Artificial Intelligence and Project Management
•
0 likes•63 views
Artificial Intelligence and Project Management at SPI 2020, Japan YouTube https://youtu.be/qkNsemZrWtg
Recommended
More Related Content
What's hot
Similar to Artificial Intelligence and Project Management
Similar to Artificial Intelligence and Project Management (20)
More from Naoshi Uchihira
More from Naoshi Uchihira (12)
Artificial Intelligence and Project Management
- 1. Copyright 2020, JAIST Naoshi Uchihira. ＳＰＩ Japan 2020ミニ講演&みんなで納得セッション 人工知能とプロジェクトマネジメント 1 2020/10/16 13:30-16:30 内平直志 北陸先端科学技術大学院大学 uchihira@jaist.ac.jp
- 2. 2 話題 1. プロジェクトマネジメントにおける 人工知能の適用（PM by AI） 2. 人工知能応用システム開発における プロジェクトマネジメント（PM for AI） プロジェクト マネジメント 人工知能 （機械学習） PM by AI PM for AI
- 3. 3 話題 1. プロジェクトマネジメントにおける 人工知能の適用（PM by AI） 2. 人工知能応用システム開発における プロジェクトマネジメント（PM for AI） プロジェクト マネジメント 人工知能 （機械学習） PM by AI PM for AI
- 4. 4 ソフトウェアの定量的品質管理の普及と機械学習 出典：IPA/SEC，定量的品質予測のススメ (2011) 図表2.1-1より筆者作成 計画（P) 測定（D) 分析・予測（C) 対策（A) データ蓄積 蓄積データ モデル 分析 モデル化 要求定義 基本設計 詳細設計 制作 単体 テスト 結合 テスト 総合 テスト プロジェクト生産活動 データ プロジェクトマネジメント活動 プロジェクト 機械学習
- 5. 5 事例：ソフトウェア規模の変動可視化によるプロジェクト管理 • 「ファンクションスケール」法で規模を計測 • 規模、実績工数、要員数、生産性などの実績データを蓄積 • プロジェクト中の規模変動に伴う影響要因を反映した工数見積り • 計画との差異を測定し，規模と実績に応じて計画を修正 出典：大島，丸山，プロジェクトマネジメント学会誌 19(1), 26-31 (2017) 規模見積の変動 計画の修正
- 6. 6 定量的品質管理への機械学習の適用 ソフトウェアの品質：バグの多いモジュールを推定． ソフトウェアの規模：開発初期段階の情報（機能数など） から最終的なソフトウェア規模を予測． ソフトウェアの開発コスト／工数：プロジェクトの様々な データから開発コスト／工数を予測． 保守の工数：保守時の様々な情報（規模，保守のタイプ， 作業者の経験など）から工数を予測． ソフトウェアの信頼性：バグの今後の発生・収束を予測． 再利用性：モジュールの性質から再利用率を予測． 出典：Zhang, Tsai, Machine learning and software engineering, Software Quality Journal (2003)
- 7. 7 機械学習と解釈可能性 Toshiki Mori, Naoshi Uchihira, Balancing the trade-off between accuracy and interpretability in software defect prediction Empirical Software Engineering, Springer (2018). 深層学習などの複雑な機械学習 モデルは， ・予測精度は高い ・理由の解釈可能性は低い 解 釈 可 能 性 単純ベイズ 分類器 単純ベイズ分類器 のアンサンブル （多数決）モデル 単純ベイズ 分類器に 線形近似 低 高 高予測精度低 理由がわからないと対策が できない！ 例：バグが発生する確率が 高いモジュールが推定でき ても，理由（規模，複雑度な ど）がわからないとバグを減 らす対策ができない． 精度と解釈可能性を両立する研究例
- 9. 9 （機械学習による）定量的管理の難しさ ソフトウェアおよび開発プロセスの質の良いメトリ クスデータの収集・共有・分析が容易になり，自然 言語・非構造化文書などの知的な処理も高度化して きたが，まだまだ困難・課題も多い． – 計測が難しいメトリクスも少なくない． – プロジェクトは毎回同じでない． – 企業・部門ごとに状況が異なるのでデータ蓄積が 簡単ではない – IoT/クラウドで繋がる世界における想定外の事象 には対応が難しい．
- 10. 10 話題 1. プロジェクトマネジメントにおける人工 知能の適用（PM by AI） 2. 人工知能応用システム開発におけるプロ ジェクトマネジメント（PM for AI） プロジェクト マネジメント 人工知能 （機械学習） PM by AI PM for AI
- 11. 11 人工知能応用システム開発と従来のＩＴシステム開発の違い ■従来型ＩＴシステム：仕様から演繹的に構築 ■人工知能（機械学習）応用システム：データに基づく 帰納的な（不確実な）コンポーネントを核とするため， 従来型ＩＴシステムの常識が必ずしも通用しない． 1. システムの仕様を記述できない データを分析してみないと何ができるかわからない．また，不 確実である（特にモデルがブラックボックスの場合）． 2. システムの正しさを検証できない 仕様が記述できないので正しさも検証できない．学習していな いデータに対する保証はできない． 3. システムの要素間の因果関係がわからない システムの一部を変更するとすべてが影響を受ける可能性があ る．Changing Anything Changes Everything (CACE) 出典：Ozkaya, I. (2020). What Is Really Different in Engineering AI-Enabled Systems?. IEEE Software, 37(4), 3-6.
- 12. 12 人工知能応用システム開発の課題 •開発プロセス視点 •深化プロセス視点 Φ１：可視化 可視化された情報を 人間が解釈・判断 Φ２：人間判断 ＡＩが出した結果を 人間が解釈・判断 Φ３：人間確認 ＡＩが出した判断を 人間が最終確認 Φ４：自動化 ＡＩが出した判断 をそのまま利用 プロジェクトの立ち上げ ＰｏＣ （概念検証） ビジネス適用 ゴール設定 アセスメント 分析設計 実施・評価 実地試験 開発 運用・保守 開発プロセス・深化プロセスのどの段階にいるかで直面する課題が異なる ⇒ 将来直面する課題を事前に把握することでリスクを回避する
- 13. 13 人工知能応用システム開発の課題（開発プロセス視点） 参考：ブレインパッドほか，失敗しない データ分析・AIのビジネス導入，森北出版，2018. プロジェクトの立ち上げ ＰｏＣ （概念検証） ビジネス適用 ゴール設定 アセスメント 分析設計 実施・評価 実地試験 開発 運用・保守 目的が曖昧 ・データから何か 見つけて！ ・ＡＩ導入が目的化 データが使え ない ・存在しない ・品質が悪い モデルの検証困難 ・検証用データが十分か わからない ・作業ミスがあってもわか らない 環境変化に対 応できない ・モデルの更新 ・優秀なデータサイエ ンティストは運用時 まで残らない。 機械学習システムの開発・運用プロセス
- 14. 14 人工知能応用システム開発の課題（深化プロセス視点） 参考：奥田ほか，機械学習応用システムの深化パターンと課題体系，信学技報, vol. 120, no. 170，pp. 19-24. 人間系を含む機械学習システムの深化プロセス データ自体 の整備（現場 の理解） データアクセ ス環境整備 個人データ 保護 要求は明確 だが仕様 （評価方法） が不明確 データの品 質・精度 現場とのす る合わせ 結果のロバ スト性 品質保証範 囲の明確化 現場の心理 的抵抗 自動化範囲 の切り分け 想定外（学 習してない 状況）への 対応 悪意の攻撃 に対する対 策 Φ１：可視化 可視化された情報を 人間が解釈・判断 Φ２：人間判断 ＡＩが出した結果を 人間が解釈・判断 Φ３：人間確認 ＡＩが出した判断を 人間が最終確認 Φ４：自動化 ＡＩが出した判断 をそのまま利用
- 17. 17 対話ツール例：デジタルイノベーションデザイン手法 Step1:顧客と提案価値の明確化 Step2: IoT/AIによる提案価値の検討 Step3: エコシステムの戦略策定 Step4: 事業化シナリオの設計 Step5: リスクの可視化と共有 KJ法／親和図法 価値創造・ ビジネスモデル キャンバス SCAIグラフ オープン＆クロー ズキャンバス ProjectFMEA フレームワーク手順 内平， IoT時代のイノベーション・デザイン， 研究・技術・計画，Vol.33，No.4，2018
- 18. 18 まとめ 1. プロジェクトマネジメントにおける 人工知能の適用（PM by AI） – ソフトウェアの定量的品質管理が普及し，データを活用し た機械学習の導入が進みつつある – 人間とＡＩの協働の仕組み作りが重要 2. 人工知能応用システム開発における プロジェクトマネジメント（PM for AI） – 人工知能応用システムと従来のＩＴシステムの開発の違い – 人工知能応用システム開発の課題抽出（開発プロセス視点 と深化プロセス視点）⇒ 想定リスクへの早期対応が可能 – 認識ギャップを埋める対話ツールが必要
- 19. 19 参考文献 • 内平 直志, 森 俊樹, 大島 丈史, 人工知能とプロジェクトマネジメ ント, 電子情報通信学会 基礎・境界ソサイエティ Fundamentals Review, Vol. 13, No. 4, pp. 277-283, 2020. • 森俊樹, 内平直志, プロジェクトとプログラムのリスクマネジメ ントにおける機械学習と知識創造の統合アプローチ, 国際P2M学 会誌, Vol.14, No.1, pp. 415-435, (2019) • 大島丈史，内平直志， プロジェクトマネジメントへのAI活用の 知識分類モデル －IT企業におけるAI適用方策の研究－， 国際 P2M学会誌， Vol.13 No.1，pp.121-141, (2018) • Toshiki Mori, Naoshi Uchihira, Balancing the trade-off between accuracy and interpretability in software defect prediction, Empirical Software Engineering, Vol.24, No.2, pp.779-825, Springer, 2019