O que é Inteligência Artificial?
Inteligência Artificial, ou IA é um ramo de estudo que envolve computadores utilizando tecnologia para fornecer a melhor resposta para problemas cruciais em tempo real de maneira comparável aos seres humanos.
O processo de apresentação da inteligência está preocupado com as qualidades humanas como pensamento e intelecto, bem como a aplicação da inteligência a situações específicas para criar uma máquina inteligente.
A tecnologia de IA está inextricavelmente relacionada não apenas aos princípios da ciência da computação, mas também à psicologia, filosofia, ilustra muitas formas de tecnologias de inteligência artificial e suas aplicações associadas.
A IA tornou-se uma tecnologia de destaque nos últimos anos devido à crescente necessidade de sistemas automatizados que operem sem intervenção humana. A inteligência artificial está florescendo agora, com uma infinidade de novos modelos aparecendo nas fases de pesquisa e desenvolvimento em uma variedade de áreas, incluindo ciência, economia e engenharia
Uso da IA na Gestão de Projetos
A IA tem sido usada para avançar em diferentes campos, como educação, saúde e finanças. No entanto, a aplicação da IA no campo do gerenciamento de projetos (GP) não progrediu da mesma forma, segundo pesquisa realizada por Mohammad Reza Davahli, do Departamento de Engenharia Industrial e Sistemas de Gestão da Universidade Central da Flórida.
Os resultados do mapeamento realizado por DAVAHLI indicam que a aplicação de IA em GP está em seus estágios iniciais e os modelos de IA não se aplicam a vários processos de Gestão de Projetos, especialmente em grupos de processos de gerenciamento de partes interessadas do projeto, gerenciamento de aquisições do projeto e gerenciamento de comunicação do projeto.
No entanto, os processos de PM mais populares entre os artigos incluídos foram previsão de esforço de projeto e estimativa de custo, e as técnicas de IA mais populares foram redes neurais e algoritmos genéticos.
As grandes firmas de consultoria, como Gartner, Accenture e PWC estão levando a sério a assunto Gestão de Projetos e Inteligência artificial, de acordo com Adel Belharet e seus colegas da Universidade ESIEE de Paris. Neste artigo, os autores propõem um mapeamento de como os mundos de IA e GP se cruzam para mostrar quais processos de GP serão afetados primeiro e quais serão difíceis de automatizar.
O lento progresso da IA na área de gerenciamento de projetos se deve em grande parte à falta de investimento de empresas privadas, o que significa que o progresso só foi feito nas universidades e nas organizações públicas de pesquisa.
Exemplos do Uso da IA na Gestão de Projetos
Esta lista não é exaustiva e contempla alguns usos conhecidos de técnicas de Inteligência Artificial na Gestão de Projetos. Para facilitar os autores responsáveis pelo trabalho, acima citados, fizeram uma compilação de técnicas por área de conhecimento e grupo de processos do Guia PMBOK.
Support vector machine (SVM)
“Support Vector Machine” (SVM) é um algoritmo de aprendizado de máquina supervisionado que pode ser usado para desafios de classificação ou regressão. Seu foco maior é no treinamento e classificação de um dataset.” Algoritmos de aprendizado de máquina, supervisionados e de classificação funcionam em conjuntos de dados menores, mas podem ser muito mais fortes e poderosos na criação de modelos.
Fuzzy decision trees
A Fuzzy decision trees, ou FDT é utilizada quando se tem diversas alternativas a serem analisadas para um determinado problema, definindo-o como o Evento Topo, utilizando-se os operadores básicos e os mesmos preceitos da Análise de Árvore de Falhas (FTA – Fault Tree Analysis).
O método da FTA surgiu por volta de 1961, na Bell Telephone Laboratories, desenvolvido por H. A. Watson para suprir a necessidade de avaliar a confiabilidade de um sistema complexo associado ao controle de lançamento de mísseis guiados e de alcance intercontinental.
Para FTA e FDT são utilizados com frequência três operadores fundamentais (and, or e not), de acordo com Scapin (2013). Desta forma, é possível se chegar à probabilidade (no caso da FTA) ou possibilidade (no caso da FDT) de ocorrência do evento topo (ou principal), permitindo-se a compreensão sobre o evento como um todo para análise de segurança e confiabilidade de sistemas complexos.
Algoritmos Genéticos
Pela Wikipedia, conseguimos identificar algoritmos genéricos como é uma técnica de busca utilizada na ciência da computação e em investigação operacional para achar soluções aproximadas em problemas de otimização e busca, fundamentado principalmente pelo americano John Henry Holland.
Algoritmos genéticos são uma classe particular de algoritmos evolutivos que usam técnicas inspiradas pela biologia evolutiva como hereditariedade, mutação, seleção natural e recombinação (ou crossing over).
Alguns exemplos do uso de AG incluem otimização de aprendizagem de árvore de decisão para melhor performance, resolução de algoritmo de sudoku, otimização de hiperparâmetros, e etc.
Algoritmos genéticos diferem dos algoritmos tradicionais de otimização em basicamente quatro aspectos: Baseiam-se em uma codificação do conjunto das soluções possíveis, e não nos parâmetros da otimização em si;
Pela Wikipedia, conseguimos identificar algoritmos genéricos como é uma técnica de busca utilizada na ciência da computação e em investigação operacional para achar soluções aproximadas em problemas de otimização e busca, fundamentado principalmente pelo americano John Henry Holland.
Algoritmos genéticos são uma classe particular de algoritmos evolutivos que usam técnicas inspiradas pela biologia evolutiva como hereditariedade, mutação, seleção natural e recombinação (ou crossing over).
Alguns exemplos do uso de AG incluem otimização de aprendizagem de árvore de decisão para melhor performance, resolução de algoritmo de sudoku, otimização de hiperparâmetros, e etc.
Algoritmos genéticos diferem dos algoritmos tradicionais de otimização em basicamente quatro aspectos: Baseiam-se em uma codificação do conjunto das soluções possíveis, e não nos parâmetros da otimização em si;
os resultados são apresentados como uma população de soluções e não como uma solução única;
não necessitam de nenhum conhecimento derivado do problema, apenas de uma forma de avaliação do resultado; usam transições probabilísticas e não regras determinísticas
Artificial neural network
“Redes neurais artificiais são modelos computacionais inspirados pelo sistema nervoso central de um animal (em particular o cérebro) que são capazes de realizar o aprendizado de máquina bem como o reconhecimento de padrões.”
Redes neurais artificiais geralmente são apresentadas como sistemas de “neurônios interconectados, que podem computar valores de entradas”, simulando o comportamento de redes neurais biológicas.
“Assim como outros métodos de aprendizado de máquina, sistemas que aprendem a partir dos dados, redes neurais têm sido usadas para resolver uma grande variedade de tarefas que são difíceis de resolver utilizando programação baseada em regras comuns, incluindo visão computacional e reconhecimento de voz.”
“Redes neurais artificiais são modelos computacionais inspirados pelo sistema nervoso central de um animal (em particular o cérebro) que são capazes de realizar o aprendizado de máquina bem como o reconhecimento de padrões.”
Redes neurais artificiais geralmente são apresentadas como sistemas de “neurônios interconectados, que podem computar valores de entradas”, simulando o comportamento de redes neurais biológicas.
“Assim como outros métodos de aprendizado de máquina, sistemas que aprendem a partir dos dados, redes neurais têm sido usadas para resolver uma grande variedade de tarefas que são difíceis de resolver utilizando programação baseada em regras comuns, incluindo visão computacional e reconhecimento de voz.”
Deep learning algorithms
Deep learning é um subconjunto de aprendizado de máquina que se baseia em redes neurais profundas, compostas por camadas de nós ou neurônios. Essas redes são treinadas usando grandes conjuntos de dados e algoritmos de aprendizado supervisionado para aprender a realizar tarefas específicas, como reconhecimento de imagens, processamento de linguagem natural e detecção de padrões.
Algoritmos de deep learning são capazes de aprender e melhorar continuamente a partir de novos dados, tornando-os muito poderosos para aplicações em vários campos.
Greedy algorithm
Greedy algorithm ou Algoritmos gulosos são uma classe de algoritmos de otimização que tomam decisões locais ótimas em cada etapa do processo, com o objetivo de encontrar a solução global ótima. Eles funcionam escolhendo a melhor opção disponível naquele momento e, em seguida, seguindo essa escolha até chegar à solução final. Esses algoritmos são chamados de “gulosos” porque eles escolhem a opção que parece ser a melhor no momento, sem considerar as consequências futuras dessa escolha.
Exemplo de Algoritmo Guloso : Problema da Mochila, Algoritmo de Prim e Kruskal em Teoria dos Grafos.
Os algoritmos gulosos são fáceis de implementar e geralmente executam rapidamente, mas nem sempre encontram a solução global ótima. Alguns problemas podem requerer uma abordagem diferente para encontrar a solução ideal.
Visão Geral sobre Aplicação da IA em Gestão de Projetos
A inteligência artificial (IA) pode ser usada de várias maneiras para ajudar na gestão de projetos. Algumas formas comuns incluem:Análise de dados: A IA pode ajudar a analisar grandes quantidades de dados relacionados ao projeto, como informações sobre recursos, orçamento e desempenho, para identificar tendências e problemas potenciais.
Previsão de desempenho: A IA pode ser usada para prever como o projeto está se desenvolvendo e identificar quaisquer problemas que possam surgir no futuro.
Gerenciamento de recursos: A IA pode ajudar a otimizar a alocação de recursos, como pessoal e materiais, para garantir que o projeto seja concluído dentro do orçamento e do prazo.
Comunicação e colaboração: A IA pode ser usada para melhorar a comunicação e colaboração entre os membros do time, por exemplo, através de ferramentas de automação de mensagem e de tarefas.
Gerenciamento de riscos: A IA pode ser usada para identificar e avaliar riscos potenciais e ajudar a desenvolver estratégias para gerenciá-los.
Tomada de decisão: A IA pode ser usada para ajudar a tomar decisões críticas, como alocar recursos ou escalar o projeto, com base em dados e análises precisas.
Identificação de Padrões: A IA pode ser usada para identificar padrões em dados históricos de projetos e usar esses padrões para melhorar a gestão de projetos futuros.
Em resumo, a IA pode ser usada para automatizar muitas tarefas de gerenciamento de projetos e fornecer insights valiosos que podem ajudar a tornar os projetos mais eficientes e bem-sucedidos.
Bibliografia
Adaptado de NetProject.com.br, Fevereiro de 2023
BELHARET, Adel et al. Report on the Impact of Artificial Intelligence on Project Management. Machine Learning eJournal, 2020.
DAVAHLI, Mohammad Reza. The last state of artificial intelligence in project management. arXiv preprint arXiv:2012.12262, 2020.
KUSTER, Luis. The current state and trends of artificial intelligence in project management: a bibliometric analysis. 2021. Tese de Doutorado.
DAVAHLI, Mohammad Reza. The last state of artificial intelligence in project management. arXiv preprint arXiv:2012.12262, 2020.
KUSTER, Luis. The current state and trends of artificial intelligence in project management: a bibliometric analysis. 2021. Tese de Doutorado.
Nenhum comentário:
Postar um comentário