L’intelligence artificielle est un sujet tendance depuis maintenant plusieurs années. Selon ses apôtres, elle pourrait avoir des conséquences sur de nombreux aspects de notre société.

Inteligence artificielle et gestion de projet

Pour ce premier article de l’été, nous vous présentons : « Project selection in project portfolio management: An artificial neural network model based on critical success factors » rédigé par Francesco Costantino, Giulio Di Gravio, Fabio Nonino trois chercheurs de l’université de Rome.

Contexte :

Leur article s’inscrit dans l’objectif de maîtrise des projets dans les organisations afin de réduire les coûts. Ils prennent alors l’angle d’analyse du portefeuille projet, angle favorisant une lecture des projets en lien avec les objectifs stratégiques de l’entreprise. En pensant par le biais du portefeuille, les auteurs proposent de mettre en perspective les performances des projets (pour maximiser les bénéfices) et les risques.

La gestion de portefeuille a alors cinq fonctions : identification, évaluation, priorisation, sélection et autorisation des projets ou programmes.

Ils mettent en relation la complexité du projet et les différentes sources de risques pouvant influencer sa réussite :

  • indétermination, ambiguïté ou mauvaise définition des cibles ;
  • peu ou aucune mesure des cibles et, par conséquent, une faible capacité à évaluer la performance ;
  • l'inadéquate affectation des ressources, c’est-à-dire des ressources adéquates, mais mal gérées ou insuffisantes en raison d'une mauvaise estimation ;
  • une identification incorrecte et non détaillée de toutes les exigences du client ou de l'entreprise ;
  • des marchés et des industries en rapide évolution avec un besoin continu de réajustement et de replanification des objectifs ;
  • une planification inexacte ou des erreurs dans la mise en œuvre des processus de gestion de projet.

Il est nécessaire d’avoir une bonne vision de ces menaces et opportunités pour évaluer un projet et prendre la décision ou non de le lancer. Les auteurs s’inscrivent alors dans une logique de réduction des risques et d’optimisation de cette réduction. Ils présentent plusieurs méthodologies mobilisées afin de circonscrire les risques en fiabilisant la méthode de sélection des projets.

Deux grandes tendances existent : les modèles financiers et les non-financiers. Et ces modèles vont de l'analyse coûts-avantages selon un critère unique aux méthodes de notation et de classement multicritères ou aux méthodes subjectives d'évaluation par un comité. Des chercheurs emploient même des algorithmes issus de la génétique ou des modèles aléatoires (fuzzy decision). A partir de ces travaux, les trois chercheurs proposent de mobiliser les réseaux de neurones, une technique d’apprentissage profonde, afin de l’appliquer à la sélection des projets du portefeuille.

Il est alors nécessaire de définir les critères sur lesquels nous allons évaluer les projets et posséder des données pour entraîner l’algorithme. Ils proposent une liste comprenant des éléments organisationnels (exemple le type de structure), la taille du projet, le secteur industriel ou encore des facteurs corrélés aux parties prenantes ou au stade du projet.

Pour mener à bien cette recherche, Costantino et ses collègues appliquent leur approche à une grande entreprise italienne. Après avoir présenté leur algorithme (en particulier le nombre de neurones et la profondeur de l’apprentissage), ils reviennent sur les résultats de leur étude.

Le réseau de neurones se base sur la classification des projets, en identifiant leur degré de succès en fonction d'une évaluation précoce des facteurs clés de succès (qui seront mis à jour en fonction des résultats du modèle). Une application à 30 projets a permis de tester la meilleure configuration démontrant une performance satisfaisante.

Ils proposent alors le modèle suivant :

Schèma Inteligence artificielle projet

Figure 1 : fonctionnement du modèle proposé appliqué à la gestion de portefeuille et de projet - Costantino et al. (2015)

S’inscrivant dans une logique de boucle rétroactive, le modèle se met à jour en permanence afin d’intégrer de nouveaux paramètres si besoin et sert à l’évaluation précoces des projets de sorte à améliorer la performance globale du portefeuille.

Si un premier constat est la faible différence des résultats obtenus entre l’algorithme et les experts projets, plus l’algorithme sera appliqué et plus les critères de succès favorables à la réussite des projets dans l’organisation devraient s’affiner jusqu’à réussir à sélectionner majoritairement les meilleurs projets.

Cet article et l’approche proposée (dont les résultats ne sont pas généralisables) illustrent une approche innovante mobilisant les technologies liées à l’intelligence artificielle afin d’aider à la décision dans une logique de portefeuille projet. S’ils restent pionniers sur le sujet, la question va se poser de plus en plus, au rythme des progrès réalisés dans le domaine de l’intelligence artificielle.

Bibliographie indicative :

Cooke-Davies, T., 2002. The “real” success factors on projects. Int. J. Proj. Manag. 20, 185–190. http://dx.doi.org/10.1016/S0263-7863(01)00067-9

Dutra, C.C., Ribeiro, J.L.D., de Carvalho, M.M., 2014. An economic–probabilistic model for project selection and prioritization. Int. J. Proj. Manag. 32, 1042–1055. http://dx.doi.org/10.1016/j.ijproman.2013.12.004

Ghapanchi, A.H., Tavana, M., Khakbaz, M.H., Low, G., 2012. A methodology for selecting portfolios of projects with interactions and under uncertainty. Int. J. Proj. Manag. 30, 791–803. http://dx.doi.org/10.1016/j.ijproman.2012.01.012

Lin, C., Hsieh, P.-J., 2004. A fuzzy decision support system for strategic portfolio management. Decis. Support. Syst. 38, 383–398. http://dx.doi.org/10.1016/S0167-9236(03)00118-0

Wang, Y.-R., Yu, C.-Y., Chan, H.-H., 2012. Predicting construction cost and schedule success using artificial neural networks ensemble and support vector machines classification models. Int. J. Proj. Manag. http://dx.doi.org/10.1016/j.ijproman.2011.09.002