Menu

Projektmanagement in AI-Projekten

Weiterspielen auf

In dieser Episode tauchen unser Gastgeber und unsere Gäste in das Thema des Projektmanagements ein, bei dem moderne Technologien zum Einsatz kommen.

Unsere Experten, Essy Dahlin und Krzysztof Kotowski, erläutern die Unterschiede zwischen einem IT- und einem AI-Projekt und sprechen über die Unterschiede zwischen AI (Künstliche Intelligenz), ML (Maschinelles Lernen) und Deep Learning. Daraufhin besprechen sie die Bedeutung der Erhaltung sauberer und geordneter Daten in Projekten sowie den Prozess des Übergangs von MVP auf ein voll ausgereiftes ML-Produkt. Essy berichtet von einigen erfolgreichen Fallstudien, bei denen AI erfolgreich implementiert wurde.

Unsere Gäste: 
Essy Dahlin: Mit fast 20 Jahren Erfahrung in verschiedenen Branchen sowohl im privaten als auch öffentlichen Sektor, bringt Essy Dahlin Einsichten mit aus einer breiten Skala an Funktionen und Fachgebieten. Seit 2016 arbeitet sie als Digitale Strategieberaterin bei Sogeti, Teil von Capgemini. Mit einem gesamtheitlichen Blick auf das Geschäft, den Markt und die Organisation berät sie Geschäftsführer, wie man die Herausforderungen ihrer Branche angehen kann, die durch die Digitalisierung und Innovation angetrieben wird. In enger Zusammenarbeit mit Architekten, Designern und Projektentwicklern leitet Sie zudem Innovationsprojekte, wo die fortschrittliche Technik ihren Wert beweist.

Michał Grela ist Future Processing’s Relationship Manager, der mit der Marketingabteilung zusammenarbeitet, um Beziehungen mit potenziellen Kunden aufzubauen und das Unternehmensnetzwerk an Kontakten auszudehnen. Er glaubt stark daran, dass sich das Geschäft um den Menschen dreht und dass es letztendlich eher um die Beziehung Mensch-zu-Mensch als Geschäft-zu-Geschäft geht.

Das Transkript der Episode

Michał Grela (MG): Hallo und willkommen zu einer weiteren Folge von IT Leadership Insights von Future Processing. Meine heutigen Gäste sind Essy Dahlin, Digital Strategy Advisor bei Sogeti, und Krzysztof Kotowski, Softwareentwickler bei Future Processing, Division Future Healthcare. Beide haben viel Erfahrung in der Durchführung von KI-Projekten. Und das Thema unserer Diskussion heute wird Projektmanagement sein, insbesondere in KI-Projekten. Aber bevor wir anfangen, bevor wir diese Frage beantworten, was ist der Unterschied zwischen den regulären IT-Projekten und Projekte mit modernen Technologien wie KI? Könnten Sie uns bitte mehr über sich erzählen? Essy?

Essy Dahlin (ED): Vielen Dank. Bei meiner Arbeit helfe ich Führungskräften, die Herausforderungen ihrer Branchen zu meistern mit Hilfe von Technologie und Innovation. Und ich leite auch verschiedene Arten von Innovationsprojekten, die mit KI zu tun haben.

MG: Danke, Krzysztof.

Krzysztof Kotowski (KK): Wie Sie bereits erwähnt haben, bin ich Softwareentwickler, aber auch ein Forscher in der Future Healthcare Division. Aber ich beende auch meine Promotion an der Silesian University of Technology hier. Und ich denke, ich mache das in der KI-Domäne. Das Geschäft und die Wissenschaft sind unweigerlich miteinander verbunden. Also versuche ich, Wissenschaft und Wirtschaft zu verbinden.

MG: Okay, Leute, also nur ganz kurz, bevor wir tief in das Thema eintauchen, mit so vielen Schlagörtern wie KI, ML, Deep Learning, Neuro-Sprachverarbeitung, und all diesen Dingen, was sind die Unterschiede aus Ihrer Sicht? Was unterscheidet sie? Was sind Unterschiede? Essy.

ED: Nun, zuallererst möchte ich Folgendes sagen: es gibt zwei Konzepte, Gesamtkonzepte der KI, künstliche Intelligenz, eins, das mehr auf der Vorstellungskraft basiert, aber man arbeitet tatsächlich an Organisationen wie Open AI, wo sie versuchen, eine sichere allgemeine künstliche Intelligenz zu bauen. Wir reden über Singularität und so weiter, Aber das ist eher etwas für die Zukunft. Und dann haben wir das übergreifende Konzept der künstlichen Intelligenz, das verschiedene Technologien abdeckt, fassbarer für normale Leute wie Sie und ich. Und dann haben wir maschinelles Lernen und Deep Learning, natürliche Sprachverarbeitung, Text zu Rede, Rede zu Text und so weiter.

MG: Krzysiek, dem würden Sie zustimmen oder?

KK: Ja, natürlich stimme ich hier vollkommen zu. In meiner Entwicklerpraxis nennen wir es normalerweise enge KI, die Lösungen, die auf spezifischen Daten für spezifische Lösung und in der Praxis basieren, ca. 99 % der Projekte verwenden die enge KI. Wir versuchen, etwas jenseits dieser engen KI zu entwickeln, wie künstliche allgemeine Intelligenz, aber es ist immer ein Forschungsgebiet und wir reden darüber, aber wir setzen dies vorerst nicht um.

MG: Und in einer anderen Episode mit Essy, haben wir das Thema Innovation diskutiert, und wir sind uns einig, dass Innovation sich beidseitig entwickeln muss: von oben nach unten und von unten nach oben. Da wir über die Managementebene sprachen, wie gehen IT-Manager vor? Welche Möglichkeiten stecken hinter KI? Essy, Sie arbeiten täglich mit der Geschäftsführung, wie würden Sie sagen, können sie das erforschen?

ED: Nun, auf beide Arten, aber zuallererst darf es nicht zu viel kosten.

MG: Das ist das Argument.

ED: Trotzdem müssen einige Hindernisse überwunden werden. Mit den offenen Plattformen, für die man bezahlt, kann man ziemlich viel erkunden. Und indem man über IBM entdeckt und lernt sowie über Microsoft-Plattformen und vielen anderen, sieht man beide Vorteile und in welchen Bereichen verschiedene Plattformen sich eignen. Also mit vielen verschiedenen Plattformen und Tools, finde ich es gut, wenn man im Erkundungsmodus arbeitet. Aber dann müssen Sie auch Ihre Einstellung darauf ausrichten, dass dies kein IT-Projekt ist, sondern eigentlich ein Geschäftsprojekt. Denn obwohl Sie Ingenieure haben, sind oft Softwareentwickler beteiligt. Sie sind sehr wichtig beim Schreiben von Algorithmen und so weiter. Es ist oft das Geschäft, das ebenso beteiligt sein muss beim Validieren von Daten, beim Validieren von Prozessen und tatsächlich auch am Ende bei der Wartung des Produkts. Das wäre also ein Anfang.

MG: Krzysztof, zum Entwicklungsteil, ich denke über den Lebenszyklus der Softwareentwicklung nach. Und wenn es um KI-IT-Projekte geht, ist der Lebenszyklus ganz anders, als die üblichen Software-Entwicklungsprojekte, wobei KI nicht involviert ist?

KK: Ich würde sagen, natürlich, in den Jahren hier bei Future Processing, war ich an mehreren KI-basierten Projekten beteiligt oder an auf maschinellem Lernen basierenden Projekten. Und von Anfang an haben wir uns gefragt, wie fange ich an, wie läuft der Prozess ab? Ist er flexibel oder eine Art maschinelles Lernen? Also haben wir unseren eigenen Produkt-Lebenszyklus gemacht. Zu Beginn ist der Start jedes maschinellen Lernprojekts gleich, es geht um Daten. Sie müssen sich also mit den Daten vertraut machen, Sie müssen wissen, was Sie mit Ihren Daten anfangen. Und dann müssen Sie einen kreativen Raum schaffen, damit Ihre Data Scientists Ingenieure ein wenig, naja, vielleicht nicht Spaß haben, aber ein Brainstorming zu den Ideen machen, wie man diese Software benutzt. Diesen Prozess an diesem speziellen Punkt nennen wir Sparta-Modus, weil andere sehr besorgt waren über diesen Teil des Projekts, weil wir sehr flexible Aufgaben und umfangreiche Dokumentstionsprozesse und Lebenszyklen vermeiden. Wir versuchen ein kleines Brainstorming, um eine Idee für das Konzept zu bekommen oder ein minimal lebensfähiges Produkt, und dann können wir zur agilen Entwicklung gehen, wie gewohnt, und so fahren wir fort.

MG: Das sind also Unterschiede?

KK: Es gibt Unterschiede.

MG: Die Basis ist mehr oder weniger ähnlich.

KK: Ja, aber wir haben sie selbst in unserer Firma gefunden.

MG: Sie haben Daten erwähnt, und wir wollen uns kurz auf diesen Teil konzentrieren. Denn soweit ich verstehe, und korrigieren Sie mich, wenn ich falsch liege, sind Daten die Basis-Grundlage von ML, KI, dieser Art von Technologie-Produkten. Und obwohl Unternehmen heutzutage eine Menge Daten besitzen, werden sie, denk ich, es nicht zugeben, dass es dort ein bisschen chaotisch zugeht. Wie würde man ohne das anfangen?

ED: Nun, eine unserer Schlüsselerfahrungen ist die Bedeutung der Datenqualität. Ja, wenn Sie ein Modell bauen sollen, von Daten, die Sie bereits haben, müssen Sie Ihre Daten kennen, wie Sie sagten, und auch die Qualität der Daten kennen. Aber auch um zu wissen, woher die Daten stammen, von Anfang an, wie alt sie sind, zum Beispiel, denn obwohl wir viel darüber reden, wie wir durch Daten gelenkt werden, müssen wir verstehen, in welchem Kontext diese Daten gesammelt wurden. Denn wenn es in einer Zeit gesammelt wurde wo Vorurteile, Gender-Vorurteile, zum Beispiel, sehr hoch waren, würden die Daten das widerspiegeln. Und wenn Sie diese Daten verwenden wollen bei der Rekrutierung neuer Talente, könnte es verzerrt sein und vielleicht auf Männer mittleren Alters hinweisen, obwohl Sie denken, das sind heute nicht mehr unsere Werte und das wollen wir nicht. Sie müssen sich der beeinflussten Daten sehr bewusst sein.

MG: Sie sagen also, der Kontext ist sehr wichtig.

ED: Ja.

MG: Der Kontext, in dem die Daten gesammelt wurden.

KK: Ich möchte sagen, dass ich mir keine Sorgen wegen des Datenchaos mache. Ich mache mir Sorgen über die Verzerrung der Daten, und ich habe auch praktisches Beispiel, weil es geschlechtsspezifische Vorurteile gibt wie soziale und moralische Vorurteile. In der Praxis erhalten wir Daten, zwei Sätze von Bildern. Einer sind Bilder ohne Defekt und Bilder mit Defekt und sie wurden unter verschiedenen Bedingungen gemacht. Es gab eine Zustandsverzerrung, als diese Bilder aufgenommen wurden, wie bei Umgebung, Kamerawinkel, Beleuchtung. So waren unsere Klassifikatoren 100 % richtig, aber es war nur eine Tendenz der Umwelt. Das ist auch ein praktisches Beispiel.

MG: Hat es das Projekt beeinflusst?

KK: Natürlich musste dieser Kunde alle Daten erneut sammeln, alle Bilder unter unserer Aufsicht.

MG: Und wie vermeiden wir diese Vorurteile?

KK: Sie machen Ihrem Kunden verständlich, dass man sich von Anfang an um die Daten kümmern muss. Wenn Sie keine engen KI-basierten Lösungen verwenden, werden Sie sie wahrscheinlich in Zukunft verwenden. Sie müssen sich also um die Daten der Organisation kümmern oder Daten und Vorurteile in Ihren Daten, die die repräsentativen Daten sind.

KK: Nun, ich kenne das Sprichwort: Das KI-Produkt ist nur so gut wie die Daten dahinter. Das ist also ein guter Tipp, denke ich. Es ist klar, dass sobald wir diese Datenreihenfolge haben oder exakt, ohne diese Vorurteile, die Sie erwähnt haben, wie sieht die nächste Etappe aus? Sie haben über die Priorisierung von MVPs gesprochen, Essy, was würden Sie als nächsten Schritt wählen?

ED: Nun, entweder Sie gehen von der Innovation der Daten aus, also, was können wir mit diesem Datensatz machen? Offene Fragen oder Sie betrachten es von oben und sehen, dass wir hier ein Problem haben oder wir haben ein Bedürfnis, oder unsere Kunden fordern etwas von uns, dass wir heute nicht liefern können. Und wie können wir Daten finden? Welche Daten benötigen wir, wie können wir damit arbeiten, um dieses Ergebnis zu bekommen? Man kann also wirklich beide Wege benutzen.

MG: Aus Ihrer Sicht Krzysztof?

KK: Ich würde aus der Perspektive eines Entwicklers sprechen, in dieser zweiten Phase, nachdem Ihre Daten da sind und bereinigt wurden, müssen Sie die Forschung starten. Und im Grunde habe ich versucht, alle Teile abzuarbeiten wie Datenaufbereitung, Forschung und der Schritt von MVP zum Produkt. Dieser Teil der Forschung ist also ziemlich knifflig, weil Sie die Aufgabe für die Forschung nicht abschätzen können. Sie können nicht abschätzen, ob die Ergebnisse gut sein werden, wenn Sie es 1 oder 2 Stunden, oder 2 Wochen. versuchen. Sie können diesen Teil also nicht abschätzen. Und im Projektmanagement gibt es eine Datenlücke. Aber Sie müssen sich zum Beispiel langsam nähern, um Ihre Entwickler nicht zu drängen, aber auch die Frist für diesen Forschungsteil nennen. Also nicht zu viel Spielraum lassen.

MG: Man muss Platz einräumen.

KK: Geben Sie ihnen kreativen Raum, aber seien Sie streng.

MG: Erwarten Sie etwas.

KK: Erwarten Sie nicht alle Ideen, sondern die beste Idee.

MG: Also, da wir die Ideen haben, Sie haben den Schritt von MVP zu einem vollwertigen Produkt erwähnt, war der Prozess so? Haben Sie Erfahrung in diesem Fall?

ED: Nun, zum Beispiel, die Lean-Startup-Methodik ist gut, wenn Sie im Ideenschaffungs-Modus sind und auch immer wieder Ihre Ideen ausprobieren und testen, um zu sehen, ob sie tatsächlich den Wert liefern, wie Sie vermutet haben. Aber auch beim Design-Denken, aus der Perspektive des Design-Denkens, wobei Sie Ihr Produkt entwerfen können: Sie haben Ihr fertiges Produkt zuerst und dann gehen Sie sozusagen rückwärts. Es gibt jedoch viele verschiedene Methoden, wie man in einem Projekt vorankommt und vorankommt. Genau wie bei jedem Software-Entwicklungsprojekt, aber das Wichtigste ist, denke ich, agil zu sein und zu wiederholen und verschiedene Meilensteine zu erreichen, wo Sie entscheiden, abzubrechen oder nicht. Sollen wir auf diesem Kurs bleiben? Sollen wir das Projekt beenden? Und genau wie Sie sagten, Sie müssen eine Art Frist haben ansonsten könnte man jahrelang weitermachen. Sie haben also einen Zeitrahmen, mit dem Sie sozusagen spielen, aber man muss dabei flexibel sein.

MG: Würden Sie etwas hinzufügen?

KK: Ich kann sagen, dass wir das vollwertige Produkt bereit- stellen wie die standardmäßige agile Bereitstellung in Future Processing, im gleichen Lebenszyklus, aber wir müssen für Qualität sorgen. Also gleich nach der Konzeptprüfung des minimal lebensfähigen Produkts, engagieren wir Qualitätsingenieure, aber keine normalen Qualitätsingenieure sondern Qualitätsingenieure für maschinelles Lernen. Sie müssen die Grundlagen kennen, das Wissen über die KI haben, um unsere Lösungen praktisch zu testen, die Qualität unserer Lösungen, ob sich nichts ändert und zum Beispiel, ob sie keine Vorurteile haben und es mehr Integrationstests als Unit-Tests gibt, weil wir normalerweise keinen Unit-Test durchführen können bei unseren maschinellen Lernmodellen mit Unit-Integrationstest oder End-to-End-Test, um verschiedene Möglichkeiten auszuprobieren wie in unserem Standardprojekt. Es gibt also einen agilen Ansatz, normale Aufgaben und die Handhabung der Dateninfrastruktur, die Benutzererfahrung. Das sind also normale Teile eines normalen Produkts. Und es ist kein einfacher Prozess, denn wenn es so wäre, wären die Universitäten sehr reich. In Future Processing haben wir zum Beispiel Personal- und Projektmanagement, das zum Produkt führen kann, nicht nur Forschungsideen.

ED: Ich war auch in verschiedenen Projekten und einige waren mehr wie deine, wo man tatsächlich viel auf IT-Seite sozusagen einbinden kann. Aber auch Projekte, bei denen die Hälfte der Arbeit von der Geschäftsseite erledigt wird. Vielleicht haben Sie anfangs überhaupt keine Daten. Oder Sie scannen zum Beispiel einfach viele Dokumente, und dann kommen sie in einen administrativen Prozess. Dieser muss validiert und aufgebaut sowie kontinuierlich von den Administratoren überwacht werden. Es gibt also nicht nur eine Art von Projekt oder KI-Projekt, sondern verschiedene Arten, die angepasst werden müssen, je nach Situation und Leistung und je nachdem, mit welcher Art von Technologie und Daten Sie arbeiten.

KK: Die Projektstrukturen sind ähnlich, aber jedes Projekt ist anders.

ED: Ja.

MG: Ein wesentlicher Bestandteil jedes Projekts ist ein Team, das es tatsächlich liefert. Und Sie haben es schon erwähnt, dass es einige Unterschiede zwischen den Teammitgliedern gibt. Sie übernahmen die Teamleitung und die Teamstruktur und was sind die anderen Unterschiede zwischen dem Standard-IT-Team und dem KI-IT-Team?

KK: Ich würde sagen, wir haben zwei Ansätze versucht, dass wir verschiedene Unterteams von Datenwissenschaftlern, Dateningenieuren und Infrastrukturingenieuren haben, dies ist der eine Ansatz. Und der zweite Ansatz, den ich versucht habe, durchzusetzen, ist der Ansatz, dass es Full-Stack-ML-Entwickler gibt, so können sie nicht nur programmieren sondern auch alle Schritte dort überwachen, vom MVP oder sogar von Daten über MVP zum Produkt.

MG: Was ist der Vorteil dieses Ansatzes?

KK: Der Hauptvorteil und der größte Vorteil ist, einige Missverständnisse dazwischen zu vermeiden. Wenn Sie ein Team von Leuten haben, die Maschinelles Lernen und Programmieren kennen, wollen sie in Untergruppen diskutieren. Die Kommunikationsschicht ist also der erste große Pluspunkt bei diesem Ansatz. Und der zweite ist zum Beispiel … Ich habe den Faden verloren.

MG: Ich denke, es gibt so viele gleiche, was würden Sie hinzufügen? Sie haben vermutlich Erfahrung, mit vielen verschiedenen Teams zu arbeiten, verwenden Sie sowohl KI und nicht KI? Können Sie den Unterschied erkennen, abgesehen von den Mitgliedern oder Führungsformen?

ED: Wie ich schon sagte, natürlich sind etwas andere Kompetenzen erforderlich. Aber KI-Projekte sind aus betriebswirtschaftlicher Sicht oft kontroverser als normale IT-Projekte. Also aus kultureller Sicht, und aus einer Change-Management-Perspektive, ist es wichtig, dies auch zu berücksichtigen. Und berücksichtigen Sie die Befürchtungen der Menschen für diese Art von Veränderung und was es für die Arbeitnehmer in Ihrem Unternehmen bedeuten kann. Also, je nach Projekt würde ich sagen, Sie müssen verschiedene Aspekte berücksichtigen, aber ich denke der Einkauf bei den Firmen, die tatsächlich das Produkt am Ende erhalten, ist entscheidend, sonst werden sie nicht einmal, sie werden es niemals benutzen, es sei denn, sie sind an Bord.

KK: Ich habe meinen Punkt in der Zwischenzeit gefunden, zu Fähigkeiten und Fertigkeiten des Entwicklungsteams. Dazu zählt zum Beispiel Vielfalt, und Sie können wirklich von der Vielfalt in Ihrem Team profitieren, wenn Sie diese Full-Stack-Entwickler haben und zwar aus verschiedenen Hintergründen: Mathematik, Psychologie, Neurowissenschaften und Physik. Es gibt viele Ärzte im Bereich des maschinellen Lernens, das kann also der Vielfalt zugute kommen, und außerdem benötigen Sie einen Projektmanager mit etwas, das wir technologischen Quotienten nennen. Dieser Projektmanager ist offen für Änderungen und hat keine Angst davor, diese Einstellung des Teams zu ändern, von sich selbst und dem Team. Das war also der zweite Punkt zu Full-Stack- Entwicklern und Teams.

MG: Ich sehe, Sie haben das ML, KI-Projekt erwähnt, diese Art von Projekten ist zum Teil umstritten. Und aus meiner Sicht kommt diese Kontroverse von Menschen, der Tatsache, dass die Menschen vielleicht den greifbaren Nutzen davon nicht spüren. Vielleicht ist es noch nicht alltäglich für uns. Wir wissen, dass Unternehmen an KI-Projekten arbeiten, ML-Projekte, aber wir spüren sie noch nicht, sozusagen im Alltagsleben der Gesellschaft. Für uns ist es immer noch, für die meisten von uns, könnte es immer noch mit Schurken-Robotern zu tun haben, oder ich weiß nicht, einem Computer, der die Menschheit eines Tages in der Zukunft übernehmen wird. Aber wir alle wissen, dass es nicht stimmt. Die Vorteile der KI sind noch nicht offensichtlich. Können Sie vielleicht einige Erfolge und positive Fallstudien schildern, wo KI erfolgreich implementiert wurde?

ED: Nun, ich muss Ihnen teilweise widersprechen.

MG: Sie sind frei.

ED: Vor ein paar Jahren, sagen wir vielleicht vor drei bis fünf Jahren, waren solche Äußerungen sehr verbreitet. KI ist etwas da draußen. Wir wissen nicht, was es ist. Es ist Hollywood-Kram und so weiter. Aber in den letzten Jahren ist der Austausch gereift und Führungskräfte und IT-Manager, zumindest in Schweden, ich kann nicht für Polen sprechen, sind sehr stark an der Entwicklung beteiligt und sind sich der Vorteile sehr bewusst. So sehen wir in vielen Firmen Implementierungen von KI, aber auch Implementierungen von KI-bezogener Software. Zum Beispiel sind Chat-Bots sehr beliebt, aber nicht jeder Chat-Bot ist wirklich KI oder maschinelles Lernen, beispielsweise. Daher werden mit KI viele Prozesse geändert. Vieles zum Beispiel im verarbeitenden Gewerbe und der Instandhaltungsindustrie, beim Arbeiten mit Vorhersageanalysen, um Ausfallzeiten zu vermeiden. Wir haben zum Beispiel Betrug im Bank- und Finanzwesen.

MG: Versicherung.

ED: Ja genau. Viele Implementierungen in Betrugsvorhersagen.

MG: Krzys, was ist mit der Gesundheitsversorgung?

KK: Natürlich hat sich viel geändert seit ich hier bei Future Processing arbeite und jetzt bei Future Healthcare. Vor ein paar Jahren wäre das unmöglich gewesen, Medizinprodukte durch maschinelles Lernen zu zertifizieren oder einige neuronale Netze. Für Zertifikatsausschüsse war es total magisch. Und in wenigen Tagen stehen wir davor, unser Medizinprodukt zu zertifizieren, die Sinnes-KI zur Segmentierung von Gehirntumoren. Daumen drücken, jetzt ist es möglich. Und sogar die FDA mit amerikanischem Zertifikat kann für KI-basierte Lösungen verwendet werden. Es ändert sich also immer noch, und ich denke, es wird in ein oder zwei Jahren viel besser.

MG: Ich stimme Ihnen beiden zu. Ich bin auf Ihrer Seite. Auf jeden Fall war es mein Ziel, das zu sagen, es könnte ein bisschen schwierig sein, es fachfremden Personen zu erklären. Und in Anbetracht dessen, gibt es Herausforderungen zum Beispiel, bei der Kommunikation zwischen der technischen und der geschäftlichen Seite? Sie haben erwähnt, dass die Geschäftsseite bereits den Punkt erkannt hat, aber ist das üblich?

KK: Nun, hierbei spreche ich hauptsächlich über die Führung. Viele Führungskräfte, Unternehmer, verstehen das und die Vorteile der Verwendung von KI. Und ich glaube, dass jeder Bereich und Prozess in Zukunft irgendwie von KI beeinflusst wird. Aber nicht jedes einzelne Problem muss mit KI-Technologie gelöst werden. Das ist also auch etwas, man braucht nicht für alles KI. Und es sie kein Zauberstab, mit dem Sie winken und sie löst jedes Problem.

MG: Und manchmal sind die Erwartungen viel zu hoch.

ED: Ja.

KK: Das ist das Problem in der Branche, nach all dem Hype und so weiter, weil der Hype noch aktuell ist. Und die Erwartungen sind sehr hoch, wenn die Dinge, die Kunden wollen, sehr schwer vorstellbar für uns sind, und noch mehr, sie zu entwickeln.

ED: Und in traditionelleren Organisationen versteht die Mehrheit der Angestellten möglicherweise die praktische Umsetzung der KI nicht.

MG: Sie haben erwähnt, dass KI einen enormen Einfluss hat und haben wird, fortschreitet und immer wachsen wird. Beeinflusst sie aber auch das Projektmanagement als Disziplin?

ED: Sicher.

MG: Auf welche Weise?

ED: Nun, bei der Automatisierung des Prozessmanagements, Signale finden, wenn die Arbeitsbelastung einer Person zu groß ist, Echtzeit-Analyse aller verschiedenen Aufgaben und welche Daten sind verfügbar oder nicht. Sie können alles einfügen und einen neuen Prozess, ba- sierend auf verschiedenen KI-Analysetechnologien, erzeugen.

KK: Ich denke, Projektmanagement ist ein komplexer Prozess, den man mit Methoden des maschinellen Lernens modelliert. Sie können also weiterhin vom maschinellen Lernen in der Projektverwaltung profitieren, mit Chat-Bits für JIRA gibt es einige Projekte wie dieses, aber ich denke auch, dass Projektmanager jetzt sehr gefragt sind, weil diese KI-basierten Lösungen gefragt sind also sind die Projektmanager es auch. Und sie brauchen sich in Zukunft keine Sorgen mehr um die Arbeit zu machen, weil man sagt, die KI wird Millionen von Arbeitsplätzen vernichten, ich denke jedoch, dass Projektmanager hier ziemlich sicher sind.

MG: Es gibt dieses unterschiedliche Denken in der Gesellschaft dass die Technik etwas mehr übernehmen wird, aber gleichzeitig keine weiteren Gelegenheiten schaffen wird.

ED: Natürlich ja. Und viele Rollen verändern sich, es ist nicht so, dass sie ganz verschwinden, aber die Rollen werden sich ändern. Was Sie in Ihrer täglichen Arbeit tun, wird sich ändern. Wie gesagt, der Projektmanager ist immer noch ein Leiter, wir werden das nicht ändern können, unsere Leiter gegen eine Maschine auszutauschen, und Leiter und Menschen sind immer noch sehr gefragt, besonders gute Leiter.

KK: Solange wir mit Menschen umgehen, nicht mit Maschinen.

MG: Wir können dieses Gespräch stundenlang ausweiten, aber ich finde es war sehr interessant und es ist höchste Zeit, es zusammenzufassen. Gibt es Hauptpunkte beim Team-Projektmanagement in KI?

KK: Es gibt viele davon aus diesem Gespräch, aber ich würde noch einen Punkt hinzufügen, den Sie in Ihrem Team besprechen müssen weil ich sagte, dass die beste Entwicklung, zum Beispiel zu Beginn des Projekts, ist, dass jeder mit jedem spricht.

MG: Kommunikation.

KK: Kommunikation, Wirtschaft und Entwickler und Qualitätssicherung und Projektmanagement, alle müssen miteinander reden.

MG: Das ist ein großartiger Punkt, das gefällt mir. Vielen Dank. Es war sehr interessant. Und danke unseren Zuschauern, dass sie diese Folge von IT Leadership Insights von Future Processing gesehen haben. Wenn Sie sie nützlich fanden und sie Ihnen gefallen hat, mindestens so viel wie mir, zögern Sie nicht, zu liken und zu teilen und zögern Sie nicht, zu kommentieren und wenn Sie weitere Themen hören möchten in weiteren Folgen, danke.

Diese Website speichert Cookies auf Ihrem Computer.

Diese Cookies werden verwendet, damit wir ständig unsere Website verbessern können und damit Ihnen auf dieser Website oder über andere Medien personalisierte Dienste anzubieten.