Zapowiedź nowej serii

Cieszę się, że znów mogę podzielić się z Tobą moim doświadczeniem. Po dłuższej przerwie wracam z serią  podcastów Biznes Myśli w nowej formule, o której chcę Ci dziś opowiedzieć.
Temat się nie zmienia – wciąż będzie o uczeniu maszynowym w biznesie  i potencjale, jaki kryje się w danych. 

Ten odcinek potraktuj jako zapowiedź nowej serii, dowiesz się, jakie tematy będę poruszał przez kolejne 10 odcinków i co zyskasz słuchając całej serii. 

Podcast miał dłuższą przerwę, mnóstwo pytań i rozważań biło się w głowie, czy dalej nagrywać, kiedy i jak.  Biznes Myśli to podcast przede wszystkim edukacyjny, który kieruję do osób, które już wdrażają lub chcą wdrażać uczenie maszynowe w swoich firmach. Chciałbym, aby także ta nowa seria dała Ci wiedzę i inspiracje, jak to robić lepiej, aby ML przynosił konkretne korzyści Twojej organizacji i przekładał się na podejmowanie lepszych decyzji biznesowych. 

Czy wiesz, że 9 na 10 projektów uczenia maszynowego się nie udaje się? Tak wynika z badań gigantów biznesu i medialnych raportów.  “Nie udaje się” może tutaj oznaczać, że nie zostały wdrożone, nie przyniosły żadnych mierzalnych skutków… 

Ta fraza mogła już do Ciebie trafić wiele razy przekazywana w różnych kontekstach.

I co teraz? Koniec z ML? ML nie działa?

Czy w ogóle wierzyć tym badaniom / statystykom? To osobna historia.

Ciężko to jednoznacznie zmierzyć czy zweryfikować,  ale jestem w stanie uwierzyć, że tak może być, bo z tego co udaje mi się często zaobserwować,  wiele firm powiela podobne błędy, skupia się za bardzo na mniej istotnych szczegółach, a nie poświęca wystarczająco dużo uwagi i czasu na kluczowe moim zdaniem elementy projektu.

Czy warto zatem bać się projektów ML lub ich nie zaczynać, bo “statystyka nie sprzyja” lub ML nie działa?  To nie jest tak, że ML nie działa… Działa – tylko to jest tak, jak z samochodem… 

Nie wystarczy zatankować i odpalić samochód, aby dojechać do celu. Same dane i modelowanie to tylko ułamek projektu ML. 
Wracając do samochodu, aby dojechać do celu, musisz jeszcze zaplanować optymalną trasę i sprawnie poprowadzić samochód omijając przeszkody po drodze. Podobnie jest w ML – robisz wszystko, aby zmniejszać ryzyko niepowodzenia. Jeśli tego nie zrobisz, odpalisz, wciśniesz gaz i pojedziesz na oślep, to zatrzymasz się na pierwszej przeszkodzie i możesz już nie ruszyć dalej.

Na pewno trzeba mieć sporo pokory zabierając się za ML i mieć świadomość, że są to projekty z obszaru R&D, czyli obarczone ryzykiem, ale nie oznacza to, że mamy się ich bać, nie dotykać, nie dążyć do sukcesu i czerpać korzyści…  To co zrobić, aby świadomość, że  “9 na 10 projektów ML kończy się porażką” zakładając, że to prawda, przekuć w sukces, a nie brak działania lub kolejną porażkę?

Dziś odpowiem krótko – lepsze zarządzanie ryzykiem i większa świadomość popularnych błędów na pewno w tym pomogą, a przez kolejne tygodnie będziemy zgłębiać temat bardziej szczegółowo.

Ta seria podcastu powstała na bazie mojego i mojej firmy – DataWorkshop praktycznego doświadczenia pracy nad projektami. 

Pomagamy firmom wydobywać potencjał z danych, czyli w praktyce budować i wdrażać modele  ML, a także budować procesy i stabilizować rozwiązania, aby długofalowo przynosiły namacalne korzyści.

I tą wiedzą chcę podzielić się z Tobą w ramach nowej serii odcinków podcastu BM. 

5 wartości dla Ciebie po przesłuchaniu 10 nadchodzących odcinków podcastu

1.  Dowiadujesz się, jak wygląda projekt ML od początku do końca – przechodząc przez kolejne odcinki dotykasz kolejnych etapów projektu ML.

2.  Masz świadomość, na co zwracać uwagę,  które zagadnienia wymagają większej uwagi i dlaczego są krytyczne. 

3.  Unikniesz popularnych błędów i pułapek, które zjadają pieniądze i zwiększają ryzyko porażki. 

4.  Poznasz praktyczne porady od praktyków uczenia maszynowego i ludzi związanych z biznesem. 

5. Zainspirujesz się do wprowadzenia optymalizacji lub innowacji w swojej pracy, organizacji. 

5 zasad na nową serię podcastów BM

1.  BM ma nową strukturę – seria = 10 odcinków = kompletna dawka wiedzy dla Ciebie w określonym zakresie. Wraz z odcinkami będą wychodziły artykuły na stronie, a więc jak wolisz czytać, to możesz 🙂 

2. Tematy przewodnie odcinków serii są z góry znane i zaraz je poznasz. 

3. Będą pojawiać się goście, aby dzielić się swoją perspektywą i doświadczeniem na dany temat.

4. Odcinki będą pojawiać się co 2 tygodnie i trwać nie dłużej niż 1h.

5. Będą pojawiać się materiały bonusowe dla osób będących w newsletterze Biznes Myśli. 

A więc koniecznie dołącz do newsletter Biznes Myśli, aby nie opuścić żadnego odcinka, ani bonusu. Link poprzez który możesz dołączyć do newslettera znajdziesz na głównej stronie Biznes Myśli (https://biznesmysli.pl/) w zakładce newsletter.

To teraz kilka słów o tematach, których możesz spodziewać się w nowej serii BM i 10 najbliższych odcinkach.

Zaczniemy nową serię od wartości, którą daje uczenie maszynowe i tego, jak to przełożyć na swój kontekst. Inaczej mówiąc odpowiemy sobie na pytanie:

1.  Co potrafi ML i co może zrobić w Twojej firmie? 

To pytanie można rozumieć na kilka sposobów i postaram się omówić perspektywę zarówno techniczną, jak i biznesową, ale najważniejsze jest to, aby pokazać Ci m.in.

• realne i mierzalne wartości, jakie może dostarczyć ML w różnych branżach
• jak szukać obszarów w firmie, gdzie uczenie maszynowe może pomóc
• jak postawić pierwszy krok, aby zbadać potencjał, czy ML daje wartość

Jak już wiesz, że ML może pomóc w Twojej firmie i umiesz identyfikować obszary, gdzie może przynieść potencjalną wartość, to przejdźmy do rozmów, które często są traktowane pobieżnie, a moim zdaniem są najważniejsze i pozwalają rozpocząć projekt. Nie można załatwić ich jednym zdaniem. Wymagają spotkania biznesu z technologią i dialogu. Tutaj chodzi w dużym skrócie o zadawanie właściwych pytań i udzielanie bardzo konkretnych odpowiedzi.

Mam na myśli…

2. Rozmowy o metrykach sukcesu

W materiale na ten temat, dowiesz się m.in: 

• dlaczego biznesowe metryki sukcesu są takie ważne w projektach ML
• jak biznesowe metryki sukcesu wpływają na techniczne
• jakie pytania warto zadać rozmawiając o metrykach
• o częstych błędach popełnianych na tym etapie i ich wpływie na cały projekt

Nie bez powodu po odcinku, gdzie tematem przewodnim są metryki sukcesu projektu i modelu ML porozmawiamy o zespole i rolach w projekcie ML.

Często mówiąc o ML i zespole, który “dowozi” myślimy głównie o osobach technicznych, które “trenują modele”, a mniej skupiamy się na tym, że są różne role, które są potrzebne, aby móc powiedzieć na koniec – projekt się udał. Te role są zarówno techniczne, ale także biznesowe i związane z zarządzaniem, testowaniem modeli na produkcji, czy w końcu te związane z wykorzystaniem wyników modeli ML w praktyce. 

Czy to oznacza, że jak masz 1, 2, 3 osobowy zespół, to ML nie jest dla Ciebie?

Nie, ilość osób to coś innego i związana jest raczej z tym na jakiej skali i szybkości Ci zależy. O tym porozmawiamy potem, ale najpierw warto wiedzieć jakie role, czy też kompetencje są potrzebne, aby móc rozpocząć i zakończyć projekt z ML. Jedna osoba może pokrywać więcej niż 1 kompetencja. 

Dlatego właśnie odcinek poświęcony:

3. Rolach i kompetencjach w projekcie ML  pojawił się na mojej liście. 

A w nim dowiesz się:

• jaka jest różnica między Data Scientist a  ML engineer, jakie są jeszcze inne role i kogo potrzebujesz w swojej firmie na stałe
• jakie kompetencje musisz mieć lub mieć je w zespole, aby wystartować z pierwszym projektem
• od czego zależy skład i wielkość zespołu ML

Warto pamiętać, że to wszystko “zależy” i nie ma jednej złotej odpowiedzi, ale postaram się pokazać temat w taki sposób, aby dać Ci możliwość wybrać optymalną ścieżkę dla siebie – zarówno jeśli chcesz budować zespół w swojej firmy, jak i w przypadku, kiedy to Ty chcesz być członkiem takiego zespołu i szukasz swojej roli. 

No dobrze, już wiesz nawet na podstawie agendy, że nie będę mówił tylko o rolach technicznych, ale i biznesowych w projektach ML, a jak łączymy 2 światy ze sobą, to wypadałoby umieć się dogadać, prawda? 😉 

To temat rzeka, jak budować sprawne mostki komunikacyjne pomiędzy tymi dwoma językami 😉 Nie obiecuję, że pomogę Ci przepłynąć całą rzekę, ale postaram się pomóc Ci sprawniej poruszać się i zarządzać ryzykiem w tym wartkim i zmiennym temacie.

Dlatego nie mogło zabraknąć odcinka w tej serii, który roboczo nazywam:

4. Dogadajmy się, czyli jak biznes rozmawia z zespołem ML & zespół ML z biznesem

Porozmawiamy m.in. o tym, jak:

• przekładać biznesowe cele na projekty ML,
• jakich błędów komunikacyjnych unikać
• jak przedstawiać wyniki modeli dla osób decyzyjnych

W dużym skrócie porozmawiamy sobie o najważniejszych czynnikach sprawnej komunikacji w projekcie ML i tym, o co warto ją wzbogacić, aby modele ML rzeczywiście przynosiły namacalną korzyść.

Temat korzyści jest osobnym wątkiem i wymaga uwagi, bo nie jest jednoznaczny.

Jest powiązany z metrykami sukcesu, ale warto tutaj wziąć pod uwagę to, że te korzyści mogą wyglądać inaczej na każdym etapie projektu i dla każdej organizacji nieco inaczej. A to wszystko zależy od tego, w którym miejscu znajduje się Twoja firma tera i do czego dąży.

5. Czy “kiepski” model ML może przynieść wartość?

Pierwsza myśl, która przychodzi do głowy brzmi: nie… Jak to przecież “kiepski” i “korzyść” już nie pasują do siebie w jednym zdaniu.
Potem powinno przyjść pytanie: ale co to znaczy “kiepski”? Warto też zadać sobie pytanie,  a co to znaczy w praktyce i w naszym kontekście.

Podam Ci przykład:  czy model, który z 50% skutecznością identyfikuje usterki na hali produkcyjnej, gdzie wytwarzany jest dany produkt, to dobry model?

50% skuteczności nie brzmi aż tak dobrze, ale jak weźmiemy kontekst pod uwagę, że do tej pory wszystko robili ludzie i nie udało się wychwycić tego, co wychwytuje model przed wystąpieniem anomalii, tylko gasiło się już pożary,  a nawet pójdziemy krok dalej i przeliczymy, ile  ten model jest w stanie zaoszczędzić dla firmy, to okazuje się, że nie jest “kiepski”, tylko wystarczający na ten moment, aby już opłacało się go wdrożyć 🙂

Więcej o tym porozmawiamy w dedykowanym odcinku na ten temat i porozważamy, co znaczy “dobry” i  “słaby” model w praktyce  i o tym, jak ustalać granicę tego, co warto robić, a czego nie opłaca się robić.


*** 

To jak mierzysz i porównujesz wyniki modeli jest kluczowe, aby wyciągać właściwe wnioski i usprawniać pracę. Mając kontrolę nad tym, zmniejsza znacząco ryzyko, że model będzie bezużyteczny lub jego wyniki na produkcji będą znacznie różniły się  od tego co sprawdzasz na danych historycznych.

6. Walidacja modeli jest ważnym tematem i o tym też porozmawiamy 

Dowiesz się dokładniej:

• co to jest walidacja w praktyce
• w jakie pułapki możesz wpaść 

• czym się różni walidacja online od offline

• jaką rolę odgrywa oś czasu w walidacji
• co walidacja modeli ML oznacza dla Twojego biznesu i na jakie decyzje wpływa
• jakie kroki są konieczne zanim wdrożysz model na produkcję 

Kiedyś zapytałem na konferencji branżowej: “kto trenuje modele” – był las rąk, a potem dodałem: “a kto wdraża”? Zostały 2 ręce w górze.

Chyba już czujesz, dlaczego ten temat “wdrażania modeli na produkcję” wchodzi w agendę 😉

7.  Wdrożenie

Porozmawiamy tutaj o tym:

• czym jest wdrożenie w praktyce i co oznacza wynik modelu w praktyce 
• w jakie pułapki można tutaj wpaść
• kiedy warto wdrażać, a kiedy lepiej nie ryzykować

Dodatkowo wspomnę tutaj o zespole, bo wdrożenie modelu na produkcję wymaga współpracy pomiędzy osobami o różnych kompetencjach.

Kolejnym tematem, który wiąże się z wdrażaniem, ale zasługuje na osobny odcinek to

8. Utrzymanie modelu ML na produkcji

Tutaj dowiesz się m.in.

• czym jest degradacja modelu i jak się na nią przygotować
• jak ułatwić utrzymanie modelu na produkcji i o czym należy pamiętać po wdrożeniu

Jeśli jesteśmy już na tym etapie – utrzymanie dochodowego modelu na produkcji, to pojawia się pytania, czy usprawniamy dalej model, a może budujemy inne? Jak zorganizować pracę, aby modele były sprawnie utrzymywane i rozwijane, a także tworzone nowe w miarę potrzeb. 

Jak to można osiągnąć poruszymy w osobnym odcinku, który roboczo nazywam

9. Data & ML  – lab

Pewnie zastanawiasz się, czy taka jednostka, zespół może działać nawet w małych firmach? I co zrobić, aby wydajność takiego “labu” / zespołu była duża i opłacalna, a w konsekwencji prowadziła do skalowania rozwiązań ML? 

10. Skalowanie ML to osobny wątek i jego też poruszymy, ale zostawiamy to sobie na deser kończąc tym tematem serię 10 odcinków podcastu, które przeprowadzą Cię przez najważniejsze elementy i etapy projektu z ML w roli głównej.

Dołącz i przesłuchaj całość jeśli jesteś analitykiem, inżynierem, zarządzasz projektami, podejmujesz biznesowe decyzje lub chcesz wprowadzić innowacyjne rozwiązania ML w swojej firmie. 

Na koniec mam dla Ciebie zadanie 🙂


Zastanów się nad 3 pytaniami, które nurtują Cię z obszaru projektów ML i podziel się ze mną tymi pytaniami poprzez ankietę poniżej.

I przypomnę jeszcze raz – zapisz się na stronie Biznes Myśli do newslettera, aby nie przegapić żadnego odcinka ani bonusu. 

Jeśli masz pytania lub chcesz nawiązać współpracę, to pisz na hello@dataworkshop.eu