• 코코아소프트

인공지능이 바꾸는 프로젝트 관리의 미래

최종 수정일: 2019년 6월 13일

모든 프로젝트에는 소프트웨어 개발부터 건축, 물류, 금융까지 계획과 관리, 모니터링이 필요 합니다. 문제는 이런 프로젝트 관리의 대부분이 복잡하고 어렵다는 점인데요. 잠재적으로 발생할 수 있는 문제를 미리 제대로 경고하지 못하는 경우도 많습니다. 그렇다면 여기에 인공지능(AI)을 활용하면 어떨까요? 의사 결정을 돕는 시스템과 자동화를 통해 비용과 실수를 줄일 수 있게 되거나, 위험을 분석하고 효율을 높이고 시한과 예산을 준수할 수 있지 않을까요? 오늘은 AI와 머신러닝(Machine Learning), 예측 분석이 프로젝트 관리 분야에 어떤 영향을 끼칠지 살펴 봅시다!



리스크 검토 프로젝트 관리에 성공하려면 계획을 잘 세우고 지키는 것만으로는 부족 합니다. ​프로젝트 내부의 독립성과 외부적 변화 때문에 최종 결과를 보장할 수 없기 때문 입니다. 추정과 예측은 잘해봐야 ‘직감’에 불과하고 최악의 경우 추측과 사기로 끝날 수 있습니다. 애자일과 지속적인 배포 등 현대적인 관리 기법 등을 이용해 프로젝트의 불확실성을 줄일 수 있더라도 그것이 최종 결과까지 보장하는 것은 아니기 때문이죠.


프로젝트의 위험은 항상 유동적인 반면, 사람은 이러한 확률 관리에 능하지 못합니다. 특히 다양한 가능성이 결합된 때는 더 그렇죠. 사람은 ‘희망 기반의 계획’을 하는 경향이 있다고 합니다. 즉, 모두가 어느 정도 낙관적이란 이야긴데요. ​결국 제대로 되지 않을 것이라는 증거가 없으므로, 사람은 원하는 방향으로 이루어지기를 바라게 됩니다.

하지만 AI가 수행한다면 어떨까요? 예측은 항상 불확실하므로 업무에 걸리는 시간의 상한선과 하한선을 설정 합니다. 또는 소프트웨어가 모델링하는 경우도 있습니다. 이를 통해, 마지막까지 문제를 안고 있던 사람만 질책하는 대신, 무엇이 잘못되고 있는지 파악할 수 있게 됩니다. 팀에 프로젝트 전체를 위한 완전한 가장 좋은 사례와 가장 나쁜 사례를 분석 및 업무 분류하는 구조가 있다면 AI는 더 많은 조언을 할 수 있을 것입니다.


프로젝트가 시작되고 모든 것이 긴박해지면 두뇌는 두려움을 느낄 수 밖에 없습니다. 그런데 이런 툴이 있다면 일종의 안전망이 생기는 것이죠. 프로젝트 지출이 20% 늘더라도 성공의 확률은 여전히 양호하므로 위험을 감수해보자’는 판단을 내릴 수 있게 되는 겁니다.

항상 그런 것은 아니지만, 모든 프로젝트 내의 단조롭고 시간이 많이 소요되는 작업을 줄이면, 시간만 아끼는 것이 아니라 오류도 줄어들게 되는 것 입니다.



IBM의 소프트웨어 AG(Software AG)의 개발 사업부 부사장 릭 맥키천은 같은 맥락에서 RPA (Robotic Process Automation)에 주목합니다. 다양한 시스템의 데이터를 병합하고 사례 관리 시스템을 업데이트하는 등, 프로젝트 관리자의 일상적이고 반복적이며 손이 많은 가는 작업 상당 부분을 RPA로 대체하자는 생각 입니다.


데이터 전송과 여러 시스템 간의 이동, 대량 이메일 처리, 보고, 파일 및 문서 처리 등 RPA 를 적용할 수 있는 업무가 많습니다. 실제로 로봇은 이런 종류의 업무 처리에 뛰어 납니다.


예를 들면 로봇이 다양한 업데이트 및 상태 보고서와 데이터를 살펴보고 특정 날짜에 파일이 도착해야 하지만 아직 도착하지 않은 경우에 알림을 제공할 수 있습니다. 누군가 최신 견적서를 제출하지 않으면 사례 관리 시스템의 로봇을 이용해 ‘기한이 이틀 지났으며 매 시간 알림을 보내겠다’고 자동으로 이메일을 보낼 수도 있죠. 이들이 새로운 일정을 업로드하면, 로봇은 프로젝트 관리자가 관심 있어 할만 한 데이터를 추출해 마스터 프로젝트 일정에 추가할 수 있습니다. 이처럼 비즈니스 규칙을 정의하거나 예외 평가 및 보고를 위해 사용할 데이터 모델을 만들 수 있는 경우, RPA가 자원 최적화와 일정 관리에 매우 유용 합니다.



현재 많은 기업이 AI를 이용해 리소스와 진행 상황, 성과 등 프로젝트의 구성 요소를 예측하고 있습니다. 이런 예측은 앞으로 더 발전하겠지만, 프로젝트 전체의 효율을 높이려면 더 많은 프로젝트 에 관한 세부적인 정보를 수집해야 합니다. 프로젝트 자체에 대한 데이터를 수집하고 이를 AI 모델에 공급해 성공한 프로젝트들의 보편적 특성이 무엇인지 계속 탐구해야 합니다. 새로운 데이터 센터를 만들거나, 애플리케이션을 컨테이너 플랫폼으로 옮기는 등 최종 목표가 반복 가능하고 많은 직원이 필요한 대형 프로젝트라면, 머신러닝을 통해 특이점과 상관관계 등을 확인할 수 있는 충분한 데이터를 확보할 수 있습니다.




이런 단계가 되면 AI가 프로젝트 관리자의 파트너가 되고 인간 수준의 감성 역량을 발휘할 수도 있을 것 입니다.



조회 164회

최근 게시물

전체 보기
카카오톡 아이콘1.png