یکی از مهمترین کاربردهای هوش مصنوعی، پیشبینی تاخیر است. مدلهای تحلیلی با بررسی سوابق مدت فعالیتها، وابستگیها، تغییرات برنامه، سرعت تیم و تاخیرهای قبلی، احتمال عبور از تاریخ تحویل را برآورد میکنند. اگر طراحی، تایید کارفرما و خرید تجهیزات همزمان کند شوند، سامانه میتواند پیش از قطعی شدن تاخیر هشدار دهد تا مدیر فرصت اقدام اصلاحی داشته باشد.
پیشبینی افزایش هزینه نیز اهمیت زیادی دارد. هوش مصنوعی روند مصرف بودجه، هزینه نیروی انسانی، خریدها، تغییرات محدوده و شاخصهای عملکرد هزینه را تحلیل میکند و هزینه احتمالی پایان پروژه را تخمین میزند. در یک پروژه نرمافزاری، افزایش اضافهکاری و درخواستهای تغییر ممکن است نشانه عبور از بودجه باشد. داشبورد میتواند بسته کاری یا فعالیتی که بیشترین سهم را در افزایش هزینه دارد، مشخص کند. شناسایی و اولویتبندی ریسکها از دیگر قابلیتهای مهم است. سامانه میتواند گزارشهای روزانه، صورتجلسات و سوابق پروژه را بررسی کند و با مشاهده عباراتی مانند «عدم تایید»، «کمبود متخصص» یا «تاخیر تامینکننده»، ریسکهای احتمالی را پیشنهاد دهد. البته تصمیم نهایی درباره ثبت، پذیرش یا پاسخ به ریسک باید در اختیار مدیر پروژه باقی بماند.
هوش مصنوعی همچنین در تشخیص فعالیتهای بحرانی و گلوگاهها کاربرد دارد. همه وظایف عقبافتاده اثر یکسانی ندارند. ممکن است فعالیتی فقط دو روز تاخیر داشته باشد، اما چون پیشنیاز چند فعالیت دیگر است، اثر بیشتری از یک وظیفه ده روز عقبافتاده ایجاد کند. تحلیل وابستگیها، مسیر بحرانی و منابع مشترک به مدیر کمک میکند بهجای تمرکز بر تعداد تاخیرها، بر مهمترین نقاط اثرگذار متمرکز شود.
در حوزه منابع انسانی، داشبورد هوشمند میتواند مهارت، تجربه، دسترسپذیری، هزینه و حجم کار افراد را با نیاز فعالیتها تطبیق دهد و گزینههایی برای تخصیص بهتر منابع پیشنهاد کند. همچنین با بررسی تقویم کاری، مرخصیها، وظایف فعال و زمان تخمینی، اضافهبار یا کماستفاده بودن ظرفیت اعضای تیم را نشان میدهد. برای نمونه، اگر برای یک کارشناس در هفته آینده ۶۰ ساعت کار برنامهریزی شده باشد، سامانه پیش از ایجاد فرسودگی یا افت کیفیت هشدار میدهد.
ارزیابی عملکرد تیم نیز میتواند با کمک هوش مصنوعی دقیقتر شود، به شرط آنکه فقط بر تعداد وظایف بستهشده تکیه نکند. کیفیت تحویل، رعایت زمانبندی، نرخ بازگشایی کارها، همکاری و دقت تخمین باید در کنار پیچیدگی فعالیت و سطح تجربه افراد بررسی شود. استفاده نادرست از این ابزار ممکن است به قضاوت ناعادلانه درباره کارکنان منجر شود. بنابراین هدف اصلی باید بهبود فرآیند، آموزش و توسعه تیم باشد، نه ارزیابی تنبیهی. از دیگر کاربردها میتوان به پیشبینی زمان واقعی تکمیل وظایف، تحلیل روند پیشرفت، تشخیص ناهنجاری در هزینه یا ثبت ساعت، تهیه خودکار گزارشهای مدیریتی، خلاصهسازی جلسات و گزارشهای روزانه و پاسخگویی به پرسشهای مدیران با زبان طبیعی اشاره کرد. مدیر میتواند بپرسد «کدام پروژهها بیشترین احتمال تاخیر را دارند؟» یا «علت اصلی افزایش هزینه پروژه چیست؟» و سامانه باید پاسخ را همراه با منبع داده، دوره زمانی و منطق محاسبه ارائه کند.
هوش مصنوعی مولد نیز میتواند دادههای داشبورد را به گزارشی قابلفهم شامل وضعیت کلی، مهمترین انحرافها، ریسکهای جدید، تصمیمهای موردنیاز و اقدامات هفته آینده تبدیل کند. با این حال، گزارش نهایی باید از نظر صحت، محرمانگی و لحن توسط مدیر بررسی شود. همچنین استخراج تصمیمها، مسوول اقدامات، موعدها و مسائل حلنشده از جلسات میتواند بخشی از بار اداری مدیر پروژه را کاهش دهد.
یک داشبورد هوشمند موثر باید هشدارها را بر اساس اثر، فوریت و قابلیت اقدام اولویتبندی کند. هشدار مفید فقط نمیگوید یک فعالیت عقب افتاده است، بلکه توضیح میدهد این فعالیت پیشنیاز چند کار بحرانی است و چه تغییری در منابع یا برنامه میتواند احتمال تاخیر را کاهش دهد. مدیریت دانش نیز اهمیت دارد. سامانه میتواند درسآموختهها و راهحلهای پروژههای قبلی را بازیابی کند تا از تکرار خطاها جلوگیری شود.
تحلیل سناریوهای «چه میشود اگر؟» نیز به مدیر اجازه میدهد اثر تصمیمهایی مانند افزودن نیروی جدید، کاهش محدوده، تعویق خرید یا تغییر ترتیب فعالیتها را پیش از اجرا مقایسه کند. این نتایج پیشبینی قطعی نیستند، بلکه سناریوهایی احتمالیاند که اعتبارشان به کیفیت دادهها و فرضهای ورودی وابسته است.
با وجود مزایای فراوان، پیادهسازی این فناوری چالشهایی جدی دارد. کیفیت پایین داده نخستین مانع است. اگر تاریخها بهروز نباشند، زمان واقعی ثبت نشود یا درصد پیشرفت سلیقهای گزارش شود، خروجی مدل نیز قابل اعتماد نخواهد بود. سوگیری الگوریتمی، امنیت اطلاعات، محرمانگی قراردادها و اطلاعات کارکنان، مقاومت کاربران، هزینه یکپارچهسازی سامانهها و دشواری توضیحپذیری مدل از دیگر مسائل مهم هستند. مدیر باید بداند هشدار «احتمال تاخیر ۷۰ درصد» بر چه عواملی استوار است و سطح اطمینان مدل چقدر است. وابستگی بیش از حد به پیشنهاد ماشینی نیز خطرناک است، زیرا بسیاری از عوامل انسانی، سیاسی و ارتباطی در دادهها ثبت نمیشوند. بنابراین هوش مصنوعی باید ابزار پشتیبان تصمیم باشد، نه جایگزین کامل قضاوت و مسوولیت مدیر پروژه. بهترین مسیر پیادهسازی، آغاز از یک مساله محدود و قابلاندازهگیری است؛ برای مثال، پیشبینی تاخیر نقاط عطف چهار هفته پیش از موعد. سپس باید کیفیت دادهها ارزیابی، شاخصهای کلیدی مشخص و یک نسخه اولیه روی پروژهای محدود آزمایش شود. پس از سنجش دقت پیشبینی، میزان صرفهجویی زمانی، تعداد هشدارهای مفید و اثر واقعی بر نتایج پروژه، میتوان سامانه را بهتدریج گسترش داد.
آینده مدیریت پروژه به همکاری انسان و هوش مصنوعی وابسته است. ماشین در تحلیل حجم زیاد داده، شناسایی الگو و تولید پیشنهاد توانمند است و انسان در قضاوت، مسوولیتپذیری، ارتباط، مذاکره و درک شرایط سازمانی نقش اصلی را دارد. هدف نهایی حذف مدیر پروژه نیست، بلکه آزاد کردن او از گزارشگیریهای تکراری و تقویت توان تصمیمگیری راهبردی است.
* مدیر پروژه خدمات مشترکین این مطلب برایم مفید است 0 نفر این مطلب را پسندیده اند کپی شد
