Vis enkel innførsel

dc.contributor.advisorSu, Xiaomeng
dc.contributor.authorHjertaker, Andreas Torkildsen
dc.contributor.authorBesirovic, Irnis
dc.date.accessioned2022-07-08T17:20:30Z
dc.date.available2022-07-08T17:20:30Z
dc.date.issued2022
dc.identifierno.ntnu:inspera:111687478:111691937
dc.identifier.urihttps://hdl.handle.net/11250/3004171
dc.description.abstractØkt bruk av maskinlæring i industri skaper behov for å lede prosjektleveransene til suksess og forstå hva kriteriene for slik suksess er. Prosjektledelse er et praktisk fagfelt som har vokst frem for å sikre prosjektets mål hvor benyttelse av relevant kunnskap, verktøy og teknikker skaper verdi. Hensikten med denne oppgaven er å undersøke hva som er suksesskriteriene for Prosjektledelse innen Industrielle Applikasjoner av Maskinlæring. Ettersom prosjektledelse er et bredt fag, er det valgt fire fokusområder som vil få oppmerksomhet i løpet av oppgaven: Kvalitetsstyring, Risikostyring, Interessentledelse og Endringsledelse. Denne oppgaven er basert på en casestudie med kvalitative data fra åtte semistrukturerte intervjuer. Teori og empiri brukes om hverandre med en abduktiv tilnærming til å besvare problemstillingen. Intervjuene som gjennomføres brukes til å bedre forstå de vesentlige faktorene i maskinlæring-prosjekter innenfor industrifeltet. Resultatene har vist at alle de valgte fokusområdene inneholder elementer av betydning for prosjektledelse. Noen faktorer påvirker suksess ved et maskinlærings-prosjekt på grunn av kompleksiteten og usikkerheten som kommer naturlig i maskinlæring. Slike prosjekter sine sentrale suksesskriterier er behandlet i denne forskningen og relatert til ulike aspekter av kundetilfredshet og prosjekttid, kostnad og omfang, mens suksesskriterier som er mer unike for maskinlæring inkluderer å bruke agile metoder, besitte relevant kompetanse, behandle kundenes forventninger og sikre datakvaliteten. Imidlertid er prosjektledelse av maskinlæring i industrielle applikasjoner et felt som fremdeles ikke har blitt grundig utforsket, og resultatene her er begrenset til et relativt begrenset omfang med suksess som målingsenhet.
dc.description.abstractWith the increased usage of Machine Learning (ML) in settings such as the industrial field, there is a need to manage these projects properly to ensure a successful outcome and understand the criteria for such success. Project management is a field that has emerged to ensure the goals of projects are met through the utilization of specific project-relevant knowledge, tools, and techniques. The purpose of this thesis is to investigate what are the success criteria for Project Management in Industrial Applications of Machine Learning. As project management is a broad subject, four focus areas that are of particular relevance were chosen for the thesis: Quality Management, Risk Management, Stakeholder Management, and Change Management. This thesis is based on a case study with qualitative data from eight semi-structured interviews. Interviews with Project Managers (PM) are used to understand the first-hand experience of essential factors in ML projects within the industrial field. Combined with theory from related studies, our research has shown that the chosen four focus areas hold elements of importance to project management. Several factors impact the success of an ML project due to the complexity and uncertainty of these kinds of projects. Some project success criteria discovered in this research are more generic and applicable to many other types of projects, such as those related to various aspects of customer satisfaction and project time, cost, and scope. Other success criteria are relatively unique to ML projects, such as having the appropriate competencies, managing customer expectations, and ensuring data quality. Finally, project management of ML in industrial applications is a field that has yet to be extensively explored, and the results are limited to a narrow scope with success as a measurement.
dc.languageeng
dc.publisherNTNU
dc.titleProject Management in Industrial Applications of Machine Learning
dc.typeBachelor thesis


Tilhørende fil(er)

Thumbnail

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel