Machine learning в реальных условиях. как упростить жизнь менеджеру проекта?

      Комментарии к записи Machine learning в реальных условиях. как упростить жизнь менеджеру проекта? отключены

Автоматизация – это в любой момент ход вперед. Мы не грезим о мире, где автомобили будут трудиться за нас, но было бы хорошо переложить на их плечи солидную часть рутинных дел. Интернациональная IT-компания Zensoft с офисом в Минске именно на данный момент занимается разработкой приложения, которое снижает влияние антропогенного фактора в управлении проектами. Программа разрешит более рационально подбирать исполнителей под имеющиеся задачи, и окажет помощь сотрудникам определить собственные сильные и не сильный стороны.

Проект назвали InHouse – он разрабатывается для внутреннего пользования. О том, как наперед просчитать эффективность каждого сотрудника, порталу KV.by поведали Роман Нагибов (Machine Learning Engineer) и Андрей Рыхальский (Lead Software Engineer).

 

О рациональности и потребностях

Дабы растолковать сущность проекта, необходимо сперва поведать о тех потребностях, каковые привели нас к разработке приложения. В то время, когда у компании появляется новый заказ, управлению необходимо осознать, сможем ли мы его выполнить. Для этого нужно иметь правильные информацию о сотрудниках: кто какими разработками обладает и, что не менее важно, на каком уровне. В случае, если заказ не потянуть из-за недостатка экспертов, лучше сходу от него отказаться.

Кроме этого, одному человеку сложно уследить за всем коллективом и определить количество знаний сотрудника и их глубину по каждой из разработок. Проанализировав отечественные требования, мы заключили , что эту задачу возможно решить посредством машинного обучения. О том, как поэтому мы его применили и какие конкретно взяли результаты, мы поведаем на конференции AI-Men 2 июня.

Отечественное приложение окажет помощь менеджеру проекта самый действенно распределить имеющиеся задачи среди участников команды. Как следствие, компания способна делать достаточно правильные прогнозы на предмет количеств работы, каковые мы можем выполнить за определённый период, а сотрудники приобретают задачи, максимально отвечающие уровню их навыков в соответствующих разработках.

Машина не принимает решение

Отечественная инфраструктура применяет JIRA для управления задачами, реализуя поверх неё собственный функционал, отдельные модули которого выстроены на машинном обучении. Главными чертями каждой каждого сотрудника и задачи являются экспертизы, в противном случае говоря, навыки, и соответствующие им уровни от 1 до 9. При задачи уровень определяет её сложность, а при сотрудника – его квалификацию в рамках данной экспертизы.

На подготовительном этапе мы вручную составляем перечень экспертиз и соответствующих им уровней для каждого сотрудника. Точность оценки тут серьёзна, но однако каждая неточность будет непременно скорректирована методом в зависимости от того, как удачно сотрудник справляется с задачами по той либо другой экспертизе.

Помимо этого, в момент поступления каждой задачи, менеджер проекта и ведущий разработчик соотносят её с существующими в совокупности экспертизами и оценивают сложность каждой из них. С течением проекта количество входных данных будет расти, анализу будет подвергаться статистика по уже выполненным задачам, так к числу факторов, воздействующих на итог работы метода добавятся такие, как свойство сотрудника укладываться в сроки, его локация (принадлежность к одному из контор компании), его текущая загруженность и другие.

Кроме этого мы проводим семантический анализ задач, обрабатывая их текстовое описание в JIRA. Схожесть описания снова поступившей задачи с уже выполненной повышает в глазах метода свойство сотрудника совладать с новой задачей, так увеличивается возможность того, что именно он будет предложен как самый подходящий для данной задачи исполнитель. На применённом тут NLP ответе мы кроме этого остановимся подробнее в рамках выступления на конференции.

В качестве результатов мы приобретаем две весьма полезные характеристики: оценку навыков каждого из рекомендации и сотрудников по назначению исполнителей для поступивших задач. Тут очень принципиально важно, что метод предлагает исполнителя, и обрисовывает обстоятельства собственного выбора, но окончательное слово всё равняется остаётся за менеджером проекта, что способен учесть неочевидные для автомобили нюансы в непростой обстановке, к примеру, из двух одинаково подходящих на весьма важную задачу сотрудников выбрать того, кто постоянно приходит вовремя, в силу того, что рано утром по ней уже необходимо будет отчитаться клиенту.

Мы не знаем заблаговременно, что такое отлично, а что такое не хорошо

Мы не можем знать заблаговременно, как те либо иные факторы воздействуют на производительность. Более того, одинаковый фактор может оказывать диаметрально противоположное влияние на различных сотрудников: кто-то лучше и стремительнее справляется с задачей, в то время, когда коллеги по проекту находятся в том же офисе, а кто-то оказывается действеннее, общаясь с командой только удалённо. Эти сведенья кроме этого анализируются машиной, и результаты этого анализа учитываются при подборе оптимальных исполнителей задач.

Сотрудники кроме этого владеют массой вторых черт: пол, возраст, стаж работы, домашнее положение и многие другие. Потому, что их перечень чуть ли конечен, учесть все – значит создать важную вычислительную нагрузку на метод, взяв вместо достаточно вызывающий большие сомнения прирост в точности оценок, исходя из этого ещё на этапе проектирования мы решили не учитывать эти факторы. Оно было кроме этого продиктовано тем, что влияние косвенных параметров на работу сотрудника уже учтено в том, справился он с задачей в срок либо нет.

Машина не забудет обиду человека

На финальной стадии, в то время, когда менеджер проекта приступил к тестированию отечественного приложения, мы столкнулись с проблемой перевода результатов его работы на язык, максимально понятный человеку. К примеру, на данный момент машина может сказать, что один сотрудник подходит для ответа задачи на 10% лучше другого, и пояснить, что, хоть его уровень в нужной экспертизе ниже на 2 пункта, он укладывается в сроки на 25% чаще.

В условиях, в то время, когда различные задачи владеют различной важностью, различной срочностью, а кое-какие из них кроме этого требуют строго определённого порядка исполнения, менеджер должен иметь возможность соотнести прогнозы автомобили с действительностью и, скажем, взять ожидаемое время исполнения задачи каждым из сотрудников вместо абстрактного значения.

Подводя итог нельзя не упомянуть и о некоторых опасениях. У нас в офисе уже прижились шутки про Громадного Брата и Всевидящее Око, от которых не утаится ни один промах сотрудника на проекте. Тогда как менеджер проекта способен осознать настоящие обстоятельства, по которым были сорваны сроки (коих возможно много: перебои с интернетом, недомогание либо помощь товарищам по команде), машина бессердечно отметит про себя, что сотрудник переоценен, и снизит его оценку по экспертизам, относящимся к невыполненной в срок задаче.

Уравновешивающим причиной тут есть то, что все иногда выясняются в таких обстановках, исходя из этого на оценку сотрудника относительно коллег это очень сильно не воздействует. Так, любой из нас приобретает адекватную и беспристрастную оценку собственных навыков, а компания – уверенность в исполнении задач совершенно верно в срок.

Менеджер проектов: личные и профессиональные качества

Интересные записи: