هوش مصنوعی در PMIS مبتنی بر BPMS : وقتی فرایندها نیز قابل تحلیل میشوند
در سالهای اخیر استفاده از هوش مصنوعی در سیستمهای مدیریت اطلاعات پروژه (PMIS) به یکی از موضوعات مورد توجه سازمانها تبدیل شده است. اغلب این راهکارها بر امکان جستجو و پرسش از دادههای پروژه متمرکز هستند؛ به این معنا که کاربران میتوانند به جای تهیه گزارش یا اجرای Queryهای مختلف، سؤالات خود را به زبان طبیعی مطرح کرده و پاسخ مورد نیاز را دریافت کنند. با وجود ارزشمند بودن این قابلیت، واقعیت آن است که مدیران پروژه معمولاً به دنبال صرفاً دریافت اطلاعات نیستند. پرسش اصلی آنها اغلب فراتر از «چه اتفاقی افتاده است؟» بوده و به «چرا این اتفاق افتاده است؟» و «برای رفع آن چه باید کرد؟» مربوط میشود. برای مثال، دانستن تعداد مدارک معوق، سفارشهای خرید باز یا فعالیتهای عقبافتاده به تنهایی مشکل پروژه را حل نمیکند؛ آنچه اهمیت دارد، شناسایی عوامل ایجادکننده این وضعیت و درک ارتباط میان آنهاست.
در بسیاری از PMISهای سنتی، هوش مصنوعی تنها به دادههای ذخیرهشده در پایگاه داده دسترسی دارد. اما زمانی که PMIS مبتنی بر BPMS پیادهسازی شده باشد، علاوه بر دادهها، اطلاعات ارزشمندی از فرایندهای کسبوکار، گردش کارها، مسئولیتها، زمانهای انتظار، گلوگاهها و روابط میان فعالیتها نیز در اختیار سیستم قرار میگیرد. در چنین شرایطی، هوش مصنوعی میتواند از سطح پاسخگویی به پرسشها فراتر رفته و به تحلیل فرایندهای پروژه، کشف علتهای ریشهای مشکلات و حتی ارائه پیشنهادهای اصلاحی نزدیک شود.
در این مقاله بررسی خواهیم کرد که چگونه ترکیب PMIS مبتنی بر BPMS و هوش مصنوعی میتواند مدیریت پروژه را از گزارشگیری و مشاهده وضعیت موجود، به سمت تحلیل، تصمیمسازی و مدیریت هوشمندتر پروژهها هدایت کند.
هوش مصنوعی در PMIS؛ فراتر از جستجو در دادهها
با گسترش مدلهای زبانی و ابزارهای هوش مصنوعی، بسیاری از سازمانها به دنبال اضافه کردن یک رابط گفتگومحور به سیستمهای اطلاعاتی خود هستند. در این رویکرد، کاربر به جای مراجعه به گزارشها و داشبوردهای متعدد، سؤال خود را به زبان طبیعی مطرح میکند و سیستم با تحلیل دادههای موجود پاسخ مناسبی ارائه میدهد.
برای مثال، مدیر پروژه میتواند سؤالاتی از این دست را مطرح کند:
- پیشرفت مهندسی پروژه چقدر است؟
- چند مدرک در وضعیت تأخیر قرار دارند؟
- وضعیت مالی پروژه چگونه است؟
- چه تعداد درخواست خرید باز وجود دارد؟
پاسخ به این سؤالات میتواند سرعت دسترسی به اطلاعات را افزایش دهد و نیاز به جستجو در گزارشهای مختلف را کاهش دهد. با این حال، این قابلیت هنوز در سطح بازیابی و نمایش اطلاعات قرار دارد. چالش اصلی مدیریت پروژه معمولاً در یافتن اطلاعات نیست، بلکه در تحلیل روابط میان اطلاعات و شناسایی عوامل مؤثر بر عملکرد پروژه است. برای مثال، اطلاع از وجود ۵۰ مدرک معوق به تنهایی ارزش چندانی برای مدیر پروژه ایجاد نمیکند. سؤال مهمتر این است که چرا این مدارک معوق شدهاند، چه عواملی در ایجاد این وضعیت نقش داشتهاند و تأثیر آن بر سایر بخشهای پروژه چیست.
در چنین شرایطی، صرف دسترسی هوش مصنوعی به دادههای ذخیرهشده در پایگاه داده کافی نیست. بسیاری از علتها و روابط تأثیرگذار در عملکرد پروژه در ساختار فرآیندها، گردش کارها، مسئولیتها و تعاملات میان واحدهای مختلف نهفته است؛ اطلاعاتی که معمولاً در گزارشهای سنتی یا جدولهای مستقل پایگاه داده به سادگی قابل مشاهده نیستند.
به همین دلیل، ارزش واقعی هوش مصنوعی در PMIS زمانی آشکار میشود که بتواند علاوه بر دادههای پروژه، فرآیندهای حاکم بر پروژه را نیز تحلیل کند. در این حالت، سیستم تنها به پرسش «چه اتفاقی افتاده است؟» پاسخ نمیدهد، بلکه میتواند به پرسشهای مهمتری مانند «چرا این اتفاق افتاده است؟» و «چه اقدامی باید انجام شود؟» نیز نزدیک شود.
تفاوت تحلیل داده و تحلیل فرآیند در یک سناریوی واقعی پروژه
فرض کنید مدیر پروژه در جلسه کنترل پروژه متوجه میشود که پیشرفت مالی پروژه کمتر از مقدار برنامهریزی شده است. در یک PMIS سنتی، مدیر پروژه میتواند از هوش مصنوعی سؤال کند:
«وضعیت پیشرفت مالی پروژه چگونه است؟»
سیستم با بررسی دادههای موجود پاسخ میدهد:
- پیشرفت مالی برنامهای: ۴۲ درصد
- پیشرفت مالی واقعی: ۳۵ درصد
- انحراف از برنامه: ۷ درصد
- مبلغ صورتوضعیت تأیید شده: ۱۲۰ میلیارد ریال
- مبلغ صورتوضعیت در انتظار تأیید: ۳۵ میلیارد ریال
این اطلاعات برای آگاهی از وضعیت پروژه مفید هستند، اما هنوز علت اصلی انحراف مشخص نشده است. حال فرض کنیم همین PMIS بر بستر BPMS پیادهسازی شده باشد و فرآیندهای صورتوضعیت، تأیید کارفرما، تولید مدارک مهندسی، خرید تجهیزات، کنترل پروژه و سایر گردش کارهای مرتبط نیز در سیستم ثبت و مدیریت شوند.
در این شرایط مدیر پروژه میتواند سؤال متفاوتی مطرح کند:
«چرا پیشرفت مالی پروژه کمتر از برنامه است؟»
در این حالت هوش مصنوعی علاوه بر دادههای مالی، فرآیندهای پروژه را نیز تحلیل میکند و ممکن است به نتایجی مانند موارد زیر برسد:
- ۴۵ درصد از انحراف مالی ناشی از تأخیر در تأیید صورتوضعیتهای ارسالی به کارفرما است.
- بخشی از فعالیتهای قابل صورتوضعیت شدن به دلیل تأخیر در تأیید مدارک مهندسی هنوز به مرحله مالی نرسیدهاند.
- چند تجهیز اصلی پروژه تحویل شدهاند، اما فرآیند ثبت و تأیید مستندات تحویل آنها تکمیل نشده است.
- دو صورتوضعیت به دلیل وجود مغایرت در مستندات پشتیبان، چندین مرتبه بین پیمانکار و کارفرما گردش داشتهاند.
- برخی فعالیتهای اجرایی انجام شدهاند، اما اطلاعات پیشرفت آنها با تأخیر در سیستم ثبت شده است.
در این سناریو، سیستم صرفاً اختلاف میان پیشرفت مالی برنامهای و واقعی را گزارش نمیکند، بلکه عوامل ایجادکننده این اختلاف را نیز شناسایی میکند. در واقع هوش مصنوعی به جای تمرکز بر یک شاخص مالی، زنجیرهای از فرآیندهای مهندسی، اجرایی، مستندسازی و مالی را مورد بررسی قرار میدهد تا ریشههای واقعی مسئله را آشکار کند. این همان نقطهای است که تحلیل فرآیند از تحلیل صرف دادهها متمایز میشود.
چرا BPMS بستر مناسبی برای هوش مصنوعی در PMIS است؟
توانایی هوش مصنوعی در تحلیل وضعیت پروژه تا حد زیادی به کیفیت و نوع اطلاعاتی بستگی دارد که در اختیار آن قرار میگیرد. هرچه اطلاعات پروژه غنیتر و ساختارمندتر باشند، تحلیلهای ارائهشده نیز دقیقتر و کاربردیتر خواهند بود. در بسیاری از PMISهای سنتی، اطلاعات پروژه عمدتاً در قالب جداول، فرمها و گزارشهای مستقل ذخیره میشوند. این اطلاعات میتوانند وضعیت فعلی پروژه را نشان دهند، اما معمولاً تصویر کاملی از نحوه شکلگیری این وضعیت ارائه نمیکنند.
در مقابل، زمانی که PMIS مبتنی بر BPMS پیادهسازی میشود، علاوه بر دادههای پروژه، اطلاعات ارزشمندی درباره فرآیندهای اجرایی نیز در سیستم ثبت میشود. برای مثال:
- هر فعالیت در چه فرآیندی قرار دارد.
- مسئول انجام هر مرحله چه کسی است.
- هر کار چه مدت در یک مرحله متوقف مانده است.
- چه تأییدها و بازبینیهایی انجام شده است.
- چه مدارکی چند مرتبه برگشت خوردهاند.
- گلوگاههای فرآیند در کدام بخشها قرار دارند.
- چه وابستگیهایی میان فعالیتها و فرآیندهای مختلف وجود دارد.
این اطلاعات در واقع لایهای از دانش فرآیندی را ایجاد میکنند که در بسیاری از سیستمهای سنتی وجود ندارد. برای درک بهتر تفاوت، فرض کنید هوش مصنوعی با این پرسش مواجه شود:
«مهمترین عوامل تأخیر پروژه در سه ماه گذشته چه بودهاند؟»
اگر تنها دادههای خام پروژه در اختیار سیستم باشد، پاسخ معمولاً به چند شاخص یا گزارش محدود خواهد شد. اما زمانی که اطلاعات فرآیندی نیز در دسترس باشند، هوش مصنوعی میتواند ارتباط میان رخدادها، تأخیرها، مسئولیتها، گردش کارها و تصمیمات اجرایی را تحلیل کرده و الگوهای پنهان را شناسایی کند.به همین دلیل، ارزش BPMS برای هوش مصنوعی صرفاً در ذخیرهسازی اطلاعات بیشتر نیست، بلکه در فراهم کردن زمینه و مفهوم (Context) برای تحلیل اطلاعات است. هوش مصنوعی تنها زمانی میتواند به کشف علتها و ارائه تحلیلهای عمیقتر نزدیک شود که علاوه بر دادهها، منطق فرآیندهای پروژه را نیز درک کند. به بیان دیگر، دادهها به هوش مصنوعی نشان میدهند «چه اتفاقی افتاده است»، اما فرآیندها به آن کمک میکنند تا بفهمد «چرا این اتفاق افتاده است».
از کشف علتها تا تصمیمسازی
شناسایی علتهای یک مشکل، گام مهمی در مدیریت پروژه است؛ اما ارزش واقعی زمانی ایجاد میشود که این تحلیلها به تصمیمهای عملیاتی و مدیریتی منجر شوند. در بسیاری از پروژهها، مدیران از وجود مشکلات آگاه هستند. آنها میدانند که پیشرفت مالی کمتر از برنامه است، برخی مدارک با تأخیر تولید شدهاند یا تعدادی از سفارشهای خرید در وضعیت بحرانی قرار دارند. چالش اصلی معمولاً آگاهی از مشکل نیست، بلکه تشخیص مؤثرترین اقدام برای رفع آن است. در یک PMIS مبتنی بر BPMS ، هوش مصنوعی میتواند علاوه بر تحلیل دادهها و فرآیندها، تأثیر هر عامل بر عملکرد پروژه را نیز ارزیابی کند. به این ترتیب، سیستم قادر خواهد بود مهمترین گلوگاهها و نقاط اثرگذار را شناسایی کرده و اقدامات اصلاحی مناسب را پیشنهاد دهد.
برای مثال، فرض کنید هوش مصنوعی پس از تحلیل فرآیندهای پروژه به این نتیجه برسد که بخش عمده عقبماندگی پیشرفت مالی ناشی از تأخیر در تأیید صورتوضعیتها توسط کارفرما است. در این شرایط، سیستم میتواند پیشنهادهایی مانند موارد زیر ارائه کند:
- تمرکز بر رفع مغایرتهای تکرارشونده در مستندات صورتوضعیت.
- کاهش زمان گردش فرآیند بازبینی داخلی قبل از ارسال به کارفرما.
- اولویتبندی فعالیتهایی که قابلیت تبدیل سریعتر به صورتوضعیت را دارند.
- شناسایی مراحل دارای بیشترین زمان انتظار و اصلاح آنها.
در سطحی پیشرفتهتر، هوش مصنوعی میتواند سناریوهای مختلف را نیز ارزیابی کند. برای مثال:
- اگر زمان تأیید صورتوضعیتها ۵۰ درصد کاهش یابد، چه تأثیری بر جریان نقدینگی پروژه خواهد داشت؟
- اگر منابع بیشتری به بخش مهندسی اختصاص یابد، چه میزان از تأخیرهای بعدی جلوگیری خواهد شد؟
- کدام گلوگاه بیشترین اثر را بر بهبود عملکرد پروژه دارد؟
در چنین شرایطی، PMIS دیگر صرفاً ابزاری برای ثبت اطلاعات و تهیه گزارش نخواهد بود. بلکه به بستری برای تحلیل، ارزیابی گزینهها و پشتیبانی از تصمیمگیری مدیران تبدیل میشود. به همین دلیل، آینده استفاده از هوش مصنوعی در مدیریت پروژه را نباید صرفاً در پاسخگویی به پرسشها جستجو کرد. ارزش اصلی زمانی ایجاد میشود که سیستم بتواند میان دادهها، فرآیندها و اهداف پروژه ارتباط برقرار کرده و مدیران را در انتخاب بهترین اقدام یاری دهد.
چالشها و پیشنیازهای استفاده از هوش مصنوعی در PMIS
اگرچه ترکیب هوش مصنوعی، PMIS و BPMS فرصتهای ارزشمندی برای تحلیل و تصمیمسازی در پروژهها ایجاد میکند، اما دستیابی به این قابلیتها نیازمند فراهم بودن زیرساختها و پیشنیازهای مناسب است. یکی از مهمترین این پیشنیازها، استقرار صحیح و ساختاریافته فرآیندهای پروژه بر اساس یک نقشه راه اجرای فرایندهای EPC است. در کنار آن، وجود دادههای دقیق، بهروز و قابل اعتماد نیز اهمیت بالایی دارد. هوش مصنوعی نمیتواند ضعفهای ناشی از اطلاعات ناقص، تأخیر در ثبت دادهها یا مغایرتهای موجود در سیستم را به طور کامل جبران کند. هرچه کیفیت دادهها و میزان بلوغ فرآیندهای اجرایی بیشتر باشد، تحلیلها و پیشنهادهای ارائهشده نیز قابل اتکاتر و اثربخشتر خواهند بود.
پیشنیاز دوم، استقرار واقعی فرآیندها در BPMS است. در برخی سازمانها، فرآیندها تنها در حد نمودارهای طراحی شده باقی میمانند و بخش قابل توجهی از فعالیتها از طریق ایمیل، فایلهای Excel یا ارتباطات غیررسمی انجام میشود. در چنین شرایطی، بخش مهمی از دانش فرآیندی پروژه در سیستم ثبت نمیشود و امکان تحلیل دقیق آن وجود نخواهد داشت.
موضوع مهم دیگر، استانداردسازی اطلاعات و فرآیندها است. اگر هر پروژه، واحد یا کاربر از روش متفاوتی برای ثبت اطلاعات استفاده کند، هوش مصنوعی در تشخیص الگوها و روابط میان دادهها با محدودیت مواجه خواهد شد. به همین دلیل، یکپارچگی ساختار اطلاعات و فرآیندها نقش مهمی در موفقیت این رویکرد ایفا میکند. همچنین باید توجه داشت که هدف از بهکارگیری هوش مصنوعی، جایگزینی مدیر پروژه یا کارشناسان پروژه نیست. تصمیمهای پروژه همچنان نیازمند قضاوت حرفهای، تجربه و درک شرایط خاص هر پروژه هستند. هوش مصنوعی میتواند تحلیلها را سریعتر، جامعتر و مبتنی بر شواهد ارائه کند، اما مسئولیت تصمیمگیری نهایی همچنان بر عهده مدیران و متخصصان پروژه خواهد بود. بنابراین موفقیت هوش مصنوعی در PMIS بیش از آنکه به قدرت الگوریتمها وابسته باشد، به میزان بلوغ فرآیندها، کیفیت اطلاعات و نحوه استقرار سیستمهای مدیریت پروژه در سازمان بستگی دارد.
جمعبندی
هوش مصنوعی میتواند دسترسی به اطلاعات پروژه را سریعتر و سادهتر کند، اما ارزش واقعی آن زمانی آشکار میشود که بتواند فراتر از دادهها، فرآیندهای پروژه را نیز تحلیل کند. در PMIS مبتنی بر BPMS ، هوش مصنوعی علاوه بر پاسخ به سؤالات، قادر است علتهای ریشهای مشکلات، گلوگاههای فرآیندی و فرصتهای بهبود را شناسایی کند. به همین دلیل، آینده PMIS تنها در ارائه گزارشهای هوشمند خلاصه نمیشود؛ بلکه در حرکت به سمت تحلیل، تصمیمسازی و درک بهتر رفتار پروژهها نهفته است. هرچه فرآیندهای پروژه ساختاریافتهتر و یکپارچهتر باشند، ظرفیت استفاده مؤثر از هوش مصنوعی نیز بیشتر خواهد بود.
