzisiaj, jutro może być przestarzałe.
DS: Musimy być świadomi i musimy mieć tę wiedzę.
AK: Musimy podjąć świadomą decyzję.
DS: Kolejną rzeczą jest to, że naprawdę musimy mieć przejrzyste dane, zanim zaczniemy realizować projekt AI. Jeśli mamy bałagan w danych, nieustrukturyzowane dane, znacznie trudniej jest prawidłowo wytrenować model i później uzyskać właściwe odpowiedzi.
AK: Sztuczna inteligencja lepiej radzi sobie z nieczystymi danymi niż, powiedzmy, uczenie maszynowe, ale nadal jest to duży problem i musimy być w stanie nim zarządzać. Nigdy nie będziemy mieć w 100% czystych danych, ale musimy do tego dążyć.
DS: Bardzo ważna jest również odpowiednia konserwacja modeli. To jest kolejny punkt, konserwacja. Projekt AI nie kończy się jako jeden prosty produkt. Będzie on zawsze utrzymywany.
AK: Zwłaszcza w przypadku technologii Gen AI testowanie jest dość trudne, ponieważ uzyskuje się niedeterministyczne wyniki. Musisz mieć sposób na dokładne przetestowanie go, aby upewnić się, że nie pogorszy się z czasem.
DS: Zdecydowanie testowanie jest czymś, co odróżnia projekty AI od różnych projektów, które mamy na rynku, takich jak projekty IT, projekty RPA lub inne. Myślę, że we wszystkich tych projektach AI musimy być pewni, że jest to etyczne, że jesteśmy transparentni w komunikacji w naszej organizacji. Musimy być pewni, że komunikujemy, co przyniesie nam to narzędzie, jak powinniśmy z nim pracować i powinniśmy bardzo jasno komunikować to organizacji, aby ludzie czuli się bezpiecznie.
DS: Wracając do tych punktów, myślałem o pewnych pomiarach i KPI. Zawsze musimy być pewni, jak udowodnić, że coś jest dobre lub złe, a także musimy wiedzieć, jak zmierzyć wpływ sztucznej inteligencji na nasze środowisko.
AK: Trzeba pomyśleć o metrykach, które na to pozwolą.
DS: Myślę, że komunikacja i myślenie o zmianie kultury oraz otwartość w tej kwestii w naszej organizacji są również bardzo ważne. Również zarządzanie oczekiwaniami, ponieważ czasami są one bardzo, bardzo wysokie.
AK: Oczekiwania mogą być niezwykle wysokie. Ludzie chodzą na konferencje i słuchają konsultantów, którzy sprzedają im nierealistyczne obietnice. Trzeba zachować umiar i nie obiecywać rzeczy, których nie będziemy w stanie zrealizować, ponieważ może to oznaczać koniec programu AI i strategii AI.
DS: Dokładnie. Ostatnim punktem jest otwartość na zmiany. Technologia zmienia się bardzo, bardzo, bardzo szybko. Po pół roku mogą ją wyrzucić do kosza, ponieważ technologia została już odkryta przez inną firmę i można ją kupić na rynku, nie trzeba jej budować samodzielnie.
Wnioski
AK: To było 10 złotych zasad Dagmary dotyczących zarządzania projektami AI. Myślę, że byłby to świetny artykuł do naszej sekcji wiedzy na naszej stronie internetowej.
DS: Możemy go śledzić.
AK: Dagmara Sysuła, bardzo dziękuję za dołączenie do tego odcinka podcastu i podzielenie się swoimi przemyśleniami i doświadczeniami związanymi z projektami AI.
DS: Martwię się, że za kilka miesięcy będziemy mogli wyrzucić wszystkie te zasady do kosza lub do śmieci, ponieważ coś się zmieni. Ale jesteśmy na to otwarci i czekamy na dobrą przyszłość.
AK: I to jest nasza dostawa na ten odcinek. Miejmy nadzieję, że dotarła ona na czas, zmieściła się w budżecie i nie wywołała po drodze halucynacji. Dziękujemy za pobranie tego wiadra informacji do swoich mózgów. Ogromne podziękowania dla naszego gościa, Dagmary Sysuły, zaprawionego w bojach menedżera dostaw, który przeprowadził nas przez chaos bez zagubienia ani jednego biletu Jira. I oczywiście dla Anny Cubal, naszego własnego mistrza dostarczania, która produkuje ten program z legendarnego Wodzu Beats Studio, naszego własnego środowiska programistycznego. Do następnego razu, niech dane będą czyste, a interesariusze rozsądni. Mata ne.
