Kończy się rok 2021, witam Cię w 115 odcinku podcastu, który będzie nietypowy.

Jeśli uważnie słuchasz mojego podcastu odcinek po odcinku, to wiesz, że są pytania, które powtarzają się regularnie, niezależnie od tego, czym zajmuje się gość podcastu.

Zawsze pytam o książkę do polecenia i w tym roku regularnie pojawiało się pytanie o przyszłość, czyli co zdaniem gości czeka nas w niedługim czasie w branży Data Science, Machine Learning.

Wiem, że ciężko przewidzieć przyszłość, o ile w ogóle jest to możliwe. Swoją drogą daj znać, czy słuchasz lub czytasz futurologów i jak myślisz, na ile możemy dobrze oszacować, w którym kierunku będą rozwijały się pewne trendy. Tutaj warto zwrócić uwagę na to, że mogą pojawić się niespodziewanie czarne łabędzie i zmienić bieg wydarzeń nieoczekiwanie. Warto o tym pamiętać i zawsze mieć dużo pokory co do różnorakich przewidywań. Zarówno jeśli chodzi o życie, jak i ML.

Kończymy kolejny rok, za chwilę zaczynamy 2022 i zwykle takie przejście skłania do refleksji. Z jednej strony pojawiają się podsumowania, a z drugiej pytania o to co będzie w kolejnym roku i następnych. Dlatego ostatni odcinek w tym roku będzie podsumowaniem i prognozą przyszłości w jednym. Oddam głos ponownie gościom podcastu Biznes Myśli, którzy pojawili się w 2021 roku.  Wrócimy do niektórych wypowiedzi na temat przyszłości w branży ML.

1. Transformery w uczeniu maszynowym – możliwości i ograniczenia

Krzysztof Choromański:

Wydaje mi się, że jesteśmy w ogóle na początku drogi do stworzenia nowej technologii, z której czerpać będzie cała cywilizacja, ponieważ oczywiście takim końcowym efektem, na który wszyscy czekają to jest ta sztuczna inteligencja. Ale jak słyszę często właśnie w mediach, że się mówi, że już mamy tą sztuczną inteligencję to tylko się uśmiecham, ponieważ wiem, jak daleko jesteśmy od tego. Stworzenie maszyny, która uczyłaby się przynajmniej częściowo jak człowiek jest jeszcze cały czas poza naszym zasięgiem.

Więc to wydaje się tak naprawdę największym wyzwaniem i mam nadzieję, że w przeciągu najbliższych X lat – nie wiem czy 20, 50, 100 – uda się zrobić duży postęp. To co jest niesamowitą własnością, którą ludzie posiadają to jest generalizacja, czyli uczenie się na podstawie bardzo małej liczby przykładów i generalizowanie skomplikowanych sytuacji, często sytuacji, w których nie było się wcześniej – na podstawie tej nabytej wiedzy.

Oczywiście algorytmy, z których korzystamy teraz nie mają z tym paradygmatem nic wspólnego. Nawet te Transformersy, o których mówimy z dumą, ponieważ pozwalają rzeczywiście nam zrobić to, czego inne architektury nie były w stanie, korzystają z olbrzymiej ilości danych i wymagają czasu na nauczenie. 

Generalnie wydaje mi się w środowisku naukowym jest zgoda, że potrzebujemy zupełnie nowych idei, żeby trenować te systemy, które miałyby tą sztuczną inteligencję osiągnąć. Że tak naprawdę ten paradygmat głębokich sieci neuronowych, które zarzucamy ogromnymi ilościami danych i trenujemy przez X czasu to jest jakieś lokalne maksimum. Rzeczywiście wiele fajnych rzeczy możemy z tym zrobić, ale nie rozwiązujemy wielu problemów. Nawet w robotyce jest mnóstwo problemów bardzo namacalnych, które mamy teraz, które nie jesteśmy w stanie rozwiązać za pomocą standardowych technik, z których korzystamy dzisiaj.

Co tym nowym paradygmatem miałoby być – nie wiem. Gdybym wiedział to pewnie bym już starał się opublikować i byśmy to jakoś stosowali. Ciężko jest tak przewidzieć też rozwój nauki. To jest super losowa rzecz, jak działa ludzki mózg, że jak wpadamy na odkrycia. Teoria odkryć naukowych – nie mamy dobrej teorii odkryć naukowych stety albo niestety. Natomiast wydaje się, że jest potrzebna zmiana myślenia na temat takich standardowych technik, które teraz uważamy za klasyczne z punktu widzenia maszynowego uczenia, ale nie są efektywne, jeśli chodzi o ilość danych, które muszą być przetworzone. 

Więc to jest wyzwanie. To jest oczywiście też moje marzenie, żeby w jakiejś mierze kontrybuować do tej nowej rewolucji, która moim zdaniem musi się wydarzyć, żebyśmy przeszli od problemów, gdzie maszynowe uczenie jest wykorzystywane, ale jest wykorzystywane ostrożnie do sytuacji, gdzie możemy w pełni zaufać algorytmom maszynowego uczenia w podejmowaniu skomplikowanych decyzji, które byłyby podejmowane na podstawie właśnie ekstrapolacji, tej informacji, przypadków do sytuacji, w których algorytm nigdy wcześniej się nie znalazł. Nie wiemy jak to robić dobrze i to jest Święty Graal wszystkich, którzy zajmują się teraz maszynowym uczeniem.

2. Dobre praktyki i sztuka nazywania rzeczy w Machine Learning

Marcin Możejko:

To jest bardzo dobre pytanie. Wspominałem, że wydaje mi się, że najbliższe 5 czy 10 lat może się różnić od tych obecnych. To już wydaje mi się powoli widać, chociażby w tym roku pierwszy raz mieliśmy mniejszą ilość aplikacji niż w zeszłym roku czyli pojawiły się pierwsze objawy saturacji też trzeciego świata, najbardziej dynamicznego. Więc mam wrażenie i po cichu liczę też na to, że możliwe, że zmienią się priorytety tego researchu. Wydaje mi się, że  takie kolejne kroki milowe będą związane z takimi rzeczami, które teraz są mniej eksploatowane.

Nie wiem czy przewiduję, na pewno bardzo chętnie bym widział z tej takiej perspektywy, np. stworzenie nawet nie kolejnych modeli rozwiązujących kolejne problemy, tylko np. modeli generatywnych (już teraz powstają tzw. work models czyli modele, w których przewidujemy zachowanie środowiska albo rzeczywistości).

Przewiduję, że jeśli faktycznie ten świat najbardziej bujnego rozwoju spowolni i przyjdzie świat refleksji to wydaje mi się, że takim jednym z bardziej kluczowych rzeczy będzie stworzenie takich modeli, które będą dosyć dobrze odwzorowywać pewne rzeczywistości. Przez pewne rzeczywistości myślę, że np. stworzenie modelu, który może nawet w jakimś ograniczonym stopniu, ale będzie mógł wnioskować w sposób zrozumiały dla człowieka i np. w oparciu o to generować obrazy albo teksty potencjalnie nowe.

Wydaje mi się, że na początku to pewnie będzie w ograniczonym stopniu, ponieważ system symboli, nazw często jest dla nas bardzo nieczytelny. Ale liczę na to, że w ciągu 5 lat się uda tak to zrobić, żeby stworzyć takie modele rzeczywistości w jakiś taki sposób, który będzie korzystał ze sztucznej inteligencji. To jest taki kamień milowy w ogólnym rozwoju.

Natomiast to na co bardzo liczę to to się aktualnie już toczy, ale wydaje mi się, że jest taki trochę problem z transferem do danych medycznych, też obrazowych. Np. wydaje mi się, że ten przełam tam następuje, jest coraz szybszy, ale nie jest na pewno aż tak widoczny i tak bujny jak w zdjęciowej wizji komputerowej. Więc liczę na to, że te modele dojadą do tego poziomu, szczególnie, że takie modelowanie obrazowe pójdzie znacznie do przodu.

Trzeci taki kamień milowy to wspominaliśmy o tych systemach. Podejrzewam, że rzeczy związane z ryzykiem, niepewnością, dopuszczeniem, że jednak sztuczna inteligencja może się mylić i zapytaniem jej, kiedy się faktycznie myli i stworzenie technologii, która daje na to faktycznie rozsądną odpowiedź będzie kolejnym kamieniem. To są takie moje 3 przewidywania.”

3.Wyceń swoje mieszkanie z pomocą Machine Learning

Filip Finfando:

Patrząc na tempo, ostatnie 5 czy 10 lat temu to możemy się spodziewać pewnie wszystkiego. Myślę, że zespoły takie Machine Learning, związane z danymi zostaną z nami w firmach. Nie jako takie trochę wydzielone z takiego typowego zespołu IT czy zajmującego się software developmentem. Mam takie wrażenie, że nie wszyscy specjaliści IT chcą lub potrafią się zajmować tymi rzeczami. Chociaż mają te umiejętności to jakoś tak nie czują tego. Nawet jeśli projekt taki MAILowy jest bardzo dobrze zdefiniowany to zawsze nie do końca wiadomo jaki ten rezultat będzie, trzeba trochę pogrzebać, zawsze coś wypadnie. Więc jest dużo niepewności i wymaga to raczej osobnych zespołów.

Myślę, że też podobnie jak kiedyś, był jeden informatyk w IT, który podłączył drukarkę i zainstalował Windowsa i zrobił stronę internetową. Tak myślę, że w Machine Learningu też jest ta postępująca specjalizacja. Już nie mamy tylko Data Scientist, tylko mamy Machine Learning Engineer, mamy osoby Deep Learning Engineer, NLP Engineer. Widać, że każdy ma swoją działkę i myślę, że raczej ta specjalizacja będzie postępować.

Na pewno, tak patrząc po swojej pracy to myślę, że będzie więcej narzędzi do pilnowania danych, do przetwarzania, sprawdzania jakości. Widać, że teraz dużo takich startupów powstaje, które mają wspierać takie ML owe procesy czy przygotowania danych czy też w ogóle samych modeli. To wszyscy powtarzają, że większość pracy jest przygotowaniem tych danych. Myślę, że to wciąż jest prawda i dużo wysiłków będzie w tym obszarze podejmowanych.

4. Machine Learning & Cyber Security

Mirosław Mamczur:

Jak sobie o tym myślę czy tak jak mi się wydaję, bo widzę, że świat się zmienia to ja bym powiedział, że w ciągu najbliższych 5 czy 10 lat to ML staje się dostępne dla przeciętnych ludzi, zwykłego przedsiębiorcy, mniejszych firm. Teraz przede wszystkim z ML korzystają większe firmy, korporacje, które stać na to.

Natomiast mi się wydaje, że to pójdzie w takim kierunku, że te wszystkie modele, które są tworzone, analizy, wykrywanie anomalii to pójdzie w takim kierunku, że dowolna osoba dostanie jakieś tam proste rzeczy do składania klocków, podepnie swoje dane, automatycznie będzie zbierać te informacje i dawać właśnie takie informacje, np. sprzedawcom, że np. warto byłoby koło mleka postawić jeszcze jajka, bo najczęściej to jest brane. Wydaje mi się, że to w takim kierunku przede wszystkim pójdzie. Nie tylko Data Scientist będą robić czy ludzie od danych, a mam nadzieję, że to pójdzie w takim kierunku, że będzie dostępne bardziej powszechnie dla osób.

A odnośnie cyber security to jak sobie o tym myślę to wydaje mi się, że mogę mieć troszeczkę więcej tutaj obaw i to pewnie z tego powodu, że z tego co kojarzę to w tym momencie jeszcze nie ma ani jednego potwierdzonego ataku jakiegoś oprogramowanie, narzędzia, które ma w sobie zaszytą sztuczną inteligencję.

Natomiast pewnie wraz z rozwojem AI, zastanawiam się czy np. w przyszłości te wszystkie deep fake’i, które będą bardziej dokładne, będzie można obraz podmienić samego siebie i głos, czy to pójdzie w tym kierunku, że jeszcze wzmocnią bardziej te ataki phishingowe i jeszcze łatwiej będzie nakłonić klientów do podania jakiś rzeczy i okradzenia ich. Ale to mam nadzieję, że nauczymy się z tym działać, że coś nam pomoże, może technologia. Mam nadzieję, że to pójdzie w dobrym kierunku mimo wszystko.

5. Product Manager w zespole AI

Aleksandra Możejko:

Moja prognoza jest taka, że na pewno większy nacisk będzie położony na ocenę ryzyka związanego ze sztuczną inteligencją i machine learningiem. Tutaj też te rzeczy, o których mówiłam tj. Fairness i wyjaśnialność modeli. Wydaje mi się, że właśnie takie metody, które pochylają się nad tym, żeby rozwiązania machine learningowe były łatwiej wyjaśnienie, na jakiej podstawie modele podejmują decyzje, żeby nie były stronnicze i żeby jakoś tam te ryzyka szacować i estymować.

Będą się coraz mocniej rozwijały i za 5 lat będziemy może na takim etapie, gdzie to wszystko będzie bardziej uregulowane prawnie. Teraz to jest dosyć nowe, jeżeli chodzi o regulacje prawne tych kwestii związanych z podejmowaniem decyzji przez algorytmy. Tutaj mamy np. kwestie z autonomicznymi samochodami, gdzie mamy już od dawna technologie do tego, ale z powodów (nie jestem pewna czy tak jest) związanych z kwestiami, jak takie samochody ubezpieczać, to jeszcze nie jest wdrażane na szeroką skalę.

Jak ja miałabym przewidywać, wydaje mi się, że w ciągu najbliższych 5 lat (może 10) będziemy mieli takie kwestie jak właśnie wyjaśnialność modeli i to, czy modele są fair, uregulowane prawnie. I będą też istniały frameworki – już trochę istnieją, ale wydaje mi się, że to się rozwinie jeszcze bardziej.

A taki drugi obszar, który widzę, to wydaje mi się, że coraz więcej będzie zastosowań sztucznej inteligencji w biznesie i w ogóle na świecie i coraz więcej automatyzacji. Coraz więcej firm będzie też dokonywało transformacji cyfrowej i wykorzystywało rozwiązania, które wspierają, zwiększają automatyzację.

Natomiast taki obszar, który wydaje mi się, że teraz się rozwija i gdzie ja przewiduję, że za 5, 10 lat mogą być dosyć przełomowe zmiany, to jest właśnie wykorzystanie sztucznej inteligencji w medycynie, np. przy generowaniu leków, obrazowaniu medycznym, wykrywaniu różnych chorób i to wydaje mi się, że mogłoby być bardzo z korzyścią dla przyszłego użytkownika, klienta, czyli po prostu każdego z nas.

Tutaj jestem optymistką, bo tak snuję taką bardzo optymistyczną wizję przyszłości, że właśnie wszystkie modele będą wyjaśniane, że to będzie uregulowane prawnie i jeszcze AI będzie nam pomagało szybciej wykrywać choroby. Oczywiście niekoniecznie musi tak być, bo jest też bardzo dużo ryzyk z tym związanych, ale to są takie dwa główne obszary, gdzie ja widzę potencjalnie największy rozwój w ciągu najbliższych 5, 10 lat.

Mam nadzieję, że taka kompilacja inspirujących i motywujących do działania odpowiedzi na pytanie, jaka przyszłość przez Machine Learning pobudzi także Twoją wyobraźnię do rozważań w tym czasie. Podziel się swoimi przemyśleniami. Chętnie posłucham, jakie są Twoje prognozy i futurologiczne rozważania lub marzenia na temat Data Science, Machine Learning czy też szeroko rozumianego rozwoju koncepcji AI.




Czy może zastanawiasz się nad tym, jak będzie rozwijała się Twoja branża lub zawód? Stawiasz takie pytania?





Na koniec dodam jeszcze, że podobnie, jak w zeszłym roku w styczniu 2022 robimy przerwę, wracamy w lutym z nową energią po urlopie i nowymi pomysłami na podcast Biznes Myśli w 2022 roku.




Jeśli masz jakieś potrzeby lub pomysły, w którym kierunku może rozwijać się podcast, aby przynosił jak największą wartość słuchającym, to napisz do mnie koniecznie

Artykuł Przyszłość Machine Learning – prognozy praktyków i ekspertów pochodzi z serwisu Biznes Myśli.

Uczenie maszynowe nie jest skierowane do jednego konkretnego zawodu. To warstwa, która przecina wiele, o ile nie wszystkie, dziedziny w mniejszym lub większym stopniu. To również będzie dotyczyć Ciebie.

Dzisiaj zebrałem trzy opinie moich świeżo upieczonych absolwentów kursu „Praktyczne uczenie maszynowe od podstaw”, aby pokazać Ci, jak różne profile mają te osoby, ale każdy znalazł coś wartościowego dla siebie w tym kursie. 

Mam już 9 edycji za sobą, będzie kolejna. Liczba przeszkolonych osób na ten moment to już ponad 1000. Podejrzewam, że obecnie w każdej większej firmie w Polsce można będzie spotkać mojego studenta. Są to duzi gracze jak Google, Oracle, Orange, IBM, Nokia, wiele banków itd., ale też wiele mniejszych firm, które ciężko byłoby teraz wymienić. 

Dlaczego o tym mówię? Ludzie, którzy biorą udział w moich kursach, to nie są tylko osoby, które chcą na co dzień zajmować się uczeniem maszynowym. Są tacy, którzy dopiero zaczynają swoją przygodę z ML, są sprzedawcy, osoby decyzyjne, kierownictwo, zarząd itd., które w pewien sposób mają też styczność z uczeniem maszynowym. Prawdę mówiąc dzisiaj bardzo ciężko jest nie mieć kontaktu z ML. Szacuje się, że za około 15 lat machine learning stanie się standardem, czyli nie będzie firmy bez ML. 

Może to się wydawać bardzo odważnym stwierdzeniem, ale spójrzmy, jak wygląda sytuacja ze stronami internetowymi. Myślę, że można znaleźć firmę, która nadal nie posiada strony internetowej, ale jest to bardzo rzadko spotykane. W końcu w dzisiejszym świecie albo istnieje się w jakiejś formie w sieci (strona www, aplikacja, profile w mediach społecznościowych), albo nie istnieje się wcale. Są oczywiście wyjątki, ale to bardzo mały procent zarezerwowany dla specyficznych branży. 

Podczas kursu nie tylko przekazuję dużo wiedzy merytorycznej, ale także zwracam uwagę na sposób zadawania właściwych pytań, co jest istotne nie tylko w uczeniu maszynowym. Rozprzestrzenia się to również na inne dziedziny życia, przez co jest to wiedza uniwersalna. Ogromnie doceniam też networking odbywający się w trakcie trwania kursu pomiędzy uczestnikami. Jest to wielka wartość sama w sobie. Dlatego właśnie dzielę się tutaj opiniami kursantów, aby pokazać ich perspektywę, ich historię oraz wrażenia. Może zainspirują kogoś, by samemu spróbować swoich sił w uczeniu maszynowym.

BARTEK

To bardzo ciekawa, poukładana osoba, zwłaszcza w kontekście logicznego myślenia, a przy okazji skromną. Nie pochwalił się tym w wywiadzie, ale dodam, że wygrał konkurs na naszym kursie. To jest taki element, w którym łączymy całą wiedzę i w sposób praktyczny “łączymy kropki”. Doświadczenia nie da się zdobyć inaczej niż poprzez praktykę. Mogę długo mówić, tłumaczyć i to pięknie może brzmieć, ale dopóki się czegoś samemu nie zrobi, to naprawdę ciężko to zrozumieć – to będzie tylko informacja, a nie doświadczenie. Niektórzy mogą się dziwić, że konkurs budzi tak spore zainteresowanie, a uczestnicy bardzo aktywnie się w niego angażują, ale trzeba zrozumieć, że to jest znakomity sposób, aby wykorzystać teorię zdobytą na kursie i zastosować ją w praktyce. Sprawia to, że nauka jest jeszcze bardziej efektywna. 

Bartek w konkursie zajął pierwsze miejsce. Widać, że podchodzi do tematu na spokojnie, pragmatycznie, praktycznie zdobywa wiedzę i osiąga założone cele.

Cześć Bartek. Powiedz kilka słów o sobie: kim jesteś, czym się zajmujesz i gdzie mieszkasz? 

Witam Cię serdecznie. Dzięki wielkie za zaproszenie do rozmowy.

Kilka słów o mnie. Na co dzień mieszkam w Szczecinie, tutaj też pracuję w banku, gdzie pozyskujemy dane z rynku nieruchomości oraz informacje dotyczące przedsiębiorstw w formie danych jakościowych. Jednocześnie studiuję, jestem studentem III stopnia i mam nadzieję, że już w połowie przyszłego roku zakończę ten etap edukacji.

Co ciekawego ostatnio przeczytałeś? Podziel się główną myślą z tej książki.

Ostatnio z racji tego, że zajmuję się studiami i działalnością naukową, to nie mam wiele czasu, żeby dużo czytać. W ciągu ostatniego pół roku czytałem dwie książki. Jedna na pozórw ogóle nie jest związana z machine learningiem, chociaż można by było tutaj dyskutować. To książka „Zbij fortunę na dywidendach” autorstwa Marca Lichtenfelda. Widzimy tam pewną w miarę bezpieczną strategię (choć oczywiście zawsze jest na rynku akcji ryzyko), jak można tworzyć pewien długoterminowy portfel, dzięki któremu będziemy uzyskiwać pewniejsze zyski, większe niż na lokacie, szczególnie teraz w dobie niskich stóp procentowych. To naprawdę bardzo fajna, ciekawa pozycja. Ta książka przedstawia strategię o podejściu długoterminowym, więc też nie dla wszystkich osób.

Druga pozycja dotyczy wizualizacji danych – “The Big Picture” Steve’a Wexlera. Jest to obrazkowa książka, bardzo ciekawa, bo widzimy duży zestaw danych, wskazówki jak je pokazać, a także zasady, jakie powinny zostać przedstawione na wykresach, dobre praktyki, klasyczne błędy. To są takie dwie książki, które myślę, że są godne polecenia.

Dzięki wielkie. Na temat wizualizacji danych też nagrywaliśmy osobne odcinki.

Tak i tam były też te zasady, które w tej książce były ukazane, więc było to fajne przypomnienie.

Jesteś świeżo upieczonym absolwentem kursu „Praktyczne uczenie maszynowe od podstaw”. Dlaczego zdecydowałeś się na rozwój w kierunku ML i czy czujesz wartość po tych 8 aktywnych tygodniach nauki?

Ja się zajmuję pozyskiwaniem danych na rynku nieruchomości, a na kursie był taki masterclass odnośnie rynku nieruchomości. Pokazałeś wtedy cały proces, jak należy przeprowadzić ten model, jak go wykonać. Bardzo lubię automatyzować i uważam, że automatyzacja jest potrzebna szczególnie tam, gdzie można poprawić, przyspieszyć, poprawić jakość, efektywność. Dzięki tej automatyzacji zacząłem się uczyć programowania w Pythonie, a machine learning jest kolejnym krokiem. Masterclass i praktyczne ujęcie tematu mi pokazały, że warto po prostu skorzystać z tego kursu i nie pomyliłem się, bardzo dużo z tego kursu skorzystałem.

Trzeba wziąć pod uwagę, że kurs trwa 8 tygodni. Codziennie przez 8 tygodni obcuje się z machine learningiem w sposób praktyczny. A to jest umiejętność podobna do gry na pianinie – trzeba ćwiczyć, żeby nabyć tę umiejętność. Nie można tylko przeczytać, trzeba cały czas ćwiczyć i ten kurs to zapewnia.

Do tej pory znałem tylko koncepty teoretyczne, nie znałem nawet tego procesu modelowania. Teraz już go znam, więc zawsze wiem, jak się odnaleźć. Mam też fragmenty kodu, które wykorzystam w przyszłych projektach. To jest też super, że już mam część pracy za sobą. Trzeba przyznać, że całość materiału i te 8 tygodni były w przystępnej cenie. Jak porównywałem ofertę np. studiów podyplomowych, to ceny są kosmiczne i zakładam, że tam będzie więcej teorii, a tej praktyki może będzie mniej albo nie zawsze będzie taka dokładna jak na tym kursie, więc to mnie bardzo mocno też motywowało.

Jak podkreśliłeś, kurs jest bardzo praktyczny. Gdzie widzisz praktyczne zastosowanie uczenia maszynowego w Twojej branży? Chyba już wiem, jaka będzie odpowiedź, ale zapytam. Gdzie potencjalnie machine learning mógłby pomóc, być może już pomaga, może też wiesz, że ktoś (z konkurencji albo podobnych graczy na rynku) już to stosuje?

Na pewno domyślasz się, że rynek nieruchomości, pozyskiwanie danych z rynku nieruchomości to właściwie była moja pierwsza motywacja do nauczenia się programowania i później do machine learningu, żeby przyspieszyć i polepszyć proces pozyskiwania danych. 

Analiza też, ale w mniejszym stopniu, bo u nas w banku głównie pozyskujemy dane, analizujemy tylko tak lokalnie, ale mamy swój schemat, więc tam machine learning nie jest potrzebny. Bardziej chodzi o pozyskiwanie. Oczywiście inne firmy też na świecie pozyskują, też wyceniają nieruchomości, nam chodzi tu bardziej o zebranie tych danych. 

Ten rynek nieruchomości jest o tyle fajny z tego względu, że można wiele aspektów machine learningu i deep learningu zastosować, także na przykład NLP. Widziałem podsumowanie kursu o NLP, też właśnie był tam poruszony temat nieruchomości. Można oceniać standard na podstawie zdjęć, a przynajmniej to będę próbował zrobić i można ten rynek analizować – albo poprzez jeden kwartał, czyli dane informacje z danego kwartału, albo nawet szeregi czasowe. To bardzo rozległy temat i pozwala rozwijać się też w szerokim kontekście.

Odnośnie do NLP dodam, co tam dokładnie było. Czasem jest tak, że mamy ustrukturyzowane dane, czyli jest np. tabela i wiadomo na pewno, jaki jest metraż mieszkań, na jakich znajdują się piętrach itd. Ale prawda jest taka, że często mamy dużo treści nieustrukturyzowanych. Z NLP trochę skomplikowaliśmy sobie życie i analizowaliśmy tylko treść. To nie zawsze jest idealne rozwiązanie, aby analizować tylko treść, ale w tym przypadku to było NLP, więc tylko na tym się skupiliśmy. Oczywiście najlepiej to później połączyć – jeden sygnał z drugim. Ale efekt tego eksperymentu był bardzo interesujący i sporo ciekawych wniosków z tego powstało. Biorąc pod uwagę, że takich treści jest najwięcej, to umiejętność przeanalizowania naturalnego języka jest naprawdę bardzo ważna.

Tak i muszę przyznać, że treść bardzo też pomaga, bo my oczywiście mamy dane z tabeli dotyczące nieruchomości, ale często to treść pokazuje głębię. Możemy w ten sposób też poprawiać błędy, bo np. pośrednik napisze w tabeli, że nieruchomość posiada balkon, a tak naprawdę w tekście widzimy, że jest balkon typu francuskiego, czyli okno balkonowe i na tym balkon się kończy. Tak realnie tego balkonu nie ma.

Dokładnie. Opowiedz trochę o swojej przyszłości związanej z uczeniem maszynowym. Jakie masz plany, jeżeli chodzi o dalszy rozwój? Chociaż nie opowiedziałeś historii z konferencji, to może też ją dokończ. Czuję, że będziesz się rozwijać w tym kierunku, bo czujesz w tym duży potencjał. Więc opowiedz historię z konferencją i o swoich dalszych krokach.

Jeżeli chodzi o konferencję, to na niej prelegent z Niemiec przedstawiał modele machine learningowe, brał próbę z wszystkich landów i próbował określić ceny nieruchomości i przewidywać je. Bardzo mi się na tej konferencji podobało, że na gruncie naukowym jest pewna rozbieżność. My tu patrzymy na machine learning pod względem mocno praktycznym, naukowcy zwykle mają podejście teoretyczne i widzę to po sposobie, w jaki profesorowie próbują zrozumieć uczenie maszynowe. Domyślam się, że oni wiedzą, o co chodzi, ale zawsze ujmują to inaczej. Patrzą ekonometrycznie, do sprowokowało ciekawą dyskusję: dlaczego korzystasz z machine learningu, a nie z jakichś innych algorytmów. To pokazuje, że machine learning jest bardzo fajnym narzędziem, są też alternatywy, może kiedyś to się jakoś połączy, bo to wszystko są funkcje i alternatywy. Myślę, że można to jakoś połączyć. To tyle o konferencji.

Jeżeli chodzi o dalszy rozwój, teraz muszę skończyć studia do połowy roku, więc jestem trochę w zawieszeniu. Cały czas z tyłu głowy chcę zrealizować projekty automatyzacji pozyskiwania danych z rynku nieruchomości, żeby to zrobić w sposób efektywny i wydajny, jakościowo dobrze. Chciałbym je zacząć i na koniec zrealizować. Szczerze przyznam, że tam są szeregi czasowe, NLP, bo też i analiza, więc niewykluczone, że się będziemy widzieć na jeszcze kolejnych kursach. Czekam z niecierpliwością na kurs o NLP i szeregach czasowych. Tak jak wcześniej wspominałem, też się interesuję rynkiem akcji, więc tam szeregi czasowe będzie można wykorzystać.

Myślę, że to będzie taki fajny początek tworzenia tych projektów i myślenie, co zrobić z dalszym rozwojem. Myślę, że stworzenie tych projektów da mi bardzo dużą deltę rozwoju i pozwoli mi dalej określić, co dalej.

Dzięki wielkie Bartek za to, że znalazłeś czas na tę rozmowę i podzieliłeś się swoimi przemyśleniami. Do usłyszenia, do zobaczenia.

Również Ci dziękuję za ten czas. Powodzenia, trzymaj się. Do zobaczenia w przyszłości na kolejnych Masterclassach, mam nadzieję.

JAREK

Jarek jest ciekawą osobą, która łączy różne światy. Z jednej strony jest sprzedawcą, z drugiej obraca się w tematach IT, bo takie produkty sprzedaje. Ma też zamiłowanie do porządkowania rzeczy, algorytmizacji oraz eksploracji nowych obszarów. Osobiście bardzo lubię takie podejście. 

Dziecko, kiedy się pojawia na świecie, ma to wbudowane, zaszyte gdzieś głęboko i próbuje cały czas nowych rzeczy. Eksploruje ten świat, dotyka paluszkami. Dziecko zwykle w ciągu dnia przepuszcza przez siebie ogromną ilość informacji. Gdyby tylko dorosły człowiek mógł tak szybko poznawać nowe rzeczy. Zwykle z wiekiem ten nawyk zanika z różnych powodów. Natomiast ja bardzo doceniam ludzi, którzy przypominają sobie, że to jest ważne, aby właśnie eksplorować przez cały czas, próbować ten świat, jednocześnie zdawać sobie sprawę z tego, że my nigdy tego świata nie zrozumiemy w 100%, ale jednak próbujemy go odkryć. Rozmawialiśmy z Jarkiem o tym. Warto cieszyć się wtedy, kiedy dowiadujesz się, że czegoś nie wiesz. Jeżeli wiesz, czego nie wiesz, to już prawie sukces. Dość często człowiek nie wie, czego nie wie i przez to trafia w różne pułapki. Zapraszam do wysłuchania opinii Jarka.

Cześć Jarek. Przedstaw się: kim jesteś, czym się zajmujesz i gdzie mieszkasz?

Cześć Vladimir. Przede wszystkim dziękuję za zaproszenie, bo zdałem sobie sprawę, że od dłuższego czasu jestem słuchaczem Twoich ciekawych podcastów. Teraz mam niesamowitą okazję i fajną niespodziankę, że mogę w nim wystąpić. 

Mieszkam obecnie pod Warszawą w niewielkiej miejscowości. Mam czterdzieści parę lat, żonaty, dwoje dzieci, dwie fajne córki, jedna już dorosła. Praktycznie od 20 lat zajmuję się sprzedażą rozwiązań IT. Jeżeli chodzi o sprzedaż, to ta część życia była do tej pory i dalej jest dominująca – z uwagi na wyzwania, na oczekiwania klientów. Także obracam się praktycznie cały czas w IT, w najnowszych technologiach, w różnych firmach, dużych enterprise’ach, dużych zagranicznych korporacjach, czy mniejszych firmach. 

Jaką ciekawą książkę ostatnio przeczytałeś i dlaczego warto ją polecić? 

Bardzo fajne pytanie, które dało mi też do myślenia, bo tych książek czytałem ostatnio dosyć sporo, a szczególnie w wakacje miałem więcej czasu. Przy okazji Twojego pytania zdałem sobie sprawę z tego, że ostatnie książki, które czytam, one są o liczbach i algorytmach w życiu. Też zastanawiam się tak naprawdę, skąd to się generalnie wzięło i dlaczego to ze mną rezonuje. 

Taką ciekawą książkę, którą przeczytałem w wakacje, to były „Prawa epidemii. Skąd się epidemie biorą i czemu wygasają?” Adama Kucharskiego. Jest to matematyk i epidemiolog, który jest profesorem nadzwyczajnym w London School of Hygiene and Tropical Medicine. Ta książka jest aktualna z uwagi na to, co dzisiaj się dzieje na świecie. Ale ona patrzy na problemy, które generują nam wirusy, epidemie, w sposób matematyczny, od strony algorytmów, modeli matematycznych. Co ciekawe jest na tyle pasjonująca, że można na tej podstawie analizować również inne ciekawe rzeczy, które możemy określić jako niepożądane w naszym życiu np. kryzysy finansowe albo w jaki sposób działają piramidy finansowe. To niesamowicie ciekawa książka, która pozwala zrozumieć epidemie i inne zjawiska w naszym życiu od strony algorytmów, matematyki, liczb, pewnych relacji czy wzorców, które powtarzają się w różnych dziedzinach. 

Wymienię jeszcze jedną książkę, którą teraz czytam i też polecam. Również jest o liczbach. Jest to książka pt. „Algorytmy. Kiedy mniej myśleć”. Nie chodzi o to, żeby w ogóle nie myśleć, tylko żeby myśleć bardziej racjonalnie. Książka napisana przez Toma Griffithsa i Briana Christiana o tym, w jaki sposób algorytmy mogą nam pomóc w naszym normalnym życiu. Tutaj są fajne, ciekawe, życiowe przykłady, np. w jaki sposób posegregować książki w swojej bibliotece. To jest klasyczny przykład sortowania – czy zrobić to samemu i nam to zajmie może tydzień, czy np. zaprosić kilku naszych znajomych, podzielić książki na paczki i niech wspólnie zrobią tzw. mikro sortowanie. Wtedy mamy globalny problem rozwiązany. 

Inny przykład – eksploracja albo eksploatacja. Będąc na wakacjach w różnych krajach egzotycznych znajdujemy bardzo fajną restaurację i lubimy tam chodzić. Ale dopóki jeszcze mamy tydzień przed sobą tych wakacji, to możemy zmieniać, szukać innych miejsc. Natomiast ostatniego czy przedostatniego dnia jest to pytanie, czy dalej korzystać z tego, co znane i jest dobre (eksploatować to znalezisko), czy załóżmy eksplorować potencjalne możliwości. Ryzyko jest duże, bo możemy znaleźć gorszą restaurację i popsują nam się wspomnienia. To też jest fajny przykład pewnych algorytmów typu eksploruj albo eksploatuj, który nam pomoże w różnych życiowych rozterkach.

Tutaj właśnie takich algorytmów matematycznych jest bardzo dużo. W kontekście różnych takich spraw życiowych, które mogą nam pomóc zrozumieć świat, właśnie z perspektywy liczb czy z perspektywy algorytmów. Polecam tego typu książki, które mówią o życiu od innej strony.

Powiedziałeś już wcześniej, że z jednej strony zajmujesz się sprzedażą, z drugiej to jest działka związana z IT, a z trzeciej strony książki, które wymieniasz, są właśnie o liczbach, algorytmach i też się interesujesz machine learningiem, jesteś świeżo upieczonym absolwentem kursu „Praktyczne uczenie maszynowe od podstaw”. 

Jak zainteresowałeś się tą dziedziną? Dlaczego rozwijasz się również w tym kierunku? Jak minęła ta nauka? Jak się czujesz z tym wszystkim?

Jeżeli chodzi faktycznie o moją działalność sprzedażową, to ja też lubiłem ją strasznie eksplorować. Czytałem różne książki biznesowe, o sprzedaży, o relacjach między ludźmi, o grach, jakie się toczą między ludźmi, jeżeli chodzi o transakcje, rozmowy, konflikty. Coś, co przybliżało mnie do tego, żeby zrozumieć, na czym polega życie, relacje i też, żeby to po prostu przenieść na bardziej skuteczną sprzedaż. 

Wcześniej głównie się skupiałem na książkach biznesowych, ale gdzieś tam we mnie była potrzeba odkrywania innych obszarów, bo lubię algorytmy, lubię porządkować pewne rzeczy, w projektach informatycznych lubię mieć kontrolę nad pewnymi rzeczami. Takie myślenie algorytmami, czy porządkowanie jest częścią mojej osobowości. Zawsze też, jeszcze na studiach, trochę uczyłem się programować (język Fortran, C++, Visual Basic), ale to było bardzo dawno temu. Niemniej zawsze to było dla mnie miłe wspomnienie, bo udało się napisać wtedy na studiach kilka fajnych prac i zaliczeń. W związku z tym gdzieś za mną chodziła taka potrzeba: może by do tego wrócić i przypomnieć sobie te miłe wspomnienia? 

Początek pandemii, myślę, że nie tylko dla mnie, był takim czasem, kiedy mieliśmy troszeczkę może nie więcej czasu, ale możliwość, żeby spojrzeć na pewne rzeczy z innej strony. A też miałem taką sytuację, że miałem trochę więcej czasu i przypadkiem znalazłem na półce książkę Python, jakieś proste przykłady zastosowań do automatyzacji prostych czynności. Tak to się rozwijało, raz na tydzień, czasami do tego nie wracałem przez miesiąc, później znów wracałem, przypominałem sobie. Gdzieś tam brakowało pomysłu na to, żeby to bardziej rozwijać, aczkolwiek te wspomnienia wróciły, rozwiązywanie pewnych problemów za pomocą algorytmu, ta przyjemność z tego wróciła i też myślę, że te myśli krążyły wokół tego problemu. 

Kiedyś Charlie Chaplin chyba w swojej biografii powiedział, że jak człowiek ma jakiś problem, zachowuje się jak latarnia morska. Omiata światłem ten cały wszechświat, jeszcze nie wie, czego szuka, ale czasami coś znajduje. Myślę, że to jest taki efekt poszukiwania, który tak właśnie się odbywał, gdzie czytając chaotycznie o różnych rzeczach, w pewnym momencie natrafiłem właśnie na uczenie maszynowe. I tu też przy okazji natrafiłem na blog Mirka Mamczura, którego pozdrawiam również, bo on mnie w dużej mierze zainspirował i też skierował mnie do Ciebie na kursy. Tak się ta przygoda rozwijała, ale taki konkretny moment to właśnie była ta inspiracja blogiem, inspiracja przykładami, które Mirek wymienia, opisuje w bardzo ciekawy sposób na swoim blogu i też zarekomendował wtedy czy to w jakiejś prywatnej wiadomości, czy na blogu Twoje kursy. Tutaj generalnie już była po prostu katapulta, jeżeli chodzi o rozwój umiejętności, bo pamiętam przed wakacjami w tym roku pierwszy Masterclass – „Predykcja Cen Mieszkań”. Ja nie lubię być przygotowany, to oczywiście na tydzień przed zrobiłem sobie kilka modułów na Kaggle tego kursu, żeby jednak coś się nauczyć. Wtedy pamiętam, że sam Kaggle nic mi nie dał, bo Twoje podejście było tak inne, tak ciekawe, że po prostu w pewnym momencie, jak straciłem jedną sobotę na analizowaniu porównań, to stwierdziłem, że muszę się skupić na tym, co Vladimir pisze w swoich starterach, żeby już dokończyć zadanie. Wtedy zająłem chyba siódme miejsce. To dało też niesamowicie ciekawą motywację do tego, żeby dalej się rozwijać. 

Następnie był kurs o wykorzystaniu Pythona w analizie danych – rewelacyjny kurs, polecam! Następnie po tych trzech tygodniach „Praktyczne uczenie maszynowe od podstaw” i dzisiaj praktycznie jak patrzę na siebie, to co było przed wakacjami, przed pierwszym Masterclass i dzisiaj to faktycznie jest strasznie duży progres i fun. Tym bardziej że poza jednym wypadkiem, cały czas jestem w Top 10.

Idziesz jak burza! Przy okazji oczywiście pozdrawiamy Mirka, który jest też absolwentem. Zresztą przerobił właściwie wszystkie kursy, które są na Data Workshop. Był także gościem w 108 odcinku podcastu: „machine learning i cybersecurity”. Polecam posłuchać, też zapraszam na blog Mirka – jest bardzo interesującą osobą.

Masz perspektywę osoby, która rozumie sprzedawców, też rozumie świat technologiczny i teraz poznałeś machine learning. W Twoim rozumieniu, na ile klasycznemu sprzedawcy brakuje wiedzy z zastosowania ML i na ile to może wznieść te osoby na zupełnie inny poziom?

Myślę, że to jest efekt uboczny, ale bardzo pozytywny, ponieważ obecnie faktycznie pracuję w pewnej firmie, która zajmuje się danymi, bazami danych. Powiem o fajnej technologii, bo to są technologie związane z replikacją danych w czasie rzeczywistym. Też myślę, że dodatkowo ta działalność i te rozwiązania, technologia spowodowała, że więcej się zainteresowałem bazami danych, więcej czytałem na ten temat. Też robiłem proste kursy z SQL, żeby w rozmowach z klientami lepiej rozumieć kwestie replikacji fizycznej czy logicznej, jak na biznes wpływa wykorzystanie np. dystrybucji danych w czasie rzeczywistym. 

Dodatkowo jak analizowałem przykłady wykorzystania tej technologii w machine learningu, to okazuje się, że tutaj ta technologia może być bardzo użyteczna, np. w obszarze analityki predykcyjnej albo analityki preskryptywnej. 

Te elementy bardzo fajnie rezonują w mojej głowie. Wiedza o machine learningu pozwala mi patrzeć na problemy klientów =z innej perspektywy. Natomiast to też nie jest tak, że za każdym razem mówię: „Drogi kliencie – machine learning”. Miałem taką sytuację u klienta z branży logistycznej, który chciał pewne rzeczy przewidywać, prognozować i powiedziałem wprost: „Drogi kliencie. Znając trochę machine learning, uważam, że to nie jest dobre rozwiązanie. Myślę, że przede wszystkim nie zdefiniowałeś problemu i wydaje Ci się, że machine learning będzie rozwiązaniem. A gdy spojrzymy na ten problem z takiej strony, może się okazać, że potrzebujesz tak naprawdę narzędzia do rejestrowania pewnych zdarzeń, żeby na tej podstawie wyciągać jakieś wnioski i reagować na sytuacje nieprzewidziane”. 

Ten świat się zazębia, nowa wiedza, doświadczenia, one faktycznie fajnie pracują, dają ciekawe wnioski i wartość. Jest to dla mnie wartość, bo tutaj czuję, że faktycznie się rozwijam, ale w takim proaktywnym kierunku, łącząc różne kropeczki, ale też w rozmowach z biznesem mogę ocenić lepiej, bardziej komfortowo, czy dane rozwiązanie faktycznie ma sens. Ponad tym wszystkim pozostaje jeszcze jedna najważniejsza kwestia, o której często przypominasz. „Zdefiniuj dobrze problem, nazwij go, później szukaj rozwiązań wokół tego problemu.” 

Tutaj mógłbym też dać przykład od siebie – ostatni Masterclass dotyczący predykcji, czy firma zbankrutuje. Pamiętam, że przez pierwszy dzień zagubiłem się w analizowaniu poszczególnych cech, czyli future engineering, które nic nie dało. Na końcu stwierdziłem: „Dobrze, ale zawsze mówi Vladimir: Reguła Pareto 80/20. Spójrzmy na to z innej strony”. Zdefiniowałem problem: „Jakie jest najlepsze podejście do problemu klasyfikacji, kiedy mamy dane niezbilansowane?”. Google, analiza i okazuje się, że faktycznie to jest ten kierunek.

Rzecz najważniejsza: umiejętność definicji problemu i później kierunkowego szukania rozwiązań, żeby odsiewać szum i kierować się w stronę dobrego rozwiązania, brać pod uwagę czas, wyzwanie, stres i czy to jest konkurs, czy to jest życie, myślę, że to jest właściwa reguła.

Życie zawsze też jest konkursem. Dzięki wielkie za te przykłady. Często jest takie błędne podejście, bo ktoś myśli: „Jestem sprzedawcą, po co mi jest uczenie maszynowe”. Ale to nie chodzi o zmianę zawodu, chociaż czasem może tak być. Chodzi o to, że taki sprzedawca nie musi na co dzień implementować machine learningu, ale np. przy rozmowie z kimś po prostu taki sprzedawca może doradzić i powiedzieć: „Słuchaj, w tym przypadku jeszcze jest krok wcześniej. A może w ogóle ML nie potrzebujesz. Najpierw pozbieraj dane, bo bez nich nie będzie uczenia maszynowego”. Pod tym względem korzyści są namacalne.

Zgadza się. Myślę, że faktycznie motywacje wewnętrzne mogą być różne, bo już też zaobserwowałem. Dzięki Twoim inicjatywom zrzeszasz ludzi, którzy mają podobne zainteresowania i dzięki komunikacji na Slacku można się bliżej poznać, ale już widać po tym, jak się ludzie przedstawiają, że są z różnych światów, różnych branż, mają różne motywacje. Tutaj można faktycznie szukać zmiany zawodu, życia. Można szukać też inspiracji do nowych pomysłów. Tak można oczywiście powiedzieć o każdym nowym obszarze życia. Machine learning ma bardzo szerokie zastosowanie. To też pokazuje po prostu, jaki to jest ciekawy obszar, jak różnorodne problemy można analizować. Dzięki temu wokół ML zbierają się ludzie o różnym profilu zawodowym, różnych zainteresowaniach i z tego wynikają różne konsekwencje typu inspiracja czy zmiana pracy. To jest wartość dodana wokół uczenia maszynowego, która łączy różne światy.

Dzięki Jarek za tę rozmowę, za podzielenie się swoją opinią, bo uwielbiam gromadzić różne perspektywy. Świat jest tak skomplikowany, że ciężko zrozumieć patrząc tylko swoimi oczami. Trzeba wchodzić w buty różnych osób, różnego profilu. Wtedy trochę lepiej rozumiesz, o co chodzi na tym świecie i też szybciej się rozwijasz, idziesz do przodu.

Dzięki wielkie, do usłyszenia, do zobaczenia.

Dziękuję również, do usłyszenia.

MATEUSZ

Mój trzeci gość to ciekawa, twórcza osoba. Twórczość to jest dla mnie taka słaba strona pod tym względem, że uwielbiam twórczych ludzi. Jak patrzę, jak przejawia się twórczość na różne sposoby, to dla mnie to jest efekt WOW. Czuję się po pierwsze bardzo komfortowo, bo to jest taka naturalna atmosfera, kiedy coś powstaje. Po drugie to bardzo inspirujące, jak widzisz właściwą osobę we właściwym miejscu. Chciałbym, aby w pewnym stopniu udało się to nieco zwiększyć, bo mam taką misję, aby pomagać ludziom, w szczególności tym, którzy się zagubili, otwierać własne potencjały. Mateusz po prostu znalazł siebie w wizualizacji, jest jej mistrzem. To jest też świetny przykład, że np. na temat wizualizacji można długo opowiadać. Był już o tym osobny odcinek na Biznes Myśli – zapraszam do wysłuchania. Zauważalna część naszych zasobów na poziomie mózgu jest poświęcana na kwestie wizualne, dlatego znacznie łatwiej przychodzi nam przyswajanie informacji zobrazowanych w pewien sposób.

Bardzo się cieszę, że Mateusz pojawił się na kursie, miałem okazję z nim bliżej się poznać. Ogromnie się cieszę, że grono moich kontaktów twórczych osób jest coraz większe.

Cześć Mateusz. Przedstaw się: kim jesteś, czym się zajmujesz i gdzie mieszkasz? 

Nazywam się Mateusz Karmalski. Mieszkam w Warszawie, pochodzę z Radomia. Zajmuję się analityką ponad 10 lat, głównie w branży budowlanej, w firmie CEMEX. Przewinąłem się przez kilka różnych działów, począwszy od analizy kosztów, głównie logistycznych, potem całą linię biznesową i obecnie od 2-3 lat zajmuję się analityką sprzedaży w całej Europie jeśli chodzi o CEMEX.

Czytałeś ostatnio coś, co warto polecić innym czytelnikom i słuchaczom Biznes Myśli?

Książki jako takiej do polecenia nie mam, natomiast chciałbym polecić społeczność zorientowaną wokół analityki. Jest ona moją pracą, ale też jest moją pasją prywatną. Zwłaszcza ten element wizualizacyjny jest tutaj dla mnie istotny i staram się go też rozwijać po godzinach. Dlatego zachęcałbym wszystkich, którzy w jakiś sposób chcieliby wejść głębiej w temat analizy wizualnej, do dołączenia do takiej społeczności. Działa ona ponad podziałami i funkcjonuje głównie na Twitterze, wokół Tableau, ale też różnych innych narzędzi wizualizacyjnych. Jest naprawdę mnóstwo fajnych ludzi, jest bardzo fajna społeczność, która wspiera się w zasadzie w wielu obszarach i można tam naprawdę bardzo fajnie wejść w ten temat i w tym aspekcie się rozwinąć.

Prowadzisz również blog.

Tak, mam rolę autora gościnnego na blogu firmy NewDataLabS, która jest partnerem Tableau w Polsce. Można tam znaleźć sporo wpisów mojego autorstwa, ale nie tylko. Miałem przygodę z własnym blogiem, ale po prostu za dużo mi to konsumowało czasu i skupiłem się na innych rzeczach. 

Zobaczyłem Twoje wizualizacje robione w Tableau, między innymi też się nimi zainspirowałem. Napisałem na swoim LinkedIn o najbardziej popularnych imionach w Polsce. To są takie fajne historie. Zresztą my już nagrywaliśmy kilka odcinków na temat wizualizacji i rozmawialiśmy o tym, jak ważną rolę pełni wizualizacja danych w biznesie.

Istotne jest także pewne opowiadanie historii. Wykres sam w sobie może niewiele mówić, ale my też jako twórcy opowiadamy pewną historię za pomocą tych elementów wizualnych i to jest też potężne narzędzie i warto wiedzieć, jak je efektywnie wykorzystywać, zwłaszcza w pracy zawodowej, organizacjach.

Jesteś świeżo upieczonym absolwentem kursu „Praktyczne uczenie maszynowe od podstaw”. Opowiedz, dlaczego się zainteresowałeś machine learningiem i jak z tym się czujesz, po tej 8 tygodniowej przygodzie.

Myślę, że każdy, kto w jakiś sposób dotknął analityki, czy od strony bazodanowej, czy od strony front endowej (wizualnej), po jakąkolwiek analitykę biznesową, na pewno z pojęciem machine learning się zetknął. To raczej nie ulega wątpliwości. Tak samo było ze mną. Ta dziedzina oczywiście jest w rozkwicie teraz, ale jest dostępna dla takich zwykłych zjadaczy analitycznego chleba od jakiegoś czasu. Ostatnie 10 lat to jest boom na te tematy. Myślę, że machine learning staje się takim elementem, o którym każdy analityk powinien mieć jakieś pojęcia, co najmniej podstawowe. Tak jak mówimy o podstawach, jeżeli chodzi o bazy danych, SQL, tak samo budowa podstawowego modelu myślę, że powinna być taką umiejętnością, którą każdy analityk powinien posiadać. 

Dlatego też znalazłem się na tym kursie. Oczywiście to nie było moje pierwsze podejście do ML. Natomiast ciężko jest w pewnym miejscu zacząć, ponieważ jest ogrom informacji na różnych stronach, wiele dostępnych kursów i ciężko jest znaleźć coś, co w tym momencie jest dobre na start. Ważne by był to taki kurs, który z jednej strony nie będzie zbyt techniczny, ponieważ analitycy w większości nie są programistami, a z drugiej strony nie na tyle ogólny, aby można było wejść głębiej w ten temat.

W poszukiwaniu takiego kursu właśnie trafiłem na rekomendację jednego z poprzednich uczestników kursu, który bardzo fajnie na swoim blogu podsumował, dlaczego ten kurs był wartościowy i co z niego wyciągnął. Wydawało mi się, że to jest to, czego potrzebuję, żeby w tym temacie zacząć stawiać swoje pierwsze kroki. W praktyce okazało się to strzałem w dziesiątkę. Zwłaszcza muszę powiedzieć, że pierwsza część kursu, może z racji tego, w jakim obszarze pracuję, bardziej jest dla mnie wartościowa. Naprawdę myślę, że to podejście praktyczne, zwłaszcza jeśli chodzi o takie elementy jak konkurs, w który bardzo się wciągnąłem i udało mi się zająć drugie miejsce, co uważam za bardzo duży sukces, to myślę, że to było główną wartością dodaną z przerobienia tego kursu. 

Bardzo fajne było też to, bodajże jedna z pierwszych lekcji, jaką wyniosłem, żeby sobie odpowiednio tę wiedzę porcjować. Do tej pory jak siadałem do jakiegoś kursu, udało mi się wygospodarować dzień, dwa, pół, starałem się ten kurs zrobić jak najszybciej, ponieważ taką akurat miałem lukę czasową. Ten kurs pozwolił mi na to, żeby sobie tę wiedzę rozłożyć w czasie, nie przeznaczyć na niego więcej niż 2 godziny dziennie i myślę, że dzięki temu faktycznie ta wiedza w łatwiejszy sposób weszła do głowy.

Dzięki wielkie. Powiedz trochę więcej o konkursie. Tę całą historię można znaleźć w Internecie, rozrysowałeś mapę, jakie rzeczy były wykonywane. Można zobaczyć jakie fajne masz umiejętności do opowiadania historii, wizualizacji. 

Powiedz troszkę więcej co Cię najbardziej zaskoczyło, jeśli chodzi o konkurs. Czego się nauczyłeś w ten sposób?

Zaraz przed tym konkursem nie spodziewałem się, że aż tak się zaangażuję. Myślę, że ten element rywalizacji pozytywnej jak najbardziej zadziałał i taki dodatkowy bodziec się pojawił, żeby postarać się ten wynik jak najbardziej dopieścić. Natomiast myślę, że zaskoczyła mnie najbardziej kwestia ważności future engineeringu w stosunku do pozostałych elementów, gdyż miałem w głowie, że future engineering jest najważniejszy, ale równolegle starałem się też pracować nad innymi elementami, tj. parametrami modelu. Ale future engineering zwłaszcza w tym pierwszym wyniku osoby, która wygrała, po prostu rozłożył całą konkurencję na łopatki.

Ale też stosując tę cechę u siebie, byłeś jeszcze wyżej. 

Tak. W pewnym momencie poświęciłem troszkę czasu na ten konkurs, doszedłem tak wewnętrznie do ściany i uznałem, że nic już tutaj nie wymyślę i po prostu starałem się ten wynik dopieścić, czyli zrobiłem te wszystkie elementy, które jeszcze można było zrobić, żeby ten wynik podciągnąć, ale nie na tyle, żeby oczywiście przeskoczyć te 20 punktów (chyba w minutach mierzyliśmy opóźnienie). Natomiast udało się poprawić o jakieś 1,5 czy 2 i jak się okazało, to wystarczyło, żeby to drugie miejsce zająć. Także myślę, że to też nie był stracony czas.

Twoje zaangażowanie było widać.

Twoim zdaniem, w których obszarach lub miejscach machine learning ma największe zastosowanie? 

Teraz głównie zajmuję się analityką sprzedażową i myślę, że tutaj zastosowanie jest dosyć szerokie. Ja też tak naprawdę znalazłem się na tym kursie, ponieważ chcę w swojej pracy zawodowej zacząć korzystać z tych narzędzi. Chociażby przychodzą mi do głowy, np. analizy churnu, czyli rotacji/retencji klientów, przewidywania, który klient kiedy może odejść, także poszukiwanie szans sprzedażowych. Załóżmy, że mamy klientów, którzy kupują od nas produkt A i produkt B, a mogliby też kupować produkt C. Też możemy wykorzystać na pewno tego typu metody, żeby starać się takich klientów wytypować, którzy powinni kupować np. ten produkt, a wcale go nie kupują. 

Do tego dochodzi jeszcze szereg rzeczy, może niepowiązanych stricte z tym kursem, bardziej z szeregami czasowymi, czyli wszelkiego rodzaju prognozowania sprzedaży, pewnych anomalii. Biznes, w którym pracuję, jest mocno sezonowy, bardzo zależny od pogody, więc myślę, że tutaj też takie elementy mogłyby dać dużą wartość. Parę pomysłów mam w głowie i będę starał się je powoli wdrażać. 

Super. Pięknie, że masz już taką listę pomysłów, gdzie to można wdrożyć, bo wszystkie pomysły, które wymieniłeś, wydają się mieć świetne zastosowania dla machine learningu. 

Dzięki wielkie Mateusz za to, że udało Ci się znaleźć czas na rozmowę, podzielić się swoim doświadczeniem, perspektywą. To, co już w tej chwili pokazujesz a propos strony analitycznej, wizualizacji, to czuć, że jesteś w tym mistrzem. Dzięki wielkie, do usłyszenia.

Dzięki, do usłyszenia.

======

Dziękuję Ci bardzo za wspólnie spędzony czas. Wspomniałem na początku, że mam taki cel, aby pokazywać różne perspektywy jeżeli chodzi o ludzi, którzy rozwijają się w uczeniu maszynowym i pokazać Ci, że to nie są tylko osoby, które chcą na co dzień zajmować się wyłącznie machine learningiem. Dość często są to różne osoby, które kontynuują swoją pracę zawodową i dokładają do tego elementy uczenia maszynowego. 

Ruszamy już z 10. edycją jubileuszową! Czasem trudno uwierzyć, że udało nam się dotrzeć do tego punktu. Tyle osób już wzięło udział już w kursie. Ruszamy w marcu 2022 r. Zapraszam Cię na tę edycję. 

Powiem przy okazji, że oprócz kursu uruchomiliśmy ostatnio platformę DW Club. To jest miejsce, gdzie w sposób regularny pojawia się mnóstwo ciekawych materiałów. Polecam Ci dołączyć do DW Club jako taki etap przejściowy. Udział w DW Club jest jak koszt dwóch herbat. Dołączając zrobisz swoje pierwsze kroki i po tym możesz zapisać się na kurs.

Wierzę, że dla wielu osób przerobienie tego materiału naprawdę wzniesie ich na zupełnie inny poziom, bo w tym przypadku nie chodzi tylko o ML, a chodzi w ogóle o praktyczne podejście 20/80, kiedy zwracamy uwagę na to co jest najważniejsze, na czym należy się skupić najbardziej.

Artykuł Nauka Machine Learning – 3 różne perspektywy pochodzi z serwisu Biznes Myśli.

Transformacja cyfrowa czasem wzbudza różne kontrowersje,  pojawia się dużo mitów także sukcesów. Wypowiadanie się na ten temat staje się modne, dlatego też wypowiadają się różni ludzie, często tworzy się zamieszanie. To, co jest pewne, to to, że ta transformacja już się odbywa i dalej będzie się tylko napędzać. To oznacza, że pytanie nie brzmi “czy warto” tylko “jak to zrobić”!

Dzisiaj chciałbym opowiedzieć więcej o tym jako podejść do procesu transformacji cyfrowej firmy, aby nie tylko ją zacząć, ale też zrobić to efektywnie. Porozważać, jak określić, na którym etapie jest Twoja firma i jaki ma być kolejny krok. Jakie są zagrożenia i gdzie można poślizgnąć się i co zrobić, aby zminimalizować ryzyko.

Opowiem Ci dzisiaj kilka historii z mojego życia wziętych. Zależy mi na tym, aby ten odcinek był maksymalnie praktyczny i oparty na faktach. Też zwrócę Twoją uwagę, że w ramach mojej spółki DataWokshop współpracujemy z różnymi firmami co do wielkości (małe lub średnie przedsiębiorstwa, polskimi  w 100% i tymi z kapitałem zagranicznym.

W tym wypadku to ma znaczenie, bo chodzi też o kulturę prowadzenia firmy. Widać, że jak jest kapitał zagraniczny to firmy są prowadzone inaczej (nie zawsze lepiej – też kwestia definicja lepiej warto było tu określić), dlatego lepiej powiem – inaczej).

Ten odcinek jest z jednej strony dla osób decyzyjnych, aby zachęcić Cię  do transformacji cyfrowej w swojej organizacji we właściwy sposób lub zacząć ją usprawniać, jak również dla pracowników, którzy są w organizacji, w której odbywa się transformacja cyfrowa lub zamierza się odbyć.

Zbieranie danych

Zacznijmy najpierw od mitu – już wydaliśmy X zł, spędziliśmy Y lat i mamy scyfryzowane procesy.

Trzeba uświadomić sobie prostą rzecz – transformacja cyfrowa to proces. To nie jest punkt binarny, który można osiągnąć na 100% (w sposób ogólny). Już tłumaczę co mam na myśli, bo tutaj wiele rodzi się zamieszania, w szczególności u osób decyzyjnych.  Zarząd czasem ma wrażenie – “przecież już mamy scyfryzowane procesy biznesowe, bo już wydano „trochę” lub nawet więcej niż tylko trochę pieniędzy na infrastrukturę (np. w chmurze) i są jakieś dane w gigabajtach czy nawet terabajtach zbierane”. 

Natomiast porozważajmy tak po ludzku. Zbieranie danych nawet w terabajtach da się załatwić w minutę, wystarczy generować strumień losowych danych i już mamy. Dlatego tylko ta metryka brzmi bardzo słabo, aby ją wykorzystywać do mierzenia cyfryzacji procesu (wiem, że jak teraz to mówię to może być bolesne, ale lepiej uświadomić sobie ewentualne błędy, jedna sprawa, kiedy to boli o coś można z tym zrobić, inna tkwić w tym przez całe życie i nie mieć świadomości).

Zadajmy sobie takie pytanie, czy da się scyfryzować 100% procesu? Tutaj oczywiście przez chwilę można pomyśleć, ale odpowiedź jest oczywista — nie da się! Co to oznacza? No bo nasz świat jest tak złożony, że ciężko jest „złapać” wszystkie zdarzenie. Np. czy jesteś w stanie zapisać, czy przed kupowaniem Twój klient mrugnął albo miał czkawkę?  Tylko też pytanie, czy to zdarzenie nam jest potrzebne? Raczej też nie. 

Tu już dochodzimy do pierwszych wniosków:

1. Nie możemy powiedzieć, że mamy scyfryzować proces na 100%, bo tych zdarzeń jest nieskończenie wiele.
2. Mówiąc, że mamy pewien proces scyfryzować, musimy zdawać sobie sprawę, nie chodzi o punkt binarny, tylko o stopień pokrycia (np. 20%), tylko tu pojawia się pytania — pokrycia czego (jakich zdarzeń)?
3. Dobra wiadomość jest tak, że nie musimy zbierać wszystkich zdarzeń, aby podejmować lepsze decyzji lub tworzyć lepszy produkt, tylko te, które są najważniejsze z punktu widzenia biznesu i ich jest zdecydowanie mniej. Zasada Pareto w tym przypadku bardzo pomaga.
   
   
   
   
   

Doszliśmy do ważnego punktu, powinniśmy zbierać tylko najważniejsze zdarzenia, które mogą pomoc biznesowi podejmować lepsze decyzji lub tworzyć lepszy produkt. Natomiast pojawia się nam bardzo ważne pytanie jak stwierdzić, które dane są najważniejsze dla biznesu? Mierzyć w bajtach ile zbieramy danych, brzmi jak słaby pomysł. To jest bardziej techniczna metryka, niż biznesowa. Jak już wspomniałem wcześniej, wygenerować dane losowe jest trywialnym zadaniem i nie ma sensu. 

Co możemy zrobić? Zapytać o teoretyczną opinie ludzi w otoczeniu. Co mam na myśli mówiąc teoretyczną? Czyli taką, kiedy człowiek nawet nie bada kontekstu firmy, ale już ma Power Point i na pewno wie, jak to musi być zrobione, bo takie są trendy. Podejście – zapytać ludzi z otoczenia, dość często nie sprawdza się na 100%. Jak to nie sprawdza się? Od zawsze tak robiłem… no właśnie .

Podejście “wiem wszystko”, to podejście z definicji mylące. Nie można wiedzieć wszystkiego. Przecież, jeśli chcemy rozwiązać konkretny problem, np. scyfryzować któryś proces, to wcale nie jest tak, że z góry wiadomo wszystko, co ma się tam wydarzyć. Owszem jest pewien poziom abstrakcji kiedy to jest wiadome, ale istotne są szczegóły, które w tym przypadku są kluczowe. 

Podsumujmy ten punkt.

Teraz nie próbuje krytykować zarządu lub innych decyzyjnych organów w firmie, że podejmują decyzję na podstawie opinii innych (między innymi ekspertów). Natomiast chcę podpowiedzieć, na co należy zwrócić swoją uwagę. Np. robiąc taką cyfryzację, któregoś procesu, warto zadać takie pytanie: 

• czy na pewno zbieramy te dane, które pomogą nam wytworzyć wartość dodaną? 
• Skąd to wiemy i jak to możemy sprawdzić? 
• Też warto dodać, czy na pewno nie gubimy (nie zbieramy) ważnych danych? Bo zbierać trochę więcej (czyli mniej przydatne dane), jest mniejszym złem, bo dyski raczej obecnie są w miarę tanie, ale nie zbierać ważnych danych — może być (bardzo) problematyczne. 
  
  
  

Dlaczego? Bo tracimy czas, i to jest więcej niż pieniądze! Bo pieniądze zawsze może gdzieś pożyczyć, zdobyć, znaleźć itd, ale historię wstecz np. rok czy kilka lat nie da się za bardzo otworzyć. I akurat ten błąd może kosztować dużo, nawet utratę pozycji na rynku.

Od czego zacząć?

Jeśli nie zbierasz danych w tym momencie, to warto przygotować mechanizm, aby zacząć to robić. Natomiast warto wykonywać proste i małe kroki, bo jeszcze jest wiele błędów, które można popełnić, więc aby zminimalizować ich “ból”, warto robić małe kroki i szybką weryfikację, czy idziemy w dobrym kierunku.

Jakie są pułapki?

Nie zaczynać od budowania  “wielkiej hurtowni danych” bez zrozumienia, co dokładnie chcesz osiągnąć. Tego zwykle nie wiesz (nawet jak masz wizję w głowie, to tylko wizja). Wiedzieliśmy już na własne oczy, kiedy cały “fokus” był przesunięty na infrastrukturę jako cel i przyszli różne eksperci, którzy obiecują jak fajnie ta infrastruktura skaluje się pod terabajty. Tylko ciągle brakowało pytania: po co to? Jaki problem próbujemy teraz rozwiązać? No chyba, że problemem było przeprowadzić szkolenie, jak zrobić skalowalną infrastrukturę pod terabajty w sekundach czy minutach? To wtedy rozumiem, ale konkretnie ta firma nie miała tego problemu, też nie miała tyle danych.

Tutaj można zarzucić mnie argumentem, ale wiesz jak dużo firm padło przez to, że nie myśleli do przodu i nie byli w stanie się wyskalować. Rozumiem ten argument. Mało tego, już projektowałem wiele architektur i też takich większych, które są rozproszone po całym świecie i też dość sporo rozważałem na tym. Bo tutaj jest pewien konflikt interesów:  będąc w butach osoby technicznej, to owszem, dla mnie jest łatwiej, aby od razu budować zamek (to też jest nawet ciekawiej, niż robić budkę), ale problem jest w tym, że firma ma zarabiać i dopiero wtedy rozrastać się!  Biznes to organizacja, która ma zarabiać. 

Dobry architekt systemów IT, to taki, które stara się być elastyczny do ograniczeń (różne zasobów ale też różnych decyzji), czyli nie podejmować takich decyzji, które później jednoznacznie zabiją organizację, ale z drugiej stronie nie robić rzeczy zbytnio na wyrost, bo przecież to też może zabić — bo jak król jest nagi, to kto ma utrzymywać ten piękny zamek?

Podsumuję ten punkt w taki sposób – zrób krok do przodu, myśl o 5-10 kroków do przodu, ale miej pokorę do tego, że życie i tak Cię zaskoczy. Nie próbuj zaimplementować rzeczywistość w jednej iteracji.

Jak to robimy w DataWorkshop?

Jak zaczynamy współpracę z firmą, to przed tym jak zaczynamy trenować modele i tym bardziej cokolwiek wdrażać, robimy audyt stanu faktycznego. To nie ma na celu kogoś oskarżyć o cokolwiek. Zdecydowanie nie! Chodzi tylko o zdrowy rozsądek, aby szczerze odpowiedzieć, gdzie jesteśmy teraz, czyli tak zwany punkt A i gdzie chcemy być — czyli punkt B i jak dużo jest pomiędzy.

Swoja drogą, tu też jest fajna sprawa psychologiczna.  Przez to, że działamy tylko na faktach i nie mamy emocji (bo to jest cudzy biznes), na skutek tego możemy po prostu to zrobić. Nie myśląc o tym, że Jacek czy Baśka może się obrazić, że grzebie w tej działkę, albo nie mogę powiedzieć wprost powiedzieć tego czy tamtego. Pomyśl o tym, w jakim stopniu takie hamulce skrzywiają i komplikują proste działania, kiedy po prostu trzeba przyjść, zobaczyć gdzie jest punkt A, zrozumieć gdzie jest punkt B i popchnąć firmę do tego punktu.

Oczywiście, pewnie emocje są ważne. Np. istnieje takie coś jak dojrzałość firmy (podobnie jak dojrzałość u ludzi) i tutaj nie chodzi o wiek. Np. kiedy człowiek jest w roli dziecka to jest naturalne, że “strzela focha” lub jemu (dziecku) należy się wszystko. Człowiek dorosły (nie mylić z tym, kto ma wiele lat), to taki, który myśli zdroworozsądkowa. Potrafi poradzić sobie z emocjami w inny sposób niż blokować ważne procesu (np. siłownia, medytacja itd). Podobnie jest z firmami.

Współpraca z “dorosłymi” firmami (nawet jeśli oni mają tylko roczek czy kilka lat, bo tu nie chodzi o wiek) jest bardzo przyjemna i jest tam po prostu współpraca. Rozumiemy, że gramy do jednej bramki i wspieramy nawzajem. Przy osiąganiu większych celów  współpraca jest bardzo ważna!

Podsumowując ten punkt,  zaproszenie firmy zewnętrznej do przeprowadzeniu audytu może mieć wiele zalet. Między innymi to, że zaczynają z białej kartki i nie muszą trzymać wielu warstw emocjonalnych, które wytworzyły się  w danej organizacji.  Oczywiście zapraszając taką firmę, trzeba sprawdzić, na ile zdroworozsądkowo podchodzą do rozwiązania.

Nawet najlepszy chirurg nie zrobi sobie samodzielnie operacji  na sercu. Swoją drogą też dodam, że jako DataWorksohp też korzystamy ze wsparcia innych firm robiąc wewnętrzną weryfikację. Skupiamy się na uczeniu maszynowym, ale często ten temat przeplata się z innymi dziedzinami i można powiedzieć, że “można sobie jakoś poradzić”, ale zawsze warto sięgnąć po kogoś, kto zna się tym lepiej lub spojrzy na problem z innej perspektywy.  Emocje potrafią przeszkadzać i na swoje dziecko patrzysz czasem bezkrytycznie, a w biznesie krytyczne myślenie to podstawa. 

Prototyp modelu Machine Learning

Przejdźmy teraz do kolejnego kroku. Już mamy jakieś dane lub zaczęliśmy je zbierać i nawet mamy PowerPoint, w którym jest wytłumaczone, dlaczego akurat te dane mają sens. To teraz czas wykonać kolejny pragmatyczny krok, sprawdzić używając pewnych narzędzi, w jakim stopniu jesteśmy w błędzie.

Jak to możemy sprawdzić? Pewnie jest wiele sposobów. Natomiast fanie, aby maksymalnie skupić się na podejściu, które jest pozbawione emocji i jest mierzalne. Jest tak zwane podejście: data driven o tym więcej już było w 25 odcinku podcastu. Do mnie coraz bardziej przemawia podejście  tak zwane model-driven AI. Pewnie o tym nagram osoby odcinek, ale w skrócie chodzi o to, że decyzje są napędzane przez modele uczenia maszynowego, które podpowiadają,  gdzie są luki lub inne problemy. Można potraktować to w taki sposób, model ML jest Twoim asystentem i podpowiada Ci różne rzeczy, a Ty zwracasz na to uwagę i podejmujesz lepsze decyzje.

Co robimy na tym etapie?

Zaczynamy trenować model na obecnych danych, który ma rozwiązać jeden z naszych problemów biznesowych.  Np. prognozowanie potencjału czy klient kupi lub, czy kupi to kanałem X lub czy zrezygnuje w najbliższym miesiącu itd.

Warto zrozumieć, że na tym etapie nie chodzi o to, aby wytrenowane modele wdrożyć. Nie! Chodzi o to, aby wytrenować modele na danych które mamy i odpowiedzieć na pytanie: czy ML jest przydatny w tym problemie i dlaczego? Ważne też jest to “dlaczego” .

Czasem może być tak, że na ten moment ML nie jest w stanice usprawnić ten model i ważne też zrozumieć dlaczego. Jakie mogą być problemy, zobaczmy najczęstsze:

1. zbieramy niewłaściwe dane, innymi słowy, mamy jakieś dane, ale te dane  nie zawierają sygnału, które pomaga złapać korelację z tym co chcemy optymalizować np. zbieramy którym dniu urodziła się ta osoba (np. we wtorek), ale ta informacja raczej nie bardzo nam pomoże, aby prognozować, czy z tego powodu ta osoba jest skłonna kupić u nas teraz produkt X. Wbrew pozorom większość danych z klasycznego profilu jest mało pomocna!
   
   
   
   
   Tam, gdzie klient jawnie deklaruje różne rzeczy, np. miejscowość, co lubi lub czego potrzebuje – zwykle ma słabe sygnały, bo w tych danych jest dużo szumu.
   
   
   
   
2. Gubimy kontekst w danych. To jest już bardziej podchwytliwe i ciężko to złapać na prezentacji. Problem polega na tym, że mamy jakieś dane. Które na pierwszy rzut oka nawet mogą brzmieć dość konkretnie, ale tam są problemy. Np. mamy datę zdarzenia. Brzmi jako konkret! Ale co może pójść nie tak? Pytanie jest, ale co to data oznacza…. problem jest taki, że często (w szczególności w dużych firmach) dane spływają raz na dobę (czy kilka raz na dobę) i fizyczne zdarzenie jest tworzone akurat wtedy jak spływają dane, ale samo zdarzenie odbyło się w innym czasie (np. kilka godzin lub dłużej temu).
   
   
   
   
   Najciekawsze jest to, że osoba, która zapisuje do bazy czas utworzenia zdarzenia, nie ma problemu, aby zapisać właśnie ten moment kiedy dane przyszli, no bo fizyczne w bazie właśnie wtedy te dane pojawiły się! Niby wszystko zgadza się. Natomiast jak patrzysz na ten proces jak na całość to rozumiesz, że potrzebujesz co najmniej dwa rodzaje dat: pierwszy kiedy fizycznie odbyło się zdarzenie i ewentualnie druga data, kiedy fizycznie o tym zapisaliśmy w naszej hurtownie.
   
   
3. Grupowanie zdarzeń. Tak naprawdę mamy jakieś dane, ale w sumie nie wiadomo, co te dane oznaczają, bo zostały pogrupowane w poszczególne segmenty, czyli tak zwana granularność jest zbyt ogólna. Wtedy dochodzi do takiej sytuacji, że np. widzimy, że to zdarzenie może być pomocne, ale… niewiadoma co w praktyce oznacza. Np.  wiemy, że był kontakt z klientem, ale nie wiem nic poza tym, w jaki sposób, którym kanałem, o czym była dyskusja, czym się skończyła. 
   
   

Istnieje jeszcze wiele innych problemów z co do jakości danych.

Od czego zacząć?

Należy jak najszybciej zacząć robić prawdziwy prototyp na danych, które już się ma, aby sprawdzić, jaki jest potencjał w tych danych oraz jakie są problemy i jak można ten problem naprawić.

Na tym etapie już trzeba omijać “gadanie” na sucho, tylko mają się pojawić kawałki kodu, które faktycznie wykorzystując wprost dane i trenują modele ML i następnie okazują, jaki jest potencjał (lub go nie ma). Do tego też koniecznie warto dołożyć interpretacje najważniejszych danych. Na szczęście wykorzystując model, możemy skupić się na najważniejszych zdarzeniach (które nam model podpowiada), dzięki temu możemy sporo zaoszczędzić czasu, bo potrafimy zadawać konkretne oraz właściwe pytania.

Jakie są pułapki?

Wiedza, w szczególności w dużych biznesach, jest rozproszona. Nie ma, a nie jednej osoby, która wie wszystko w tym procesie. Nawet też to, co wie, zwykle nie jest w 100% prawdziwe. Bo ten proces, to jest żywy organizm, tam ciągle coś się dzieje.  Dlatego warto było “jakoś” zorganizować wymianę myśli, aby zderzyć różne perspektywy.

Machine Learning – wsparcie DataWorkshop

Zaczynamy zawsze od audytu, który może mieć różne  oblicze w zależności od poziomu skomplikowania problemu, który chcemy rozwiązać.

1. Zawsze zaczynamy od rozmowy, zadawania tak zwanych właściwych pytań, które są zwykle dosyć zaskakujące dla odpowiadających, ale ważne, aby na nie odpowiedzieć.



2. Potem jak najszybciej przechodzimy do danych i weryfikujemy to, co usłyszeliśmy na danych.
Zasada niedowierzania za każdym razem tutaj dobrze się sprawdza.



Podsumowałbym to tak: słuchaj bardzo uważnie, co mówią, ale nie wierz. Oczywiście tutaj chodzi nie o to, aby nie ufać swoim współpracownikom, ale raczej o podejście do pracy z danymi – trzeba weryfikować informacje na danych i opierać się na danych, a nie tylko na słowach. Chociaż warto przyznać, że słowa to pierwszy cenny drogowskaz zawsze.



3. Jak najszybciej budujemy prosty model ML, który pokazuje, gdzie tkwią potencjały, a gdzie mogą pojawić się problemy.



4. Podejmujemy wspólnie z firmą, z którą pracujemy decyzję, co dalej:


a) Jeśli audyt i prototyp wykazały, że ML ma tutaj sensowne zastosowanie, bo sam prototyp dostarcza już sporą wartość biznesową, to ustalamy plan i działamy dalej – usprawniamy model i dążymy do tego, aby jak najszybciej przyniósł wartość biznesową – zwrócił się.


b) Jeśli audyt i prototyp pokazał, że posiadane dane są niewystarczające lub da się ten problem rozwiązać w prostszy sposób niż ML – jest liniowy, to też powstaje ogromna wartość – firma wie, jak rozwiązać problem prościej lub wie, że zbiera niewłaściwe dane, a to cenna wiedza.



To jest oczywiście uproszczony schemat działania i najczęstszy, ale warto zwrócić uwagę na jedną rzecz – organizacje są różne i są na różnym etapie transformacji cyfrowej. Poza tym dysponują różnymi zasobami finansowymi czy ludzkimi, mają też różne inne cele związane z tak zwaną kulturą innowacji, która idzie często w parze z transformacją cyfrową.

My jako DataWorkshop zajmujemy się tylko uczeniem  maszynowym, ale w różnych kontekstach i jesteśmy dosyć elastyczni we współpracy b2b. A więc nawet jeśli wydaje Ci się, że organizacja w której pracujesz jest jak to się mówi “skostniała” i ciężko zmienić zasady gry, to pomyśl w taki sposób. Może nie trzeba całkowicie ich zmieniać, ale można uzbroić się w dodatkowe moce i lekko zmodyfikować pewne rzeczy na start.


Podam Ci kilka ciekawych modeli współpracy, które wypracowaliśmy i które odpowiednio dostrajamy według indywidualnych potrzeb organizacji. Może któryś zainspiruje Cię do działania wewnątrz swojej. 

1. Praktyczny consulting –  audyt & prototyp

Wspomniałem już sporo o audycie i prototypie, ale chcę zwrócić jeszcze Twoją uwagę na jedną rzecz  – branża i wielkość organizacji nie mają znaczenia.

Mamy doświadczenie consultingu zarówno dla firm z obszaru przemysłu, bankowości, czy z obszarów energetycznych, czyli dużych graczy, ale też mniejszych organizacji.

Zasadnicza różnica pomiędzy dużą firmą produkcyjną lub korporacją, a mniejszą organizacją jest taka, że proces podpisania umowy trwa krócej lub dłużej, ale problemy są podobne. Wcale nie jest tak, że duża firma skoro ma duże zasoby, to doskonale wie, co ma cyfryzować i wszystko śmiga. Z wyzwaniem skutecznej transformacji cyfrowej mierzą się wszyscy, bo wyzwanie nie jest trywialne.

2. Szkolenie i twórcze hackowanie 

Teraz podam Ci nietypowy przykład dotykający transformacji cyfrowej, bo nie dotyczy procesów, zdarzeń, ale w pewnym sensie też ludzi.

Transformacja cyfrowa, o której tyle tutaj mówimy dotyczy jak nazwa wskazuje cyfryzacji, ale aby to miało sens, to musimy też wiedzieć, co mamy scyfryzować, to już wiemy. To teraz dołóżmy do tego kolejny poziom, ten ludzki. Aby jakakolwiek transformacja się odbywa to muszą (jeszcze) być zaangażowani w to ludzie, którzy rozumieją wartość, którą takie działanie przynosi i potrafią też dołożyć swoje kompetencje do tego procesu, aby zadziało się to efektywnie i skutecznie.

Mówienie ludziom – zrób to lub to, bo to jest ważne, jest raczej słabe. Nikt nie chce robić czegoś, czego do końca nie rozumie lub nie widzi w tym wartości. Co innego, jeśli Twój pracownik, kolega lub koleżanka z pracy zrozumieją wartości i będą sami zwracać uwagę na to,co warto scyfryzować, co jest potrzebne, a czego nie ma. Mało tego, będą w stanie zaangażować się w rozwiązywane problemy niezależnie od wielkości organizacji.
Co musi się stać, aby coś takiego się odbyło?

Przede wszystkim trzeba dostarczyć pracownikom rzetelnej wiedzy, ale zanim podsuniesz im stertę książek, to zastanów się Rzetelna i angażująca wiedza nie jest równa przeczytanej książce. Tutaj trzeba uczyć ludzi poprzez motywowanie ich do twórczego myślenia. Można to robić też na większą skalę. Powiesz pewnie – to tak nie działa, jak to zrobić.



Podam przykład. Jako DataWorkshop pomagamy firmom realizować ich cele strategiczne związane z danymi i AI także poprzez edukację. Może odbywać się to w taki sposób, że przygotowujemy dedykowane szkolenia w pełni skalowalne, mało tego nawet udostępniamy swoje środowisko, a więc z punktu widzenia pracownika to jest kilka kliknięć i może zacząć trenować swój model i uczyć się rozwiązywać problemy na realnych danych.



Ostatnio też mieliśmy okazję pomóc pewnej organizacji zorganizować wewnętrzny hackathon połączony ze szkoleniem. To jest rewelacyjny sposób na to, aby stworzyć gigantyczną burzę mózgów skupionych wokół konkretnego wyzwania biznesowego i w stosunkowo krótkim czasie wspólnymi siłami zrobić audyt i wygenerować wiele prototypów, które pokazują, na co zwracać uwagę.

Często w trakcie takich inicjatyw już na poziomie przygotowania ma miejsce swego rodzaju audyt. Hackathony mogą wydawać się jedynie zabawą, w której biorą udział studenci, ale jeśli dobrze się to zorganizuje i postawi właściwe cele i ukierunkuje wszystkie głowy na rozwiązanie konkretnego problemu tak jak my to zrobiliśmy,  to wtedy generuje to dużą wartość i może mocno wspierać transformację cyfrową, a przy okazji realizuje też kilka innych celów np. edukuje.

3. LAB AI

Laboratorium  AI – brzmi, jak coś w co trzeba zainwestować miliony $$$, ale pomyśl o tym trochę inaczej. Pozbądźmy się  obrazka klasycznego laboratorium pokazywanego w telewizji i rozdmuchanego przez media  i pomyśl o tym, jako o przestrzeni w swojej organizacji na działanie według innych zasad niż reszta organizacji i bardzo efektywnej komórce, która w krótkim czasie generuje sporo wartości. Tak, to możliwe.

Pomyśl o Laboratorium AI jako o zespole kilku osób, które zajmują się codziennie uczeniem maszynowym i regularnie wdrażają na produkcję modele, które zarabiają na siebie i dają znaczącą wartość firmie. Laboratorium AI – to decyzja, aby poświęcić czas i znaleźć właściwe osoby w Twojej organizacji, które chcą zająć się ML na pełen etat lub zatrudnić taką osobę.

Zadanie nie jest łatwe, aby zorganizować lab AI, czyli ten wycinek czasu i zasobów w firmie w taki sposób, aby generował wartość, ale da się. Mamy za sobą taki projekt, zresztą możesz o nim posłuchać w podcaście, jest to jawna informacja – mowa o współpracy z Obido i podcaście numer 79. Dużą zaletą stworzenia takiego Labu jest to, że można wewnątrz jednostki stworzyć pewną strukturę lub zespół, który działa trochę inaczej np. Szybciej i nie podlega standardowym procesom – jako inspirację polecam Ci także odcinek na temat innowacji w PZU (69).
Mało tego, takie laby AI mogą zarabiać na siebie i mogą być prowadzone w małych firmach, potrzebujesz pomocy z tym, napisz, pomożemy



Kończąc już ten odcinek, chciałbym zostawić Cię z taką myślą, aby nie tkwić w takim schemacie myślenia, że “ok to co mówisz jest potrzebne, ale to u mnie / w mojej firmie nie zadziała, tam jest tyle różnych wyzwań…”, a raczej pomyśl, co chcesz, aby się zadziało i napisz do mnie lub  na hello@dataworkshop.eu.

Praca domowa

Mam też małą pracę domową dla Ciebie. Zarezerwuj sobie czas na spacer, pomyśl i odpowiedz sobie szczerze na 5  pytań. To zadanie dla każdego. Jeśli nie jesteś osobą decyzyjną, to skup się na swojej roli w firmie i zadaniach.

1. Na jakim etapie transformacji cyfrowej jest Twoja firma i/lub Twój dział w firmie

2. Jak często patrzysz na dane i jakie wnioski z tych danych wyciągasz?

3. Czy dane, na które patrzysz ułatwiają Ci podejmowanie decyzji?

4. Czy widzisz potencjał, aby ML “stał się Twoim asystentem” i pomagał podejmować lepsze decyzje?

5. Czy coś się wstrzymuje, aby zbudować prototyp? A jeśli tak, to co?

Podziel się swoimi przemyśleniami. Możesz napisać na hello@dataworkshop lub na linkedin do mnie.

Artykuł Transformacja cyfrowa pochodzi z serwisu Biznes Myśli.

Dane zawierają w sobie ogrom informacji, jednak kluczem do tego jest ich właściwa interpretacja. Pomocna temu będzie wizualizacja danych i to jest właśnie temat mojej rozmowy z Anną Kozak. Z jednej strony jest wykładowcą, skończyła Politechnikę na kierunku matematyka stosowana. Z drugiej strony pracuje jako Data Scientist, więc jest w zawodzie. Z trzeciej strony angażuje się w przeróżne inicjatywy, aby szerzyć wiedzę. Wykonuje sporo różnych rzeczy, ale jedna, która się bardzo wyróżnia, to wizualizacja. Jest wielką entuzjastką wizualizacji. 

Ania zajmuje się również dziedziną XAI albo interpretowalność modeli czy sztucznej inteligencji. O tym postaram się nagrać osobny odcinek. Nie chciałem się za bardzo rozdrabniać, bo to jest wątek nieco szerszy, który zasługuje co najmniej na własny odcinek. Dzisiaj natomiast porozmawiamy o tym, czym jest zły wykres, jak zrobić poprawny oraz czy można robić Data Science na wysokim poziomie bez wizualizacji.

Cześć Ania. Przedstaw się: jak się nazywasz, czym się zajmujesz, gdzie mieszkasz?

Cześć Vladimir. Nazywam się Anna Kozak. Mieszkam obecnie w Warszawie. Jestem absolwentką matematyki na Politechnice Warszawskiej. Obecnie też jestem wykładowczynią na tej samej uczelni, na Wydziale Matematyki i Nauk Informacyjnych. Prowadzę zajęcia z eksploracji danych i wizualizacji danych dla studentów. Dodatkowo pracuję też w grupie badawczej MI2, prowadzonej przez profesora Biecka, która działa między Wydziałem Politechniki Warszawskiej a Wydziałem Matematyki Uniwersytetu Warszawskiego. 

Jeszcze pracuję biznesowo w firmie Quantee. Zajmuję się tam prowadzeniem badań w obszarze Data Science w aktuariacie. 

Dużo rzeczy robisz i postaramy się dzisiaj o tym porozmawiać. Zgodnie z tradycją, jaką mamy w Biznes Myśli zapytam: jaką ostatnio książkę przeczytałaś i dlaczego warto ją przeczytać? 

Ogólnie dużo ostatnio czytałam książek o wizualizacji, ponieważ przygotowywałam się do zajęć, które prowadzę, ale gdy już odchodzę od typowego świata Data Science, czyli tego, którego mam na co dzień, którego faktycznie jest sporo, skupiam się na kryminałach. Są to w 100% kryminały, które po prostu przenoszą mnie do innego świata. Takim moim ulubionym autorem jest Remigiusz Mróz, czyli polski pisarz, który pisze tak dużo, że nie nadążam czytać zazwyczaj. Więc jeżeli ktoś lubi kryminały, bardzo polecam. 

A jeżeli chodzi o takie książki, które bym mogła polecić Data Science, które ostatnio czytałam i które faktycznie rozszerzyły jeszcze moją wiedzę o tych wizualizacjach, to jest książka Alberto Cairo, który jest znanym, światowym wizualizatorem danych, który napisał książkę “How Charts Lie”. Autor opisuje tam różne historie, czego nie robić. Myślę, że w tej książce jest kilka powiązań z tym, czego ja uczę, przez co jeszcze bardziej obrazuje to wszystko, czym się zajmuję. 

Jest to bardzo ciekawy temat. Będziemy dzisiaj dużo mówić o wykresach, bo widać, że czujesz miłość do wykresów, wizualizacji. 

Jaki najpiękniejszy wykres widziałaś? Dlaczego akurat według Ciebie to był najpiękniejszy wykres?

To jest bardzo trudne pytanie, ponieważ ja z tymi wykresami widuję się codziennie i myślę, że było ich w setkach, tysiącach. Może nie będę wskazywać jednego konkretnego wykresu, ale chciałabym zwrócić uwagę, że najciekawsze wykresy są takie, które pokazują nam jakąś ciekawą historię. 

Właśnie wspomniany wcześniej Alberto Cairo – udało mi się być na jego wykładzie, kiedy był w Polsce. Opowiadał historię tworzenia wykresów, konkretnie też jednego, który obrazował poparcie w wyborach prezydenckich w Stanach Zjednoczonych – jak ta historia się składała, jakie wątki z niej wynikały i jak obrazował poszczególne kroki. Zbiór takich wizualizacji, które on przygotował, były dla mnie czymś, co jeszcze bardziej zainspirowało do bycia tą osobą, która faktycznie lubi wizualizacje danych i chce się tym zajmować. To było parę lat temu, więc jak najbardziej, dalej się w tym rozwijam.

To, co powiedziałaś, brzmi tak, że przy pomocy wykresu możemy sprawić, że historie stają się bardziej soczyste i kolorowe. 

Tak, zdecydowanie. Myślę, że istnieje bardzo dużo wykresów, które faktycznie przekazują nam bardzo dużo informacji, a jednocześnie wizualną swoją formą przyciągają oko niejednego z nas.

Myślę, że możemy powiedzieć, że już wyczuwamy, czym jest dobry wykres. Czyli musi być historia, najlepiej krok po kroku pokazując poszczególne grafiki albo w inny sposób wizualizację, zrozumieć, że coś się działo w tym procesie. Natomiast z drugiej strony reguły są czasem po to, aby je łamać. Jak można podejść do wykresów albo gdzie można się nauczyć tworzyć dobre wykresy? Od czego zacząć?

Myślę, że od teorii, co może wydawać się jakimś absurdem: „Dlaczego ja się muszę uczyć teorii, jak chcę narysować zwykły wykres?”. Ale tak jak wcześniej powiedziałam, wykresy są historią. Jak chcemy napisać jakąś historię, w jakimkolwiek języku, to musimy się go nauczyć, musimy się nauczyć gramatyki, tego, jak w danym języku posługiwać się słowami. 

Może wydawać się to dziwne, ale jest coś takiego jak gramatyka języka wizualizacji. Jest to pojęcie, wprowadzone już w latach 70. XX w. przez wielu naukowców. Pozwala nam ono na zdefiniowanie pewnych form wykresu, które opisują poszczególne struktury. To jest trochę tak jak opisywanie jakiegoś super wydarzenia słowami, tylko my opisujemy historie za pomocą pewnych atrybutów, pewnych warstw, danych, które otrzymamy, statystyk, kolorów i jakichś innych atrybutów, które pozwalają nam ten wykres lepiej zrozumieć. 

Oczywiście, mogłoby się wydawać, że takie czytanie i tworzenie wykresów jest wiedzą wrodzoną. Nic bardziej mylnego, ponieważ jak każdy z nas uczy się jakiegoś języka i gramatyki, poświęca na to czas, to żeby właśnie zrozumieć te wykresy i wiedzieć, jak je stworzyć, co na nie powinno się składać, też musi się tego nauczyć. Być może ktoś ma taki wrodzony talent, że po prostu widzi i będzie rozumiał wykres, ale nie każdy z nas będzie od razu wiedział i rozumiał nawet najprostszy wykres.

Jesteś po matematyce, czyli umysł ścisły, ale z tego, co teraz opisujesz o wizualizacji, tak trochę wybrzmiewa, że tu jest więcej humanistyki. Tak się zastanawiam, według Ciebie, wizualizacja to jest bardziej dziedzina dla osób z umysłem ścisłym, humanistycznym czy może kombinacja obu? 

Myślę, że każdy z nas może wykresy tworzyć. To nie jest tak, że matematycy będą lepiej tworzyć wykresy niż osoby, które studiują nauki humanistyczne. Ja jestem matematykiem z wykształcenia, ale byłam przekonana przez prawie całe swoje dzieciństwo, że będę artystą, malarką. W tym momencie, kiedy jestem matematykiem i mam możliwość tworzenia wykresów, wizualizacji, to faktycznie te dwie moje pasje się ze sobą łączą. Nie widzę przeciwwskazań czy predyspozycji, dzięki którym któraś grupa będzie się w tym lepiej sprawdzała. 

Myślę, że w Twoim przypadku te dwie strony się łączą. Warto powiedzieć, że łączenie ścisłych nauk też może być przydatne. Nie każdy wykres jest wartościowy, to już powiedzieliśmy, musi być historia, ale pomyślmy w taki sposób: z punktu widzenia biznesu, wartościowym wykresem jest taki, który daje namacalną wartość. Jak to w zachodniej literaturze nazywają actionable insights, czyli patrzysz na to i wiesz, co masz zrobić. Nie tylko, że coś tam wzrasta lub spada, tylko Ty wiesz jakie działania trzeba wykonać. W jaki sposób warto robić wykresy, aby dawały wartość dodaną dla biznesu?

To tych wątków będzie bardzo dużo. Postaram się wybrać najbardziej istotne. Jest taka długa lista, czego nie robić oraz to, co robić. Myślę, że trochę połączę jedne i drugie. Zacznę od pierwszych dwóch głównych aspektów. 

Pierwszy będzie kolor.

Może się wydawać, że wykresy kolorowe są super wesołe i przyjemne, ale każdy dobry wykres powinien bronić się tym, że jeżeli usuniemy ten kolor i zastosujemy skalę szarości, to nadal będzie przekazywać nam takie same informacje jak w wariancie kolorowym. Nieraz nasze wykresy tych kolorów mają pewnie za dużo i robi się bałagan, który nie jest jasny w komunikacji. 

Też warto pamiętać o tym, że nasze oko przypisuje pewnym barwom jakieś określone znaczenia. Zazwyczaj kojarzy się tak, że jak jest coś pozytywnego, to łączymy to z kolorem zielonym. A jak mamy coś negatywnego to łączymy to z kolorem czerwonym. Chociażby wykresy giełdowe tak są tworzone. Teraz wyobraźmy sobie, że tworzymy sobie taki wykres i zamieniamy te wartości, czyli coś negatywnego opisujemy kolorem zielonym, a czerwonym kolorem opisujemy coś pozytywnego. Wtedy nasz mózg wariuje. Bo jak ten wykres poprawnie odczytać? To jest zupełnie taka zależność, której byśmy się nie spodziewali, zupełnie odwrotnie niż myślimy na co dzień.

Drugim ważnym aspektem są wszechobecne iluzje. 

Ludzkie oko dużo gorzej odczytuje kąty niż porównywanie np. długości słupków. Jesteśmy w stanie w dobrym stopniu ocenić, czy kąt jest prosty. Po prostu patrzymy na rysunek i jesteśmy w stanie określić, czy kąt jest prosty, czy nie. A jeżeli nie, to jak mu brakuje, czyli czy jest ostry, czy rozwarty. Ale gdy np. mamy ostre kąty, to bardzo często je zawyżamy. Jak mamy kąty rozwarte, to zawsze zaniżamy. Nasze oko tego nie wyłapuje. Tak naprawdę, wszystkim wykresom kołowym albo wykresom, które są w 3D, czyli wykresom kołowym 3D, wykresom słupkowym 3D, jakimkolwiek wykresom, które są w więcej niż dwóch wymiarach, powinniśmy powiedzieć nie, bo one wpływają na założenia naszego odbioru. Będziemy widzieć coś, czego tak naprawdę tam nie ma. 

To są takie dwa z główniejszych aspektów przy budowaniu wizualizacji, na które trzeba uważać. Ale oczywiście jest jeszcze długa lista np. co robić, typu ciągły spór o to, czy oś Y powinna zaczynać się w 0. Czy możemy po prostu odciąć sobie na dowolnym poziomie, czy powinna zaczynać się w 0? Jeżeli chcemy mieć jakieś sensowne porównanie dwóch wartości, to zawsze zaczepiajmy tę wartość w 0. Jeżeli będziemy mieć np. wartości 30 330 000 i 30 320 000 to na tym wykresie, gdy zaczniemy naszą oś od 0, to będą to bardzo zbliżone wartości, nie będzie tej różnicy. Ale jeżeli byśmy zaczęli naszą oś w wartości prawie bliskiej tym wartościom to nagle ta wielkość różniąca te dwa słupki, będzie kolosalna. Co może wpływać właśnie na podejmowanie decyzji biznesowych, że mamy jakiś zauważalny wzrost, a tak naprawdę to by były jakieś ułamki ułamków.

Co jeszcze z takich bardzo ważnych rzeczy?

Na pewno trzeba zwrócić uwagę, aby na każdym wykresie pojawił się tytuł. Jeżeli mamy tytuł, to jesteśmy w stanie przekazać odbiorcy, na czym powinien się skupić. Ciężko jest czytać wykresy, gdy tego tytułu nie ma, bo patrzymy na wykres, są jakieś punkty, są jakieś kropki, słupki albo wykres liniowy i po opisach osi naszego wykresu (o ile one w ogóle tam są) jesteśmy w stanie w jakikolwiek sposób coś wywnioskować. Tytuł jest naprawdę bardzo ważny.

Wspomniałam już, że uważajmy na kolory, nie przesadzajmy z ich ilością i żeby jednak te wykresy miały jakąś wartość. Jeżeli używamy kolorów, to starajmy się, żeby one były kontrastowe. Żeby te kolory były też tak dobrane, żebyśmy wzięli pod uwagę osoby, które widzą kolory inaczej. Ja wiem, że procent osób, które mają problem z odbieraniem barwy, może nie jest jakiś drastyczny, ale gdy możemy zadbać o wizualizację, żeby one też bez problemu mogły te kolory odróżnić bez względu na swoją wadę wzroku, to zadbajmy o to jak najbardziej.

To nie jest trudne. Są nawet takie specjalne aplikacje, do których możemy po prostu wrzucić kolory, które chcemy zaprezentować na wykresie i one pozwalają nam zobaczyć, jak ten wykres będzie wyglądał ze względu na jakiś defekt.

Fajne rzeczy wymieniłaś. Właśnie kolory chciałem poruszyć, bo prowadząc kursy związane z machine learning zauważyłem, że to problem z widzeniem kolorów jest częstszy niż sądziłem. Uświadomiłem sobie, że to nie jest problem abstrakcyjny – on jest tu i teraz. To jest takie ciekawe doświadczenie. Pomijając to, że właśnie mamy etykietki kolorów, to też jest tak, że jak chcemy komunikować do szerszego grona niż 2-3 osoby w swojej rodzinie, to zwykle trzeba wziąć to pod uwagę.

Jeszcze taką fajną rzecz powiedziałaś a propos wykresu z odległościami i kątami. Wykres kołowy według mnie jest w top 3, z tego co widzę. W szczególności jak w telewizji się pokazuje, bo tam to chyba się robi świadomie. Natomiast w firmach też czasem wykorzystuje się wykresy kołowe. Nie wiem, z czego wynika ten fenomen. Czy to na studiach było pokazywane? Jak myślisz, z czego to wynika? Czemu wykres kołowy jest taki popularny?

Myślę, że to jest wpajane w szkole, bo zawsze się te wykresy kołowe rysuje, żeby pokazać, jaki procent tego koła powinien być zamalowany. Ale wydaje mi się, że to także kwestia narzędzi, którymi posługujemy się w pracy. Jak otwieram Excela, to pierwszy wykres, który mi się pokazuje do wyboru, jest wykresem kołowym. Widzę taki wykres, dużo kolorów, oko cieszy, mamy tych kolorów mnóstwo, z kolei na wykresie słupkowym kolor mamy jeden, za to te słupki faktycznie odzwierciedlają wielkości. 

Dlaczego mówię o słupkach i kątach, których lepiej nie używać, ale używajmy np. długości słupków? To nie wzięło się tak po prostu z kosmosu. Są prowadzone badania od kilkudziesięciu lat. Po prostu są robione różnego typu ankiety, pokazywane wykresy osobom, które oceniają, w jaki sposób było im łatwiej te wykresy odczytać. Wylicza się taki błąd, który pokazuje nam, jak ta poprawność wykresu była przez tych użytkowników zauważalna. Najmniejszy błąd w odczytywaniu wykresów jest zawsze w wykresach słupkowych, a te wszystkie wykresy kołowe, punktowe, gdzie np. wielkość punktu jeszcze znaczy jakąś inną zmienną, czyli można powiedzieć, że takie wykresy bąbelkowe albo jakieś takie jeszcze bardziej złożone są coraz trudniejsze do odczytania dla przeciętnego Kowalskiego, który zobaczy ten wykres w telewizji.

Mówiąc o telewizji – tych wykresów się pojawia tam bardzo dużo. Często mamy takie wrażenie, że mają taką wyrwaną historię. To nie jest pełen obraz sytuacji tylko wybieranie poszczególnych danych, tak żeby to wyglądało tak, jak my byśmy chcieli. 

Pamiętajmy o tym, że jeżeli chcemy przekazać jakąś historię, to nie zatajajmy pewnych aspektów, tylko pokazujmy cały obraz, aby faktycznie ten odbiorca mógł sobie sam zdecydować, co z tego wykresu wynika, a nie sugerujmy, jak to powinno być odczytane.

Opowiem Ci taką historię, bo też byłem zainspirowany w swoim czasie takim eksperymentem, że ludzie lepiej odczytują porównania odległości i to robiłem też na swoich kursach. Też był taki ciekawy fenomen, że zawsze jest co najmniej jedna osoba, która wyłamuje się ze standardów, czyli próbuje się wykazać, ale nawet to nie zaburza wyników. 

Zmienię trochę wątek. Z jednej strony, jak teraz rozmawiamy, to czujemy, że wizualizacja jest ważna, ale z drugiej strony, mimo tego, że część firm to robi, dość często to nie wpływa na decyzje. Oferując konsultacje w firmach, z którymi pracuję, często pytam o dashboardy. Jakie decyzje ostatnio podjęli na podstawie tych dashboardów? Odpowiedź często brzmi, że żadne lub prawie żadne.



Nawet jeżeli te wykresy są, to nie są traktowane poważnie. Spróbujmy wymienić 3-5 argumentów, dlaczego wykresy są ważne? Dla wszystkich osób niedowiarków, technicznych i mniej technicznych. Nie chodzi o to, żeby je zrobić i zapomnieć, nie podejmować decyzji, tylko właśnie, żeby one wpływały na decyzje.

Dobrze, ale skoro robią już te wykresy i mają super dashboardy i właśnie tak jak mówisz, nie wyciągają z nich wniosków, to po co w ogóle marnować czas na robienie tych wykresów? To jest też interesujące, bo żeby przygotować taki dashboard, to naprawdę potrzeba czasu, chęci i mobilizacji, żeby to wszystko wyklikać. 

Wykresy umożliwiają nam przede wszystkim to, że nie musimy patrzeć na ogromne tabele danych. Nie musimy tego przeglądać, nie musimy liczyć różnic, średnic, jakichkolwiek innych statystyk, tylko po prostu możemy sobie wyrysować pewne rzeczy i na tzw. pierwszy rzut oka zobaczyć, co w tych danych jest. To jest taka główna wartość wizualizacji. Nie przeglądamy tysiąca arkuszy, wierszy, kolumn w tych zestawieniach, bo kto z nas lubi czytać suche liczby? Ja wiem, że pewnie znajdą się tacy fanatycy, dla których przeglądanie komórek w Excelu jest ulubionym zajęciem, ja do takich nie należę. Dla mnie, jeżeli mogę zwizualizować dane, to po prostu to robię, tabelki są ostatecznością. 

Nie neguję oczywiście wszystkich tabelek, bo jeżeli mamy np. do przedstawienia 3 wartości, to skorzystajmy z tabelki, ale nie róbmy wykresu kołowego o dwóch polach – to totalnie mija się z celem.

Patrząc z perspektywy czasu, z biznesowego punktu widzenia mam wrażenie, że klienci biznesowi dużo lepiej reagują, jak są wykresy kolorowe, estetyczne, niż na tabele. Mimo wszystko jesteśmy wzrokowcami. Dla nas łatwiej jest porównać słupki, ich długości niż dane w tabeli. Wracam do tej tabeli, bo to jest główny aspekt, dlaczego dużo bardziej wolimy wizualizować niż czytać tabele, sprawozdania. Jeden wykres wyraża więcej niż tysiąc słów, o ile wiemy, jak go interpretować.

Przy okazji wybrzmiała metryka sukcesu. Jak robimy wizualizację, to dobry wykres to jest taki, który wzmacnia pewne decyzje. Jeżeli nie ma takiej potrzeby, to prawdopodobnie coś nie tak zrobiliśmy z wykresem. 

Porozmawiajmy też o wykresach w dziedzinie data science, bo pracujesz jako Data Scientist. Spróbujmy połączyć te dwa obszary. Jak wizualizacja może wzmocnić data science?

Myślę, że musimy po prostu przejść przez proces, który każdy Data Scientist pewnie w swoim życiu przechodzi nieraz w pracy. Na początku mamy dane. Następnie musimy przygotować te dane do modelowania. Faktycznie możemy robić agregaty, wyliczać statystyki, ale myślę, że dużo łatwiej jest np. nanieść dwie wartości, zrobić wykres punktowy i tę zależność wyłapać samemu. Czy np. mamy zmienną kategoryczną i zobaczyć, która kategoria jest dominująca? Czyli to jest wstęp do eksploracji danych. Coś, co jest takim pierwszym, kluczowym krokiem przed samym modelowaniem. 

Jak mamy już przygotowane dane, przechodzimy do etapu modelowania. Teraz mamy jakiś super model, nasze wyniki są bardzo wysokie, wszyscy są zadowoleni, że takie dobre osiągamy wyniki. Robimy predykcję i okazuje się, że mimo że na jednej mierze ten model jest bardzo wydajny, to np. inna miara nam mówi, że coś jest nie tak. Coś się w tych danych musiało zadziać. Możemy szukać w wierszach tabeli, gdzie ten duży błąd jest, ale możemy stworzyć wykres wartości prawdziwych versus predykcje z naszego modelu. To będzie widać jak na dłoni, które obserwacje faktycznie odstają, gdzie nasz model np. dał dużo wyższą wartość, niż powinien, a może gdzieś nie doszacował, może mamy jakąś zależność, której wcześniej nie widzieliśmy. 

Tak samo do oceny modeli np. klasyfikacyjnych używamy krzywej ROC. To też jest pewnego rodzaju wykres. Patrzymy na krzywą, która nam określa pole, jak ta krzywa wynika, co z niej możemy odczytać i jaka ta metryka faktycznie jest. 

Następnie przechodzimy od modelowania, od wyników do kolejnej części. Teraz pewnie większość się zastanowi, jaka jest kolejna część. Mamy model, była już walidacja. A tą kolejną częścią jest sprawdzenie, czy ten model faktycznie daje to, co powinien. Tutaj pojawia się Wyjaśnialne Uczenie Maszynowe, czyli wyjaśnialna sztuczna inteligencja (XAI). Jest to dość nowy obszar w Data Science, od kilku lat dość głośno się o tym mówi. Oczywiście ten XAI to zbiór pewnych metod, które pozwalają zajrzeć  do modeli. 

Warto zaznaczyć, że modele możemy podzielić. Mamy np. te interpretowalne, czyli łatwe. Patrzymy na nie i rozumiemy, widzimy, co w nich siedzi. Np. taka regresja – mamy współczynniki, wszystko jest jasne, popatrzymy na współczynniki, ten maleje, ten rośnie i jeśli tutaj coś zmienimy, to wiemy, jak to wpłynie na wynik. Tak samo będzie z drzewem decyzyjnym. Mamy po kolei rozpisane gałęzie w tym drzewie, korzenie, przechodzimy po kolejnych węzłach, otrzymujemy ostateczną odpowiedź.

Ale zazwyczaj te proste modele stosuje się do pewnego czasu. Potem potrzeba modeli, które będą bardziej zaawansowane, lepsze, będą miały lepsze hiperparametry, będziemy mogli je optymalizować. Tu mamy do czynienia z lasami losowymi albo gradient boostingami, czyli wzmacniane boostingi, lasy losowe, sieci neuronowe itd. Ale te modele nie są już dla nas w pełni zrozumiałe. Dokładnie w środku nie wiemy, co się dzieje. Metody Wyjaśnialnego Uczenia Maszynowego pozwalają zajrzeć do takiego skomplikowanego modelu i dzięki pewnym metodom wyłuskać z niego informacje. Oczywiście te wszystkie informacje, które otrzymamy używając tych metod, również mogą być tabelkami (jak ktoś woli tabele, może czytać tabele), ale każdą z tych metod można wyrysować.

Można przyjrzeć się wykresom i zobaczyć, które zmienne wpływają na predykcję modelu albo co się stanie, jeżeli zmienimy np. wiek pacjenta na inny, czy jest jakieś wyższe ryzyko np. na chorobę albo np. rozłożyć predykcję na pewne atrybuty i ważność tych poszczególnych zmiennych dla konkretnej, jednej jednostki. 

XAI jest potężnym narzędziem, które jest tym ostatnim etapem. Jak każdy Data Scientist wie, ten proces się zapętla, czyli jesteśmy w tym momencie na Wyjaśnialnym Uczeniu Maszynowym, ale gdy coś z niego wyłuskamy, to wracamy do eksploracji danych, bo może coś jednak pominęliśmy i może uda nam się zrobić lepszy model. Takie kółko z wizualizacją i machine learningiem myślę, że jest obecne w każdym projekcie Data Scientisty. 

Jaki problem rozwiązujemy przy pomocy XAI?

Pierwszym głównym problemem jest to, że nie rozumiemy tych trudnych modeli. Nie jesteśmy w stanie zrozumieć, dlaczego dla przykładowego Kowalskiego predykcja modelu jest taka, a dla przykładowego Nowaka predykcja jest inna, chociaż mają bardzo zbliżone cechy, które ich opisują. Właśnie ten XAI pomaga zrozumieć te trudne modele, które zazwyczaj są często używane, bo mają lepszą moc predykcyjną i lepsze wyniki niż proste modele. 

Popieram używanie skomplikowanych modeli, bo to daje lepsze wyniki. Czy zrozumienie modeli to oznacza, że mamy tego Jana Kowalskiego, Nowaka i porównujemy te dwa przypadki lokalne i to jest zrozumienie modelu? Czy właśnie, zrozumieć model tak globalnie? To już jest znacznie trudniejsze. Gdzie jest granica, kiedy powiem: „Ok, rozumiem, jak model działa”.

Myślę, że nigdy nie powiemy w 100%, że wiemy, jak model działa, ponieważ jest tak złożony, że to jest zbyt trudne. Ale tak jak właśnie o tym mówisz, czy jesteśmy w stanie powiedzieć na poszczególnych jednostkach, czy globalnie? XAI dzieli się na dwie grupy: metody lokalne i globalne. Istnieją pewne metody, które pozwalają w całości wyjaśnić taki model, czyli wskazać, które zmienne są ważne dla niego albo jak zachowuje się predykcja, gdy zmienimy jedną wartość w tej zmiennej, a wszystkie inne pozostaną takie same.

Możemy po prostu patrzeć na poszczególną jednostkę, jednego klienta, jednego pacjenta, jedno ubezpieczenie, jeden samochód, cokolwiek i popatrzeć dokładniej na tę konkretną jednostkę, jakie atrybuty ona posiada, co wpływa na taką predykcję, a nie inną, a co by się stało, gdyby ten Kowalski zamiast 35 lat miał 45, jakby ta predykcja się zachowywała. Tutaj ten podział jest obecny.

Z ważnością cech przypomniała mi się trochę inna historia. Jak np. mamy Random Forest, tam już jest ważność cech, ale ona sama w sobie jest mega myląca w niektórych przypadkach. Dodając random feature, czyli randomową cechę, ona potrafi czasem skończyć bardzo wysoko przez to właśnie, że jest ciągłą zmienną. To jest też bardzo ciekawa rzecz, na ile trzeba ostrożnie to interpretować.

Tam są różne metody, jak to można robić lepiej. Sama wizualizacja i patrzenie na słupki daje poczucie znacznie lepszego rozumienia, że np. to jest duży słupek, a ten jest pięciokrotnie mniejszy. Wydaje mi się, że całe XAI to jest z jednej strony o tym, żeby zrozumieć,  jak działa model i mieć większą kontrolę nad tym i pewność, ale z drugiej strony XAI byłoby w ogóle niemożliwe, jakby tam nie było wizualizacji. Dobra wizualizacja napędza dobre XAI. Dobrze kombinuję?

Myślę, że w dużej mierze tak. Nawet jak mówisz o słupkach, że widzisz je dla poszczególnych zmiennych i ten jest ileś razy większy niż inne, to właśnie odzwierciedla tę wizualizację, o której mówiliśmy też wcześniej, że jesteśmy w stanie dużo łatwiej odczytać zależności między długościami słupków a wykresami kołowymi. Ja nie widziałam nigdy wykresu kołowego w XAI, zazwyczaj są to słupki, ewentualnie wykres liniowy, gdy mamy zmienne ciągłe.

Więc można użyć tego stwierdzenia, że dobry XAI napędza dobrą wizualizację. Myślę, że też może trochę odwrotnie, bo gdyby nie ta wizualizacja, to byśmy pewnie utonęli w tysiącach tabeli dla poszczególnych obserwacji, a tak jesteśmy w stanie narysować sto krzywych na jednym wykresie i zobaczyć czy któraś odbiega od tego, zamiast porównywać do różnych tabelek. Jak najbardziej jest to ze sobą ściśle połączone. 

Czy według Ciebie to podejście rozumienia modeli przez wizualizację bądź XAI albo też rozumienie problemu jako problemu, który chcemy rozwiązać, już przybiera formę takiego trendu, że wizualizacja jest tam coraz bardziej potrzebna? Czy to nadal jest tak, że niby ludzie wiedzą, że jest wizualizacja, ale za bardzo tego nie używają? 

Wydaje mi się, że coraz więcej zwracamy uwagę na wizualizacje. Nawet na te, które nas otaczają każdego dnia w prasie, w telewizji, w social media. Tych wizualizacji przewija się bardzo dużo i myślę, że z każdym dniem jesteśmy coraz bardziej w stanie zauważyć te dobre aspekty wizualizacji, wyhaczyć coś, co jest złe, co myli nasze postrzeganie pewnych wartości. Można powiedzieć, że wizualizacja coraz bardziej napędza nas wszystkich.

Pewnie młodsze osoby, które zaczynają teraz liceum albo studia, żyją już trochę w świecie wykresów. Tych wykresów naprawdę jest dookoła nas bardzo dużo i bardzo szybko się rozprzestrzeniają, więc te osoby tak naprawdę już będą wyuczone, że wykresy są wokół nas i warto z nich korzystać. 

Rozmawiając ze studentami na zajęciach widzę, że też zauważają dużo więcej rzeczy, niż patrząc z perspektywy swojego czasu, jak to było np. u mnie, kiedy rozpoczynałam swoją karierę w edukacji.

Jakie rzeczy wizualizujesz albo jakie decyzje podejmujesz przy pomocy wizualizacji w pracy?

Muszę się zastanowić, bo ja tych wizualizacji robię naprawdę dużo i mam czasami wrażenie, że chyba za dużo. Po prostu jest to moje podstawowe narzędzie pracy, bo ciągle o tym mówię, co tydzień zawsze o czymś nowym, nawet na zajęciach. Na pewno dużo wizualizacji powstaje przed samym modelowaniem, czyli dostaję dane, bo muszę jakiś problem zbadać i zapoznać się ze zbiorem danych, żeby zobaczyć, co w nim dostaję, jakie to są zmienne, czy są jakieś zależności. Jeszcze jest etap po modelowaniu, żeby zobaczyć, co poszło nie tak, czy jestem w stanie usprawnić dany model, czy może ta predykcja powinna być jeszcze jakoś inaczej zrobiona.

Nieodłącznym etapem mojej pracy jest XAI, ponieważ też jestem specjalistą w tej dziedzinie, od dłuższego czasu się tym zajmuję, więc XAI musi być obecny. Te wszystkie wykresy i wizualizacja z tym związana są na pewno w większej części mojej pracy.

Już nie liczę wykresów stworzonych na zajęciach ze studentami, bo to by pewnie zapełniało pół mojego miesiąca. 

Czy jest możliwość robienia dobrego Data Science bez wizualizacji?

Ja uważam, że nie, ale być może mam takie odczucie przez to, że wizualizacją się zajmuję. Wydaje mi się, że wzrokowcom ciężko jest pracować tylko na liczbach. Łatwiej będzie nam pracować na czymś, co jest obrazkiem, co nam po prostu w szybki sposób da odpowiedź na pytanie. 

Czas na podsumowanie. Wymień 3 najważniejsze rzeczy Twoim zdaniem, na które należy szczególną zwrócić uwagę podczas wizualizacji danych?

Niech historia przedstawiona na wykresie będzie przynajmniej trochę złożona. Niech to nie będą trzy liczby, tylko historia, która wymaga napracowania się i pokazania pewnych aspektów, wartości w sposób, który do odpowiedniego typu zmiennych pasuje. To jednocześnie wiąże się z tym, żebyśmy używali odpowiednich wykresów do różnych typów danych. Nie wszystkie wykresy pasują do wszystkich typów i warto o tym pamiętać.

Nie używajmy wykresów kołowych. Będę powtarzać to pewnie w kółko i w kółko, ale naprawdę odbiorcy naszego wykresu będzie dużo trudniej podjąć jakiekolwiek decyzje na podstawie takiego wykresu.

Zwracajmy uwagę na to, jak te wykresy wyglądają. Nie mówię o aspektach typowo estetycznych tylko o to, żeby np. gdy mamy wykres słupkowy i naszą oś Y, to żeby wartości na osi Y zgadzały się z tym, co mamy na słupkach. Nieraz spotykam takie wykresy, że oś swoją drogą, a na słupkach są zupełnie inne wartości. Wtedy zadaję sobie pytanie, czy czytać słupki z tej osi czy liczby na słupkach. Starajmy się dopracowywać elementy wykresów tak, żeby one w całości tworzyły przede wszystkim historie, ale były zrozumiałe dla naszego odbiorcy. Żebyśmy go nie wprowadzali przypadkiem w błąd w żadnym elemencie tego wykresu.

Więc tak, pierwszy punkt był na temat historii, drugi punkt to kołowe wykresy i trzecia rzecz – róbmy spójne i jednoznaczne wykresy. Ale jeszcze jedna rzecz mi przyszła do głowy. Co myślisz o wykresach, w których mamy dwie osie Y i one mówią o różnych rzeczach?

Totalnie nie. Ja wiem, że w niektórych sektorach pracy, czy to w finansach, czy ubezpieczeniach, jesteśmy przyzwyczajeni do tych dwóch osi i może to ułatwia faktycznie czytanie pewnych aspektów, ale przeciętny Kowalski może mieć z tym problem. Jeżeli chcemy do szerszego grona odbiorców dotrzeć z takim wykresem, to nie róbmy dwóch różnych osi, skupmy się na jednej, zróbmy drugi wykres obok i niech ta osoba sobie na spokojnie porówna wyniki z tych dwóch, a nie stosujmy dwóch osi, które zaburzają cały odbiór tego wykresu.

Teraz mamy taki moment na kreatywność, a mianowicie zadajmy naszym czytelnikom zadanie domowe, które pokłóci ich myślenie i zmotywuje do działania, bo to jest najlepszy sposób, aby tę wiedzę utrwalić. Oczywiście w kontekście wizualizacji. Jakie zadanie domowe damy naszym czytelnikom?

Damy takie zadanie, które często się pojawia na moich zajęciach i moi studenci też takie zadania otrzymują. Znajdź z ostatnich dwóch tygodni, czy to w prasie, telewizji czy jakichkolwiek mediach społecznościowych, czy jakichś portalach internetowych, wykres, który nie do końca jest poprawny i zastanów się, co należałoby zrobić, żeby ten wykres nie był porażką, a zmienić tak, żeby był faktycznie dużo lepszy, czytelniejszy i żeby spełniał te wszystkie aspekty, które dobry wykres powinien mieć.

Super, bardzo fajne zadanie. Będziemy czekać na informacje zwrotne. Już na sam koniec spróbujmy dokonać pewnej predykcji. Jak Twoim zdaniem będzie wyglądała dziedzina machine learning, data science za 5 lat? Co z tego mogą mieć końcowy użytkownicy, czyli klienci? W jakich ramach produktów najbardziej ML może to wszystko wspierać? 

Myślę, że to dość trudne pytanie. Nie wiem, co będzie w przyszłym roku, a co dopiero za 5 lat. Patrząc na to, jak np. rozwija się Wyjaśnialne Uczenie Maszynowe i jak coraz częściej jest używane, możemy spodziewać się jeszcze większego wykorzystania.

Chodzi mi tutaj też o taki poboczny wątek Wyjaśnialnego Uczenia Maszynowego, czyli uczciwość modeli, tzw. Fairness. Jest to też temat, który ostatnio jest często poruszany, którym też mój zespół się tym zajmuje. Tak naprawdę wydaje mi się, że to pójdzie w tym kierunku. Ponieważ są pewne regulacje nakładane przez nas – czy to przez jakieś instytucje, czy nawet przez firmy. U mnie np. z doświadczenia pracy przy ubezpieczeniach, tu mamy Komisję Nadzoru Finansowego, która mówi, co można, a co nie można. W tym momencie są pewne ograniczenia, które nie pozwalają na wykorzystanie lepszych modeli, które mają większą moc predykcyjną. 

Może faktycznie, dzięki tym narzędziom, które się jeszcze bardziej rozwiną względem tego co mamy teraz, uda się Wyjaśnialne Uczenie Maszynowe jakoś zaaplikować jeszcze bardziej do biznesu. 

A z perspektywy machine learningu?

Mam nadzieję i wierzę w to, że powstaną pewne modele, może nowe algorytmy, które jeszcze bardziej będą uważały właśnie na tę uczciwość. Nieraz słyszymy o takich przypadkach, zazwyczaj w prasie zagranicznej, że jakiś model dyskryminuje pewną część klientów, np. jakiejś instytucji. Liczę, że będziemy na to po prostu bardziej zwracać uwagę i może faktycznie regulacje, o których już wspomniałam, pomogą z tym walczyć.

Mam nadzieję, że za te 5-10 lat już nie będziemy używać wykresów kołowych. 

Dzięki wielkie Aniu za dzisiejszą rozmowę. Można byłoby ją ciągnąć przez kilka różnych wątków, w szczególności w kierunku XAI, ale to będzie poruszone osobno. Dziękuję wielkie za podzielenie się wiedzą i życzę, aby udało się zrobić wiele fajnych wykresów i żebyś jak najmniej widziała w swoim życiu wykresów kołowych.

Super, bardzo dziękuję.

========

Czy wizualizacja Cię przekonuje? Czy myślisz, że dobra wizualizacja może zmienić świat na lepszy? Co myślisz o wykresach kołowych? Czy też już ich nie lubisz i jak często się z nimi spotykasz?

Wracając do zadania domowego od Ani. Wbrew pozorom to nie zabierze aż tak dużo czasu. Obserwuj świat, który Cię otacza. Jeżeli oglądasz telewizję, to zwróć uwagę, czy są tam wykresy. Spróbuj zanotować, czemu ten wykres jest zły, na podstawie chociażby tej informacji, która dzisiaj wybrzmiała. Podziel się też swoimi spostrzeżeniami – zachęcam do sekcji komentarzy czy kontaktu mailowego.

Podziel się przynajmniej z jedną osobą tym artykułem. Dzięki temu ja będę wiedzieć, że docieramy do właściwych ludzi we właściwy sposób, a też przy okazji będę czuć, że warto kontynuować to, co robię. 

Artykuł Wizualizacja danych pochodzi z serwisu Biznes Myśli.