Podstawy uczenia maszynowego dla menadżerów projektu IT

• Autorzy: Patryk Młodzianowski , Robert Rostkowski

Warianty tytułu

The Basics of Machine Learning for IT Project Managers

• Języki publikacji: PL

Abstrakty

Celem artykułu jest agregacja i podsumowanie wiedzy specjalistycznej z zakresu uczenia maszynowego oraz przedstawienie jej w sposób przystępny dla osób zarządzających projektami, w których wykorzystywane jest uczenie maszynowe. Specyfika tego obszaru wymaga znajomości podstawowych pojęć, aby sprawnie komunikować się z zespołem. Zrozumienie problematyki uczenia maszynowego jest kluczowe z punktu widzenia całego projektu, ponieważ pozwala lepiej i bardziej precyzyjnie zarządzać ryzykiem w projekcie. W tekście dokonano analizy literatury specjalistycznej zarówno z branży IT jak i zarządzania projektami. Następnie dokonano jej syntezy. Artykuł przedstawia wybrane, interdyscyplinarne aspekty wytwarzania oprogramowania wykorzystującego sztuczną inteligencję. Podkreślono także istotne różnice pomiędzy wytwarzaniem oprogramowania klasycznego a oprogramowania opartego o uczenie maszynowe. Dokonano także analizy potencjalnego ryzyka projektowego jakie może wiązać się z obszarem sztucznej inteligencji. (abstrakt oryginalny)

EN

The main purpose of this article is to summarize specialist knowledge in the field of machine learning and present it in an accessible manner for project managers who work on a project that use machine learning. The specificity of this area requires knowledge of basic concepts in order to communicate effectively with the team. Understanding the issues of machine learning is crucial for the entire project, because it allows to prepare better risk management models. The text analyzes specialist literature from both the project management and IT industry. The article presents selected interdisciplinary aspects of software development using artificial intelligence. Significant differences between the production of classical software and machine learning based software were also emphasized. The potential risk that may be associated with the area of artificial intelligence was also analyzed. (original abstract)

Słowa kluczowe

PL

Sztuczna inteligencja; Uczenie maszynowe; Technologia informacyjna; Zarządzanie projektem; Zarządzanie ryzykiem; Szacowanie ryzyka

EN

Artificial intelligence; Machine learning; Information Technology (IT); Project management; Risk management; Risk estimating

• Czasopismo: Management and Quality
• Rocznik: 2021
• Tom: 3
• Numer: nr 4
• Strony: 18-26

Twórcy

autor

Patryk Młodzianowski

• Państwowa Uczelnia Zawodowa im. Ignacego Mościckiego w Ciechanowie

autor

Robert Rostkowski

• Państwowa Uczelnia Zawodowa im. Ignacego Mościckiego w Ciechanowie

Bibliografia

• Aven, T., and Renn, O. (2010). Risk Management and Governance. Springer.
• Badiru, A.B. (2019). Project Management.
• Dandage, R.V., Mantha, S.S., Rane, S.B., & Bhoola, V. (2018). Analysis of interactions among barriers in project risk management. Journal of Industrial Engineering International, 14, 153-169.
• Duncan, W.R. (1996). A guide to the project management body of knowledge.
• Gharibi, G., Walunj, V., Alanazi, R., Rella, S., & Lee, Y. (2019). Automated Management of Deep Learning Experiments. Proceedings of the 3rd International Workshop on Data Management for End-to-End Machine Learning.
• Hopkin, P. (2018). Fundamentals of Risk Management: Understanding, Evaluating and Implementing Effective Risk Management. Kogan Page Publishers.
• Muriana, C., & Vizzini, G. (2017). Project risk management: A deterministic quantitative technique for assessment and mitigation. International Journal of Project Management, 35, 320-340.
• Park, M. (2020). A Monitoring System for Machine Learning Models in a Large-Scale Context.
• Poth, A., Meyer, B., Schlicht, P., & Riel, A. (2020). Quality Assurance for Machine Learning - an approach to function and system safeguarding. 2020 IEEE 20th International Conference on Software Quality, Reliability and Security (QRS), 22-29.
• Schelter, S., Biessmann, F., Januschowski T., Salinas D., Seufert S., and Szarvas G. (2018). On Challenges in Machine Learning Model Management. IEEE Data Engineering Bulletin.
• Schelter, S., Rukat, T., & Biessmann, F. (2020). Learning to Validate the Predictions of Black Box Classifiers on Unseen Data. Proceedings of the 2020 ACM SIGMOD International Conference on Management of Data.
• Schwarz, E.C., Hall, S.A., & Shibli, S. (2019). Project Management. Sport Facility Operations Management.
• Silva, D.N., Simões, A., Cardoso, C., Oliveira, D.E., Rittmeyer, J.N., Wehmuth, K., Lustosa, H., Pereira, R.S., Souto, Y.M., Vignoli, L.E., Salles, R., C., H.D., Ziviani, A., Ogasawara, E.S., Delicato, F.C., Pires, P.F., Pinto, H.L., Maia, L., & Porto, F.A. (2019). A Conceptual Vision Toward the Management of Machine Learning Models. ER Forum/Posters/Demos.
• Singh, H. (2020). Making an End-to-End Pipeline in SageMaker.
• Sun, C., Azari, N., & Turakhia, C. (2020). Gallery: A Machine Learning Model Management System at Uber. EDBT.
• Weber, C., Hirmer, P., & Reimann, P. (2020). A Model Management Platform for Industry 4.0 - Enabling Management of Machine Learning Models in Manufacturing Environments. BIS.
• Willumsen, P.L., Oehmen, J., Stingl, V., & Geraldi, J.G. (2019). Value creation through project risk management. International Journal of Project Management.
• Xin, D., Miao, H., Parameswaran, A.G., & Polyzotis, N. (2021). Production Machine Learning Pipelines: Empirical Analysis and Optimization Opportunities. Proceedings of the 2021 International Conference on Management of Data.
• Ye, W., Hu, R., & Enev, M. (2020). Put Deep Learning to Work: Accelerate Deep Learning through Amazon SageMaker and ML Services. Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining.