Przedmiot 04 ASAI-PM04

Projekty AI: praktyka zarządzania

AI Projects: Management in Practice

Semestr1 i 2
ECTS1
Wykład4 h
Warsztaty8 h
Prowadzi Michał Denka
Zaliczeniez oceną
01Opis

O przedmiocie

Przedmiot uczy prowadzenia projektów AI od strony zarządczej — planowania, decydowania i dowożenia w terminie, w budżecie i zgodnie z wymaganiami. Punktem wyjścia jest teza, którą kurs weryfikuje na przypadkach: AI nie unieważniła zarządzania projektami, zmieniła tylko materiał, z którego się dowozi — zakres bywa hipotezą, nie specyfikacją; koszt nie kończy się w dniu wdrożenia; a wynik eksperymentu bywa negatywny i to jest sytuacja normalna, nie awaria. Omawiane są: realistyczne otwieranie projektu i odróżnianie obietnicy technologicznej od wykonalności; systemowe przyczyny porażek (optimism bias, planning fallacy, eskalacja zaangażowania, demo pomylone z produktem); business case i hipoteza wartości wraz z kosztem operacyjnym rosnącym wraz z użyciem; dobór podejścia do realizacji (predictive, agile, hybrid, eksperymentalne) rozumiany jako projektowanie własnego rytmu decyzyjnego; etapowanie postępu przez eksperymenty, PoC, pilot i MVP z bramkami go/no-go i kryteriami zabicia. Druga oś przedmiotu jest ludzka: wpływ bez władzy formalnej, relacja ze sponsorem, raportowanie bez pozornej zieloności oraz prowadzenie zespołu wspieranego przez asystentów i agentów AI. Przedmiot pełni w programie funkcję spinającą: bierze produkty pozostałych przedmiotów — architekturę, ocenę kosztów, rejestr ryzyk, wymagania governance, plan LLMOps — i pyta o nie z perspektywy kierownika projektu: kto to dowiezie, kiedy, za ile i co się stanie, gdy nie wyjdzie. Zajęcia prowadzone są przez analizę przypadków, symulacje rozmów i ćwiczenia projektowe — bez wymagań programistycznych.

Wymagania wstępne: Fundamenty LLM dla architektów IT (przedmiot 01) Ogólne rozumienie możliwości i ograniczeń modeli AI Security, AI governance i EU AI Act jako wymagania dla IT (przedmiot 08) — może być realizowany równolegle Orientacja w podstawowych wymaganiach governance AI (przedmiot 04 traktuje je jako ryzyko harmonogramowe, nie jako treść)

02Wykłady

Wykłady i materiały

Wykłady i materiały są dostępne po zalogowaniu — tylko dla słuchaczy i prowadzących.

Zaloguj się
03Program zajęć

Plan zajęć

1
Ograniczenia projektu AI: co się zmienia, a co nie zmienia się nigdy. Zakres jako hipoteza, koszt niekończący się z wdrożeniem, wymagania niedomykalne przed pierwszym eksperymentem — i niezmienna odpowiedzialność za dowiezienie. Obietnica technologiczna vs. wykonalność projektowa.
Warsztat: Analiza opisów inicjatyw AI: która obietnica jest wykonalna projektowo, a która tylko technologicznie efektowna.
2
Dlaczego projekty AI upadają — i dlaczego z tych samych powodów co zawsze: optimism bias, planning fallacy, eskalacja zaangażowania, estymata pod oczekiwanie sponsora, dane uznane za gotowe bez sprawdzenia, demo pomylone z produktem.
Warsztat: Diagnoza ryzyka systemowego na dostarczonym opisie projektu — rozpoznanie momentu, w którym projekt stał się inwestycją w obronę wcześniejszej decyzji.
3
Business case, hipoteza wartości i benefits realization. Koszt zmienny rosnący wraz z użyciem — jak wpisać go do business case'u i kto odpowiada za niego po przekazaniu. Rekomendacja zakończenia inicjatywy, która wciąż ma poparcie sponsora.
Warsztat: Budowa business case'u inicjatywy AI: mierniki sukcesu, warunki kontynuacji, koszt operacyjny po wdrożeniu.
4
Dobór podejścia do realizacji: predictive, agile, hybrid, eksperymentalne — porównanie bez nabożeństwa. Sprint zakłada dostarczenie, eksperyment możliwość porażki; definition of done dla funkcji probabilistycznej. Projektowanie własnego rytmu decyzyjnego zamiast adopcji cudzego rytuału.
Warsztat: Zaprojektowanie rytmu decyzyjnego, walidacyjnego i dostawczego dla zadanego scenariusza projektowego — z uzasadnieniem odstępstw od podręcznikowej metodyki.
5
Eksperyment, PoC, pilot, MVP: etapowanie postępu, gdy wynik nie jest pewny. Timeboxy, kryteria sukcesu, bramki go/no-go i kryteria zabicia. MVP w rozwiązaniu probabilistycznym: co znaczy „minimalny”, gdy funkcja działa w 80% przypadków.
Warsztat: Zaplanowanie ścieżki eksperyment → PoC → pilot → MVP dla wybranej inicjatywy — z bramkami i kryteriami zabicia.
6
Interesariusze i sponsoring: wpływ bez władzy formalnej. Mapowanie wpływu, interesów i obaw, relacja ze sponsorem, negocjowanie zakresu. Efekt demo: dziesięciominutowa prezentacja tworzy oczekiwania, których dwanaście miesięcy pracy nie zaspokoi.
Warsztat: Mapowanie interesariuszy i symulacja negocjacji zakresu z interesariuszem, który może projekt wesprzeć, zablokować albo przeczekać.
7
Komunikacja, gdy nie ma dobrych wiadomości: raportowanie bez pozornej zieloności, eskalacja, przekazywanie złych informacji, utrzymywanie zaufania decydentów. Powiedzieć „nie wiem, sprawdzimy” tak, by zabrzmiało jak profesjonalizm.
Warsztat: Symulacja: raport statusu żółtego i rozmowa ze sponsorem po eksperymencie, który nie przyniósł oczekiwanego rezultatu.
8
Zespół w erze agentów: co się dzieje z estymatą, granulacją zadań i velocity, gdy część pracy wykonuje asystent AI. Motywacja, bezpieczeństwo psychologiczne, odpowiedzialność za wynik wygenerowany przez model, zmiana tożsamości zawodowej.
Warsztat: Re-estymacja backlogu przy pracy z asystentami AI — które założenia planistyczne przestają obowiązywać i jak to zakomunikować zespołowi.
9
Governance jako pozycja w harmonogramie, nie załącznik na końcu: kiedy klasyfikacja systemu, dokumentacja, ocena ryzyka i zgody stają się stoperami projektu. Rejestr ryzyk, ryzyko resztkowe, fallback, artefakty decyzyjne, współpraca z compliance i prawnikami.
Warsztat: Uzupełnienie harmonogramu projektu o deliverables governance — gdzie powstaje ryzyko blokady i jak mu zapobiec.
10
Koniec, który nie jest końcem: adopcja użytkowników, change management, przekazanie utrzymania i kosztu operacyjnego, uczenie po wdrożeniu, pomiar rzeczywistej wartości wobec obietnicy z business case'u.
Warsztat: Sekcja zwłok: praca z pakietem dokumentów nieudanego projektu AI — omówienie raportów post-mortem i wniosków.
04Zaliczenie

Kryteria zaliczenia

Wykład: Zaliczenie na podstawie raportu post-mortem („sekcja zwłok”): analiza pakietu dokumentów nieudanego projektu AI — wskazanie momentu, w którym projekt był jeszcze do uratowania, odróżnienie przyczyn systemowych od objawów, propozycja bramki, która zabiłaby projekt na czas.

Warsztaty: Ocena aktywności: trafność decyzji zarządczych w ćwiczeniach i symulacjach, jakość uzasadnień, umiejętność komunikowania niepewności.

← Wszystkie przedmioty