Cognitive Project Management in AI

 

CPMAI: La brújula metodológica para la gestión de proyectos con asistencia de Inteligencia Artificial bajo estándares del PMI®

En un contexto donde los proyectos ya no sólo buscan velocidad de entrega combinado con buenos resultados, sino también asistencia confiable a través de la inteligencia artificial, el CPMAI (Cognitive Project Management Artificial Intelligence) irrumpe como una metodología que combina la rigurosidad del Project Management Institute (PMI®) con la flexibilidad que exigen los desarrollos en inteligencia artificial.

Solo a manera de información general, la definición "by the book" de cognitive o cognitivo, se refiere a todo aquello relacionado con el conocimiento, la percepción, la comprensión y el proceso mental de adquirir y usar la información.

Así nace CPMAI, como un puente entre dos mundos aparentemente opuestos, la disciplina del PMI® y la creatividad de la inteligencia artificial. Esta metodología se ha diseñado no solo para incorporar buenas prácticas de gestión, sino para adaptarse a la naturaleza predictiva o iterativa y frecuentemente incierta de los proyectos.

CPMAI (Cognitive Project Management) es una metodología y certificación enfocada en la gestión de proyectos con apoyo de la Inteligencia Artificial (IA). Se trata de una forma estructurada para abordar la complejidad de los proyectos con apoyo de la IA, combinando principios de gestión de proyectos tradicionales con prácticas específicas de IA.

Fases de CPMAI: de la intuición al despliegue   

La metodología CPMAI está estructurado en seis fases que se siguen en cada fase o iteración del proyecto (según sea el enfoque seleccionado), cada una de las cuales establece una base sólida para que la inteligencia artificial no se convierta en una caja negra, sino en un activo estratégico comprensible y gestionable dentro de las Organizaciones.

   1.Entendimiento del Negocio

Antes del código, los datos o los algoritmos, hay una necesidad de negocio. Esta fase busca definir los objetivos estratégicos del proyecto, entender el problema que se intenta resolver y alinear las expectativas con los stakeholders. Aquí, más que preguntar “¿qué puede hacer la IA?”, se formula la verdadera cuestión: ¿Qué tipo de problema se va a resolver?, ¿qué necesita lograr la organización, y cómo puede la IA contribuir sin perder el foco?, ¿qué partes requieren apoyo de IA?, ¿Qué habilidades se requieren?...

Al final del camino aquí se desprende la decisión clave y que es el clásico “Go / No-Go”, bueno así lo conozco yo.

    2. Entendimiento y validación de la información fuente   

Una vez se entiende el problema, llega el momento de enfrentarse a la materia prima de cualquier proyecto de IA y que son los datos. Esta fase se centra en identificar, recolectar, explorar y validar las fuentes de datos existentes. En otras palabras, es cuando se descubre si se cuenta con la información suficiente y aquí cabe preguntarse: ¿Qué tipo de información se necesita para cumplir los objetivos?, ¿La información que se tiene cumple con la calidad requerida?, ¿Qué se necesita en términos de herramientas para la manipulación y transformación de los datos?

    3. Preparación de los datos   

Los datos crudos rara vez son útiles. Hay ruido, valores perdidos, sesgos ocultos. Esta fase implica limpiar, transformar y organizar los datos para que estén listos para el modelado, es lo que se conoce como la técnica o proceso ETL (Extract, Transform & Load) y que consiste en extraer datos de diferentes fuentes, transformarlos en un formato adecuado y cargarlos a un destino final. Algunas herramientas ETL recomendadas podrían ser: MS SQL Server, Apache NiFi, etc),

Esta fase es el equivalente a afilar la herramienta antes de tallar. Aquí cabe preguntarse: “Cómo se debería preparar la información”, “Cómo podemos monitorear la calidad de la información”, “¿puedo desarrollar un agente de IA para automatizar tareas repetitivas?, etc.

    4. Desarrollo del Modelo   

Llega el momento de entrenar el modelo. Aquí se seleccionan algoritmos, se configuran parámetros y se construyen las primeras soluciones predictivas o cognitivas. Pero es muy importante tener en cuenta que el objetivo no es sólo que funcione, sino que aporte valor al negocio definido en la fase uno. Un modelo preciso pero irrelevante es como un mapa perfecto, pero sin aportar valor

    5. Evaluación del Modelo

¿Funciona el modelo? ¿Cumple los objetivos? ¿Es comprensible, ético y robusto? Esta fase es más que una simple validación técnica, es una reflexión crítica sobre la eficacia, el impacto y los posibles efectos colaterales. Aquí se confronta la inteligencia artificial con la realidad del negocio, con métricas tanto cuantitativas como cualitativas.

    6. Go-live o Puesta en Marcha del Modelo 

El modelo no vive en un laboratorio, vive en un entorno operativo, con usuarios, sistemas y decisiones reales. Esta fase se encarga del despliegue, la integración y la monitorización continua del sistema de IA. Porque un modelo sin implementación es una promesa vacía; y uno mal implementado es un riesgo.

Finalmente, cabe hacer mención de que CPMAI no solo responde a las exigencias del presente; también anticipa las exigencias en un futuro cada día más demandante. Propone un equilibrio entre el pensamiento ágil y la gestión rigurosa, entre la exploración técnica y la comprensión humana. En una época donde los algoritmos pueden predecir enfermedades, fraudes o preferencias de consumo, pero aún no pueden explicar el sentido de la vida, metodologías como CPMAI nos recuerdan que la inteligencia más valiosa no es la que predice, sino la que sirve con propósito aportando valor.