Tempo de leitura: 7 minutos
Iniciamos aqui uma nova série de artigos sobre um tema bastante importante para todo profissional que atua como Gerente de Projetos. Como será o dia-a-dia da profissão no futuro, principalmente após a recente disponibilização de mecanismos de Inteligência Artificial Generativa? Quais tarefas do gerente poderão contar com o apoio destes mecanismos? Como organizar uma base histórica de projetos que permita a análise para projeções e estimativas de término?
Lembra-se do Jarvis?
Nos quadrinhos e nos filmes do Universo Cinematográfico da Marvel (MCU), Jarvis é um programa de inteligência artificial (IA) que auxilia Tony Stark em várias tarefas, desde controlar sua armadura até realizar pesquisas e fornecer informações. No MCU, Jarvis é representado como uma IA de voz suave e prestativa, personificada por uma interface de computador.
Embora Jarvis seja um personagem fictício do universo da Marvel, o nome ficou bastante conhecido e muitas pessoas o associam a assistentes virtuais e IA em geral. Por exemplo, o CEO do Facebook, Mark Zuckerberg, nomeou seu próprio assistente pessoal de “Jarvis” em homenagem ao personagem.
Quem sabe o Gerente de Projetos do Futuro tenha seu próprio Jarvis, com apoio de Inteligência Artificial Generativa que faça bom uso dos dados históricos de projetos?
Inteligência Artificial Generativa
A IA generativa refere-se a um tipo de inteligência artificial que é capaz de gerar conteúdo novo e original, como imagens, música, texto ou até mesmo vídeos. Ao contrário de outras formas de IA, que são projetadas para classificar, analisar ou reconhecer padrões em dados existentes, a IA generativa tem a capacidade de criar algo completamente novo.
A IA generativa é frequentemente baseada em redes neurais artificiais, como as redes generativas adversariais (GANs) ou as redes recorrentes (RNNs). Esses modelos são treinados em grandes conjuntos de dados e, em seguida, são capazes de gerar novas amostras com base no que aprenderam durante o treinamento.
A IA generativa tem sido amplamente utilizada em várias áreas, incluindo arte, design, música, jogos e criação de conteúdo. Ela oferece oportunidades criativas e inovadoras, mas também apresenta desafios, como a ética no uso de conteúdo gerado por IA e a distinção entre o que é real e o que é artificialmente gerado.
Como a IA Generativa pode apoiar o GP?
Por exemplo, uma IA generativa pode ser treinada em um conjunto de dados de projetos e, em seguida, ser capaz de gerar novos cronogramas que usem os dados destes projetos. Da mesma forma, uma IA generativa pode ser treinada com textos de objetivos e justificativas de cada projeto e, em seguida, gerar automaticamente uma categorização ou classificação destes projetos. Quem sabe uam IA generativa pode ajudar até mesmo na justificativa de um projeto?
A IA generativa pode oferecer várias formas de apoio aos gerentes de projetos, ajudando a otimizar processos, tomar decisões e lidar com desafios complexos. Aqui estão algumas maneiras pelas quais a IA generativa pode ser útil:
- Geração automática de relatórios e documentação: A IA generativa pode auxiliar na criação automática de relatórios de projeto, documentação e outras informações relevantes. Com base em dados históricos, a IA pode gerar relatórios de status, resumos de progresso, análises de riscos e outros documentos essenciais, economizando tempo e esforço para o gerente de projeto.
- Previsão de duração e recursos do projeto: Com base em dados históricos de projetos similares, a IA generativa pode fazer projeções e estimativas mais precisas sobre a duração do projeto, os recursos necessários e outros aspectos relevantes. Isso ajuda os gerentes de projeto a planejar adequadamente, estabelecer metas realistas e evitar atrasos ou subutilização de recursos.
- Identificação de riscos e mitigação: A IA generativa pode ajudar os gerentes de projeto a identificar potenciais riscos e problemas antecipadamente. Ao analisar dados históricos e padrões, a IA pode detectar tendências e indicar áreas que podem representar riscos para o projeto. Isso permite que os gerentes de projeto tomem medidas preventivas e implementem estratégias de mitigação eficazes.
- Apoio à tomada de decisões: A IA generativa pode analisar grandes volumes de dados e fornecer insights acionáveis para auxiliar na tomada de decisões do gerente de projeto. Por exemplo, ao avaliar métricas de desempenho, a IA pode destacar áreas problemáticas, sugerir ajustes de cronograma, fornecer recomendações sobre alocação de recursos e oferecer opções de solução para desafios específicos.
- Simulação e modelagem de cenários: A IA generativa pode simular diferentes cenários de projeto com base em dados históricos e variáveis específicas. Isso permite que os gerentes de projeto avaliem o impacto de diferentes abordagens, tomem decisões informadas e planejem estratégias mais eficientes.
É importante destacar que a IA generativa não substitui a expertise e o julgamento humano dos gerentes de projeto. Em vez disso, ela oferece suporte valioso, fornecendo informações relevantes e insights para melhorar a tomada de decisões e otimizar o desempenho do projeto.
A importância de se manter dados históricos de projetos
Para alimentar qualquer mecanismo de IA Generativa, é importante organizar uma base histórica com projetos da organização, armazenando todas as informações sobre os projetos preferencialmente em um ambiente em nuvem que permita o trabalho integrado dos dados.
Usar dados históricos de projetos para fazer projeções envolve a aplicação de técnicas de análise de dados e modelagem estatística. Aqui estão algumas etapas gerais que podem ser seguidas:
- Coleta de dados históricos: Reúna informações sobre projetos anteriores, como duração, custo, recursos utilizados, métricas de desempenho e outros dados relevantes. Quanto mais dados você tiver, mais robustas serão suas projeções.
- Limpeza e preparação dos dados: Verifique se os dados estão completos, corretos e consistentes. Remova quaisquer valores discrepantes ou outliers que possam afetar negativamente suas projeções. Transforme os dados em um formato adequado para análise posterior.
- Identificação de padrões: Explore os dados históricos em busca de padrões ou tendências. Use técnicas estatísticas e visualizações para identificar relacionamentos entre diferentes variáveis, como a relação entre a duração do projeto e o número de recursos alocados.
- Desenvolvimento de modelos: Com base nos padrões identificados, desenvolva modelos preditivos. Isso pode envolver o uso de técnicas estatísticas, como regressão linear, análise de séries temporais ou modelos de aprendizado de máquina, dependendo da complexidade dos dados e das projeções desejadas.
- Validação e ajuste do modelo: Avalie a precisão e a eficácia do modelo usando técnicas de validação cruzada ou outras abordagens. Ajuste o modelo conforme necessário para melhorar a precisão das projeções.
- Projeções futuras: Use o modelo validado para fazer projeções para projetos futuros. Alimente os dados relevantes desses projetos futuros no modelo e obtenha as projeções desejadas, como a estimativa de duração, custo ou necessidade de recursos.
É importante destacar que as projeções baseadas em dados históricos não garantem resultados precisos, pois os projetos são únicos e podem estar sujeitos a variáveis imprevisíveis. No entanto, utilizar dados históricos como base pode fornecer insights valiosos e melhorar a tomada de decisões em relação a futuros projetos.
Fique conosco e acompanhe os próximos artigos desta série.
