Podcast

Sztuczna inteligencja w biznesie

Sztuczna inteligencja w biznesie to alchemia 2.0

AI zajmuję pozycję numer jeden w liście trendów na rok 2017 według Gartner. Co ciekawe, kolejne pozycję również są związane ze sztuczną inteligencją np. inteligentne aplikacje, inteligentne rzeczy, rozszerzona rzeczywistość itd. O tym dzisiaj będziemy dyskutować.

Gartner - Trendy 2017
Gartner – Trendy 2017

Gartner to amerykańska agencja analityczno-doradcza specjalizująca się w zagadnieniach strategicznego wykorzystania oraz zarządzania technologiami. Działają od roku 1979 i raczej wiedzą o czym mówią.

Pytanie, czy to przewidywanie jest niespodzianką? Dla osób które obserwują świat już jest coraz bardziej oczywiste, że zmienia się on szybko. Coraz częściej i więcej mówi się o tak zwanych kolejnych sukcesach w sztucznej inteligencji. Młode firmy które wykorzystują innowacyjne podejście, między innymi oparte na użyciu sztucznej inteligencji, wygrywają z dużymi korporacjami.

Podam Ci przykład. Elon Musk założył Tesla 14 lat temu (2003) dosłownie teraz, czyli w kwietniu 2017 roku na giełdzie Tesla wyprzedzili akcji Forda (która jest o 100 lat starsza).

Tesla Model S
Tesla Model S

Kapitalizacja giełdowa Tesli jest warta ok. 47 mld. dolarów a Forda 45 mld. dolarów (czyli o 2mld. dolarów Tesla wyprzedziła Forda). Osoby działające na giełdzie profesjonalnie, mogą powiedzieć, że rynek akcji zawsze patrzy naprzód, czyli jakie są perspektywy. Bo jeżeli popatrzymy na zeszły rok, czyli 2016, Tesla miała przychód ok. 7 mld. dolarów a Ford 152 mld. dolarów (czyli Ford miał prawie 22 razy większy przychód niż Tesla). Mało tego Tesla ciągle ma stratę, np. w roku 2016 było to 773 mln. dolarów. Czy to oznacza, że inwestorzy dostrzegają tak duży potencjał i dlatego tak ufają? Zostawiam Ci do do rozważenia i przejdę do kolejnego przykładu.

Kapitalizacja giełdowa Tesli i Forda
Kapitalizacja giełdowa Tesli i Forda

Uber, AirBnb to są firmy które sprzedają to czego nie posiadają i trzeba przyznać, że robią to bardzo sprawnie. Uber bez posiadania taksówek robi rewolucję na tym rynku, to samo można powiedzieć o AiBbnb – która również nie posiada nieruchomości. Turo to kolejna firma która próbuję przenieść pomysł z AirBnb na wynajem samochodów. Wszystkie wymienione firmy używają uczenia maszynowego i to bardzo intensywnie. Dzięki temu wyprzedzają konkurencję, bo wykonują swoją pracę coraz lepiej.

AirBnb - wynajem nieruchomości
AirBnb – wynajem nieruchomości

W trzecim odcinku mówiłem na temat sztucznej inteligencji i ekonomiki. Poruszyłem dość globalne tematy i według mnie było to koniecznie, żeby powiedzieć to na głos… Natomiast kolejnym pytaniem jest jak wykorzystać tę wiedzę w praktyce? Zwłaszcza w przypadku jeżeli Twoja firma wcześniej omijała tematy związane z uczeniem maszynowem, albo używało to dość skromnie.

Spróbujmy dzisiaj ustalić pewien porządek różnych pojęć, zrozumieć istotę zmian i dlaczego warto zmienić sposób myślenia. To  wszystko powinno pomóc zrozumieć w którą stronę należy dążyć.

Jak myślisz, na ile sztuczna inteligencja zmieni nastawienia klientów? Biznes raczej zawsze musi adaptować się do potrzeb klienta. Nic nowego w tym podejściu nie ma, jedna rzecz która zmienia się, to czas potrzebny na zmiany. Coraz większy zmiany odbywają się w coraz krótszym czasie.

Pozwól, że zdefiniuję trzy dość istotne trendy które już można zauważyć teraz:

  1. Personalizacja
  2. Jakość
  3. Prostota

A teraz spróbuję rozwinąć co ja mam na myśli…

Personalizacja

Klient oczekuję co raz więcej… Idealnie, żeby usługa czy produkt był dostępny zawsze dla klienta czyli 24h i 7 dni w tygodniu. Mało tego, klienci chcą, żeby biznes był spersonalizowany tylko dla jego (taki sobie egocentryzm ze strony klienta).

Asystent prywatny już ma być czymś powszechnym, a nie tylko luksusową opcją. Jak to osiągnąć? Technologia w tym pomoże. Taki asystent mało tego że będzie trzymał kontakt z klientem, taki przyjaciel, który zawsze wysłucha i coś doradzi. To również technologia umożliwia, żeby był dostępny cały czas – 24h i 7 dni w tygodniu.

Personalizacja
Personalizacja. Źródło zdjęcia.

Żeby zróżnicować, podam kilka przykładów z różnych branż – finansowej i nawet… mody.

Branża finansowa

Cleo – jest przykładowym asystentem bankowym który umożliwia sprawdzić rachunek, zobaczyć wydatki w skategoryzowany sposób oraz pomaga wypracować strategię oszczędności. Jest dostępny przez cały czas.

Branża mody

Kolejny przykład. Być może kojarzysz Zalando, który poszedł krok dalej niż zwykły sklep. Umożliwia Ci to traktować go jako wirtualną przymierzalnię. Czyli zamawiasz ubrania, mierzysz – jak jest OK zastawiasz, jak nie oddajesz. Ciężko mi ocenić, czemu to jest tak fascynujące, bo temat ubrań ma mały priorytet w mojej głowie, ale podobno jest duże zapotrzebowanie.

To co chciałem powiedzieć, nawet ten pomysł już wygląda przestarzały. Stitch Fix robi to inaczej. Wypełniasz swój profil, następnie dostajesz pudełko z pięcioma sztukami ubrań, jeżeli któreś ubrania spodobały się – zastawiasz. Przez to, że posiadają dużą ilość danych oraz angażują personalnych asystentów do korekty algorytmów – stają się coraz lepsze.

Innymi słowami, już nie musisz nic wybierać samodzielnie, śledzić za trendami i martwić się o rozmiary. System dobierze i wyślę najbardziej odpowiadające Ci i nawet zgadnie jak często chcesz dostawać takie pudełko. Jak coś Ci nie pasuję wysyłasz z powrotem, tym samym system coraz lepiej będę rozumiał Twoje preferencje (oraz preferencje ludzi podobnych do Ciebie). A teraz pomyśl kiedy użytkownik będzie świadomy, że istnieje takie rozwiązanie jak zmienią się jego oczekiwania?

Jakość

Jak dobrze rozumiesz potrzeby swojego klienta? Skąd wiesz, że dostarczasz dokładnie to czego oczekują? Jak to mierzysz? W momencie kiedy popyt jest duży, klient sam “przybiegnie” i nawet będzie stał w kolejce (pokolenie X wie o czym mówię z życia), ale teraz gra zmienia się w inną stronę.

Spróbuję rozwinąć co mam na myśli.

Sztuczna inteligencja umożliwia biznesu polepszać jakość swoich produktów czy usług  i tym samym wyróżnić się na tle konkurencji. Możemy już zbierać coraz więcej danych i przeprowadzić eksperymenty, mierzyć które rozwiązanie jest lepsze. Tutaj warto zwrócić uwagę w jaki sposób są podejmowane decyzji. To użytkownik mówi co jest lepsze (poprzez mierzenie metryk w eksperymencie) zamiast założeń szefa czy kogoś innego. Takie podejście ma nazwę data-driven development i jak domyślasz się staje się coraz bardziej popularne.

Czy zwracasz uwagę, na to że co rok wychodzą nowę wersje telefonów, laptopów, telewizorów i wiele innych rzeczy i za każdym razem coś próbują usprawnić. Warto zaznaczyć, że nie każdy mózg,  jest  przygotowany do zmian i dlatego potrzebuję czasu, żeby to zaakceptować, żeby stwierdzić, że to faktycznie jest lepsze. Również czasem jedna wersja do przodu może mało się różnić.

Dla eksperymentu iphone 4 czy nawet iphone 5 dość różni się już od iphone 6. Czuć, że iphone 6 jest bardziej dopracowany… chociaż jeżeli zapytać wprost co dokładnie zmieniło się (oprócz rozmiaru), to trzeba przez chwile zastanowić się.

Produkt = Klient + Biznes + Technologia
Produkt = Klient + Biznes + Technologia. Źródło zdjęcia.

Coraz więcej firm zatrudniają ludzi z rolą “Product Manager” zwróć uwagę, że to nie jest to “Project Manager”. Zadaniem“Product Manager” jest znalezienia przecięcia na trzech obszarach – to czego chcę użytkownik, to co da się zrobić w rozsądnym czasie i to na czym zarobi biznes.  Pamiętasz jak wyglądał design web-stron w latach 90-tych a nawet na początku dwutysięcznego roku? Teraz design (w szczególności User Experience) ma bardzo ważne znaczenie.

Produkt, Klient, Kapitał, Technologia
Produkt, Klient, Kapitał, Technologia. Źródło.

Pewnie jak domyślasz się sztuczna inteligencja również w tym pomaga. Dla przykładu weźmiemy branżę rozrywkową.

Netflix

Jest to produkt który umożliwia oglądać filmy przez internet. Ostatnio również weszli na polski rynek. Słyną ze swojego systemu rekomendacyjnego oraz tego, jak dużo pieniędzy inwestują w ulepszanie algorytmów. Chociażby w roku 2009 zorganizowali konkurs, tak zwany netflix prize, z nagrodą 1mln. dolarów za ulepszenie systemu rekomendacyjnego. Jest wiele ciekawych historii na ten temat.

Na przykład, że zespół który wygrał, przygotował zbyt skomplikowany model, żeby można go używać w życiu realnym (na serwerach produkcyjnych), więc Nextlix (oczywiście) wypłacił nagrodę -1 mln. dolarów – ale nigdy nie użył tego rozwiązania. Ale to znów jest tylko półprawda – sporo nauczyli się i poźniej uprościli ten model, tak, żeby dało się go użyć (utrzymując jakość modelu).

Mówiąc o systemach rekomendacyjnych zwykle myśli się o tym który produkt najlepiej doradzić (czyli w tym przypadku który film pokazać) i to prawda, natomiast to tylko pierwsza część zadania. Druga część – skupia się w jaki sposób to pokazać (czyli jaki tytuł i opis użyć, jakie zdjęcie pokazać), żeby użytkownik to zauważył zgodnie z jego poglądem na świat.

Inteligentne lustro

Przeciętny Amerykanin średnie spędza około 30 minut przed lustrem. Pomyśl, jak to jest w Twoim przypadku? Jak często zauważasz, że coś mówisz do lustra (np. jak wyglądasz albo pytając siebie “co ja tu robię?..”)? Oczywiście zakładając, że to ma być monolog…. Teraz to może się zmienić. Inteligentne lustro może rozpoznawać głos i pokazywać różne informacji na swoim… nazwijmy to ekranie. Można to potraktować jako kolejną wersję asystenta… wstajesz z rano, myjesz zęby i możesz sprawdzić plan na dzisiaj, ewentualnie zamówić bilety, czy zarezerwować hotel i inne podobne czynności.

Prostota

Prostota we wszystkim: w użyciu, ale również w wyeliminowaniu pośredników oraz wszystkiego co komplikuję życie klienta.  Pozwól, że podam Ci jako analogię przykład ze świata programistów. Mówi się, że idealny kod (z punktu widzenia biznesu) to jest brak kodu, bo koszt utworzenia go i co ważne utrzymywania jest zerowy. Natomiast,  niestety taki kod (czyli brak go) nie rozwiązuje zadań biznesów, więc można używać to podejście jedynie jako sposób myślenia. Czyli kierunek w którym należy dążyć.

Ta zasada ma wiele nazw, między innymi brzytwa Ockhama. Która oryginalnie brzmiała: “To co można zrobić w oparciu o mniejszą liczbę założeń, nie powinno być wykonywane na podstawie większej”. W ciągu mniej więcej 500 lat ta zasada, korzystając z jej polecenia, była jeszcze bardziej uproszczona i mnie osobiście najbardziej się podoba ta definicja:

„Nie należy mnożyć bytów bez konieczności”

Ta zasada jest na tyle prosta, czyli genialna, że była również znana jeszcze przed życiem Ockhama, przynajmniej w czasach Arystotelesa.

Podam Ci kilka przykładów.

Uber - jest prosty w użyciu
Uber – jest prosty w użyciu

Uber wygrywa teraz konkurencje między innym swoją prostą – jest dostępny na wyciągnięcie ręki, czyli w komórce (nie trzeba dzwonić gdzieś). Również, nie trzeba szukać gotówki czy czekać dopóki odpali się terminal, żeby zapłacić kartą.  Jeżeli jedziesz razem z kimś jest bardzo łatwo podzielić się kosztem. Dodatkowa można usprawnić optymalizację wydatków, bo dane są łatwo dostępne równiez jak i faktury itd…

Inteligentny dom

Nest – to inteligentny termostat. Umożliwia regulowanie ciepła w Twoim domu. Co zrobił Nest, że było o nim tak głośno i oczywiście kupił go Google w roku 3.2 mld? W roku 2014 Nest zainwestował w prostotę: każdy może go zamontować, więc nie trzeba pośredników którzy to zrobią. Prosto jest regulować temperaturę, można podłączyć się przez telefon i mieć dostęp zdalny.

Dodatkowo Nest uczy się z czasem i dobiera najlepszą tempraturę w Twoim domu do trybu życia Twojej rodziny. Dzięki czemu również można zaoszczędzić. Chociaż, dla sprawiedliwości warto dodać, że nie wszystko jest tak różowo. Nest ma pewne problemy funkcjonalne, nawet w trzeciej generacji. Ale ciekawostką jest to, że nawet wtedy kiedy termostat działa inaczej niż jest spodziewane i ludzie chcą z niego zrezygnować, to nadal lubią go za prostotę. Pewnie w kolejnych wersja problemy funkcjonalne będą naprawione (być może już w czwartej wersji tak się stało).

Branża finansowa

Chcesz zacząć regularnie inwestować np. 300 czy 500 złotych miesięcznie. Ale nie masz zielonego pojęcia jak zacząć i ogólnie jak funkcjonuje ten świat. Teraz wystarczy założyć konto, odpowiedzieć na kilka prostych pytań o swoim wieku, zarobkach, połączyć się z kontem banku i wybrać ile i kiedy chcesz inwestować miesięcznie (czy nawet krótszym okresie). Resztę będzie robił robot Betterment. Wystarczy 10min, żeby skonfigurować konto. Dużą zaletą tego podejścia jest również atrakcyjny koszt który trzeba ponosić, że to, że ktoś zarządza Twoimi pieniędzmi.

Kolejny podobny produkt, ale raczej jeszcze na mniejszych obrotach to  Bond.ai. Chcesz zacząć zbierać pieniędzy na konkretny cel, np. kupić samochód czy wybudować dom, ale nie wiesz od czego zacząć? To Bond.AI Ci w tym pomoże – oszczędzić, zoptymalizować wydatki i nawet zainwestować. Oczywiście ten produkt jeszcze musi dojrzeć, ale wszystko wskazuje, że branża finansowa dąży w tym kierunku – roboadvising.

Branża ubezpieczeń

Metromile, to firma która chce zmienić rynek ubezpieczeń dla samochodów. Jeżeli używasz samochód tylko do jazdy z pracy i do domu (ewentualnie czasem do sklepu), to ubezpieczenie standardowe jest zbyt drogie… Idea Metromile jest taka, płacisz bazową kwotę (35 dolarów) plus ilość kilometrów ile Twój samochód przejechał (5 centów za kilometr). Na razie jest dostępna tylko w Stanach i wygląda dość obiecująco.

Branża nieruchomości

Opendoor – pomaga sprzedać mieszkanie dosłownie w kilka dni (maksymalnie w trzy) zamiast czekać miesiące i odczuwać w tym czasie stres. Sprzedaż mieszkania dla przeciętej osoby raczej wiążę się ze stresem, zwłaszcz to poczucie niejednoznaczności – czy uda się czy nie, a za jaką cenę, a kiedy itd.

Opendoor zaproponował swoje rozwiązanie. Działa to bardzo prosto. Osoba która chce sprzedać mieszkania wysyła informację wraz ze zdjęciami do Opendoor, następnie algorytm wycenia koszt. Z punktu widzenia inżynieryjnego robią bardzo ciekawą robotę, włączając analizę otoczenia używając google-maps. Zapraszam do oglądania prezentacji gdzie jest więcej szczegółów.

Następnie Opendoor mówi jaki jest koszt tej nieruchomości – jeżeli ta cena odpowiada, wtedy nieruchomość zostanie wykupiona przez Opendoor. Sam startup zarabia na prowizji, czyli realny koszt nieruchomości zostaje pomniejszony o prowizję. Ta prowizja również zawiera ryzyko sprzedaży – czym większe ryzyko, tym większa prowizja. Pomysł jest bardzo ciekawy. Swoją drogą jeżeli też Ci ten pomysł spodobał się i widzisz w nim potencjał – proszę daj mi  o tym znać.

Cadre próbuję ułatwić jeszcze bardziej. Kupno budynku na Manhattanie w Nowym Jorku jest dużym wyzwaniem, nawet jeżeli masz pieniędze. Wchodzą w grę pośrednicy i tak naprawdę cały proces jest zbyt skomplikowany. Twórcy Cadre proponują zmianę tego podejścia. Tak jak w sklepie możesz kupić buty za 50 dolarów, to w tym przypadku będzie podobnie – tylko cenniki będą w milionach dolarach. Czy wyobrażasz sobie kupowanie tak drogich nieruchomości podobnie jak w sklepie internetowym? Co o tym myślisz?

 

 

Teraz pokazałem na przykładach trzy trendy które ciężko już przegapić, to było:

  1. Personalizacja
  2. Jakość
  3. Prostota

Pokolenia

Mówiąc o zmianach warto również powiedzieć więcej o odbiorcach, czyli o zmianach myślenia w pokoleniach.

Przyjęło się dzielić pokolenia na tak zwany grupy:  Baby Boomers (urodzone po drugiej wojnie światowej ), pokolenie X urodzone w latach 60-80, pokolenie Y zwani czasem milenialsi, urodzone w latach 80-90 i pokolenie Z urodzone po latach 90.

Pokolenie Y już teraz ma ok. 20-40 lat, czyli w większości przypadków to jest najbardziej aktywna grupa z punktu widzenia biznesu (oczywiście to bardzo zależy od branży). Różnica pomiędzy pokoleniem X a Y jest dość istotna. Pokolenia Y aktywnie korzystają z technologii, żyją w tak zwanej globalnej wiosce, wiedzą o PRL tylko z opowieści itd.  Ciekawostką tutaj jest to, że już pokolenie Y dzięki internetowi ma możliwość łatwej komunikacji z ludźmi z całej kuli ziemskiej, ale jest jeden problem – bariera językowa. Angielski czasem pomaga, ale nie ukrywajmy, że jest sporo osób które go nie znają po drugiej strony… i sztuczna inteligencja tutaj może pomóc. Teraz na na myślę Skype.

Na dzień dzisiejszy Skype już tłumaczy głos w trybie online dla 9 języków (arabski, chiński, angielski, francuski, niemiecki, włoski, portugalski włączając dialekt brazylijski, rosyjski i hiszpański) i dla 50 języków w trybie tekstowym (czyli wiadomości wysłane przez Skype). Warto dodać, że teraz coraz szybciej będą dodawane kolejne języki. To oznacza, że już teraz coraz bardziej prawdopodobne jest łamanie barier językowych. Załóżmy, że chcesz porozmawiać z kimś z Chin ale znasz tylko angielski (nie znasz chińskiego), a osoba z Chin nie zna angielskiego… już teraz w uproszczonej wersji to działa. Zapraszam do obejrzenia wideo…

Innymi słowy, pokolenie Z faktycznie może zacząć korzystać z benefitów globalnej wioski w globalnym sensie tego słowa. Co o tym myślisz?

Dlaczego zacząłem mówić o różnicach w pokoleniach i jaki to ma wpływ na biznes? Bardzo duży, podam Ci jeden z przykładów. Badania (przeprowadzone w Stanach) pokazały, że chęć załatwiania spraw przez telefon (czyli dzwonienia) odpowiadała większości Baby Boomers, mniej więcej co trzeciemu z pokolenia X i tylko co dziesiątemu dla pokolenia Y. Niestety nie było brane pod uwagę pokolenie Z, ale i tak domyślisz się, że jeszcze mniej niż pokolenia Y.

Oznacza to, że tak zwane “call-center” wymierają, nie tylko z powodu ich automatyzacji (bo tak też się dzieje), a z braku popytu w przyszłości (ale to jeszcze trochę zajmie).

Coraz więcej rzeczy załatwia się przez internet. I nowy trend, którego już ciężko nie zauważać to tak zwane chatbot i popyt na to tylko rośnie. Pojawił się taki termin jak “conversational commerce” bazujące na naturalnym języku człowieka (tekst czy głos) na podstawie tego można robić odpowiednią akcję.

Jest wiele przykładów, jeden z pierwszych – Pizzeria Dominos umożliwia zamówić pizzę poprzez facebook messenger wpisując jedno słowa “PIZZA”.

Mówiąc o asystentach warto również wspomnieć o Amazon Echo czy Google Home. To jest temat rzeka, więcej na temat asystenta będzie w kolejnych odcinkach.

https://www.youtube.com/watch?v=2KpLHdAURGo

Analiza danych

Dotkniemy tematu analiza danych… wbrew pozorom to było zawsze. Ciężko teraz sobie wyobrazić firmę która wcale nie analizuję danych. Musi to robić, chociażby z punktu widzenia prawnego prowadzić księgowość i inne obowiązujące rzeczy. To w takim razie co się zmieniło?

Zmieniły się pytania o które pyta biznes.

Dotychczas była to tak zwana statystyka opisowa. Która przede wszystkim patrzy w przeszłość, czyli pomaga znaleźć odpowiedzieć na pytanie: “co się stało?” i w bardziej zaawansowanych przypadkach odpowiedzieć na “dlaczego tak się stało?”. Na podstawie tych odpowiedzi były podejmowane dalsze decyzje przez człowieka.

Kiedy uczenie maszynowe zaczęło być używane w praktyce, okazało się, że już teraz możemy również dawać odpowiedź na pytania “co się stanie?” to jest tak zwane “predictive analytics” i mało tego, poszło krok dalej odpowiadając na pytania “co należy zrobić, żeby stało się to?” taka zwane “prescriptive analytics”.

Zaawansowaność analityki
Zaawansowaność analityki

Pod czas konsultacji, czasem słyszę pytania „ale jak to ma wpływ na biznes?”. Odpowiadająć, wysokopoziomowo, wpływ możemy podzielić co najmniej dwie płaszczyzny:

  1. Lepszy produkt czy usługa
  2. Trafniejsza decyzja

Spróbuję rozwinąć co mam na myślę.

Lepszy produkt

Kiedy kupujesz książki o uczeniu maszynowym – Amazon wie kim jesteś, kiedy czytasz wiadomości na swojej ścianie – Facebook wie kim jesteś, kiedy poszukujesz zniżkę na bilet – Google wie kim jesteś. Na podstawie tej informacji próbują dopasować się do Ciebie (i robią jesze wiele innych rzeczy, nawet nie pytaj jakie). Na podstawie wiedzę kim jesteś próbują zrobić to, co oczekujesz.

Branża motoryzacyjna również chcę wejść do obszaru rozumienia kim jest klient i automatycznie adaptować się. W praktyce to oznacza, że gdy wsiadasz do samochodu fotel reguluję się pod Twoje oczekiwania, już nie musisz mieć klucza (czy breloczka), żeby odpalić silnik – będzie to działo się na podstawie bio uwierzytelnienie (autentykacji). W krytycznych sytuacjach, na przykład kiedy przegapiliśmy zbliżający się do nas obiekt, może pomóc zwrócić uwagę poprzez ostrzeganie lub nawet zacząć hamować nie czekając na Twoją reakcję.

Zapraszam do obejrzenie wideo Chrysler Portal

Lepszy produkt to połączenie personalizacji i jakości o której już wspomniałem.

Trafniejsza decyzja

Mam na myślę takie decyzji, które mają wplyw na biznes, ale nie koniecznie ulepszają produkt czy usługę… Podam Ci kilka przykładów.

Churn prediction

Klient z różnych przyczyn może przestać korzystać z Twoich usług, np. może pójść do konkurencji. Koszt poszukiwania nowego klienta jest zwykle znacznie wyższy niż utrzymanie stałego. Dlatego opłaca się podjąć pewne działania, żeby go zatrzymać dając mu pewną korzyść np. w postaci zniżki. Oczywiście, możesz dać zniżkę wszystkim swoim klientem, mogą ucieszyć się z tego – ale wtedy jest to mało racjonalnie i takie działania mogą skończyć się ostatecznie stratą.

Sztuczna inteligencja w biznesie. Santander - przykład analizy lojalności klientów
Sztuczna inteligencja w biznesie. Santander – przykład analizy lojalności klientów

Dlatego potrzebny pewien mechanizm, który podpowie kto chce odejść. Również w tym przypadku ważną rolę odgrywa czas. Odejście osoby (zaprzestanie płacenia) zwykle już jest formalnością, decyzja została podjęta wcześniej. Dlatego dla skutecznego działania warto skontaktować się przed taką decyzją. Banki czy firmy telekomunikacyjne takie zadania już rozwiązują dość długo, natomiast to również można wykorzystać dla innych przedsiębiorstw. Nowsze algorytmy oraz więcej danych pomagają usprawniać skuteczność rozwiązania lojalności klienta.

Aktywacja użytkownika

Mówi się, żeby użytkownik zaczął przynosić korzyści dla biznesu, trzeba go aktywować. Czasem to nazywa się  “aha! moment”. Każdy produkt ma coś swojego.

Na przykład Facebook, żeby aktywowac użytkownika ma pomóc mu znaleźć 7 przyjaciół w 10 dni. Twitter  pomaga użytkowniku zacząć śledzić co najmniej 30 osób, Dropbox motywuję do wrzucania co najmniej jednego pliku itd. Ważnym punktem jest zrozumieć granicę, tak zwany rubikon, po przekroczeniu którego użytkownik już raczej zostanie.

Aha! Moment
Aha! Moment

I wtedy kiedy jest to zrozumiałe, należy przygotować plan jak to osiągnąć, w przypadku Facebooka trzeba znaleźć takich ludzi których użytkowników z chęcią chcę dodać (na przykład jego przyjaciół). Czasem żeby aktywować użytkownika, jeżeli mówimy o innych, niż biznesy internetowe – trzeba wysłać mu sms lub zadzwonić. Uczenie maszynowe pomaga w osiągnięciu tych celów.

Direct marketing

Twoja firma już ma bazę klientów i posiadasz historię o tym kto i kiedy co kupił. Masz zamiar wypuścić kolejny produkt. Można oczywiście wysłać do wszystkich maila czy nawet sms ale zwykle to jest mało skutecznie, a w przypadku sms również dość drogie.

Oczywiście możesz popracować nad tym, żeby wiedzieć o której godzinie wysyłać i tym samym wynik może być lepszy.  Natomiast bardziej skuteczniejsze będzie zrozumienie tego, kto z Twoich klientów chcę kupić, czasem nawet tego sam jeszcze nie wie… dotrzeć do niego i w końcu pomóc rozwiązać jego problem.

Już są technologie które idą jeszcze dalej, ale jak na razie są w strefie szarej, więc mówi się raczej o nich rzadko. Wyobraź sobie że jesteś na jakimś wydarzeniu i ktoś podchodzi do Ciebie, zaczyna mówić i okazuję się, że on ma coś co Ciebie bardzo interesuje. Dotychczas to wszystko tłumaczyło się przypadkiem, lub tym, że jesteśmy w jednym miejscu, więc można znaleźć tematy pokrewne. A co jeżeli powiem, że są technologie które na podstawie Twojego zdjęcia mogą powiedzieć dość wiele, zwłaszcza jeżeli używasz sieci społecznościowych. Co o tym myślisz? Zastawiam Cię z tą informacją i przechodzę do kolejnego przykładu.

Meteum Yandex

Pozwól, że najpierw powiem co to za firma Yandex. Wyszukiwarka dla osób z Europy czy Stanów kojarzy się przede wszystkim z Google (w Stanach jeszcze Bing), natomiast w Rosji i ogólnie w większości w byłych krajach radzieckich oraz Turcji do wyszukiwania częściej wykorzystują Yandex, a na przykład w Chinach Baidu.

Każda z tych firm inwestuję ogromne pieniądze w uczenie maszynowe, posiadają duży potencjał, każda z nich ma własne “know-how”. Myślę, że będę często cytował którąś z tych firm, bo robią wrażenie.

A teraz opowiem o jednym z produktów który dostarcza Yandex – Meteum. To jest serwis z prognozą pogody.

Prawidłowe przewidywanie pogody może pomóc biznesowi robić rzeczy bardziej rozsądnie. Są branże takie jak rolnictwo, gdzie pogoda ma bardzo istotny wpływ, ale jest wiele innych branż gdzie pogoda również ma duży a czasem ogromny wpływ na podejmowanie decyzji.

Prognoza pogody
Klasyczna prognoza pogody operuje bardzo skomplikowanymi wzorami

Kilka przykładów. Raczej to jest oczywiste, że ilość zamawianych taksówek rośnie, jeżeli zaczyna padać deszcz. Natomiast dla dużych miast powiedzieć, że będzie deszcz to prawie nie powiedzieć nic, bo samochód potrzebuję czasu, żeby przejechać z jednego końca na drugi. Bo w jednej dzielnicie pada a w drugiej nie… Widziałem analizę, kiedy Meteum robił prognozę dla poszczególnych dzielnic na konkretną godzinę, w wyniku czego można zorganizować logistycznie transfer samochodów z jednej dzielnicy do drugiej.

Pytania jak dobre są prognozy Meteum? Ciekawostką jest to, że przewidywanie pogody jest bardzo ciężkim zagadnieniem i nad tym już od dawna pracuje bardzo dużo inteligentnych osób. Jest bardzo skomplikowana teoria i różne podejścia jak to zrobić. Yandex postanowił wykorzystać całą wiedzę która jest dotychczas i dodać uczenie maszynowe.

Meteum - jak to działa?
Meteum – jak to działa?

Działa to tak – są różne prognozy na podstawie różnych modeli klasycznych zadaniem uczenia maszynowego jest na podstawie tych informacji znaleźć najbardziej trafną. Oczywiście można wziąć zwykłą średnią, ale to działa na bardziej zaawansowanych obrotach. Również bierze się pod uwagę jaki to jest teren (Yandex Maps – czyli własna alternatywa Google Maps) jak działa ten czy inny model w tej strefie. Wyniku na dzień dzisiejszy dostają najlepszy możliwy model, przynajmniej z tych dostępnych publicznie.

jakość prognozy
Jakość prognozy. Lewy wykres: procent większych pomyłek po temperaturze w przeciągu 24h (mniej lepiej). Prawy wykres: Dokładność prognozy przy wykorzystaniu zbilansowanej metryki F (więcej lepiej).

Już wspominałem, że taką wiedzę można wykorzystać w różnych obszarach. Czy wiesz, że reklama w Google i nie tylko adaptuję się również do pogody? Walmart adaptuję się do pogody pokazując bardziej odpowiednie towary na swojej stronie tym sam zwiększył sprzedaż.

McDonalds na swoich stanowiskach zautomatyzowanej sprzedaży, rekomendował opierając na pogodę, np. kiedy było zimno pokazywał kawę, kiedy gorąco soczek z lodem i tym samym zwiększył sprzedaż. Takich przykładów już jest dość dużo….

Uczenie maszynowe

A teraz włączam mojego pragmatyka i postaram się Ci pomóc zrzoumieć czym tak naprawdę jest uczenie maszynowe bez chwytów marketingowych.

Mówi się że ludzie od sztucznej inteligencji i uczenia maszynowego w szczególności szukają dwóch rzeczy – cudów i pieniędzy. Mówiąc cuda mam na myśli rozpoznawanie kotów w filmikach youtube i  wygrywanie w go-alpha czy pokera. Cuda – to jest moment kiedy ludzie coraz więcej ufają i ślepo wierzą w potęgę maszyny. Traktują uczenie maszynowe jak magię czy srebrną kulę która potrafi rozwiązać wszystkie ich problemy i transformować biznes w innowacyjny.

Uczenie maszynowe to nie srebrna kula
Uczenie maszynowe to nie srebrna kula

Napędzany szum w tych tematach robi coraz więcej magii dla większości. Jest druga grupa ludzi, pragmatyków która próbuje zrozumieć jak to może pomóc im w biznesie – czyli zarobić. Wtedy magii zostaje coraz mniej, a pragmatyzmu coraz więcej.

Jeżeli chcesz być w grupie, która myśli o tym, jak zastosować uczenie maszynowe i dostać mierzalne wyniki, gorąco proponuję myśleć o uczeniu maszynowym jako “optymalizacji” będzie to wtedy bardziej zrozumiałe.

Każdy z nas robi optymalizację codziennie wśród dziesiątki czy setki codziennych wyborów. Na przykład dochodzisz do wniosku, że zatankować trzeba przed pracą, bo później trzeba spieszyć się po dziecko.

Wiele opcji - codzienny wybór
Wiele opcji – codzienny wybór

kupująć iphone zastanowisz się nad różnymi rzeczami dotyczące produktu, sklepu, sprzedającego lub wielu innych czynników i na podstawie pewnej optymalizacji podejmujesz decyzję. Jeżeli masz do wyboru kupić drożej i taniej ten sam model, co wybierzesz? Pewnie nasuwa pytanie, to zależy kto sprzedaje, być może to jest mało znana marka, która może sprzedawać kradzione telefony.

Czyli to nowe pytanie potrzebuje odpowiedzi, następnie może pojawić się jeszcze inne pytanie… Osoby bardziej doświadczone w życiu, będę mieć znacznie więcej pytań i zwykle są bardziej ostrożne. Ostrożny oznacza, że ilość pytań która generuje taka osoba, jest znacznie większa niż to robi osoba mniej ostrożna.

O tym mało się mówi, ale to co tworzy człowiek, jest oparte na tym, co sam człowiek, jego mózg robi. Innymi słowami, każdy z nas regularnie uruchamia proces optymalizacji w swojej głowie.

Uczenie maszynowe próbuje poprzez różne segregacje (czyli nieco upraszczając “zadawanie pytań”, oczywiście nie ma żadnych pytań czy dialogów są tylko liczby) wybrać to co jest najlepsze. A skoro ma decydować czy coś jest lepsze – propozycja jeden czy propozycja dwa, to musi umieć to porównać. I teraz jesteśmy w punkcie, żeby zrozumieć dlaczego jest tak ważne wybrać pewną metodę (mówiąc matematycznie funkcję) która będzie pomagać w optymalizacji. Innymi słowy taka funkcja, która czasem jest nazywana funkcją sukcesu, tłumaczy do czego trzeba dążyć.

Komputer ma tę przewagę (już na dzień dzisiejszy), że może operować bardzo dużą ilością cyfr, trzymać je w pamięci czy robić różne operacje. Najprostszą rzecz którą może zrobić maszyna – próbować wszystkie możliwe kombinację i używając funkcji sukcesu nadawać każdej decyzji liczbę a następnie posortować i wybrać najlepszą decyzję. Oczywiście algorytmy, na dzień dzisiejszy są bardziej złożone i dopracowane, niż sprawdzanie wszystkich możliwych kombinacji.

Podam Ci przykład. Uczenie maszynowe które próbuję klasyfikować na podstawie cech – czy to mężczyzna czy kobieta, tak naprawdę tylko optymalizuje pewną funkcję. Która na wejściu ma pewne cechy, takie jak wzrost, waga, długość włosów (zwykle na głowie, ale w tym przypadku bardzo dobrym atrybutem będzie długość włosów na nogach) itd. Następnie funkcja robi pewne przekształcenia dobiera parametry i daje wynik – kobieta czy mężczyzna. Jeżeli wynik jest słaby, czyli algorytm myli się- robię kolejną iterację, aż dotrze do momentu dopóki wynik będzie maksymalny dobry na podstawie tych danych które mamy.

Kobieta czy mężczyzna?
Kobieta czy mężczyzna?

Jeżeli jesteś uważny, możesz zapytać, a skąd algorytm wie, że wynik jest lepszy? Bardzo dobre pytanie – algorytm nie wie. To człowiek ma zdefiniować tak zwaną funkcję czy metrykę sukcesu. To jest bardzo ważny temat (na moich warsztatach zwykle mówię, że to najważniejszy temat w uczeniu maszynowym).

Być może przyszła Ci myśl, co może być Twoją metryką sukcesu w Twoim biznesie, natomiast w większości przypadków pierwsza metryka jest słaba, dlatego że nie do końca rozumiemy co to oznacza. W momencie optymalizacji coraz bardziej zaawansowane algorytmy optymalizują w sposób agresywny (niż to robił człowiek, bo potrafi operowac większą ilość liczb). W wyniku model osiąga cel, a potem okazuje się, że to jest coś innego niż oczekiwano.

Swoją drogą, używam słowa „model” i „algortym” zamiennie… Nie przejmuj się tym, każdy model zawiera w sobie jakiś algorytm, dlatego pozwalam sobie na takie wymiany.

Wracamy do ważności rozumienia metryki sukcesu. Podam Ci przykład a może legendę o królu Midasie. Który w pewnym czasie dostał obsesje na punkcie bogactwa i chciał coraz więcej złota. Już stał zbyt zachłanny w tym. Pewnego dnia zawitał do niego Dionizos, który mógł spełniać dowolne żądania i wtedy Midas, mówiąc wprost, zkorzystał z okazji i powiedział:  “Chcę, żeby wszystko, czego dotknę stało się złotem”.

 

Midas i jego curka
Midas i jego córka

Dionizos zapytał go: “Czy nie będziesz potem żałować?” (w uczeniu maszynowym to oznacza, czy rozumiesz jak działa Twoja metryka sukcesu) i Midas powiedział szybko “Definitywnie chcę, będę wtedy najbardziej szczęśliwym człowiekiem”. Następnego ranka Midas mógł robić złoto ze wszystkiego jednym dotykiem. Był bardzo zadowolony, bawił się jak dziecko i czuł się bardzo podekscytowany….

Po jakimś czasi poczuł głód i chciał coś zjeść, jak tylko dotykał do jedzenia od razu to stawało się złotem, również do picia. Potem jego ukochana córka przyszła również na śniadanie i Midas pocałował ją i ona również stała się złotem. Wtedy już wreszcie uświadomił sobie, że teraz jego zdolność to bardziej przekleństwo niż dar. Chociaż na początku wydawało się mu inaczej.

Warto dodać, że legenda skończyła się dobrze i Midasowi udało się odwrócić wszystko z powrotem. Jak często możemy odkręcić zegar w życiu realnym? Swoją drogą historycy mówią (a inni, jak zwykle to bywa, zaprzeczają), że Midas to jednak realna osoba która żyła dawno temu (ponad 2 tysiące lat temu). Kończąc już ten przykład, jak bardzo poznajesz w Midasie siebie? Zostawiam Cię z tym pytaniem i idę dalej.

Maszyna, jak i człowiek, może uczyć się z nauczycielem i bez niego. W pierwszy przypadku, nauczyciel daje pewne przykłady i mówi jaka jest odpowiedź. Zwykle, kiedy mówi się o uczeniu maszynowym ma się na myśli uczenie z nauczycielem po polsku mówi się uczenie nadzorowane (brzmi trochę groźnie).

Uczenie nadzorowane
Uczenie nadzorowane. Źródło zdjęcia.

Jako ciekawostka, która mnie interesowała w szkole i na uczelni, czemu tak rzadko tłumaczy się dlaczego jest tak a nie inaczej, w postaci faktów niż wyjaśnień.

Co ciekawe wielu osobom to odpowiada, bo do zdania egzaminu wystarczy. Natomiast dla mnie to było bardzo frustrujące uczyć się czegoś na pamięć, bez zrozumienia o co w tym chodzi. Czyli wtedy kiedy człowiek po prostu zapamiętuję, bez zadawania pytania “dlaczego?”, to wtedy bardzo przypomina jak działa maszyna.

W pewnym uproszczeniu uczenie maszynowe działa jak przeciętny nowoczesny student.  Uczy się tylko po to aby zaliczyć bez zrozumienia dlaczego tak jest. Ale maszyna jest bardziej wydajna niż student jeżeli chodzi o przetwarzanie ilości informacji.

Uczenie z nadzorowaniem rozwiązuje trzy główne problemy: regresja, klasyfikacjaranking. Trzecia to jest szczególny przypadek klasyfikacji. Warto zrozumieć, że regresja czy klasyfikacja to są cegiełki z których można zbudować dowolne kształty.

Podam Ci kilka przykładów klasyfikacji: lojalność klienta, rozpoznawanie twarzy na obrazie czy bio autentykacja.

Regresja pomaga przewidywać liczbę, np. prognoza sprzedaży, albo jaką kwotę ma zapłacić firma ubezpieczeniowa swojemu klientowi na podstawie pewnego wydarzenia czy powiedzenia ile ma lat osoba na zdjęciu.

Regresja...
Regresja… W tym przypadku występuję „przeuczenia się” jedno z największych wyzwań uczenia maszynowego.

Systemy rekomendacyjne są szczególnym przypadkiem klasyfikacji, w praktyce to oznacza, że wśród dużej puli możliwości (np. tysiąca czy nawet milionów) produktów należy wybrać jeden czy kilka najlepszych (najbardziej pasujących).

Możesz pomyśleć, skoro jest uczenie nadzorowane, pewnie jest odmiana w przeciwną stronę – czyli uczenie nienadzorowane i będziesz mieć rację. Algorytm uczy się bez nauczyciela (nie ma przykładów z prawidłową odpowiedzią). Przykładem uczenia nienadzorowanego jest klastrowanie.

Klasyczny przykład klastrowania to jest segmentacja klientów. Jak ktoś to robił ręcznie dla większej ilości danych wie, że może to być czasochłonne.  Algorytm może pomóc a człowiek potem nadać pewne nazwy każdemu segmentu. A z punktu widzenia uczenia maszynowego klastrowanie często używa się jako kroku przejściowego i później używa w algorytmach z nadzorowaniem.

Uczenie nienadzorowane
Uczenie nienadzorowane

Wymieniłem już dwa rodzaje uczenia maszynowego – nadzorowane i nienadzorowane. Istnieje jeszcze kilka, np. uczenie ze wzmocnieniem (reinforcement learning) jako przykłady użycia to wygranie w go czy pokera.

Uczenie ze wzmocnieniem
Uczenie ze wzmocnieniem

Kolejne rodzaj to jest tak zwane transferowane uczenie (transfer learning),  kiedy model z jednego obszaru można zastosować w innym. Temat rzeka i można na tym skupić się w kolejnych odcinkach.

Mam nadzieje, już bardziej rozumiesz jak to działa pod spodem.

Podam ci jeszcze kilka pragmatycznych informacji, żeby zminimalizować ilość magii wokół uczenia maszynowego.  Dość często, kiedy mówimy o zastosowaniu uczenia maszynowego w firmach które już spędziły sporo czasu na optymalizacji  to wynikiem może być ulepszanie zoptymalizowanej metryki jedynie na kilka procent. Na pierwszy rzut oka taki wynik może być demotywujący.

Oczekuje się wielkiego cudu co najmniej 100% czy nawet 200% a tutaj jedynie tylko kilka procent. W tym przypadku należy procenty mnożyć na pieniądze, dla większych firm ulepszenie o kilka procent oznacza miliony czy setki milionów złotych czy nawet dolarów. Też może być tak, że optymalizacja kilku procent wpływa istotnie na zysk, np. zwiększenie go o 50% czy 100% to zależy od Twojego biznes modelu,  wtedy kiedy zysk jest jedynie kilka procent od całego obrotu.

Druga strona medalu, że na dzień dzisiejszy istnieje wiele biznesów w których jest spory potencjał do poprawy z punktu widzenia optymalizacji i czasem zdarza się uzyskać ulepszenie na 40% czy nawet 100%. Gorąca polecam zrozumieć, chociaż na poziomie intuicji w którym miejscu jesteś i na podstawie tego wypracować swoją strategię.

Wyzwania

Pewnie jak domyślasz, jest wiele wyzwań związanych z wprowadzeniem sztucznej inteligencji do biznesu.

Powiem Ci o kilku z nich.

  1. Brak interpretacji zaawansowanych modeli (lub skromne próby zrozumienia dlaczego to działa)
    1. Czasem jest to zakazane na poziomie prawnym (np. w Unii Europejskiej przed rozwiązaniem kredytu, musisz wytłumaczyć dlaczego tak się stało)
    2. Również dla osób decyzyjnych to jest mało komfortowo zaufać “black-box”
  2. Życie zmienia się
    1. A to oznacza, że każdy model kiedyś przestanie działać. Pytanie tylko kiedy? Podam ekstremalne przypadku w przeciągu dnia czy stulecia?
  3. Zaufanie do podejmowania decyzji przez roboty (kto jest odpowiedzialny za pomyłki?)
    1. Należy nauczyć się zarządzać zaufaniem i zarządzać ryzykiem
    2. Również nauczyć się delegować zadania do robotów

Następne kroki

  1. Współpraca pomiędzy modelami
  2. Model będzie uczyć się od modeli
  3. Modele będą kontrolować inne modele

O tym wszystkim warto rozwinąć w kolejnych odcinkach.

Podsumowanie

Sztuczna inteligencja w biznesie ma coraz większy wpływ.

Firmy, które nie wykorzystują uczenia maszynowego już przegrywają z konkurencją, a w najbliższych latach  przegrają z konkurencją w większości przypadków.

Mówi się, że większość (lub już nawet wszystkie) firmy z listy Fortune 500 już używa uczenia maszynowego i właśnie dzięki temu są na tej liście. Ilość firm który używają uczenia maszynowego rosną wykładniczo. Są takie frazy jak Web First lub Mobile First (teraz jest bardzo popularne) ale zaczyna się kolejny AI First (czyli pierwsza firma w tej branży która zaczęła używać sztuczną inteligencję).

Mobile first to AI first
Mobile first to AI first. Źródło zdjęcia.

Już za 10 czy nawet 5 lat o uczeniu maszynowym znudzi się mówić, bo to po prostu będzie wszędzie.

Jako przykład – telefon komórkowy. Czy kogoś dziwi teraz że prawie każdy ma telefon? Raczej jest dziwne, jak ktoś nie ma :).

Podziękowania

Chciałbym podziękować kilku osobom.

Marcin Iwuć wspomniał na swoim blogu „Finanse bardzo osobiste„.

Dzięki za re-tweety Wojtek Ptak, Artur Trzop.

Dzięki również za informację zwrotną. Zwłaszcza tam gdzie mogę coś ulepszyć, np. przestać przekręcać jakieś słowa :).

Przyznam się, że robię podcasty w wolnym czasie i zajmuje to bardzo dużo czasu. To dzieje się z kilku powodów. Okazuję się że systematyzacja wiedzy oraz zebranie wszystkich przykładów o których słyszałem lub czytałem i poukładanie ich w pewien logiczny ciąg jest dość czasochłonne.

Czasem moja bateria jest tak rozładowana, że pytam, czy to ma sens co robię?  Dlatego bardzo prosiłbym o informację zwrotną czy ta informacja dla Ciebie przydatna? Również co dokładnie chcesz usłyszeć w kolejnych odcinkach?

Czy to co ja robię jest wartościowe?
Zastanawiam się… czy to co robię jest wartością dodaną dla Ciebie?

Proszę o zostawiania recenzji w itunes, to pomoże łatwiej docierać nowym osobom, na facebook czy stronie biznesmysli.pl. Mam skrócony link do wszystkich sieci społecznościowych, wystarczy wpisać biznesmysli.pl “ułamek” i słowo klucz. Gdzie słowo klucz to: facebook, twitter, youtubeitunes. Na przykład, biznesmysli.pl/facebook.  Twoja informacja zwrotna daje energię i motywację kontynuować tę inicjatywę.

Jeśli znasz kogoś, komu ta informacja będzie przydatna proszę podziel się linkiem.

Gorąco polecam zapisać się na newsletter biznesmysli.pl. Będziesz dostawać wiadomości o każdym kolejnym odcinku wraz z linkiem do notatek. Również inne wartościowe rzeczy dostępne tylko dla zapisanych osób.

Teraz pracuję nad pomysłem zrobienia książki terminologii, która pomoże się odnaleźć w zagmatwanym świecie sztucznej inteligencji. Wiem, że są dziesiątki lub nawet setki fraz, ale dość mocno przekręconych przez marketologów. Proszę daj mi znać czy chcesz mieć taki słowniczek pojęć ułożonych w sposób logiczny?

Tak jak zwykle notatki z tego podcastu znajdziesz na stronie bizniesmysli.pl/4 oraz wiele różnych wideo z linkami z możliwością dowiedzieć się więcej. Zapraszam.

Od 20 do 23 kwietnia będę w Pradzę. Pewnie już wiesz, że lubię podróżować, ale w Pradzę będę z innego powodu. Zapowiada się dość ciekawa konferencja o uczeniu maszynowym. Popyt jest tak duży że wszystkie bilety zostały wyprzedane kilka tygodni przed (a szkoda, bo miałem zniżkę dla Ciebie).

Praga. Konferencja - uczenia maszynowe
Praga. Uczenia maszynowe i sztuczna inteligencja.

Jednym z patronów medialnym tego wydarzenia jest Data Workshop. To jest moja inicjatywa przekazanie wiedzy technicznej (czyli jak użyć uczenia maszynowego w praktyce bez zawiłych formuł matematycznych) na warsztatach.

Jeżeli będziesz w tym czasie w Pradze, a może i na konferencji i chcesz ze mną porozmawiać – daj znać chętnie z Tobą spotkam się. Co myślisz o tym, żeby zrobić odcinek o moich wrażeniach z tej konferencji?

Dla osób z Warszawy. 11 maja będzie spotkanie w ramach grupy sztucznej inteligencji. Gdzie będę miał przyjemność wystąpić na temat „Uczenie maszynowe, rocket science czy chleb powszedni?”  Prezentacja będzie zawierać elementy biznesowe oraz techniczne.

Let’s meet to talk about A.I. in Warsaw

Thursday, May 11, 2017, 6:00 PM

Warsaw Spire, Samsung R&D
pl. Europejski 1 Warsaw, PL

237 Members Went

[English version below]Jesteśmy organizatorami największego krakowskiego cyklu eventów o tematyce sztucznej inteligencji – A.I. meetup. Postanowiliśmy, aby cykl ten rozwijał się także w Warszawie!Zapraszamy do spotkania, wymiany doświadczeń i dyskusji. Na spotkaniu mile widziane będą osoby, które zajmują się tematyką sztucznej inteligencji, ale r…

Check out this Meetup →

 

I już naprawdę koniec… Mam dobrą nowość dla Ciebie, w przyszłym odcinku będzie pierwszy gość. Dowiesz się więcej na temat asystenta personalnego, o praktycznym doświadczeniu użycia machine learning w biznesie i coś więcej. Gorąco zapraszam. To tyle na dzisiaj do usłyszenia.

Książki które warto przeczytać

Od 2013 roku zacząłem pracować z uczeniem maszynowym (od strony praktycznej). W 2015 założyłem inicjatywę DataWorkshop. Pomagać ludziom zaczać stosować uczenie maszynow w praktyce. W 2017 zacząłem nagrywać podcast BiznesMyśli. Jestem perfekcjonistą w sercu i pragmatykiem z nawyku. Lubię podróżować.

5 komentarzy

  • Rafał Bieleniewicz

    Vladimir świetny odcinek! Zainspirowany Twoim wystąpieniem na Polcaster, gdy opowiadałeś jak to „zepsułeś Internet” ( 😀 ), dodałem Biznes Myśli do przesłuchania na później. Mimo, że jakość audio tego odcinka nie jest najlepsza, to jakość informacji i wiedzy jaką w nim serwujesz jest na najwyższym poziomie. Wprawdzie jest tych informacji sporo ale jako całokształt bardzo ładnie pokazują czym jest uczenie maszynowe/sztuczna inteligencja. Zgadzam się z Tobą, że jest to przyszłość. Wybiegając w (niedaleką?!) przyszłość, ciekaw jestem jak daleko to zajdzie. Czy zastaną nas czasy jak w filmie „Terminator” czy może jednak technologia ta będzie wykorzystywana jedynie w dobrej wierze 😉

    • Vladimir

      Cześć Rafał, miło było Cię poznać na Polcaster :). Trzymam kciuki za to, żeby technologia była wykorzystywana w dobrej wierze, ale jednak często technologia to pewne narzędzie. Już od nas (ludzi) zależy do czego technologia doprowadzi. Dzięki za Twoją opinię.

Dodaj komentarz

Twój adres e-mail nie zostanie opublikowany. Wymagane pola są oznaczone *