“Any artificial intelligence smart enough to pass a Turing Test is smart enough to know to fail it.”
Ian McDonald
In un precedente articolo di Ingenium abbiamo fatto conoscenza con alcuni strumenti e tecniche di Project Management Analytics, utili per far emergere dai dati di progetto regolarità e andamenti di supporto al processo decisionale.
Il passo successivo è derivare dai pattern di dati delle inferenze, per sviluppare modelli regressivi/predittivi attraverso il contributo della AI (Artificial Intelligence). La crescente disponibilità a basso costo di algoritmi di machine e deep learning determinerà presto l’evoluzione dei software di Project Management da sistemi di supporto alle decisioni a veri e propri sistemi intelligenti.
Cosa potete fare già oggi e cosa potrete fare presto con l’AI, partendo dai dati di progetto, per automatizzare un numero sempre maggiore di funzioni e attività di Project Management?
Nei modelli di analytics, sia quelli statistici come il PERT o il Metodo Monte Carlo, sia quelli algebrici come la tecnica AHP, i dati di partenza provengono da misure sul progetto (work performance raw data) o sono indicati manualmente da esperti umani. In una simulazione Monte Carlo potete partire da una three-point estimation, che probabilmente avreste fatto comunque per valutare tempi e costi di progetto. E siete sempre voi che attribuite i pesi numerici ai diversi fattori di decisione nella tecnica AHP.
Le vostre valutazioni di esperti umani possono derivare dall’esperienza – il cosiddetto “expert judgement” – oppure dal confronto con dati storici di sintesi, che possono essere usati a scopo predittivo in modo automatico. La premessa fondamentale è l’archiviazione in un database storico dei dati di progetto nella maniera più dettagliata e strutturata possibile (es. i dati di stima, i dati effettivi di tempi, costi e risorse utilizzati su ciascuna attività nei progetti precedenti, magari raggruppati per aree tematiche o tipologia di progetto, ecc.).
La conoscenza contenuta nei dati storici può essere utilizzata per sviluppare un modello predittivo con metodi di Machine Learning (ML), come reti neurali, alberi di decisione o SVM (Support Vector Machine). Alcuni domini del Project Management di maggiore applicazione del ML sono il Quality Management (defect prediction), il Risk Management, il Time & Cost Management. Ad esempio, un approccio predittivo ai tempi e costi di progetto richiede la messa a punto di una “funzione o modello predittivo” attraverso la scelta di uno specifico metodo di ML che, in accordo ai dati storici, possa fornire in output la previsione di tempi e costi, sia per l’intero progetto che per specifiche attività.
In molti casi si tratta di una seconda giovinezza di metodi e approcci, un tempo confinati in nicchie di ricerca a causa della loro complessità computazionale, oggi divenuti praticabili grazie al costante calo dei costi di storage e capacità di calcolo, come i metodi di Deep Learning, essenzialmente basati su reti neurali (note dagli anni ’60) molto più grandi e complesse di un tempo.
Analytics + Machine Learning = PMBot?
Un bot è un’applicazione di Intelligenza Artificiale che, semplificando molto, raccoglie e analizza dati, evidenziando pattern e imitando – con l’obiettivo di migliorarli – comportamenti umani. Sono già disponibili bot per ordinare cibo o prenotare un volo online, o chatbot che sostituiscono sistemi di assistenza on line tradizionali.
Un bot può essere programmato per imparare dalle vostre best practice. Può utilizzare algoritmi di machine learning per comprendere come lavorate, come analizzate i problemi, come prendete decisioni, per diventare a tutti gli effetti una vostra estensione, un vero e proprio assistente virtuale.
Immaginate di aver fatto un assessment dei rischi di progetto. Ciascun rischio individuato può avere impatto su scope, tempi, costi, change management, ecc. Un ipotetico PMbot potrebbe analizzare diversi scenari in tempo reale o quasi-reale per suggerire il miglior piano di mitigazione dei rischi in base alle priorità e alle best practice di contesto. Potrebbe simulare l’impatto dello specifico rischio su tempi e costi di progetto, inviando l’esito dell’analisi sul vostro smartphone mentre camminate per recarvi alla riunione di pianificazione col vostro team, aiutandovi a prendere decisioni migliori e più informate in base ad un’analisi dei dati la più accurata possibile.
Conclusioni
Affiancando agli strumenti di Project Management Analytics statistici e algebrici i metodi e algoritmi di machine learning, in sé non nuovi ma oggi disponibili a costi sempre più bassi, il vostro ruolo di “capo progetto umano” cambierà. Parzialmente liberati dai vostri PMbot, potrete concentrarvi sui task non ripetitivi e difficilmente automatizzabili, come la comunicazione con gli stakeholder e la gestione del team. Insomma, in tutte quelle attività dove creatività, intuito e la vostra esperienza di Project Manager saranno insostituibili per molto tempo ancora. Per rendere possibile tutto questo, però, dovete prepararvi per tempo, raccogliendo e archiviando con struttura e granularità adeguate i dati dei vostri progetti: in essi è racchiusa gran parte della conoscenza che vi occorre.
Marco Caressa
Letture consigliate per approfondire
Dinesh Bhagwan HANCHATE, Rajankumar S. BICHKAR (2015). Applied Discrete Mathematics and Heuristic Algorithms Journal, 1, 3 (2015) 21–47. “The machine learning in software project management: A journey. Part I”
Dinesh Bhagwan HANCHATE, Rajankumar S. BICHKAR (2015). Applied Discrete Mathematics and Heuristic Algorithms Journal, 1, 4 (2015) 29–58. “The machine learning in software project management: A journey. Part II”
WanJiang Han1, LiXin Jiang2, TianBo Lu1 and XiaoYan Zhang1(2015). International Journal of Multimedia and Ubiquitous Engineering Vol.10, No.9 (2015), pp.1-8. “Comparison of Machine Learning Algorithms for Software Project Time Prediction”
Project Management Institute (2014). A Guide to the Project Management Body of Knowledge (PMBOK® Guide), 5 th ed. Newton Square, Pennsylvania: Project Management Institute (PMI).
