utworzone przez Marcin Żmigrodzki
Od 20 do 22 września będzie miała miejsce we Wrocławiu konferencja o nazwie Management 360. Jest to już kolejna edycja tego wydarzenia i w poprzednim roku wzięło w nim udział ponad 200 uczestników.
Byłem rok temu i muszę przyznać, że naprawdę profesjonalnie zorganizowane wydarzenie i okazja spotkania wielu fajnych ludzi z branży. Cały dwa dni i noc spędziłem na intensywnych dyskusja z ludźmi z naprawdę różnych światów, w tym z wojska. 🙂
Polecam!
I tu prezent dla Was. Każdy, kto przy rejestracji poda kod OCTIGO10 otrzyma 10% upustu na bilety.
A tu link do strony konferencji: https://management360.pl/
utworzone przez Marcin Żmigrodzki
Wprowadzenie
Pojawienie się algorytmów generatywnych języka naturalnego uruchomiło lawinę rozwiązań. Dzisiaj mamy na rynku dostępnych grubo ponad 1000 startupów, które wykorzystują GPT. Za chwilę, gdy Google udostępni swojego Palm, pojawią się dziesiątki rozwiązań opartych na tym algorytmie.
Generalnie traktuję te algorytmy jako „czarne skrzynki” przetwarzające jedne teksty w drugie i to całkiem sprytnie, czyli takie, które człowiek może twórczo interpretować. Dotyczy to wszelkich prac biurowych w sektorze publicznym (decyzje, pisma urzędnicze), jak i prywatnym (komunikacja z klientem, księgowość, ofertowanie, treści marketingowe, dokumenty prawne).
Gdzie sztuczna inteligencja już działa
W aspekcie zarządzania projektami miejsce zastosowania takich algorytmów pojawia się wszędzie tam, gdzie mamy do czynienia z tekstem na wejściu i tekstem na wyjściu. Idąc od początku cyklu życia projektu, takie miejsca można zauważyć na przykład na etapach:
- Inicjacji projektu – odpowiednio podrasowany GPT potrafi już tworzyć typowe dokumenty. Brzmią one dosyć generatywnie, jak gdyby pisał je student zarządzania projektami, ale to moim zdaniem kwestia zbioru uczącego. Dobry fine-tuning modelu i karty projekty będą wyglądały, jak złoto. Obok macie przykład project chartera wygenerowanego dla zadanego przykładu. Z resztą możecie sami sprawdzić na GoodBA, jak to działa. Dodam tylko, że GoodBA korzysta z GPT 3, a załączony przykład jest z GPT 4 i widać tu postęp technologiczny.
- Analizy wymagań – aby sprawdzić, możliwości automatyzowania analizy wymagań, stworzyłem system GoodBA. W mojej opinii, dla generatywnych aplikacji działa to całkiem nieźle. Więcej o takim podejściu do analizy wymagań przeczytasz tutaj.
- Planowania zakresu – mając dobrze opisane wymagania, GPT naprawdę nieźle daje sobie radę ze stworzeniem planu zakresu w formule WBS, czy tez Backlog. Naprawdę niewiele trzeba po nim poprawiać, bo w tym wypadku robi to, co umie najlepiej restrukturyzuje podany mu tekst.
- Planowania ryzyk – wyobrażam sobie i chętnie sprawdziłbym to na przykładzie jakiejś firmy, że gdyby wytrenować model GPT na zbiorze danych o ryzykach z przeszłych projektów, to mógłby generować całkiem porządną wstępną analizę ryzyk dla kolejnego. Zakładam, że musiałaby to być baza zawierająca nie tyle przewidywane ryzyka, co rzeczywiście występujące w historycznych projektach.
- Prz
ygotowania kontraktów – w tym obszarze pojawiło się wiele startupów, które pozwalają na generowanie pism prawnych, w tym umów. Niech najlepiej o możliwościach automatyzacji obszaru prawnego świadczy olbrzymi spadek notowań giganta prawnego z USA – Legalzoom, który można było obserwować w momencie wydania GPT 3. Obok macie wykres kursów Legalzoom – spadek o 70%!
- Komunikacji z interesariuszami – Notion wypuściło moduł AI, a Nuclino – Sidekick. Oba to integracje z GPT mające na celu przyśpieszyć komunikację z użytkownikami. Wystarczy napisać swój komunikat, a potem poprosić, aby automat dodał do tego trochę energii, zmienił klimat na weselszy, wydłużył o dwa akapity oraz przetłumaczył na mongolski. I wszystko to automatycznie.
A gdzie jeszcze nie działa AI
GPT słabo sobie daje radę z wnioskowaniem symbolicznym. Widziałem próby pytania go o działania matematyczne, ale poziom błędowości tutaj jest wciąż wysoki. Jest to algorytm do przewidywania, jaki tekst powinien być napisany po zadanym prompt’cie. W efekcie dopisuje absurdalne wyniki. W przypadku matematyki obejściem tego problemu jest skorzystanie z pluginu Wolfram. Jednak, jeżeli wyobraziłbym sobie wygenerowanie tabeli z kosztami projektu na podstawie opisu wymagań i obciążenia zasobów, to bym poległ.
Pewne nadzieje daje technika pisania promptów zwana chain of thought, czyli tworzenie serii zapytań, w toku których powstaje ustrukturalizowany opis, na podstawie którego z kolei można wygenerować bardziej zaawansowane modele. Sam wykorzystuję to do generowania map procesów w systemie Dot Chart. Obok macie przykład mapy procesu, która została wygenerowana automatycznie na podstawie opisu językiem naturalnym.
Oczami wyobraźni widzę algorytm, który z jednej strony przetwarza teksty pisane językiem naturalnym, ale równolegle z drugiej strony identyfikuje wartości zawarte w tekście i wnioskuje na ich podstawie w sposób bardziej symboliczny tak, jak robią to algorytmy uczenia maszynowego. Taka hybryda GPT i ML.
Kolejny problem związany z brakiem wnioskowania symbolicznego jest słaba jakość rewizji utworzonej dokumentacji. Właściwie zawsze człowiek musi przejrzeć to, co utworzył GPT i przynajmniej lekko zmodyfikować. Algorytm nie potrafi skutecznie wykryć wszystkich luk i niespójności w wygenerowanym tekście na podstawie zadanych kryteriów. Testowałem go na przykładzie studów przypadków biznesowych i osiąga tutaj połowiczny sukces.
Wreszcie GPT słabo sobie radzi z treściami specyficznymi dla konkretnej firmy lub organizacji publicznej. To, co generuje jest raczej dość ogólne. Gdyby chcieć stworzyć opis programu na przykład do obliczania ryzykowności klientów banku detalicznego, to zapewne polegnie. Ale mamy tutaj rozwiazanie pod ręką, a jest nim „fine-tuning”. Jestem po lekturze dokumentacji, jak podkręcać GPT, ale niestety nie mam dostępu do przykładowych treści z jakiejś organizacji, aby przeprowadzić samodzielne testy. Mam nadzieję, że przez wakacje uda mi się wygenerować jakiś prototyp również w tym aspekcie.
Podsumowanie
Całość mógłbym podsumować stwierdzeniem, że zniknie syndrom czystej kartki. Chodzi mi o sytuację, gdy kierownik projektu będzie siadał do planowania projektu z czystą kartką i ją mozolnie wypełniał. Wkrótce będzie siadał z wstępnie wypełnionym dokumentem, czyli zawierającym 80%-90% treści, który będzie musiał sprawdzić, uzupełnić o braki i nadać mu bardziej ludzki ton, np. wprowadzić kilka drobnych błędów. 😉
Ale rewolucja AI w moim przekonaniu oznacza koniec pracy nad czystą kartką. Coś na starcie zawsze będzie na niej wpisane przez algorytmy sztucznej inteligencji.
utworzone przez Marcin Żmigrodzki
GoodBA to narzędzie do automatycznego tworzenia dokumentacji wymagań systemu IT.
Użytkownik w pierwszym kroku wprowadza opis swojego pomysłu na system. GoodBA zintegrowana z GPT radzi sobie z opisami w języku polskim, ale lepiej jednak działa, gdy opis jest po angielsku. Dla lepszych wyników opis można uzupełnić o kontekst biznesowy zawierający cele, wymagania biznesowe, ograniczenia prawne itd.
W kolejnym kroku GoodBA generuje listę ról użytkowników, która często może być z marszu wykorzystana do dalszej analizy. Użytkownik może też wyedytować tą listę zanim przejdzie dalej.
Następnie dla każdej roli użytkownik może wygenerować funkcje. GoodBA podpowie, jakie funkcje każda rola może wykonywać. Te funkcje znowu można edytować, dodawać nowe, albo grupować, gdy funkcja się powtarza.
Od tego momentu użytkownik może wybrać dwie ścieżki:
- Dalej generować dokumentację wymagań.
- Przełączyć się na planowanie zakresu projektu w formie Product Backlogu lub Struktury Podziału Prac (WBS)
W przypadku wybrania ścieżki kontynuowania prac nad dokumentacją użytkownik może stworzyć proces na podstawie funkcji. Aktualnie GoodBA korzysta z GPT 3 i użytkownik samodzielnie musi opisać przebieg procesu językiem naturalnym. Na tej podstawie GoodBA narysuje diagram procesu w dwóch formatach: Dot Chart lub BPMN.
Robiliśmy testy na GPT 4 i okazuje się, że nowsza wersja tego algorytmu radzi sobie z tworzeniem opisów generycznych procesów, więc, jak tylko uzyskamy dostęp do API, rozszerzymy GoodBA o tą funkcję.
W ostatnim kroku użytkownik może wygenerować listę ekranów, które powinny znaleźć się w systemie. Znowu dzieje się to automatycznie, natomiast użytkownik może później edytować listę ekranów po swojemu.
Na koniec całą dokumentację można pobrać na komputer w postaci pliku PDF.
Jeżeli użytkownik przełączy się na funkcje planowania zakresu, GoodBA przygotuje dla niego backlog i wstawi go do prostej tablicy Kanban. Prostej, lecz można z nią normalnie pracować, zapisuje stan zadań, pozwala na edycję ich zawartości i dodawanie nowych.
Backlog można też pobrać do pliku arkusza kalkulacyjnego.
Użytkownik alternatywnie może też wygenerować strukturę podziału prac (WBS), a następnie pobrać ją na swój komputer w postaci arkusza kalkulacyjnego.
Zachęcamy do sprawdzenia możliwości naszej aplikacji: GoodBA. Wierzymy, że może ona wesprzeć zarówno analityków biznesowych, jak i pracowników nietechnicznych, którzy potrzebują zamówić w IT napisanie rozwiązania.
Szczególnie świetnie sprawdza się w przypadku aplikacji tzw. frontendowych, czyli takich, których główną funkcjonalnością jest odczytywanie, edytowanie i dodawanie danych przez użytkownika końcowego za pośrednictwem interface’u WWW, czyli przeglądarki internetowej.
Gorzej radzi sobie z aplikacjami, w których głównym komponentem są algorytmy obliczające zadane równania lub transferujące dane między różnymi systemami. Wynika to prawdopodobnie z tego, że GPT, z którym GoodBA jest zintegrowana został wytrenowany na danych obecnych w internecie, a tam można znaleźć więcej przykładów systemów tej pierwszej kategorii.
utworzone przez Marcin Żmigrodzki
Prezentujemy prototyp naszego najnowszego narzędzia wspierającego pracę analityka – GoodBA od Good Business Analysis.
GoodBA to system do tworzenia dokumentacji wymagań. Krok po kroku zadaje pytania użytkownikowi i generuje odpowiedzi dzięki integracji z GPT.
GoodBA prosi o podanie ogólnego opisu idei systemu. Na tej podstawie generuje role, ich funkcję, ekrany, a przede wszystkim diagramy procesów. W GoodBA wykorzystaliśmy funkcjonalność Dot Charta.
Na koniec przygotowaną dokumentację można zapisać do pliku PDF.
Link do GoodBA
utworzone przez Marcin Żmigrodzki
Ostatnio podjęliśmy się nowego wyzwania. Stworzenia symulacji adresowanej do młodzieży ze szkół średnich. Symulacja miałaby za zadanie przybliżać w praktyczny sposób współpracę w zgodzie ze Scrum.
Jako rekwizyty wybraliśmy klocki i kartki papieru. Zależało nam na tym, aby można je było wykorzystywać wielokrotnie lub niskim kosztem odtworzyć.
Wiemy już, że w pudełku znajdzie się góra klocków, kubek, kilkanaście małych podkładek oraz zalaminowane kartki.
Symulacja powinna zmieścić się na 2-3 lekcjach, aby dało się ją przeprowadzić w ramach zajęć w szkole lub tuż po nich. To okazało się jednym z większych wyzwań, bo cieżko jest w ciagu dwóch godzin przekazać teorię i przećwiczyć praktykę Scruma.
Przyjęliśmy zatem, że część teoretyczna może zostać podana przed symulacją w formie osobnej lekcji lub podręcznika do poczytania. A w trakcie symulacji uczniowie po prostu przećwiczą założenia Scrum za pomocą kloców.
Założyliśmy też, że symulacja będzie adresowana do starszej młodzieży, która zrozumie ideę specjalizacji, metodyki, szacowania wartości, samoorganizacji itp.
Mamy za sobą testy na młodszych dzieciach i tutaj wyzwania są zupełnie inne, ale o tym na końcu.
Kolejne założenie było takie, że z jednej strony uczestnicy powinni pracować w małych grupach, ok. 5-7 osób, a z drugiej strony konieczne jest poprowadzenie symulacji dla całej klasy liczącej niekiedy 30 osób. To oznacza, że trener musi dać sobie radę z 4 grupami równolegle.
Wreszcie ostatnie założenie było takie, że to nie my będziemy prowadzić te zajęcia, tylko woluntariusze. Gdyby polegać tylko na siłach Octigo, to szybko stalibyśmy się wąskim gardłem. W dodatku zlokalizowanym głównie we Wrocławiu.
Idea, która nam przyświecała była taka, żeby stworzyć symulację, którą można zamknąć w pudełku, szybko przeszkolić z jej prowadzenia woluntariusza, który rozumie uprzednio założenia Scrum i wypuścić go tak wyposażonego do szkół.
Dzisiaj jesteśmy na etapie kolejnych testów wewnętrznych. Mamy już ogólną fabułę i główne zasady gry. Trzeba jeszcze dopracować materiały i skalibrować przebieg gry szczególnie z perspektywy czasowej. Chcemy, aby dało się rozegrać 4 sprinty w 2-3 godziny lekcyjne.
Gdy gra będzie działać, przeprowadzimy kilka testów zewnętrznych na uczniach i wówczas będziemy gotowi do zaprojektowania materiałów przez profesjonalnego grafika.
To, co ciągle jest jeszcze niepewne, to jak znaleźć finansowanie na zorganizowanie armii woluntariuszy wyposażonych we własne pudełka do prowadzenia gry oraz w jaki sposób nawiązać współprace ze szkołami. Ale pracujemy nad tym.
Wspominałem o młodszych uczestnikach, otóż sądzimy, że do jednego pudełka klocków, można by włożyć wiele scenariuszy gier, również takich adresowanych do uczniów podstawówek. Wystarczyłoby wziąć inne kartki z planami dla różnych grup uczniów.
Pod koniec maja mam zaplanowany test z jednej z podwrocławskich podstawówek i zobaczymy, co z tego wyjdzie.
utworzone przez Marcin Żmigrodzki
W nowej wersji symulatora Scale Agile wszystkie stany uczestników symulacji zapisują się na serwerze, więc gdy użytkownik odświeży stronę, zerwie mu się połączenie lub pojawi się inny problem techniczny, to może kontynuować grę tam, gdzie ją przerwał.
Oprócz tego naniosłem szereg poprawek ergonomicznych, szczególnie przydatnych przy grze przez telefon.
To wszystko powinno usprawnić rozgrywkę przez dużą liczbę grup równolegle.
Natomiast na ekranie dla trenera można podejrzeć status wszystkich sesji. Można też zobaczyć informacje o tym, na jakim kroku znajduje się, który gracz oraz jaki ma aktualny wynik.
W nasz symulator można zagrać pod adresem: https://scale.octigo.pl/
