نقش هوش مصنوعی در گذار از کنترل واکنشی به مدیریت پیش‌نگر پروژه‌های عمرانی

کنترل پروژه؛ از ثبت آنچه گذشته تا پیش‌بینی آنچه در راه است

کنترل پروژه به‌طور سنتی بر مقایسه وضعیت واقعی با برنامه مصوب استوار است. برنامه مبنا تهیه می‌شود، پیشرفت واقعی ثبت می‌شود، انحراف‌ها بررسی می‌شوند و شاخص‌هایی مانند SPI، CPI،  Float و درصد پیشرفت وضعیت پروژه را نشان می‌دهند. سپس تیم پروژه علت انحراف را شناسایی و برای اصلاح آن اقدام می‌کند. این فرآیند همچنان ضروری است؛ اما یک محدودیت طبیعی دارد: برای کنترل یک انحراف، ابتدا باید آن را ببینیم. به همین دلیل، گزارش‌های متعارف عمدتاً به دو سؤال پاسخ می‌دهند: «چه اتفاقی افتاده؟» و «چرا؟» تحلیل‌های پیش‌بینانه سؤال سومی را اضافه می‌کنند: “با توجه به آنچه تاکنون اتفاق افتاده، احتمالاً چه چیزی در ادامه رخ خواهد داد؟” مرور پژوهش‌های سال‌های اخیر نشان می‌دهد کاربرد روش‌های Machine Learning در صنعت ساخت، از زمان‌بندی و مدیریت ریسک تا پایش پیشرفت و پیش‌بینی تأخیر، به‌طور جدی در حال توسعه است.

پروژه‌ها پیش از آنکه دچار تاخیر شوند، نشانه می‌دهند

پروژه معمولاً یک‌شبه وارد بحران نمی‌شود. پیش از وقوع تأخیر جدی، مجموعه‌ای از نشانه‌های کوچک در بخش‌های مختلف ظاهر می‌شود: طولانی‌شدن چرخه تأیید مدارک، تأخیر در خرید، افت بهره‌وری، مشکل تأمین نیروی انسانی، افزایش مدت فعالیت‌های پیش‌نیاز یا کاهش شناوری فعالیت‌های کلیدی. مسئله از جایی آغاز می‌شود که این اتفاق‌ها به یکدیگر متصل شوند. تأخیر در تأیید نقشه می‌تواند خرید تجهیز را جابه‌جا کند؛ تأخیر خرید، ورود تجهیز به کارگاه را عقب بیندازد؛ نبود تجهیز، یک جبهه کاری را متوقف کند و این توقف، توالی فعالیت‌ها و برنامه منابع را تحت تأثیر قرار دهد. در نهایت، چیزی که در گزارش ماهانه به شکل یک «تأخیر ۱۵ روزه» دیده می‌شود، ممکن است از هفته‌ها قبل در قالب چندین نشانه کوچک در حال شکل‌گیری بوده باشد. یکی از ظرفیت‌های مهم یادگیری ماشین، پیدا کردن همین الگوهای چندعاملی در میان حجم زیادی از داده است؛ الگوهایی که ممکن است در بررسی معمول گزارش‌ها دیده نشوند.

قرار نیست آینده را حدس بزنیم؛ قرار است از گذشته یاد بگیریم

مدل‌های یادگیری ماشین آینده پروژه را پیش‌گویی نمی‌کنند. آن‌ها از داده‌های پروژه‌های گذشته یاد می‌گیرند. اگر در پروژه‌های قبلی ترکیبی از کاهش شناوری، افت بهره‌وری، افزایش مدت فعالیت‌های پیش‌نیاز و تأخیر در تأمین، بارها پیش از تأخیر نهایی مشاهده شده باشد، مدل می‌تواند احتمال شکل‌گیری چنین الگویی را در پروژه جدید تشخیص دهد. بنابراین خروجی ارزشمند لزوماً این نیست که سیستم بگوید «پروژه دقیقاً ۱۲ روز تأخیر خواهد داشت». مهم‌تر این است که اعلام کند: "ریسک تأخیر افزایش یافته و این عوامل بیشترین نقش را دارند." هدف، پیش‌گویی قطعی نیست؛ هدف ایجاد فرصت برای اقدام پیشگیرانه است.

از میان صدها فعالیت، کدام‌یک واقعاً اهمیت بیشتری دارد؟

در یک پروژه بزرگ، هزاران فعالیت، صدها قلم خرید، چندین جبهه کاری و حجم زیادی از مکاتبات و گزارش‌ها تولید می‌شود. سؤال مدیریت پروژه فقط این نیست که چه اتفاق‌هایی در حال رخ دادن است؛ سؤال مهم‌تر این است که کدام اتفاق می‌تواند بیشترین اثر را بر آینده پروژه داشته باشد؟ تحلیل‌های هوشمند می‌توانند فعالیت‌ها و ریسک‌ها را بر اساس احتمال وقوع و میزان اثرگذاری اولویت‌بندی کنند. برای مثال، یک تجهیز ممکن است هنوز عقب‌افتاده محسوب نشود، اما ترکیب وضعیت تأمین، فعالیت‌های وابسته و شناوری نشان دهد که ادامه روند فعلی، آن را به یکی از ریسک‌های اصلی پروژه تبدیل می‌کند. هشدار زودهنگام در چنین شرایطی زمان می‌خرد: برای مذاکره با تأمین‌کننده، تغییر مسیر خرید، افزایش منابع، اصلاح توالی فعالیت‌ها یا تعریف راهکار جایگزین. بنابراین ارزش اصلی فناوری فقط در «پیش‌بینی» نیست؛ در زمانی است که پیش از وقوع بحران برای تصمیم‌گیری در اختیار تیم پروژه قرار می‌دهد.

شاید اولین مسئله، هوش مصنوعی نباشد؛ داده باشد

پیش از پیاده‌سازی راهکارهای هوشمند، باید پرسید داده‌های پروژه تا چه اندازه منظم، قابل اتکا و قابل تحلیل هستند. آیا پیشرفت‌ها با روش یکسان ثبت می‌شوند؟ آیا Actual Start و Actual Finish به‌موقع ثبت می‌شوند؟ آیا علل تأخیر واقعاً طبقه‌بندی می‌شوند یا همه‌چیز در عبارتی مانند «مشکلات اجرایی» خلاصه می‌شود؟ آیا اطلاعات مهندسی، خرید، برنامه‌ریزی و اجرا به یکدیگر متصل‌اند؟ اگر پاسخ بسیاری از این پرسش‌ها منفی باشد، حتی مدل پیشرفته نیز خروجی قابل اتکایی نخواهد داشت. پژوهش‌های اخیر نیز نشان می‌دهند موفقیت هوش مصنوعی در پروژه‌های ساخت فقط به فناوری وابسته نیست و کیفیت داده، آمادگی سازمان، زیرساخت فناوری و مشارکت ذی‌نفعان نقش مهمی دارند. بنابراین ممکن است نخستین گام یک شرکت، خرید نرم‌افزار جدید نباشد؛ بلکه ایجاد نظم و انسجام در داده‌هایی باشد که سال‌ها در پروژه‌های مختلف تولید شده‌اند.

از پیش‌بینی تا تصمیم؛ جایی که تجربه انسانی تعیین‌کننده است

فرض کنیم یک مدل اعلام کند احتمال تأخیر یک فعالیت ۷۸ درصد است. آیا مدیر پروژه باید صرفاً بر اساس این عدد تصمیم بگیرد؟ قطعاً نه. سؤال مهم‌تر این است: "این هشدار بر چه اساسی ایجاد شده است؟» اگر سیستم نشان دهد کاهش شناوری، افت بهره‌وری، تأخیر در تأمین و افزایش مدت فعالیت‌های پیش‌نیاز عوامل اصلی‌اند، مدیر پروژه می‌تواند این یافته را با واقعیت کارگاه تطبیق دهد. شاید تجهیز همان روز وارد کارگاه شده باشد و هنوز در سیستم ثبت نشده باشد؛ یا تیم اجرا از قبل اقدام جبرانی انجام داده باشد. برعکس، ممکن است مدل الگویی را شناسایی کرده باشد که هنوز برای تیم پروژه آشکار نیست. بنابراین آینده مطلوب، جایگزینی انسان با ماشین نیست؛ بلکه ترکیب توان تحلیل داده با تجربه و قضاوت حرفه‌ای است. مفهوم Human-in-the-loop  نیز بر همین نقش نظارت و تصمیم‌گیری انسانی تأکید دارد.

اگر پیش‌بینی اشتباه باشد چه؟

هیچ مدل پیش‌بینی بدون خطا نیست. عملکرد آن می‌تواند با تغییر نوع پروژه، شرایط اجرا یا کیفیت داده تغییر کند. بنابراین اعتبارسنجی و ارزیابی مستقل ضروری است. علاوه بر دقت، توضیح‌پذیری نیز اهمیت دارد. یک هشدار مدیریتی زمانی ارزشمند است که فقط نگوید «احتمال تأخیر ۸۰ درصد است»، بلکه نشان دهد چه عواملی این احتمال را افزایش داده‌اند. چنین خروجی‌ای امکان بررسی، اعتماد و اقدام را فراهم می‌کند.

PMO؛ از گزارش وضعیت به پشتیبانی از تصمیم

این تحول می‌تواند نقش PMO را نیز تغییر دهد. PMO می‌تواند علاوه بر گزارش و داشبورد، مسئول استانداردسازی داده‌ها، تعریف WBS و شاخص‌های عملکرد، کنترل کیفیت اطلاعات، توسعه هشدارهای زودهنگام، تحلیل ریسک‌های پیش‌نگر و ثبت Lessons Learned باشد. در این مدل،  PMO فقط پاسخ نمی‌دهد که «ماه گذشته چه اتفاقی افتاد؟»؛ بلکه به مدیران کمک می‌کند بفهمند: "با توجه به شرایط فعلی، چه چیزی ممکن است در ادامه اتفاق بیفتد و کجا باید زودتر مداخله کنیم؟" این یعنی حرکت از  Reporting به سمت Decision Support.

آینده؛ پروژه‌ای که قبل از بحران هشدار می‌دهد

تصور کنید گزارش هفتگی پروژه در آینده فقط فهرست فعالیت‌های عقب‌افتاده نباشد، بلکه بگوید: "هنوز تأخیر قابل‌توجهی رخ نداده است؛ اما الگوی فعلی با شرایطی که در پروژه‌های گذشته پیش از وقوع تأخیر مشاهده شده، شباهت دارد." سپس مشخص کند کدام فعالیت‌ها پرریسک‌اند، چه عواملی این وضعیت را ایجاد کرده‌اند و کدام اقدامات می‌توانند ریسک را کاهش دهند. مسیر کنترل پروژه می‌تواند از: به سمت: تغییر کند. هوش مصنوعی قرار نیست پروژه را به جای ما مدیریت کند. ارزش واقعی آن این است که به تیم پروژه کمک کند زودتر ببیند، بهتر تحلیل کند و زمانی برای تصمیم‌گیری داشته باشد که هنوز امکان تغییر نتیجه وجود دارد. آینده کنترل پروژه، نه حذف تجربه انسانی، بلکه ترکیب داده، تجربه و قابلیت‌های پیش‌بینانه است؛ حرکتی از دیدن آنچه اتفاق افتاده به سمت فهمیدن آنچه در حال شکل‌گرفتن است.