머신러닝과 예측 애널리틱스가 프로젝트 관리에 크게 일조할 수 있다. 추정, 자원 관리, KPI와 같은 핵심 영역에서 특히 그렇다.
소프트웨어 개발부터 건축, 물류, 금융까지 모든 프로젝트에는 계획과 관리, 모니터링이 필요하다. 하지만 여기에 사용되는 툴은 복잡하고 전문가를 위해 개발됐다. 또 잠재적으로 발생할 수 있는 문제에 관해 제대로 경고해주지 못하는 경우가 많다.
그렇다면 여기에 AI를 활용할 수는 없을까? 의사 결정 지원 시스템과 자동화를 통해 비용과 실수를 줄이거나 위험을 분석하거나 효율을 높이거나 시한과 예산을 준수하도록 하면 어떨까?
인공지능, 머신러닝(Machine Learning), 예측 분석이 앞으로 프로젝트 관리 분야에 어떤 영향을 끼칠지에 대해 미리 살펴본다.
리스크 검토
프로젝트 관리를 위해서는 사전에 계획을 잘 세우고 준수하는 것만으로는 부족하다. 프로젝트 내부적인 독립성과 외부적인 변화 때문에 결과를 보장할 수 없다. 추정과 예측은 잘해봐야 직감에 불과하며 최악의 경우 추측과 사기로 끝날 수도 있다. 애자일 및 지속적 전달 등의 현대적인 관리 기법의 목표는 점진적으로 진행하면서 불확실성을 감소시키는 것이지만 그렇다고 해서 최종 결과물을 보장할 수 없다. 위험과 보상의 균형을 맞춘 다양한 프로젝트를 선택해 포트폴리오를 관리할지라도 위험을 정확하게 분석하기가 어렵다.
“프로젝트의 위험은 항상 확률적이다. 그러나 인간의 정신은 위험 기반 확률 관리에 능하지 못하다. 특히 다양한 확률을 결합할 때 더욱 그렇다”라고 앱테이지(Aptage)의 CEO 존 하인츠는 말했다.
그는 “희망 기반의 계획”이라는 표현을 사용하며, “인간들은 모두 어느 정도는 낙관적이다. 우리는 앞날을 긍정적으로 바라보고 제대로 되지 않을 것이라는 증거가 없기 때문에 우리가 원하는 방향으로 이루어지기를 희망하게 된다”라고 설명했다.
앱테이지는 머신러닝을 이용해 프로젝트 결과를 예측하고 있다. 사전 계획된 각 단계의 시작 및 종료 날짜 등 이미 보유하고 있는 데이터를 활용해서다. 가능한 경우에는 백로그 데이터를 이용하기도 한다. 예측은 항상 불확실하기 때문에 과업에 소요되는 시간의 상한선과 하한선을 설정하게 된다. (또는 소프트웨어가 모델링할 수도 있다). 하인츠는 “마지막으로 문제를 안고 있던 사람만 나무랄 것이 아니라 무엇이 잘못되고 있는지 파악할 수 있도록 하는 것”아라고 설명했다.
그는 대부분의 팀이 이런 정보를 확보하곤 한다고 전했다. “매우 엄격한 프로세스가 없는 팀도 우리의 툴을 바로 사용할 수 있다. 7가지나 되는 팀의 밀린 일이 냅킨에 적혀 있다 하더라도 우리가 어느 정도는 도울 수 있다. 팀에 프로젝트 전체를 위한 완전한 최고/최악 사례 분석 및 업무 분류 구조가 있다면 더 많은 조언을 할 수 있다”라고 하인츠가 말했다.
앱테이지는 컨퍼런스, 적합성, 시간에 따른 위험의 증가 또는 감소를 시각적으로 표현해 하인츠가 말하는 빠른 사고와 느린 사고 사이에서 전환할 수 있도록 돕는다.
그는 “직관적인 결정을 내릴 수 있도록 돕기 위해서는 이런 시각화가 필요하다. 프로젝트가 시작되고 모든 것이 더욱 긴박해지면 두뇌가 두려움을 느낄 수 밖에 없다. ‘상처를 입을 수도 있지만 안전망이 있는 것이다. 이 프로젝트에 대한 지출이 20% 늘더라도 [성공의] 확률은 여전히 양호하다. 위험을 감수하자’라는 판단을 내릴 수 있게 된다”라고 말했다.
앱테이지가 활용하는 알고리즘과 모델은 소프트웨어 개발 용도로 개발됐다. 그러나 건축 프로젝트에도 적합하다. 현재는 (다소 기본적인) 지라(Jira)와 통합돼 있지만, 향후에는 마이크로소프트 프로젝트(Microsoft Project), 프리마베라(Primavera) 건축 계획, 트렐로(Trello), 세일즈포스(Salesforce) 또는 파워 BI(Power BI)의 기능 로드맵과 KPI 대시보드 등 프로젝트 팀이 흔히 사용하는 툴과 통합되기를 하인츠는 기대하고 있다. 그는 “트렐로 또는 서비스나우(ServiceNow)에서 언제, 어느 정도 수준의 신뢰도로 예측이 가능할까? ‘90% 신뢰도 날짜를 제시하라’라는 식의 질문이 가능해지는 것”이라고 말했다.
앱테이지의 목표를 쉽게 표현한다면 프로젝트 막바지에 가서 놀라는 일이 없도록 하는 것이다. 하인츠는 “오늘 프로젝트가 제대로 마무리되지 않을 확률이 60%라는 사실을 안다면 어떻게 할까? 또 위험의 근원과 이에 대해 취할 수 있는 조치를 알려줄 수 있다”라고 말했다.
즉 앱테이지는 문제가 되는 프로젝트를 해결하지는 않지만 이에 대해 경고한다. 하인츠는 “두 가지 상황을 예로 들 수 있다. ‘고위험 프로젝트이며 우리가 잘 관리하고 있다’와 ‘우리는 어떤 위험이 있는지 모른다. 우리는 단지 프로젝트를 완료할 것이라고 약속할 수 있으며 마지막 순간에 아니라고 말할 수도 있다’라는 상황이다”라고 말했다.
리소스 관리
예측 유지보수 등 기업들이 이미 도입하고 있는 일부 AI 툴은 프로젝트 효율과 신뢰성을 높이는데 도움이 될 수 있다고 마이크로소프트의 클라우드 AI(Cloud AI)팀 책임자 랜스 올슨이 전했다.
그는 “일정과 위험 측면에서 프로젝트에 문제가 발생하는 가장 보편적인 원인은 프로젝트에서 이용하는 시스템에서 발생하는 예측하지 못한 고장이다”라고 말했다.
올슨은 “AI가 프로젝트 초기의 예측이나 실행 시의 위험 제거 등” 프로젝트의 위험을 제거함으로써 큰 도움이 될 것으로 기대하고 있다”라며 “현재는 불확실성이 너무 크다. 대부분 현재 거대한 버퍼(Buffer)를 만들어 이에 대응하고 있다”라고 말했다.
AI는 이미 진행 상황과 성과를 추적하는데 도움이 될 수 있고 특히 프로젝트 관리가 무엇인지에 관해 광범위한 시야를 제시할 때 더욱 그렇다고 뉴렐릭(New Relic)의 플랫폼 제품 관리 책임자 나디아 듀크 분이 평가했다. 이 기업은 최근 자사의 성과 모니터링 툴에 적응형 지능(Applied Intelligence)이라는 것을 추가했다.
듀크 분은 “프로젝트 관리의 많은 부분이 공식적인 직함 또는 역할이 없는 방향으로 나아가고 있다. 이미 이러한 방향성을 가진 일련의 새로운 프로젝트 관리 툴이 존재한다”라고 말했다.
점진적인 프로젝트의 경우 성공이 항상 프로젝트 종료 시에 결정되는 것은 아니다. 품질과 신뢰성을 중심으로 하는 지속적인 KPI가 될 가능성이 높다. 듀크 분은 “자신들이 제대로 하고 있는지를 궁금해하는 고객들은 ‘얼마나 많은 배치가 가능한가?’, ‘배치의 신뢰도가 어느 정도인가?’, ‘회귀 오류가 있는가?’, ‘원했던 성과를 얻고 있는가?’ 등의 지표를 활용하고 있다”라고 말했다.
그는 이어 “AI는 중요하지만 확인하기 어렵거나 눈에 보이더라도 인간이 쉽게 무시할 수 있는 데이터 스트림에서 서서히 증가하는 트렌드를 식별할 수 있다”라고 설명했다.
뉴렐릭의 AI(Applied Intelligence)에는 이런 패턴과 문제를 찾고 조치를 제안하며 사용자가 파악한 것으로부터 학습하는 레이더(Radar)라는 툴이 포함되어 있다. 그는 “주 단위의 속도 저하 등 프로젝트가 너무 일과에 집중한 나머지 우리가 알아차리지 못한 잘못된 방향으로 나아가는 추세를 찾는데 도움이 되고 있다”라고 말했다.
듀크 분은 즉 AI가 우리가 잘못된 것들에 주의를 기울일 수 있도록 하는데 도움이 될 수 있다며 “지표를 통해 잘못된 방향으로 나아가고 있음이 드러났지만 사람들이 이를 인정하기 어려운 경우가 종종 있었다”라고 전했다.
또한 자동화를 통해 프로젝트 관리자가 실제로 관리할 시간이 증가할 수 있다는 설명이다. 그는 “어느 업계에서나 AI가 하는 역할 중 하나는 지루한 업무를 없앰으로써 인간이 기계보다 잘 하는 부분에 집중할 수 있도록 하는 것이다. 사실 프로젝트 관리에서는 우리가 명확한 목표를 갖고 있으며 모두가 같은 방향으로 나아가고 있고 그들의 업무가 조율되고 있는지가 숫자 놀이보다 중요하다”라고 말했다.
예를 들어, 뉴렐릭은 관리자에게 자본화가 가능한 시간을 관리하도록 알려주는 챗봇(Chatbot)을 사용하고 있다. 이와 관련해 듀크 분은 사람들이 상태 업데이트를 표현하는 방식에 대한 자연어 분석이 프로젝트 진행 상황에 대한 신뢰도를 판단하는데 도움이 될 수도 있다고 생각한다고 전했다.
올슨은 또 “반드시 가치가 높은 것은 아니지만 모든 프로젝트 나타나는 단조롭고 시간이 많이 소요되는 작업을 줄이면 시간만 아끼는 것이 아니라 오류도 줄어든다”라고 말했다.
소프트웨어 AG(Software AG)의 개발 사업부 부사장 릭 맥키천은 RPA(Robotic Process Automation)가 제공물과 기타 물류를 조율하기 위해 다양한 시스템의 데이터를 병합하고 사례 관리 시스템을 업데이트하는 등 프로젝트 관리자의 일상적이고 반복적이며 분량이 많은 과업의 상당 부분을 담당하고 있는 것으로 보고 있다.
그는 “데이터 전송, 여러 시스템들 사이에서의 이동, 대량 이메일 처리, 보고, 파일 및 문서 처리 등 할 수 있는 일이 많다. 로봇은 이런 종류의 활동에 뛰어나다”라며 다음과 같이 말했다.
“로봇이 다양한 업데이트 및 상태 보고서와 데이터를 살펴보고 특정 날짜에 파일이 도착해야 하지만 도착하지 않은 경우 알림을 제공할 수 있다. 누군가 최신 견적서를 제출하지 않은 경우 사례 관리 시스템을 갖춘 로봇을 이용해 그에게 ‘기한이 이틀이나 지났으며 매 시간 알림을 보내겠다’라고 이메일을 보낼 수 있다. 그리고 그들이 새로운 일정을 업로드하면 로봇이 내가 관심이 있는 데이터를 추출하여 마스터 프로젝트 일정에 삽입하도록 할 수 있다.”
예측 및 실험
RAP는 또한비즈니스 규칙을 정의하거나 예외 평가 및 보고를 위해 사용할 수 있는 데이터 모델을 생성할 수 있는 경우에서 자원 최적화 및 일정 관리에 유용할 수 있다. 이는 특히 교통 및 물류에 유용할 수 있다. 올슨은 “가령 연료 비용 최소화를 위한 최소 비용 경로 또는 부하 최적화 등 머신러닝을 사용할 수 있는 최적화가 많다”라고 말했다.
그는 그러나 “정말로 AI를 활용하여 프로젝트를 개선하고 싶다면 실험 및 개선 방법을 찾아야 한다고 주장했다.
그는 “이런 종류의 연습이 향후 5년 동안 조직을 진정으로 차별화하는 요소가 될 것이다. 지능 시스템이 바로 그것이며 CIO는 이를 설계하여 실험 속도를 높여야 한다”라고 강조했다.
“이 때 이렇게 말하게 된다. ‘지난 달의 정확도는 75%였다. 그렇다면 나머지 25%는? 우리에게 날씨가 예측 변수일 수 있다. 날씨 피드를 가져다가 모델에 추가하면 80%를 달성할 수 있을 수도 있다.’ 실험 속도와 학습 속도를 프로젝트 성공을 위한 주요 지표로써 살펴볼 것으로 권한다. 얼마나 체계적으로 이런 학습을 확보하고 더 많은 실험을 유도하고 있는가?”라고 올슨은 말했다.
올슨은 이어 “현재 사람들은 자원 그리고 자원 대비 진행상황 또는 자원 건전성 또는 성과 등 프로젝트의 구성요소를 예측하고 있다. 이것이 성숙하면서 앞으로는 한 단계 더 발전할 것이다. 어떻게 하면 프로젝트 전체의 효율을 높일 수 있을까? 이를 위해서는 더 많은 프로젝트에 관한 세부적인 정보를 수집해야 한다”라고 말했다.
이를 위해서 프로젝트 자체에 대한 데이터를 수집하고 이를 모델에 공급하며 이상 또는 프로젝트를 성공으로 이끈 보편적인 특성이 무엇이었는지에 관해 지속적으로 이야기해야 한다는 설명이다.
듀크 분은 새로운 데이터센터 설치나 애플리케이션을 컨테이너 플랫폼으로 옮기는 등 최종 목표가 반복 가능한 많은 인력이 투입된 크고 복잡한 프로젝트의 경우라면 머신러닝이 이상점, 이상, 상관관계 등을 확인할 수 있는 충분한 데이터가 존재할 수 있다고 전했다.
그는 “인공지능이 이렇게 말하는 것이다. ‘여기 다음과 같은 3가지 흥미로운 상관관계를 발견했다. 당신이 좀 더 자세히 알고 싶을지도 모르겠다.’ 이렇듯 AI가 프로젝트 관리자의 파트너가 되고 인간 수준의 감성 지능 역량을 발휘할 수 있을 것이다”라고 말했다.
올슨은 “AI가 프로젝트 초기의 예측이나 실행 시의 위험 제거 등” 프로젝트의 위험을 제거함으로써 큰 도움이 될 것으로 기대하고 있다”라며 “현재는 불확실성이 너무 크다. 대부분 현재 거대한 버퍼(Buffer)를 만들어 이에 대응하고 있다”라고 말했다.
AI는 이미 진행 상황과 성과를 추적하는데 도움이 될 수 있고 특히 프로젝트 관리가 무엇인지에 관해 광범위한 시야를 제시할 때 더욱 그렇다고 뉴렐릭(New Relic)의 플랫폼 제품 관리 책임자 나디아 듀크 분이 평가했다. 이 기업은 최근 자사의 성과 모니터링 툴에 적응형 지능(Applied Intelligence)이라는 것을 추가했다.
듀크 분은 “프로젝트 관리의 많은 부분이 공식적인 직함 또는 역할이 없는 방향으로 나아가고 있다. 이미 이러한 방향성을 가진 일련의 새로운 프로젝트 관리 툴이 존재한다”라고 말했다.
점진적인 프로젝트의 경우 성공이 항상 프로젝트 종료 시에 결정되는 것은 아니다. 품질과 신뢰성을 중심으로 하는 지속적인 KPI가 될 가능성이 높다. 듀크 분은 “자신들이 제대로 하고 있는지를 궁금해하는 고객들은 ‘얼마나 많은 배치가 가능한가?’, ‘배치의 신뢰도가 어느 정도인가?’, ‘회귀 오류가 있는가?’, ‘원했던 성과를 얻고 있는가?’ 등의 지표를 활용하고 있다”라고 말했다.
그는 이어 “AI는 중요하지만 확인하기 어렵거나 눈에 보이더라도 인간이 쉽게 무시할 수 있는 데이터 스트림에서 서서히 증가하는 트렌드를 식별할 수 있다”라고 설명했다.
뉴렐릭의 AI(Applied Intelligence)에는 이런 패턴과 문제를 찾고 조치를 제안하며 사용자가 파악한 것으로부터 학습하는 레이더(Radar)라는 툴이 포함되어 있다. 그는 “주 단위의 속도 저하 등 프로젝트가 너무 일과에 집중한 나머지 우리가 알아차리지 못한 잘못된 방향으로 나아가는 추세를 찾는데 도움이 되고 있다”라고 말했다.
듀크 분은 즉 AI가 우리가 잘못된 것들에 주의를 기울일 수 있도록 하는데 도움이 될 수 있다며 “지표를 통해 잘못된 방향으로 나아가고 있음이 드러났지만 사람들이 이를 인정하기 어려운 경우가 종종 있었다”라고 전했다.
또한 자동화를 통해 프로젝트 관리자가 실제로 관리할 시간이 증가할 수 있다는 설명이다. 그는 “어느 업계에서나 AI가 하는 역할 중 하나는 지루한 업무를 없앰으로써 인간이 기계보다 잘 하는 부분에 집중할 수 있도록 하는 것이다. 사실 프로젝트 관리에서는 우리가 명확한 목표를 갖고 있으며 모두가 같은 방향으로 나아가고 있고 그들의 업무가 조율되고 있는지가 숫자 놀이보다 중요하다”라고 말했다.
예를 들어, 뉴렐릭은 관리자에게 자본화가 가능한 시간을 관리하도록 알려주는 챗봇(Chatbot)을 사용하고 있다. 이와 관련해 듀크 분은 사람들이 상태 업데이트를 표현하는 방식에 대한 자연어 분석이 프로젝트 진행 상황에 대한 신뢰도를 판단하는데 도움이 될 수도 있다고 생각한다고 전했다.
올슨은 또 “반드시 가치가 높은 것은 아니지만 모든 프로젝트 나타나는 단조롭고 시간이 많이 소요되는 작업을 줄이면 시간만 아끼는 것이 아니라 오류도 줄어든다”라고 말했다.
소프트웨어 AG(Software AG)의 개발 사업부 부사장 릭 맥키천은 RPA(Robotic Process Automation)가 제공물과 기타 물류를 조율하기 위해 다양한 시스템의 데이터를 병합하고 사례 관리 시스템을 업데이트하는 등 프로젝트 관리자의 일상적이고 반복적이며 분량이 많은 과업의 상당 부분을 담당하고 있는 것으로 보고 있다.
그는 “데이터 전송, 여러 시스템들 사이에서의 이동, 대량 이메일 처리, 보고, 파일 및 문서 처리 등 할 수 있는 일이 많다. 로봇은 이런 종류의 활동에 뛰어나다”라며 다음과 같이 말했다.
“로봇이 다양한 업데이트 및 상태 보고서와 데이터를 살펴보고 특정 날짜에 파일이 도착해야 하지만 도착하지 않은 경우 알림을 제공할 수 있다. 누군가 최신 견적서를 제출하지 않은 경우 사례 관리 시스템을 갖춘 로봇을 이용해 그에게 ‘기한이 이틀이나 지났으며 매 시간 알림을 보내겠다’라고 이메일을 보낼 수 있다. 그리고 그들이 새로운 일정을 업로드하면 로봇이 내가 관심이 있는 데이터를 추출하여 마스터 프로젝트 일정에 삽입하도록 할 수 있다.”
예측 및 실험
RAP는 또한비즈니스 규칙을 정의하거나 예외 평가 및 보고를 위해 사용할 수 있는 데이터 모델을 생성할 수 있는 경우에서 자원 최적화 및 일정 관리에 유용할 수 있다. 이는 특히 교통 및 물류에 유용할 수 있다. 올슨은 “가령 연료 비용 최소화를 위한 최소 비용 경로 또는 부하 최적화 등 머신러닝을 사용할 수 있는 최적화가 많다”라고 말했다.
그는 그러나 “정말로 AI를 활용하여 프로젝트를 개선하고 싶다면 실험 및 개선 방법을 찾아야 한다고 주장했다.
그는 “이런 종류의 연습이 향후 5년 동안 조직을 진정으로 차별화하는 요소가 될 것이다. 지능 시스템이 바로 그것이며 CIO는 이를 설계하여 실험 속도를 높여야 한다”라고 강조했다.
“이 때 이렇게 말하게 된다. ‘지난 달의 정확도는 75%였다. 그렇다면 나머지 25%는? 우리에게 날씨가 예측 변수일 수 있다. 날씨 피드를 가져다가 모델에 추가하면 80%를 달성할 수 있을 수도 있다.’ 실험 속도와 학습 속도를 프로젝트 성공을 위한 주요 지표로써 살펴볼 것으로 권한다. 얼마나 체계적으로 이런 학습을 확보하고 더 많은 실험을 유도하고 있는가?”라고 올슨은 말했다.
올슨은 이어 “현재 사람들은 자원 그리고 자원 대비 진행상황 또는 자원 건전성 또는 성과 등 프로젝트의 구성요소를 예측하고 있다. 이것이 성숙하면서 앞으로는 한 단계 더 발전할 것이다. 어떻게 하면 프로젝트 전체의 효율을 높일 수 있을까? 이를 위해서는 더 많은 프로젝트에 관한 세부적인 정보를 수집해야 한다”라고 말했다.
이를 위해서 프로젝트 자체에 대한 데이터를 수집하고 이를 모델에 공급하며 이상 또는 프로젝트를 성공으로 이끈 보편적인 특성이 무엇이었는지에 관해 지속적으로 이야기해야 한다는 설명이다.
듀크 분은 새로운 데이터센터 설치나 애플리케이션을 컨테이너 플랫폼으로 옮기는 등 최종 목표가 반복 가능한 많은 인력이 투입된 크고 복잡한 프로젝트의 경우라면 머신러닝이 이상점, 이상, 상관관계 등을 확인할 수 있는 충분한 데이터가 존재할 수 있다고 전했다.
그는 “인공지능이 이렇게 말하는 것이다. ‘여기 다음과 같은 3가지 흥미로운 상관관계를 발견했다. 당신이 좀 더 자세히 알고 싶을지도 모르겠다.’ 이렇듯 AI가 프로젝트 관리자의 파트너가 되고 인간 수준의 감성 지능 역량을 발휘할 수 있을 것이다”라고 말했다. dl-ciokorea@foundryco.com
