RÓWNIEŻ NA BLOGU:
Wayman na II Międzynarodowej Konferencji Naukowej Przemysł 4.0
Badania naukowe realizowane przez Wayman koncentrują się zarówno na procesach zarządzania realizacją projektów i procesach powiązanych z projektowaniem, a także na praktycznej implementacji dostępnych technologii. Bez względu na to czym się zajmujemy zawsze konieczne jest konfrontowanie wyników naszych badań i opinii z szerokim i obiektywnym gronem odbiorców. Najlepszą okazją do takich działań jest udział w konferencjach naukowych. Dzisiaj przedstawiciele Wayman biorą udział w II Międzynarodowej Konferencji Naukowej Przemysł 4.0 w Nowym Sączu.
Chciałbym aby wszyscy odbiorcy tego bloga i użytkownicy Wayman mogli uczestniczyć w tej konferencji, zapoznali się z naszą prezentacją i wyrazili swoją opinię. Niestety ilość miejsc na konferencji jest ograniczona, wstęp jest płatny i osobiście naszego wystąpienia wysłuchają głównie naukowcy.
Każdy dla kogo postęp i wyniki naszych prac jest interesujący może jednak zapoznać się z treścią przygotowanego na tą konferencję referatu, który dość obszernie opisuje metodykę, architekturę wytworzonych przez nas narzędzi, wyniki i wnioski. Myślę, że dobrą informacją dla użytkowników Wayman będzie fakt, że rozwiązania, które w rezultacie wyników badań nad ich praktycznym zastosowaniem okazały się bardziej efektywne są już zaimplementowane w najnowszej wersji systemu Wayman ERP. Poniżej cała treść referatu prezentowanego na konferencji, polecam także kontakt z działem sprzedaży Wayman w celu zapoznania się z możliwościami naszego systemu i określenia najlepszej drogi do rozpoczęcia użycia systemu Wayman lub w przypadku użytkowników jego najnowszych funkcji.
Praktyczne zastosowanie AI do automatyzacji tworzenia zbiorów danych statystycznych dotyczących realizacji procesu projektowego w firmach projektowych branży inżynierskiej.
Wstęp
Współczesne firmy zajmujące się projektowaniem inżynierskim coraz częściej wykorzystują systemy ERP (Enterprise Resource Planning - Planowanie Zasobów Przedsiębiorstwa) do zarządzania przedsiębiorstwem. Kluczowym procesem w takich firmach jest proces projektowy, gdzie zadania przypisywane inżynierom mogą być i często są standaryzowane. Poszczególne sektory inżynierii wypracowały na różne sposoby zbiory normogodzin dla poszczególnych czynności. Pozwala to na tworzenie słowników typowych zadań oraz określenie norm dla budżetów godzinowych i ogólnych ram czasowych. Jednak wykorzystanie predefiniowanych słowników może być ograniczające, co wpływa na elastyczność w definiowaniu zadań oraz utrudnia dopasowanie do składni narzuconej przez inwestorów. W konsekwencji, w wielu przypadkach, struktury podziału pracy (Work Breakdown Structures, WBS) projektów są definiowane ręcznie lub tylko w części przy użyciu słowników typowych czynności. Ręczne tworzenie zadań daje bardzo dużą swobodę, ale jednocześnie znacząco utrudnia zbieranie danych statystycznych na temat rzeczywistej pracochłonności podobnych zadań.
Powstała zatem potrzeba znalezienia łatwego sposobu na łączenie ręcznie tworzonych zadań z predefiniowanymi słownikami czynności inżynierskich, aby ułatwić generowanie danych statystycznych. W wielodyscyplinarnych projektach inżynierskich liczba zadań może sięgać tysięcy, co czyni z ich poprawnej kategoryzacji zadanie niezwykle pracochłonne. Automatyzacja tego zadania jest możliwa dzięki wykorzystaniu dostępnych algorytmów sztucznej inteligencji, natomiast określenie przydatności zastosowania sztucznej inteligencji i możliwości praktycznego użycia w firmach projektowych jest tematem wartym zbadania i interesującym z naukowego punktu widzenia.
W niniejszym referacie przedstawiono wyniki badań dotyczących porównania praktycznej implementacji w firmie projektowej procesu obejmującego zastosowanie sztucznej inteligencji w celu łączenia ręcznie definiowanych zadań ze słownikami znormalizowanych czynności inżynierskich z rozwiązaniem ułatwiającym realizację tego procesu przez człowieka.
Metodyka
W ramach badań nad automatyzacją zarządzania zadaniami projektowymi w firmach inżynierskich, opracowano narzędzie oparte na sztucznej inteligencji (AI) mające na celu efektywnie łączyć ręcznie utworzone zadania z odpowiednimi elementami słowników znormalizowanych czynności projektowych oraz narzędziem umożliwiającym wykonanie tych czynności ręcznie. Celem eksperymentu było porównanie skuteczności, łatwości użycia i stopnia akceptacji obu metod przez użytkowników. Badanie to pozwoliło na ocenę, w jakim stopniu rozwiązania oparte na AI mogą poprawić efektywność i precyzję w zarządzaniu projektami w porównaniu z tradycyjnymi, manualnymi metodami pracy.
Projekt badawczy składał się z pięciu kluczowych etapów. Etap pierwszy obejmował rozwój narzędzia AI i narzędzia manualnego. Opracowano i zaimplementowano narzędzie opartego na AI, wykorzystujące techniki uczenia maszynowego (ML) i przetwarzania języka naturalnego (NLP) do automatycznego łączenia zadań projektowych z elementami znormalizowanych słowników czynności projektowych. Równolegle, stworzono narzędzie manualne, które wymaga od użytkowników ręcznego przypisywania zadań do słowników. W kolejnym kroku uczestnicy badania zostali przeszkoleni w zakresie korzystania zarówno z narzędzia opartego na AI, jak i z narzędzia manualnego, aby zapewnić, że wszyscy mają równy poziom wiedzy i umiejętności niezbędnych do ich obsługi. Następnie rozpoczęła się faza testów, w której uczestnicy zostali podzieleni na dwie grupy, z których każda korzystała z jednego z narzędzi do realizacji serii zadań projektowych. Zadania te były zaprojektowane tak, aby odzwierciedlały typowe scenariusze i wyzwania występujące w rzeczywistych projektach inżynierskich. Podczas fazy testowej zbierano dane dotyczące czasu potrzebnego na ukończenie poszczególnych zadań, liczby błędów popełnionych przez użytkowników oraz ich subiektywne odczucia co do łatwości użycia i satysfakcji z obu metod. Ostatni etap polegał na analizie zebranych danych, porównaniu efektywności i użyteczności obu metod oraz ocenie, która z nich lepiej spełnia oczekiwania użytkowników w kontekście zarządzania projektami inżynierskimi. Do analizy danych zastosowano analizę jakościową opinii użytkowników zebranych za pomocą ankiet i wywiadów, co pozwoliło na głębsze zrozumienie preferencji i doświadczeń uczestników.
Architektura rozwiązania oparta jest na kilku modułach i jest przedstawiona na rysunku 1.
Rys. 1 Uproszczona architektura modułowa rozwiązania opartego na AI.
Rozpoczynając od modułu ekstrakcji danych, system automatycznie pobiera informacje o zadaniach z systemu Wayman ERP za pomocą skryptów ETL. Dane te obejmują szczegóły takie jak numer zadania, nazwa, branża, etap projektowania, terminy, budżet początkowy i rzeczywista alokacja. Następnie, moduł przetwarzania i normalizacji danych zapewnia jednolity format danych wejściowych przez standaryzację formatów dat, nazw i innych kluczowych atrybutów. Moduł AI składa się z podmodułów, w tym klasyfikatora zadań wykorzystującego algorytmy uczenia maszynowego do kategoryzacji zadań, „dopasowywacza” do słowników czynności bazującego na algorytmach przetwarzania języka naturalnego (NLP) oraz modułu planowania i budżetowania stosującego algorytmy predykcyjne. Do klasyfikacji zadań wykorzystujemy sieci neuronowe, które pozwalają na efektywne przyporządkowanie zadań do odpowiednich branż i etapów projektowych na podstawie ich opisów i metadanych. Dopasowywanie opisów zadań do elementów w znormalizowanych słownikach czynności wykorzystuje techniki NLP, w szczególności LDA, co umożliwia zrozumienie kontekstu i semantycznego znaczenia opisów zadań. Algorytmy regresji liniowej są wykorzystywane do przewidywania budżetów początkowych i rzeczywistych alokacji bazując na danych historycznych. System wyposażono w prosty interfejs użytkownika, który umożliwia łatwy dostęp do wyników klasyfikacji i analiz, spójny z interfejsem systemu Wayman ERP. Użytkownicy mogą również ręcznie korygować klasyfikacje i dopasowania, co stanowi ważny element uczenia maszynowego z nadzorem. Istotą tej funkcjonalności jest nie tylko zwiększenie poziomu akceptacji systemu przez użytkowników, ale również umożliwienie ciągłego ulepszania modeli poprzez interaktywne feedbacki.
Metodologia i praktyczne zastosowanie rozwiązania obejmowało fazę uczenia, w czasie której zrealizowano inicjalne trenowanie modeli na historycznych danych projektowych, z użyciem ręcznego tagowania i kategoryzacji zadań, pozwala na stworzenie solidnego zbioru treningowego. Następnie przystąpiono do procesu walidacji i dostosowywania dokładności modeli, które odbywało się za pomocą odrębnego zestawu danych walidacyjnych. Ten etap jest kluczowy dla oceny skuteczności algorytmów i ich zdolności do generalizacji na nowych danych. Dzięki iteracyjnemu procesowi tuningu, możliwe jest doprecyzowanie parametrów modeli, aby maksymalizować ich efektywność i precyzję dopasowań.
Równolegle opracowane rozwiązanie polegało na realizacji w interfejsie systemu Wayman ERP ręcznego łączenia zadań z elementami słownika. W panelu zarządzania zadaniem w podręcznym menu dodano funkcjonalność powiązania ręcznie utworzonych zadań z elementami słowników znormalizowanych czynności projektowych. Na rysunku 2 pokazano elementy interfejsu systemu Wayman ERP.
Rysunek 2. Interface ręcznego łączenia zadań z WBS z USD.
Wyniki
Badanie miało na celu nie tylko ocenę techniczną narzędzi, ale również zrozumienie, w jaki sposób innowacyjne rozwiązania oparte na AI mogą być percepcyjnie przyjmowane przez użytkowników w środowisku profesjonalnym. Wyniki badań mają kluczowe znaczenie dla dalszego rozwoju narzędzi wspierających zarządzanie projektami, podkreślając obszary, w których technologie AI mogą przynieść największe korzyści. W ramach badania przeprowadzonego na użytkownikach systemu Wayman, dokonano podziału na dwie dziesięcioosobowe grupy, aby zbadać efektywność wprowadzenia narzędzia AI do łączenia zadań ręcznie definiowanych w ramach Work Breakdown Structure (WBS) z uniwersalnymi słownikami znormalizowanych działań. Grupa pierwsza korzystała z tradycyjnego, manualnego sposobu połączenia elementów, natomiast grupa druga wykorzystywała nowo opracowane narzędzie oparte na sztucznej inteligencji. W toku analizy jakościowej opinii użytkowników, zebranych za pomocą ankiet i wywiadów, zauważono znaczące różnice w czasie adaptacji do obu metod. Użytkownicy narzędzia opartego na AI doświadczali dłuższego czasu wdrożenia, co mogło wynikać z kilku czynników. Po pierwsze, złożoność i nowość rozwiązania AI mogła wymagać od użytkowników dodatkowego czasu na zrozumienie i nauczenie się efektywnego korzystania z systemu. Po drugie, analiza rezultatów pracy narzędzia opartego na AI mogła być bardziej czasochłonna ze względu na potrzebę weryfikacji i potencjalnej korekty wygenerowanych połączeń, co sugeruje wyższy poziom zaangażowania w analizę i ocenę pracy systemu. W kontrast, użytkownicy korzystający z manualnego rozwiązania, mimo potencjalnie większej pracochłonności początkowej, mogli sprawniej realizować zadania, polegając na bezpośredniej kontroli procesu i bez potrzeby adaptacji do nowego narzędzia. Wyniki te sugerują, że pomimo potencjalnych zalet automatyzacji i zastosowania AI, istotne jest uwzględnienie krzywej uczenia się użytkowników oraz wpływu nowych technologii na efektywność pracy i czas potrzebny na adaptację do nowych rozwiązań.
W rozszerzonej analizie wyników badań nad wprowadzeniem narzędzia opartego na sztucznej inteligencji (AI) do zarządzania zadaniami projektowymi w firmach inżynierskich, szczególną uwagę zwrócono na przyczyny niechęci użytkowników do korzystania z tego nowatorskiego rozwiązania. Chociaż AI oferuje znaczące możliwości automatyzacji i efektywności, obserwuje się opór wśród niektórych użytkowników, który można przypisać kilku kluczowym czynnikom. Pierwszym z nich jest obawa przed złożonością narzędzia AI. Użytkownicy mogą czuć się przytłoczeni nowością i techniczną złożonością systemu, co prowadzi do poczucia niepewności i lęku przed potencjalnymi błędami w jego obsłudze. Takie odczucia mogą być nasilone przez brak bezpośredniej kontroli nad procesem klasyfikacji i alokacji zadań, co stanowi istotny aspekt pracy projektowej. Dodatkowo, istnieje niepokój związany z wydajnością i precyzją AI. Mimo że narzędzia te są projektowane do poprawy efektywności pracy przez automatyzację procesów, niektórzy użytkownicy mogą mieć wątpliwości co do ich zdolności do dokładnego rozumienia i interpretacji złożonych wymagań projektowych. W konsekwencji, obawy te mogą prowadzić do preferowania metod manualnych, które pozwalają na bezpośrednią i pełną kontrolę nad procesem kategoryzacji zadań.
Kolejnym istotnym aspektem jest krzywa uczenia się związana z wdrożeniem narzędzia AI. Dłuższy czas adaptacji oraz potrzeba szkolenia i aklimatyzacji użytkowników do nowego systemu mogą powodować frustrację i opór, szczególnie w obliczu napiętych terminów i presji czasowej charakterystycznej dla projektów inżynierskich.
Wyniki badań wykazały również, że metody tradycyjne mogą być percepcyjnie bardziej efektywne dla niektórych użytkowników. Chociaż narzędzia manualne mogą być czasochłonne, oferują one użytkownikom bezpośrednią kontrolę nad każdym etapem procesu projektowego. Ta bezpośrednia kontrola przekłada się na wyższy poziom pewności co do precyzji alokacji zadań oraz umożliwia natychmiastową korektę ewentualnych błędów. W konsekwencji, dla niektórych użytkowników, percepcyjna efektywność i kontrola nad procesem mogą przeważać nad teoretycznymi zaletami automatyzacji.
W analizie wyników badań dotyczących wprowadzenia narzędzi AI do zarządzania zadaniami projektowymi w branży inżynierskiej, istotne jest podkreślenie, że nawet przy wykorzystaniu zaawansowanych technologii, użytkownicy nadal oczekują i potrzebują możliwości weryfikacji i akceptacji rezultatów wygenerowanych przez te systemy. Pomimo potencjalnych korzyści płynących z automatyzacji i użycia sztucznej inteligencji, zaobserwowano silną tendencję wśród użytkowników do manualnego sprawdzania i potwierdzania zadań generowanych automatycznie przed ich finalnym przypisaniem do odpowiednich słowników znormalizowanych czynności. Ta potrzeba kontrolowania i potwierdzania rezultatów jest wynikiem zarówno obaw związanych z precyzją i adekwatnością automatycznych alokacji, jak i głęboko zakorzenionego przekonania o konieczności zachowania bezpośredniej kontroli nad kluczowymi aspektami procesu projektowego.
Podejście to ujawnia kluczową kwestię związaną z zaufaniem do narzędzi AI oraz z percepcją ich zdolności do pełnego zrozumienia i adekwatnego odzwierciedlenia złożoności zadań inżynierskich. Użytkownicy, mimo uznania zalet automatyzacji, wyrażają potrzebę zachowania ostatecznej decyzji w swoich rękach, co wynika z obaw, że algorytmy mogą nie uwzględniać wszystkich niuansów i specyfik projektowych, które są oczywiste dla doświadczonych inżynierów.
To podejście ma również głębokie implikacje dla procesu wdrożenia i użytkowania narzędzi AI w firmach projektowych. Wskazuje ono na konieczność zapewnienia interfejsów umożliwiających łatwą weryfikację i korektę wygenerowanych alokacji przez użytkowników. Systemy te muszą być zaprojektowane w sposób umożliwiający nie tylko efektywną automatyzację, ale również interaktywne i intuicyjne procesy weryfikacji, które wspierają użytkowników w szybkim i precyzyjnym sprawdzaniu oraz korygowaniu rezultatów.
Dyskusja
Na podstawie przedstawionych wyników badań, dyskusja musi koncentrować się na kluczowych wnioskach i potencjale rozwojowym zastosowania sztucznej inteligencji (AI) w procesie projektowym w firmach inżynierskich. Badania wykazały, że narzędzie oparte na AI, mimo początkowych wyzwań związanych z adaptacją i zrozumieniem nowego systemu, oferuje znaczące korzyści w efektywności i precyzji zarządzania projektami. Wyniki nie wykluczają istnienia potencjalnych przewag automatyzacji nad tradycyjnymi metodami manualnymi, szczególnie w kontekście zarządzania złożonymi projektami wymagającymi precyzyjnej kategoryzacji i alokacji zadań. Jednocześnie, ważne jest zwrócenie uwagi na czas adaptacji użytkowników do nowych technologii. Znacząca różnica w czasie wdrożenia pomiędzy narzędziem AI a metodami manualnymi podkreśla potrzebę dokładnego rozważenia strategii szkoleniowych i wsparcia dla użytkowników. Optymalne wdrożenie nowych technologii wymaga zatem nie tylko skupienia na aspektach technicznych, ale również na ludzkim czynniku, w tym szkoleniu i adaptacji. Ponadto, wyniki badań podkreślają znaczenie ciągłego doskonalenia i iteracji w procesie wdrażania narzędzi AI. Możliwość ręcznej korekty i dostosowywania wyników przez użytkowników nie tylko zwiększa ich zaufanie do systemu, ale również umożliwia zbieranie cennych informacji zwrotnych, które mogą być wykorzystane do dalszego ulepszania algorytmów i funkcjonalności narzędzi. Jest to kluczowe dla osiągnięcia optymalnej równowagi pomiędzy automatyzacją a kontrolą użytkownika nad procesem. W kontekście dalszego rozwoju i potencjału technologii AI w zarządzaniu projektami inżynierskimi, istotne jest dążenie do rozwiązań, które są nie tylko technologicznie zaawansowane, ale również intuicyjne w obsłudze i skrojone na miarę potrzeb użytkowników. Innowacje powinny iść w parze z odpowiednim wsparciem i szkoleniem, co jest kluczowe dla zapewnienia ich skuteczności i akceptacji w środowisku profesjonalnym. Zatem, choć wprowadzenie AI do zarządzania projektami inżynierskimi prezentuje obiecujący potencjał dla przyszłości, równie ważne jest zrozumienie i adresowanie wyzwań związanych z ludzkim aspektem adaptacji i interakcji z nowymi technologiami. To podejście nie tylko umożliwia efektywne wykorzystanie potencjału AI, ale także maksymalizuje satysfakcję użytkowników i efektywność pracy w złożonym środowisku projektowym.
Wnioski i potencjał rozwoju
Przeprowadzone badania podkreślają potrzebę znalezienia skutecznego sposobu na integrację ręcznie tworzonych zadań z predefiniowanymi słownikami czynności inżynierskich. Jest to istotne dla generowania danych statystycznych, które są kluczowe dla efektywnego zarządzania projektami inżynierskimi. Opracowanie narzędzia opartego na sztucznej inteligencji (AI), które ma za zadanie efektywnie łączyć ręcznie tworzone zadania z odpowiednimi elementami słowników, pokazuje potencjał zastosowania AI w automatyzacji zarządzania zadaniami projektowymi. Badanie porównuje efektywność, łatwość użycia i stopień akceptacji narzędzia AI z tradycyjnymi, manualnymi metodami pracy, co jest kluczowe dla zrozumienia praktycznej użyteczności nowych technologii w profesjonalnym środowisku inżynierskim. Użytkownicy korzystający z narzędzia AI doświadczali dłuższego czasu wdrożenia w porównaniu z użytkownikami stosującymi manualne metody. Może to wynikać z złożoności i nowości rozwiązania AI, co wymaga dodatkowego czasu na naukę i adaptację. Użytkownicy korzystający z manualnego rozwiązania byli w stanie sprawniej realizować zadania, co wskazuje na to, że bezpośrednia kontrola procesu może być w niektórych przypadkach bardziej efektywna niż użycie zautomatyzowanych systemów. Badanie wskazuje na obszary, w których technologie AI mogą przynieść największą wartość, podkreślając jednocześnie konieczność uwzględnienia krzywej uczenia się użytkowników oraz wpływu nowych technologii na efektywność pracy. Z tych wniosków wynika, że wprowadzenie innowacyjnych rozwiązań, takich jak AI, w zarządzanie projektami inżynierskimi ma duży potencjał, ale wymaga równoczesnego rozważenia aspektów szkolenia użytkowników, adaptacji do nowych narzędzi i potencjalnej potrzeby korekty wygenerowanych przez AI danych. Wyniki te mogą służyć jako podstawa do dalszego rozwoju narzędzi wspierających zarządzanie projektami, w szczególności w kontekście optymalizacji procesów i poprawy efektywności pracy.
Ostatecznie, nawet w obliczu rosnących możliwości technologicznych, ludzki czynnik pozostaje nieodłącznym elementem procesów projektowych, co podkreśla potrzebę tworzenia rozwiązań AI, które nie tylko maksymalizują efektywność, ale również harmonizują z naturalnymi procesami pracy i oczekiwaniami profesjonalistów z branży. Zapewnienie, że narzędzia AI są postrzegane jako wsparcie, a nie zastępstwo ludzkiego osądu, jest kluczowe dla ich skutecznego wdrożenia i akceptacji w przestrzeni profesjonalnego projektowania inżynierskiego.
Projekt i realizacja Spectrum Marketing | 2023 Wszelkie prawa zastrzeżone.
Poznaj system Wayman
Social media
Wayman Sp. z o.o.
ul. Piotra Skargi 14/2, Gdynia
ul. Pawia 9, piętro 1, Kraków (Biurowiec High5ive)