Mariusz Maleszak nr albumu 6374 Efektywne zarządzanie projektami z wykorzystaniem modeli sztucznej inteligencji Mariusz Maleszak nr albumu 6374
Hipoteza robocza Zastosowanie technik sztucznej inteligencji, zwłaszcza technik znajdujących swe źródła w przyrodzie, wpłynie na zwiększenie efektywności zarządzania projektami informatycznymi w oparciu o metodyki RUP oraz MSF.
Hipoteza pomocnicza Zarządzanie ryzykiem jest kluczowym obszarem zarządzania i implikowane jest przez każdy inny obszar zarządzania projektem, świadomie lub nie.
Problematyka Jak ograniczyć subiektywny wpływ człowieka na podejmowanie decyzji dotyczących podstawowych parametrów projektu? Jaka jest słuszność podejmowanych decyzji? Czy ocena pracochłonności jest adekwatna do rzeczywistości? Jak skutecznie identyfikować i oceniać ryzyko? Jak efektywnie zarządzać projektem?
Model przykładowego przedsięwzięcia projektowego
Mapa ryzyka dla przykładowego przedsięwzięcia projektowego Prawdopodobieństwo Oddziaływanie Bardzo słabe Słabe Umiarkowane Duże Bardzo duże Bardzo wysokie 6 1 Wysokie 3, 12 5 2 18 Średnie 4, 7, 13, 16 14, 15 Niskie 10 11 17 Bardzo niskie 8, 9 Akceptowalne Dopuszczalne Niedopuszczalne
Sztuczna inteligencja w zarządzaniu projektami
Sztuczna inteligencja w zarządzaniu projektami Nr Rodzaj Opis zgłoszenia Prawdopodobieńst wo wystąpienia Poziom oddziaływania 1 Ryzyko Iteracyjny proces opracowywania realizowany we współpracy z klientem 0,5150±0,0002 0,6250±0,0002 2 Możliwość zmiany zakresu prac ze względu na złożoność projektu 0,2186±0,0002 0,8940±0,0002 3 Szansa Zmiana zakresu wymaga dodatkowego, płatnego nakładu pracy 0,4538±0,0002 0,7955±0,0002 55 Zmiana harmonogramu w związku ze zmianą zakresu 0,6210±0,0002 0,4355±0,0002 5 Zwielokrotnienie i zrównoleglenie zasobów ze względu na złożoność 0,1385±0,0002 0,5079±0,0002
Sztuczna inteligencja w zarządzaniu projektami
Sztuczna inteligencja w zarządzaniu projektami
Wnioski Zalety Skraca czas potrzebny na analizę Angażowanie sztucznych sieci neuronowych do wspomagania procesu zarządzania Zalety Skraca czas potrzebny na analizę bardzo szybkie obliczenia praktycznie niezależne od rozmiaru danych Umożliwia odkrywanie wiedzy, niweluje subiektywizm podejmowanych decyzji, koryguje błędne decyzje dzięki możliwości uczenia się sztuczne sieci neuronowe wypracowują wzorce, które znajdują zastosowanie między innymi w procesach kojarzenia, klasyfikacji, rozpoznawania, estymacji, przypominania, optymalizacji i sterowania
Wnioski Zalety Umożliwia posługiwanie się zmiennymi lingwistycznymi Wykorzystywanie hybrydowych systemów sztucznej inteligencji do wspomagania procesu zarządzania Zalety Umożliwia posługiwanie się zmiennymi lingwistycznymi właściwość ta diametralnie upraszcza posługiwanie się takimi systemami; eliminuje konieczność realizowania często bardzo skomplikowanych obliczeń Łączy ogromną precyzję sztucznych sieci neuronowych z elastycznością i naturalnym charakterem logiki rozmytej Przykładem są sieci CANFIS (Co-Active Neuro-Fuzzy Inference System – system aktywnej współpracy neuro-rozmytej) zbudowane najczęściej z wykorzystaniem w roli funkcji członkostwa rozmytego funkcji Bella lub Gaussa
Wnioski Wady Stwarza trudności w doborze architektury sieci Wykorzystywanie sztucznych sieci neuronowych w procesach wspomagania zarządzania Wady Stwarza trudności w doborze architektury sieci rzeczą nietrywialną jest dobór modelu sieci, funkcji dostosowania oraz topologii sieci; najczęściej realizowane jest to empirycznie i w razie konieczności powtarzane do skutku Jest procesem długotrwałym i pracochłonnym proces uczenia sieci wymaga opracowania zbioru danych uczących; przeważnie jest to proces żmudny i długotrwały; samo uczenie sieci również nie należy do operacji krótkotrwałych Może prowadzić do błędnych wyników błąd w danych lub ich brak na wejściu oznacza najczęściej powielenie (wzmocnienie) tego błędu lub braku na wyjściu sieci
Wnioski Systemy ekspertowe w zarządzaniu projektami Zalety Umożliwiają odkrywanie wiedzy cechą systemów ekspertowych jest to, że na podstawie zaprogramowanych reguł systemy te mogą wysnuwać nowe, nieznane dotychczas wnioski Objaśniają prezentowane decyzje i wnioski systemy ekspertowe (w odróżnieniu np. od sieci neuronowych) oprócz prezentacji wyników przedstawiają również logiczne uzasadnienie podjętych decyzji Diametralnie skracają czas potrzebny na analizę przedsięwzięcia do analizy nie trzeba angażować dużego zespołu; rolę ekspertów dziedzinowych przejmuje system ekspertowy
Wnioski c.d. Systemy ekspertowe w zarządzaniu projektami Wady Wymagają ogromnych nakładów na etapie opracowania jakość systemu ekspertowego wyznaczana jest rozmiarem, kompletnością i złożonością zbioru reguł przezeń wykorzystywanych; opracowanie tego zbioru jest wyzwaniem i zawsze wymaga dużych nakładów, chociażby na pozyskanie wiedzy ekspertów dziedzinowych Z natury nacechowane są subiektywizmem eksperta ponieważ wiedza wykorzystywana przez systemy ekspertowe pochodzi od człowieka (eksperta dziedzinowego) nacechowana jest jego subiektywizmem; niwelowanie skutków tego subiektywizmu polega zazwyczaj na zrównoleglaniu prac zespołów odpowiedzialnych za opracowanie zbiorów reguł, a następnie scalaniu tych zbiorów i rozwiązywaniu sprzeczności lub rozbieżności (oczywiście generuje to dodatkowy koszt)
Dziękuję za uwagę Mariusz Maleszak nr albumu 6374