Der Traum von stabilen und zuverlässigen Projektplänen Künstliche Intelligenz im Projektmanagement

Teil 1:
Grundlagen und Einsatzgebiete
Künstliche Intelligenz im Projektmanagement

Ab einer gewissen Komplexität kostet z.B. die Pflege des Projektplans oder die Aufwandsschätzung so viel Zeit, dass sie für andere Tätigkeiten kaum noch reicht. In solchen Fällen kann Künstliche Intelligenz eine Entlastung bieten. Marc Bollmann und Andreas Janiak erklären, wo und wie Sie Künstliche Intelligenz unterstützen kann und welche Voraussetzungen dafür erfüllt sein müssen.

Management Summary

Der Traum von stabilen und zuverlässigen Projektplänen Künstliche Intelligenz im Projektmanagement

Teil 1:
Grundlagen und Einsatzgebiete
Künstliche Intelligenz im Projektmanagement

Ab einer gewissen Komplexität kostet z.B. die Pflege des Projektplans oder die Aufwandsschätzung so viel Zeit, dass sie für andere Tätigkeiten kaum noch reicht. In solchen Fällen kann Künstliche Intelligenz eine Entlastung bieten. Marc Bollmann und Andreas Janiak erklären, wo und wie Sie Künstliche Intelligenz unterstützen kann und welche Voraussetzungen dafür erfüllt sein müssen.

Management Summary

Projektmanager stoßen, trotz ständiger Verbesserung der Planungsmethoden, ab einem gewissen Komplexitätslevel regelmäßig an ihre Grenzen. Besonders die anfängliche Schätzung der Aufwände, häufige Status-Updates, das Anpassen des Projektplans an Ressourcenveränderungen und das Ableiten von Projektverzögerungen kosten den Projektmanager so viel Zeit, dass für andere Tätigkeiten kaum noch genügend davon übrigbleibt. Die logische Konsequenz daraus ist, dass Projektpläne im Verlauf des Projekts immer ungepflegter und veralteter werden, bis sie irgendwann gar nicht mehr gepflegt und aktualisiert werden.

Die Studie "Studie zum Projektmanagement 4.0: Mit digitalen Werkzeugen künftige Herausforderungen meistern" von Verena Bunke verdeutlicht, dass seit Jahren die gleichen Herausforderungen im Projektmanagement existieren und es bis jetzt nicht gelungen ist, diese zu lösen. Wie kommt es dazu? Liegt es daran, dass herkömmliche Methoden neusten Projekten und ihrer Komplexität schlichtweg nicht mehr gewachsen sind? Fakt ist jedenfalls: Veränderungen müssen her, denn viele Aufgaben können vom Projektmanager nicht mehr zufriedenstellend bewältigt werden.

Als Technologieberater der INVENSITY GmbH ist unserer Ansicht nach die Lösung dieser neuen Anforderungen in Systemen und Anwendungen zu finden, die sich situationsgerecht verhalten, wiederkehrende Muster erkennen und Datensätze innerhalb von Sekunden auswerten können. Die Rede ist von Künstlichen Intelligenzen, kurz KI. Sie besitzen das Potenzial, unseren Alltag als Projektmanager erheblich zu vereinfachen. Zum einen lassen sich einfache und lästige Routineaufgaben automatisieren, zum anderen können Künstliche Intelligenzen auch komplexe Situationen analysieren und dem Projektmanager z.B. einen drohenden Projektverzug melden, schon bevor er auftritt.

Einordnung des Maschinellen Lernens (vereinfachte, nicht MECE konforme Darstellung)
Bild 1: Einordnung des Maschinellen Lernens (vereinfachte, nicht MECE konforme Darstellung)

Wenn von Künstlicher Intelligenz gesprochen wird, ist darunter ein Teilbereich von Data Science zu verstehen, welcher wiederum ein Teilbereich der Informatik ist. Der Begriff "Künstliche Intelligenz" als Oberbegriff lässt sich wiederum unterteilen in Maschinelles Lernen, Neuronale Netze und Deep Learning.

Dieser Artikel soll erläutern, wo das Potenzial von Künstlichen Intelligenzen für das Projektmanagement liegt, welche technologischen Herausforderungen in diesem Zusammenhang existieren und hinterfragen, ob der Markt überhaupt schon bereit ist für die neue Technologie.

So löst KI Herausforderungen im Projektmanagement

Künstliche Intelligenz ist nach Erik Brynjolfsson und Andrew McAfee vom MIT (Massachusetts Institute of Technology) die wichtigste Basistechnologie unserer Zeit. 2010 sei der Beginn des Zeitalters des Maschinellen Lernens, versichert Bitkom. Mit anderen Worten befinden wir uns gerade mitten in der Entwicklung dieser Basistechnologie. Auf Grund von leistungsfähigerer Hardware, ihrer Rechenleistung und der Verfügbarkeit großer Datenmengen, erlebt dieses Gebiet einen enormen Aufschwung. Im Fokus der Entwicklung stehen Algorithmen, die in der Lage sind, abgegrenzte Problemstellungen, die ein eindeutig messbares Ziel haben, zu lösen.

Künstliche Intelligenzen und ihre Stärken

Für die Anwendung im Projektmanagement sind vor allem Algorithmen aus dem Bereich des Maschinellen Lernens interessant, also Algorithmen, die das menschliche Denken unterstützen und speziell dafür entwickelt werden, einzelne Anwendungsprobleme zu lösen.

Maschinelles Lernen generiert aus zuvor gemachten Erfahrungen Entscheidungen. Um diese Entscheidungen kontinuierlich zu verbessern, werden verschiedene Lernmethoden, je nach Anwendungsfall und Datenlage, eingesetzt. Dazu zählen das in Bild 2 dargestellte überwachte Lernen (Supervised Learning, SL), das unüberwachte Lernen (Unsupervised Learning, UL) und das bestärkende Lernen (Reinforcement Learning, RL).

Lernmethoden für Maschinelles Lernen
Bild 2: Lernmethoden für Maschinelles Lernen

Supervised Learning:

Supervised Learning ist ein Lernmodell, in dem ein bekannter Satz von Eingabedaten sowie die bekannte Reaktion auf den Eingabesatz herangezogen werden. Mit den Daten erlernt der Algorithmus anhand iterativer Zyklen seiner Regressions- und Klassifizierungsmodelle das gewünschte Verhalten. Regressionsmodelle können z.B. zum Schätzen von Immobilienpreisen genutzt werden und Klassifizierungsmodelle für klassische Einordnungsprobleme wie "Hund oder Katze". Somit kann ein vorher unbekannter Datensatz bearbeitet werden, jedoch muss dieser dieselbe Datenstruktur vorweisen, wie der Datensatz, der zum Trainieren genommen worden ist. Ein verbreiteter Irrglauben ist, dass der angelernte Algorithmus auch unbekannte Eigenschaften einordnen kann - dies ist nicht der Fall.

Ein Anwendungsbereich im Projektmanagement könnte die Aufwandsschätzung sein. Der Algorithmus könnte die geplanten Tasks eines Projekts mit den Tasks der vergangenen Projekte abgleichen und den erwarteten Aufwand für das aktuelle Projekt ermitteln. Der Vorteil eines solchen Algorithmus ist, dass zusätzlich Trends über die Projekte der letzten Jahre erkannt werden und Verzögerungen in den letzten Projekten berücksichtigt werden. Mit den Informationen kann der Algorithmus einen sehr genauen Aufwand für die Projektaufgaben ermitteln.

Download PDFDownload PDF

Jetzt Feedback geben und mitdiskutieren!

Wir würden uns über Ihre Bewertung und/oder einen Kommentar freuen ‒ nur so können wir Ihnen in Zukunft noch bessere Inhalte liefern.

Diese Funktion steht nur eingeloggten Nutzern zur Verfügung.
6 Kommentare anzeigen & selbst mitreden!
Gesamt
Bewertungen 9
Kommentare 6

Fortsetzungen des Fachartikels

Teil 2:
Reinforcement Learning Agent hilft Aufwände schätzen

Die Aufwandsschätzung ist für viele Projektleiter ein leidiges Thema. Ein Algorithmus kann durch Analyse von Arbeitspaketen vergangener Projekte diesen Vorgang künftig verkürzen. Marc Bollmann und Andreas Janiak geben einen Einblick.

Das könnte Sie auch interessieren

Vorschaubild

Wissensmanagement ist in vielen Unternehmen ein leidiges Thema. Es ist aufwendig, vorhandenes Wissen zu gliedern, aufzubereiten, aktuell zu halten und zentral zur Verfügung zu stellen. Gregor Schedlbauer hat einen Chatbot konzipiert, mit dem …

Alle Kommentare (6)

Guest

Danke, für diese schöne gelungene Zusammenfassung. Ich denke, dass KI im Bereich „Projektierung“ sicherlich gute Dienste leisten kann. Also Bereiche, in denen Projekte sehr ähnliche, generische Strukturen haben wie z.B. Hausbau, kundenspezifische modulare Maschinenfertigung oder Ähnlichem.
Bedenken habe ich jedoch, wenn versucht wird KI Systeme übergreifend zu bewerben. Im Bereich Projektmanagement sind wesentliche Bestandteile der Projektdefinition, etwas zu schaffen das einzigartig ist, noch nicht dagewesen (Neuartigkeit), Risiken die sich nach Art des Projektes wesentlich unterscheiden sowie das komplexe Umfeld von Projekten …. Zumindest unter diesem Fokus sind die Dienste von KI-Systemen z.B. in Innovationsprojekten nur sehr bedingt dienlich.

Vielen Dank, dass Sie sich Zeit für ein Feedback genommen haben. Wie sie bereits richtig angemerkt haben, leben Algorithmen von den zur Verfügung stehenden Daten und ihrer Ähnlichkeit zueinander. Deshalb können Algorithmen in Projekten, die in ihrem Vorgehen ähnlich sind, den größten Mehrwert erzielen. Es gibt durchaus auch bei Innovationsprojekten Einsatzmöglichkeiten von KI, insbesondere aufgrund der Möglichkeiten zur Generalisierung. Das Modell muss spezifisch genug sein, um die Anforderungen zu erfüllen und trotzdem generalisiert genug, um ähnliche Fragestellungen lösen zu können. Dieser erste Artikel einer Beitragsreihe dient dazu, einen Überblick über potentielle Einsatzmöglichkeiten und den Nutzen von KI/ML im PM zu geben. In den weiterführenden Teilen werden wir diese dann genauer erläutern. Ich hoffe, wir konnten Ihr Interesse wecken und freue mich, wenn Sie auch die kommenden Teile lesen und wir in den inhaltlichen Austausch kommen.

Rolf
Sigg

Der grösste Teil des Artikels ist eine gute Zusammenfassung zur aktuellen Begriffswelt ("Wikipedia"). Seinem eigenen Titel wird der Artikel aus meiner Sicht aber nicht gerecht. Es werden im Artikel zwar Begriffe und Rahmenbedingungen der KI/ML Welt erklärt. Die einzigen Anwendungen davon auf Projektmanagement sind aber im Bereich Automatisierung genannt. Dieser Bereich hat wiederum nichts mit der im Artikel erklärten Begriffswelt von KI/ML/etc. zu tun.

Als Aufruf, umfangreiche Datensammlungen zu Projekten zu erstellen um daraus systematisch Erkenntnisse für zukünftige Projekte zu gewinnen, dient der Artikel aber allemal. Im ersten Schritt braucht es dazu keine KI, sondern genügend gut vergleichbare Tasks/Projektsituationen und etwas Statistik.

Vielen Dank für Ihr Interesse an unserem Artikel. Ihr Wissen zu dem Thema freut mich sehr. KI/ML wird grundsätzlich genutzt, um dem Nutzer eine kognitive Last abzunehmen, indem aus Daten Modelle erstellt werden. Hier kann es sich um eine Automatisierung, Bereicherung oder Innovation handeln. Eine Automatisierung kann auch, wie Sie richtig sagen, durch genügend gleiche Tasks/Projektsituationen und Statistik eine positive Auswirkung im PM erlangen. Sollten sich die Umgebung, die Ressourcen oder die Aufgabe verändern, liefert hier das KI/ML-Modell Abhilfe, da es flexibler (durch die Generalisierung) ist und nicht vom Ersteller explizit auf eine veränderte Situation ausgelegt werden muss. Ebenso kann es in höheren Dimensionen (Anzahl an Input-Variablen) Verknüpfungen schaffen, um das jeweilige Problem optimal zu lösen. Das Ziel dieses ersten Artikels einer Beitragsreihe ist es, einen ersten Überblick über potentielle Einsatzmöglichkeiten und den Nutzen von KI/ML für die Projektmanager zu geben, um diese dann in den weiterführenden Teilen genauer zu erläutern.

Mey Mark
Meyer
Dr.

Vielen Dank für den Beitrag! KI im PM finde ich so ein interessantes, wenngleich zwiespältiges Thema. Machine Learning braucht große Datenmengen, wie Sie schreiben. Projekte sind andererseits Vorhaben, die „im wesentlichen durch die Einmaligkeit der Bedingungen in ihrer Gesamtheit“ gekennzeichnet sind, wie die der Innovation so gänzlich unverdächtige DIN sagt. Und so dürfte für die meisten Projektumgebungen gelten: Es gibt viele Daten, aber noch mehr Parameter. Nehmen wir ein einfaches Bauprojekt bei einem Bauträger – jährlich entstehen zig Objekte, ein vermeintliches Routineprojekt, wie geschaffen für Datensammlung. Es braucht dennoch keine Pandemie, um Erfahrungswerte weitgehend nutzlos zu machen: Massive Kapazitätsengpässe im Bauwesen führen zu einem Verkäufermarkt im Bauhandwerk und völlig neuen „Terminerfahrungen“, neue Richtlinien und Gesetze vom Feuerwehrgesetz bis zur Bauvorlagenverordnung ändern das Spiel. Und da ist der klagefreudige Nachbar an einem bestimmten Standort noch gar nicht berücksichtigt.
In Organisations- und IT-Projekten wird es noch bunter. Hier sind die Ressourcen nahezu unkalkulierbar: Menschen. Die letzten 100 Projekte funktionierte Herr Meyer reibungslos, jetzt ist das neue Büro zur Straße hin und er ständig abgelenkt – 10% Performance-Einbruch. Das neue Hobby tut ein Übriges. Außerdem schreibt er ständig Kommentare zu Artikeln. Das Ergebnis ist oft „ill-defined“, in Organisationsprojekten nicht einfach zu messen.
Und auch bei den Ist-Daten menschelt es: Das Statusberichtsbeispiel illustriert das sehr schön: Der Aufwand, den Projektplan zu aktualisieren könnte man automatisieren, wenn man Sensoren hätte. Decke über dem 4.OG betoniert? Das Schalungssystem könnte die Information liefern, einfacher wären wohl die Lieferscheine des Betonwerks. Anwendungsfall 1265 auf dem Testserver committed und funktionsfähig? Continuous Integration liefert die Antwort. Für den Statusbericht braucht es in diesen Fällen dann aber weniger KI als simple, deterministische Algorithmik. Hier verschwimmen mir die Begriffe im Artikel etwas. Heute sieht man an allen Ecken Bestrebungen, Daten zusammenzuführen. PM, ERP, PDM, CAM, CRM, DMS,… welche Schnittstellen haben wir nicht schon diskutiert und implementiert. Wirklich wertvoll werden Statusberichte aber heute zumindest noch immer dadurch, dass die Projektleitung sich hinsetzt, das Projekt reflektiert und ihre eigene Einschätzung zu den Fakten ergänzt. Woher weiß die KI, dass im letzten Daily mögliche Insolvenzschwierigkeiten zu einem Lieferanten kursierten?
Im Alltag am faszinierendsten finde ich den Punkt, keine datengestützten Entscheidungen zu akzeptieren. Wir denken bei Daten oft an Objektivität. Dabei bildet schon die Entscheidung, was mit welchem Ziel gemessen wird, eine wesentliche Entscheidungsprämisse der Organisation. Also ringen die Akteure in den Organisationen energisch um eben diese Entscheidungen. Daten sind nicht neutral. Und: Fehlt es uns in schlecht laufenden Projekten wirklich meist an der Erkenntnis oder nicht oft eher am Willen, Erkenntnissen Taten folgen zu lassen? Müsste die KI dann nicht konsequenterweise auch entscheiden?
Zuletzt: Ein Blick in die heutigen PM-Tools zeigt in immer mehr Produkten „KI-Ansätze“ (sagt das Marketing). Bisher sind dies eher parametrisierte Algorithmen als Machine Learning. Die Modellparameter werden aus den Daten verfeinert, nicht aber das Modell selbst daraus entwickelt. Die Krönung ist heute vielleicht ein Bot, der natürlich formulierte Anweisungen umsetzt („Zeige mir die Budgetausnutzung des laufenden Digitalisierungsprogramms bis Jahresende“).
Wo ich Ihrem Beitrag (noch) nicht ganz folgen kann: Sie sprechen vom Einsatz von Machine Learning, dann wieder von Automatisierung und Datenanalyse. Schließlich enden Sie mit Agenten. Das verwirrt mich und macht mich gleichzeitig neugierig auf die kommenden Beiträge. Bis dahin konzentrieren wir uns weiter auf die Stufen eins und zwei: Daten erschließen und überhaupt erst einmal zusammenbringen. ;-)

Vielen Dank für Ihre ausführlichen Gedanken zum Thema Künstliche Intelligenz im Projektmanagement. Sie haben Recht, dass Projekte durch Ihre Einmaligkeit gekennzeichnet sind. Sie können die Einmaligkeit jedoch auch in der unterschiedlichen Anordnung der Parameter, die ggf. Einfluss auf die Aufwandschätzung haben können, sehen. Dies ist genau der Grund, warum wir uns in diesem Fall für das Reinforcement Learning entscheiden würden, denn dieser Algorithmus imitiert das Lernverhalten der Menschen. Da es generell beinahe unmöglich ist, eine Situation identisch zu reproduzieren (abgesehen vom Physikunterricht, da ohne Reibung und im Vakuum) lernt der Mensch „ähnliche“, jedoch einmalige, Aktivitäten einzuschätzen. Diese Einschätzung wird mit jeder Wiederholung besser, was wiederum auch auf den Agenten zutrifft. Wir hoffen, dass Ihnen diese kurze Erklärung hilft, unseren Ansatz besser zu verstehen und gleichzeitig als Vorgeschmack auf unseren nächsten Artikel dient.
Das nächste Thema, das sie richtig beschreiben, ist das Thema „Bias“, das eine gezielte Entscheidung der Entwickler oder seiner Expertise geschuldet ist. Hier gilt es die Zielsetzung des Algorithmus möglichst optimal zu erreichen. Ist die Zielsetzung möglichst kostengünstig, um das Projekt zu vollenden, wird der Algorithmus hauptsächlich kostenoptimale Ressourcen verwenden und Einbußen in der Qualität in Kauf nehmen. Letztendlich ist es unser Hauptziel, den Menschen durch ein hochwertiges Modell zu entlasten und die Stärken optimal zu nutzen. Um dieses Ziel zu verwirklich, müssen wir daher, wie Sie es im letzten Satz richtig sagen, Daten sammeln und zusammenführen. Wir freuen uns weiterhin über Ihr Feedback und Ihre Gedanken zu diesem für uns sehr spannenden Thema.