Biznes Myli

Dlaczego większość projektów Machine Learning nie odnosi sukcesu lub wręcz upada?Jakie role są kluczowe, aby projekt miał szansę przeżyć i przynieść wymierne korzyści?Posłuchaj tego odcinka podcastu, aby odpowiedzieć na te i wiele innych pytań, które zwiększają szansę na powodzenie projektów klasy R&D w branży Data Science i Machine Learning.

Ten odcinek poświęcony jest podsumowaniu roku 2020, w którym dzielimy się z Tobą przemyśleniami dotyczącymi efektywności, ale także wynikami ankiety, która niedawno było przeprowadzona na łamach Biznes Myśli. Pojawiły się także dwa konkursy, które mogą Ci się spodobać :)

Stabilność modeli to bardzo ważny temat. Z jednej strony pojawia się coraz więcej algorytmów, które przynoszą całkiem fajne wyniki, choć z drugiej strony może to być złudne. Mam na myśli to, że jak wdrożymy model na produkcję, to może nas zaskoczyć. W których miejscach mogą być potencjalne kłopoty? O tym dzisiaj będę rozmawiać z Adamem, który bardzo się inspiruje tymi tematami pod różnym względem. Innym ciekawym kierunkiem rozmowy są potencjalne cyberataki, które mogą się wydarzyć i zepsuć model.

W tym odcinku poznasz 3 krótkie historie ambitnych osób, które zaczęły się efektywnie rozwijać w obszarze Machine Learning. Niech to będzie wskazówka i inspiracja. Dowiesz się także o konkretnych przykładach zastosowania narzędzi ML w biznesie, które mogą przynieść korzyść.

Z tego odcinka dowiesz się, czym jest DataWorkshop Foundation, jaki był cel jej powstania i w którą stronę zmierza. Posłuchaj trójki gości, którzy są zaangażowani w działanie i rozwój fundacji, która koncentruje się na uczeniu maszynowym.

Gościem najnowszego odcinka jest Staszek Paśko - Senior Principal Software Engineer w Amazon, który pracuje nad rozwojem serwisu głosowego Alexa. Porozmawialiśmy z nim o tym, czym są technologie przetwarzania i syntezy mowy oraz jak rozwija się to pole badań i działań, jakie role spełnia i może spełniać Alexa, kto jest odbiorcą tego typu rozwiązań i jak może wyglądać przyszłość branży.

Cześć, to już 92 odcinek podcastu BM, za mną ponad 3 lata nagrań, 90h rozmów, wiele inspirujących spotkań z ludźmi zajmującymi się uczeniem maszynowym, AI i innymi obszarami powiązanymi, a także wiele przemyśleń, którymi mogłem się z Wami podzielić. W ciągu tych wszystkich odcinków padło wiele odpowiedzi na nurtujące pytania, ale jedno wciąż jest dla mnie zagadką. Dlatego dziś zadaję wyjątkowo pytania Tobie i ciekaw jestem Twojej odpowiedzi, opinii.

Odcinek #91 dotyczy naszego zdrowia i tego bez czego nie możemy żyć, czyli oddechu. Gościem jest Jan Szwagierczak, Data Scientist, który mieszka i pracuje w Kopenhadze. A nad czym pracuje? No właśnie nad tym, aby żyło i oddychało nam się lepiej.

W tym odcinku wyjątkowo to Vladimir został przepytany. Dzielimy się rozmową, którą przeprowadził Jędrzej Paulus z Developer-Wannabe Podcast, na temat tego, co uczenie maszynowe może dać programistom. Nie zabrakło ważnych, filozoficznych pytań "dlaczego Python", a także tych związanych z koncepcyjnym podejściem do modnych słów takich jak AI. Ponadto dowiesz się: ✅ Dlaczego warto zainteresować się językiem Python? ✅Jak należy interpretować modne słowa Data Science, Machine Learning, AI?✅ Czym jest ML/DS, tak po ludzku dla programisty?✅ Dlaczego programiście warto zainteresować się ML/DS?✅ Od czego zacząć i jak sprawdzić, czy to dla mnie (i czy dam rady)?✅Jak wygląda rynek pracy w Polsce i jakie są zarobki w tej branże?

Gościem tego wywiadu jest Stanisław Jastrzębski, który m.in. teraz dołącza do startupu Molecule.one. Jego zadaniem będzie wspieranie procesów wykorzystując nowoczesne narzędzia. Ma pewne przemyślenia, że niektóre zmiany mogą nastąpić znacznie szybciej, niż może się wydawać. Ciężko jest określić, co oznaczają te zmiany, bo można je różnie zdefiniować, ale pod koniec poznasz na to odpowiedź. Zapraszam do przeczytania całej rozmowy, żeby znaleźć odpowiedzi. Padły też bardzo fajne dyskusje na tematy dookoła: co to oznacza prowadzić projekty R&D? Jak oni sobie radzą z ryzykiem, które w tym przypadku występuje dość duże? Jakie są narzędzia, by nie wpadać w „czarne dziury” i efektywnie prowadzić projekty R&D?

Gościem tej rozmowy jest Daniel Kornaś, który opowie o swoich doświadczeniach w branży IT, w szczególności w testowaniu software’u. W pewnym momencie swojego życia stwierdził, że w klasycznym testowaniu czegoś mu brakuje, nie jest to wystarczająco efektywne. Zaczął eksperymentować, inspirować się dostępnymi technologiami, narzędziami i m.in. wprowadził automatyzację. Później poznał uczenie maszynowe i w ten sposób zaczął rozwijać projekty. Jest to bardzo ciekawa i inspirująca historia. Gdy zaczął pracę w Nokii, to brakowało pewnego elementu, który właśnie on dodał - uczenie maszynowe oraz tzw. sztuczna inteligencja. Daniel opowie o całej ścieżce, którą przeszedł od pomysłu do wdrożenia, trudnościach po drodze oraz innych ciekawostkach.

Pewnie zastanawiasz się czasem, co zrobić, aby otrzymać więcej wartości mniejszym kosztem. Czy znana jest zasada Pareto - 20/80? Czy w projektach uczenia maszynowego i pracy z danymi również można niewielkim wysiłkiem osiągnąć dużą wartość biznesową?Jak ta zasada może wyglądać w praktyce, kiedy i jak można ją stosować omawiamy w tym odcinku.

Projekty, które wymagają podejścia analitycznego takie jak np. projekty Machine Learning zastawiają wiele pułapek. Jak w nie nie wpaść lub wyjść z nich obronną ręką? W tym odcinku poznasz 5 etapów, których realizacja pomaga usprawnić proces w wielu projektach, ale przede wszystkich przydaje się w tych natury niepewnej, obarczonych ryzykiem, eksperymentalnych. Ułożenie procesu w 5 kluczowych faz pomaga podejść bardziej efektywnie i analitycznie do wielu problemów, które chcemy rozwiązać, nawet jeśli jest to kupienie prezentu dla żony...

Dlaczego tak wiele firm jest mało efektywnych? Skąd biorą się przesądy o projektach AI i jak sobie z nimi radzić? Od czego powinniśmy zacząć innowację w swojej firmie? W tym odcinku rozprawimy się z kilkoma mitami.

W #84 odcinku poznasz 3 wyjątkowe osoby, które podzielą się swoimi przemyśleniami na temat rozwoju w zakresie uczenia maszynowego. Kiedy i jak nauczyć się ML? O czym warto pamiętać i jak może wyglądać edukacja? Jeśli rozważasz poznać praktyczne oblicze uczenia maszynowego, to warto poznać opinie osób, które już zaczęły to robić.

Innowacja nieodłącznie wiąże się z licznymi wyzwaniami, bo wymaga pokonywania nierzadko bardzo wielu barier, zmiany utartych tematów i sposobu myślenia. O tym i nie tylko miałem okazję porozmawiać z Joanną Chwastowską z Google, która pracuje w dziale dedykowanym ochronie zdrowia i zajmuje się obecnie wraz ze swoim zespołem tworzeniem aplikacji Streams autorstwa DeepMind. Jaki problem rozwiązuje Streams i jak działa? Posłuchaj odcinka.

Statystyka umożliwia lepiej i trafniej podejmować decyzje. To bardzo ważna dziedzina nauki. Uczenie maszynowe też wykorzystuje sporo elementów ze statystyki. Dzisiaj chciałbym ten temat rozszerzyć, dlatego zaprosiłem do rozmowy Janinę Bąk, znaną i lubianę specjalistkę tej dziedziny. Janinę bardzo wyróżnia to, że potrafi mówić o tych trudnych rzeczach w sposób zrozumiały, który można łatwo przyswoić i zastosować.

Gościem #81 odcinka jest Adam Goliński, doktorant na Oxfordzie, który prowadzi ciekawe badania m.in. na temat probabilistycznego programowania. Podzieli się swoim doświadczeniem i powie m.in. o tym, jak zainteresował się na tematem kompresji obrazu czy wideo. Wspomni też o doktoracie w Oxfordzie - czy warto, jak przebiega.

Dzisiejszym gościem jest Paweł Gniadkowski, CEO firmy Obido. Jest to miejsce, które umożliwia znalezienie mieszkania do zakupu na rynku pierwotnym w wygodny dla Ciebie sposób. W 2019 r. mój zespół rozpoczął współpracę z Obido i wdrożyliśmy pierwszy model uczenia maszynowego na produkcję. Już teraz przynosi to wymierne korzyści. Dlaczego to podkreślam? Większość projektów machine learning kończy się na fazie prototypów i nigdy nie wdrażają się na produkcję. Tak się dzieje w większości przypadków. My to wdrożyliśmy i co więcej to zaczyna działać. Teraz przymierzamy się do kontynuacji współpracy przy znacznie dłuższym projekcie, z większym budżetem. Dochodzimy do drugiej części współpracy w ramach budowy laboratorium innowacyjnego.