Podcast

Czy Twoja firma jest gotowa na ML?

Jako DataWorkshop, którego jestem założycielem oraz prezesem, pomagamy firmom używać uczenia maszynowego we właściwy sposób. W praktyce oznacza to, że najpierw znajdujemy właściwy problem do rozwiązania, badamy, czy warto go rozwiązywać przy pomocy uczenia maszynowego robiąc prototypy i jeśli warto, to przygotowujemy rozwiązanie, a następnie wdrażamy je na produkcję. Naszą rolą jest przeprowadzić firmę za rękę od punktu A do punktu B, gdzie punktem startu jest moment narodzin pomysłu (jeszcze bez szczegółów technicznych), a końcem drogi jest wdrożenie rozwiązania na produkcję. To co wydarza się pomiędzy zawiera wiele pragmatycznych kroków, które umożliwiają przejść tę ścieżkę w efektywny sposób. Generalnie to działa.  

Natomiast coraz częściej pojawia się rosnąca potrzeba działania znacznie szerszego niż jedynie rozwiązanie “punktowe”, które zostało opisane powyżej. W praktyce oznacza to, że zamiast jedynie rozwiązać konkretny problem X czy Y, warto zmienić także myślenie organizacji  i sprawić, aby myślenie o uczeniu maszynowym jako potencjale rozwiązań wielu problemów zostało wszczepione w DNA firmy. W praktyce to oznacza, że pracownicy danej firmy myśląc o problemach i rozwiązaniach, powinni przepuszczać swoje pomysły przez filtr “czy uczenie maszynowe może być pomocne w tym przypadku”.

Jak można się domyślić taki proces, czyli  swego rodzaju transformacja myślenia jest czasochłonny, trudny i bywa dość bolesny. Stąd pojawia się pytanie:  po co w takim razie przez to przechodzić? No właśnie to jest najważniejsze pytanie, od którego warto zacząć: “po co?”. Można odpowiedzieć na nie na co najmniej dwa sposoby. Powód pierwszy jest krótkoterminowy: dzięki takiej transformacji Twoja firma będzie w stanie otrzymać dodatkową wartość, np. osiągając cele szybciej, więcej, lepiej, taniej (lub kombinacja tego, a nawet wszystko naraz). Drugi powód jest jednak ważniejszy, to powód strategiczny: twoja firma będzie miała szansę przetrwać w perspektywie 5-10 lat. 

Żyjemy w czasach, kiedy świat zmienia się szybciej niż myślisz. Możesz wrócić  do tego odcinka za 5 lub bardziej za 10 lat i sprawdzić TOP10 czy TOP50 firm, które osiągają największe obroty. Następnie sprawdź, na ile zaawansowane mają wdrożone rozwiązania uczenia maszynowego.  Ciekawostka jest taka, że możemy być również zaskoczeni firmami, które dopiero teraz się rodzą i dzięki temu, że mają szansę robić rzeczy szybciej, lepiej itd. mogą w małym zespole przeskoczyć duże korporacje. Innymi słowy transformacja Twojej firmy w kierunku ML może być kluczową decyzją w walce o przetrwanie firmy na dłuższą metę (mówimy np. o okresie 5-10 latach).

Podam Ci kilka przykładów, kiedy firmy z lidera branży w krótkim czasie straciły swoją pozycję. Klasyczna historia to losy firmy Kodak, która przegapiła okres cyfrówek i dość szybko firma straciła swoją wartość i pozycję lidera branży.  

Kolejna historia dotyczy Nokii. Pamiętam te czasy, kiedy Nokia była najciekawszym rozwiązaniem na rynku i liderem w świecie komórek, ale też stracili swoją pozycję, ponieważ przegapili trendy.  Podobna historia miała miejsce z BlackBerry. iPhone w tym wypadku wygrał.

Równie ciekawe rzeczy wydarzają się później. Wszyscy niby już wiedzą, że warto uważać i bacznie obserwować trendy, ale jednak w praktyce nie zawsze to wychodzi. iPhone wygryzł z pozycji lidera wiele branż. Praktycznie nie używa się już osobnych przenośnych playerów do muzyki, raczej telefon zdominował rynek w tej branży i stał się także podstawowym przenośnym źródłem muzyki, coraz mniej osób sięga także po aparaty cyfrowe, bo podstawowe potrzeby rejestrowania otaczającego świata także spełnia smartphone. 

Podam Ci przykład, czy wiesz że liczba zdjęć wykonanych aparatem cyfrowym w roku 2017 jest znacząco mniejsza niż w roku 2010? Około 121 milionów zdjęć wykonanych cyfrówką mamy w roku 2010, natomiast jedynie 25 milionów już 7 lat później.

Warto popatrzeć na to z drugiej strony. W roku 2017 ponad 85% zdjęć jest wykonana na smartphone (niekoniecznie iPhone). Pewnie jak zadam Ci pytanie, czy jesteś w tych 85% procentach, to z dużym prawdopodobieństwem tak jest (no chyba, że uwielbiasz robić zdjęcia cyfrówką lub zajmujesz się tym zawodowo lub masz wielką pasją do samego kunsztu robienia zdjęć).

Nawet już filmy są kręcone  iPhone, które w jakości są całkiem dobre. Oczywiście Apple i inne firmy coraz większy wysiłek wkładają w to, aby jakość zdjęć była coraz lepsza. Spójrz, chociażby na rok 2019 i zmiany, które się pojawiły w iPhone – jeszcze większy wkład w to, aby jakość rejestrowanego obrazu była lepsza. Główne zapowiadane zmiany i rewolucje w ofertach dotyczą zwykle lepszych aparatów, większej ilości kamer itp. To samo robią też konkurenci na rynku. Jednym słowem branża fotograficzna już została przejęta przez smartphony, jedynie teraz toczy się walka pomiędzy gigantami w tej branży.

Jako ciekawostkę dodam, że istnieje (od 2007 roku) nawet prestiżowy, międzynarodowy, konkurs fotograficzny na najlepsze zdjęcia wykonane przy użyciu iPhone – iPhone Photography Awards (IPPAWARDS), stworzony na wzór innych znanych konkursów fotografii. Galeria zwycięzców jest imponująca, a sam fakt istnienia takiego konkursu jest znów potwierdzeniem tego, że iPhone stopniowo “wygryza” konkurencję i próbuje zdobyć  serca także miłośników fotografii “wysokich lotów”, a nie tylko bezmyślnego rejestrowania tego, co wokół. Można by jeszcze długo rozważać na temat strategii i przemyśleń tej firmy dotyczących innowacji, ale wróćmy do głównego wątku 🙂 

Mam nadzieję, że te przykłady udowodniły Ci, że wspomniane zmiany następują na naszych oczach i firma, która dzisiaj jest liderem za 5-10 lat totalnie może stracić udział w rynku. Spójrz, chociażby na dynamikę TOP 20 firm w ciągu ostatnich 20 lat. Wszystkie firmy będące w  TOP 5 z roku 1998 lub nawet 2003 wypadły z gry (pomijając Google, który w roku 2003 załapał się na piąte miejsce i potem już tylko rósł).

Dzieją się rzeczy i to dość szybko. Wróćmy do transformacji firmy w kierunku adaptacji do wdrażania rozwiązań uczenia maszynowego. Podam Ci przykłady, żeby to było bardziej namacalne. Na ten moment, jako DataWorkshop rozpoczynamy taki proces dla kilku firm. Firmy są zróżnicowane pod kątem branży i wielkości, zaczynając do startupu, a na korporacjach kończąc. Jeśli chodzi o startup, o którym mowa, to na pewno będzie Ci znany i raczej korzystasz z jego usług (co najmniej kilka razy na rok), natomiast jeśli chodzi o korporacje to raczej ich nie znasz jako brand (ale w pewien sposób te firmy wpływają na Twoje życie, jedna z takich korporacji zajmuje się logistyką na dużą skalę).

Zwykle potrzeba firmy brzmi tak: “pomóżcie nam stać się firmą, która zacznie w sposób naturalny używać uczenia maszynowego rozwiązując bieżące problemy”. Innymi słowy zamiast za każdym razem zapraszać firmę z zewnątrz, która rozwiąże pojedynczy problem od A do Z (oderwany od całego kontekstu), pomóżcie nam przejść do stanu, kiedy my jako firma będziemy mogli w tym lepiej się odnaleźć, generować pomysły przypadków użycia ML i ewentualnie prosić o pomoc w konkretnych rozwiązaniach, gdzie potrzebna jest większa wiedza ekspercka. Odwraca się kolejność i firma staje się bardziej świadoma swoich potrzeb (jedynie czasem tylko brakuje jej wiedzy eksperckiej, jak te rozwiązania wykonać w praktyce). 

I to oczywiście jak najbardziej brzmi sensowne, bo ludzie, którzy pracują w firmie, najlepiej rozumieją potrzeby tej firmy, dlatego jeśli oni “złapią” sposób myślenia, gdzie można zastosować ML, to będą pomysłodawcami nowych rozwiązań bieżących problemów i też (co jest bardzo ważne z punktu widzenia psychologii) będą ewangelistami tych rozwiązań i będą dążyć do tego, aby je faktycznie wdrożyć. Osobiście przekonałem się o tym empiryczne, ale są też badania na temat dotyczący tego, kiedy motywacja pracowników wzrasta. Jeśli pomysły na zmiany w organizacji wychodzą od pracowników to jest to bardzo dobry sygnał, że takie zmiany faktycznie mogą się udać (bo człowiek przywiązuje się emocjonalnie do tych rozwiązań i czuje wewnętrzną potrzebę, żeby je dowieźć).

Przygotowałem dla Ciebie omówienie 5 problemów, które mogą Cię spotkać, jeśli zdecydujesz się rozpocząć proces zaszczepienia ML w DNA Twojej firmy. Tak naprawdę problemów jest znacznie więcej, natomiast to jest pewna praktyczna esencja, która z dużym prawdopodobieństwem może Cię spotkać. Jeśli poznasz te problemy, będziesz w stanie lepiej przygotować się już na wstępie i tym samym zwiększysz prawdopodobieństwo, że Ci się uda przez nie przejść. Oczywiście możesz powiedzieć: “Fajnie, że mówisz o problemach, ale jak je rozwiązać?”. Tutaj oczywiście wszystko jest  trudniejsze, bo to zawsze od czegoś zależy. Ciężko generalizować mówiąc o rozwiązaniach, bo są różne w zależności od organizacji i jej unikalnych problemów. Rozwiązania dla małych i dużych firm mogą wyglądać zupełnie inaczej. Po prostu nie ma jednego leku na wszystkie bolączki, ale postaram się zainspirować Cię i dać wskazówki, jak możesz do tego podejść. Jeśli potrafisz adaptować zasłyszane historie do swojego kontekstu, to może zadziałać również u Ciebie. Zaczynamy! 

Problem #1: Nieporozumienie

Pierwszy i największy problem, który powtarza się w firmach małych oraz dużych to pytanie, które dosłownie maluje się na twarzach większości osób “ ale o co chodzi?”. Działa to mniej więcej tak. W każdej firmie zwykle jest osoba, która próbuje być na bieżąco z technologiami, np. słucha podcast BiznesMyśli lub przerabia online kurs “Praktyczne uczenie maszynowe od podstaw” lub w dowolny inny sposób czerpie aktualną wiedzę o świecie nowych technologii i innowacji np. związanej z uczeniem maszynowym. W pewnym momencie łapie się za głowę i mówi sobie: czemu u nas w firmie nie ma uczenia maszynowego? No właśnie, czemu? 🙂 

Dalej zwykle to działa tak, że ten człowiek idzie do swojego przełożonego, product ownera, prezesa czy innej osoby decyzyjnej i mówi: “Słuchaj taka sprawa! Nie mamy wdrożonego ML i na tym możemy dużo stracić. Vladimir mówi, że nasza firma za X lat może nawet przegrać z konkurencją mimo tego, że dziś jesteśmy bezkonkurencyjni, to może zacznijmy coś z tym robić.” To jest moment, kiedy zaczyna się rodzić więcej pytań niż odpowiedzi, ale wstępnie pojawia się decyzja… No dobrze spróbujmy zbadać, co to jest za zwierzę “uczenie maszynowe”.

Następnie do DataWorkshop jest wysłane zaproszenie na spotkanie. Celem jest  próba znalezienia odpowiedzi na szereg pytań, na czym polega ML w praktyce. Takie spotkanie może być online lub na żywo, w tej chwili już to jest mniej istotne (chociaż na żywo jest lepiej, bo można znacznie lepiej wyczuć różne konteksty, które są istotne). Na spotkanie przychodzą ludzie z różnych działów i tutaj właśnie zaczynają się największe nieporozumienia. Zwykle większość osoby (oprócz osoby, która była inicjatorem) podchodzi do tego spotkania z dużymi obawami i nastawieniem, że “ktoś” zabiera im czas. O czasie powiem jako o kolejnym problemie (zasługuje na omówienie  w szerszym kontekście). Natomiast ważne jest to, że jeśli większość osób w firmie czuje, że wdrożenie ML to jest “zabawa”, która tylko marnuje czas, to rozpoczęcie efektywnej współpracy w tym przypadku jest bardzo ciężkie. 

Jak można to próbować rozwiązać? Różnie to bywa, ale jedną z rzeczy, którą wymyśliliśmy, to rozpisanie dokładniej tego, jak można zmotywować większość decyzyjnych osób, aby zmienili swoje nastawienie. Dość często w wyniku pojawia się tabelka, w której jest napisane imię, rola, codzienne obowiązki oraz co powinno się stać, aby ten człowiek zainteresował się ML. Żeby to zrobić porządnie, zwykle to wymaga indywidualnego podejścia i spotkania 1×1. Faktem jest to, że czym większa firma, tym trudniej jest przebić się i złapać czyjąś uwagę! Rzeczy, które w małej firmie da się zrobić w jeden dzień, w dużej firmie mogą spokojnie zająć tydzień czy nawet miesiąc. 

Problem #2: Brak czasu

Zwykła organizacja pracy w firmie wygląda tak, że pracy do wykonania jest znacznie więcej niż ludzi, którzy mogą ją wykonać. Dlatego przeciętny pracownik jest zwykle w biegu, kiedy próbuje rozwiązać, jak najlepiej dany problem, który ma aktualnie przed swoimi oczami. Stąd właśnie biorą się anegdotki i memy z pracownikami z placu budowy, którzy latają tam i z powrotem z pustą taczką, bo nie mają czasu, aby  ją załadować.

Złapanie uwagi ludzi, którzy działają w takim trybie jest bardzo trudne. Tym bardziej że tutaj nakłada się wiele czynników, takich jak potrzeba zmiany myślenia lub uświadomienie sobie i pogodzenie się z tym, że ML to projekty R&D z dużym stopniem niepewności oraz ryzyka. 

Dokąd prowadzi ten stan? Pracownik próbuje znaleźć jak najszybciej ścieżkę myślenia i argumenty, kiedy może wykazać, że generalnie ML nie działa i dajcie mi spokój! Teraz w żaden sposób nie próbuje krytykować ludzi, którzy tak myślą, ponieważ to jest dość naturalne i powszechnie spotykane, można rzec, że to już szablonowe myślenie. Mam dużo pracy i wiem, że muszę wybierać najbardziej pewne sprawy,  bo będą za to rozliczony. Pojawia się naturalne pytanie: po co mam angażować się w coś, co jest mniej pewne, może pochłonąć moją uwagę i na koniec miesiąca spadnie moja efektywność w porównaniu do tego, co robię teraz? Decyzja może być także mniej świadoma, a reakcja sugerować odpowiedź: “po prostu nie wiem o co chodzi, więc odczep się ode mnie”.

Znalezienie rozwiązania w tym przypadku polega na tym, aby uświadomić sobie, jak można “pożenić” obecnie istniejący proces biznesowy z wprowadzeniem innowacji. Czasem to może być przeprowadzenie praktycznego warsztatu, wdrożenie jednego dnia w tygodniu na innowacje (swoją drogą Microsoft obecnie eksperymentuje z wprowadzeniem 4 dni w tygodniu na codzienne obowiązki, oczywiście to robi na małą skalę), być może zrobienie hackathonu lub coś innego. Głównym pomysłem na to, jest oderwanie ludzi od codziennych obowiązków i danie im możliwości popatrzenia na sprawy bieżące z innej strony. Dać im zobaczyć, że biegają (lub za chwilę będą biegać) z “pustą taczką”.

Problem #3: Zacząć myśleć (inaczej)

Uczenie maszynowe bez żadnej wątpliwości jest działką intelektualną. W praktyce to oznacza, że wymaga myślenia. Tanie tricki, kiedy mówi się, że wrzucasz dane do “pudła” i dostajesz super model są bardziej hasłem marketingowym niż rzeczywistością. 

Teraz chodzi o coś innego niż stwierdzenie, że zwykły pracownik jest głupi. Chodzi o to, jak działa mózg człowieka. Nasz mózg zwykle tak kombinuje, żeby być efektywnym z punktu widzenia zarządzania energią. Myślenie wymaga dużych nakładów energii. W praktyce to oznacza, że mózgowi opłaca się lepiej ”chodzić” tymi samymi ścieżkami co zwykle  niż wynajdować nowe, bo wtedy, w tym drugim przypadku, zużywa mniejszą ilość energii.

Na przykład możesz tego doświadczyć wtedy, kiedy  musisz zrobić coś trudniejszego. Wtedy zwykle Twój mózg próbuje udawać, że warto zająć się czymś innym, niby równie ważnym. Na przykład odpowiedzieć na mało ważne maile, które spokojnie mogłyby poczekać kolejnych kilka godzin lub więcej. Czasem też zaczynamy sprzątać lub grzebać w papierach, nawet zapominając o tym, czego tam szukamy, ale jest poczucie, że coś robimy, więc jesteśmy “zajęci”.

Wracając do tematu… Uczenie maszynowe będzie wymagało tego, aby zacząć myśleć inaczej. To wymaga świadomej akceptacji, że mózg  będzie musiał poświęcić więcej energii, więc ostatecznie osoby, które będą zaangażowane w ten proces, mają być tego świadome. To oznacza, że powinna być silna motywacja do tego, aby tę energię zainwestować w ten proces.

Jako rozwiązania tego problemu można spróbować metody nagradzania (niekoniecznie pieniężnego). Taką nagrodą może być wyróżnienie, że zespół X odważył się użyć ML, czasem to może być poczucie sensu, czyli pracownik widzi, że to faktycznie pomaga innym itd. Natomiast ważne z tego punktu widzenia jest to, żeby być świadomym tego, że zmiana myślenia u  ludzi jest konieczna, aby zacząć stosować ML i świadomość, że to może być trudne, bo mózg człowieka (przynajmniej w trybie domyślnym) zrobi wszystko, aby pójść na skróty i od razu zanegować to, że ML działa.

Problem #4: ML to R&D

Projekty uczenia maszynowego są tak zwanymi projektami R&D (ang. research and development), czyli badawczo-rozwojowymi. W praktyce to oznacza, że jest dużo czynników niepewnych oraz dość wysokie ryzyko, że coś może pójść nie tak. Na tym właśnie polega badania, że nie wiesz, jak rozwiązać problem, ale próbujesz to zrobić na różne sposoby. Też może być tak, że trzeba odnieść 1, 2, 5 czy 9 porażek, żeby ostatecznie znaleźć przypadek, który faktycznie działa. 

Bardzo łatwo jest powiedzieć: “dobra, skoro tutaj trzeba odnosić porażkę, to po co mam się męczyć, lepiej będę dalej grzebać się w swojej sprawdzonej piaskownicy”. To już temat dotyczący innowacji. Innowacja to jest w pewnym sensie synonim życia. Życie zawsze biegnie do przodu, jeśli coś się zatrzymało, to oznacza tylko jedno, że to umiera i to dotyczy wszystkiego. Podam Ci najpierw przykład z innej beczki. Spróbuj zbadać (obserwując swoje otoczenie), jak często starsza osoba, która przeszła na emeryturę, zatrzymała się (ograniczyła ruch i rozwój),  bo nic już nie musi. Jak długo taka osoba żyła? W przypadku jeśli są wnuki lub inne zajęcia, to wtedy jest ruch i motywacja by działać dalej. Jeśli tego nie ma, to człowiek zwykle szybko traci energię życiową.

Ruch jest życiem. Jeśli zatrzymasz się to wpadasz w inną skrajność. Wszystko dookoła nas ma swoje rytmy i jest w ruchu. Wróćmy do innowacji. Innowacje były zawsze, jedynie co zmieniło się, to odstępy w czasie. Wcześniej potrzebowaliśmy stulecia, żeby pojawiło się coś znacznie innego niż było przed tym (np. wynalezienie prądu). Teraz żyjemy w czasach, kiedy takie zmiany dzieją się znacznie szybciej i co ciekawe te rytmy stają coraz krótsze. Innymi słowy, w trakcie naszego życia doświadczymy co najmniej raz lub nawet kilka razy transformacji, kiedy świat zaczyna funkcjonować na innych regułach (niż to było wcześniej).

Skoro innowacje to jest proces nieunikniony, to należy zdobyć umiejętność, która umożliwia poruszać się z projektami R&D. Podkreślam, że to jest umiejętność. Część osób, jak to zwykle bywa, ma to od urodzenia, bo lubi eksperymentować, ale jednak da się też tę umiejętność zdobyć (po prostu ucząc się).

Pomijając szczegóły, dodam, że ta umiejętność polega na tym, żeby umieć poruszać się do przodu i traktować porażki jako wiedzę, której brakowało. Podam przykład, który pewnie kojarzysz. Thomas Edison odkrył żarówkę po ponad 10 000 nieudanych próbach, ale faktem jest, że do tego czasu odkrył tysiące powodów, dlaczego to nie działało. Skoro nie wiesz, co działa, to zacznij eliminować przypadki, które nie działają.

Rozwiązanie, które może być pomocne, jest takie, żeby zacząć zmieniać kulturę i motywować pracowników do eksperymentów oraz rozsądnie traktować porażki. Chociaż tutaj warto uważać! Na własne oczy widziałem, kiedy ludzie w korporacji zaczynają popełniać błędy tylko po to,  żeby je popełnić, czyli Fail Fast. I potem ze zdziwieniem pytają, ale w czym jest problem? Próbuje popełnić błędy tak szybko jak tylko potrafię!  Zdrowy rozsądek jest konieczny, również w tym przypadku.

Problem #5: Konkurencja (wewnętrzna)

Im dłużej firma istnieje na rynku, tym bardziej jest podatna na to, że pojawią się pewne grupy ludzi, którzy adaptują reguły gry po swojemu. W pewnym momencie, w szczególności to dotyczy osób starszych (co jest naturalne), wchodzi w fazę, kiedy firma staje się bardzo konserwatywna, bo należy zachować to, co już jest. To jest stan, kiedy zwykły człowiek po 40-ce myśli: “ok… już zrobiłem pewne rzeczy w swoim życiu, teraz mam skupić się tylko na tym, jak utrzymać pozycję,  na której jestem”. 

Zaczynając rozmowę o ML wchodzimy w obszary, które przedtem w pewnym sensie były zamknięte na zmiany. Zaczyna rosnąć napięcie związane z potencjałem zmiany  i ten problem ciężko jest rozwiązać z zewnątrz, to już jest problem wewnętrzny.

Dodam też, że czasem to napięcie tworzy się z innych powodów niż tylko z tego, że osoba jest starsza i nie chce zmian. Są przypadki, kiedy chodzi o zwykłą psychologię ludzi. Jest ktoś, kto bardzo poświęcił się pracy i robił pewne rozwiązanie X. To rozwiązanie działa i ten człowiek (wraz ze swoim zespołem) poświęcił dużo energii życiowej na to, żeby je wyprodukować. Teraz przychodzi ktoś z zewnątrz i mówi, że zabierze jego dziecko. To jest bardzo smutna wiadomość. Jak najbardziej te emocje da się zrozumieć. Krążą wtedy w głowie takiej osoby myśli: “Jak to zabierze? Przecież tak dużo czasu poświęciłam/em na wychowanie tego technologicznego dziecka”.

Dobra wiadomość jest taka, że dość często ta reakcja odrzucenia innych pomysłów  jest emocjonalna i mało świadoma. Jak zaczynasz o tym na spokojnie rozmawiać 1×1 to napięcie spada i ten człowiek staje się sojusznikiem. Pamiętam, jak pracowałem jako programista. Bardzo ciężko mi było odseparować się od mojego kodu. Dość często, jak ktoś chciał usunąć kawałek mojego kodu, to traktowałem to jak obrazę. Jak to usunąć? Tyle pracowałem nad tym! Jednak z czasem zaczynasz rozumieć, że kod sam w sobie jest małą wartością. Wartością jest to, jaki problem rozwiązujemy. Jeśli dzięki pierwszej próbie (mniej udanego kodu), udało się lepiej rozpoznać realne potrzeby użytkownika, to bardzo dobrze. Jeśli czasem opłaca się pewne kawałki kodu usnąć, to jest to normalnie, bo już spełniły swoją rolę i osoba, która go wytworzyła pomaga lepiej zrozumieć, jak trzeba wykonać kolejny krok. 

Można o tym powiedzieć w ten sposób, że tworzenie oprogramowania (w szczególności projektów związanych z uczeniem maszynowym) to jest gra zespołowa. Idealnie byłoby  wiedzieć od razu, jak należało coś zrobić i co sprawdziłoby się najlepiej, ale życie zwykle nas zaskakuje. To co wydawało się ważne, jest nieważne i na odwrót. Poznać to możemy tylko wtedy, kiedy weryfikujemy w praktyce i wtedy wyciągamy właściwe wnioski.

Inne problemy

Są też inne problemy takie jak zawyżone oczekiwania i myślenie,  że uczenie maszynowe to magia, a osoby, które to robią, to magicy. Wystarczy tylko mieć srebrną kulę i już się dzieją rzeczy. Kolejne problemy związane są ze sferą techniczną, czyli brak odpowiedniej architektury, która umożliwia realizować projekty uczenia maszynowego. Już odcinek staje się za długi, więc może przy innej okazji rozwinę ten wątek dokładniej.  

Chciałem zakończyć ten odcinek pokazując na własnym przykładzie, jak to może się potoczyć dalej. Transformacja firmy w kierunku wdrożenia rozwiązań opartych na uczeniu maszynowym mało tego, że jest czasochłonna, to również jak łatwo można się domyślić  jest dość kosztownym procesom. Mówiąc wprost, żeby to wdrożyć należy podejść do tematu jak do inwestycji. Dobrze jest wtedy, kiedy firma ma wewnętrzne środki i może je zainwestować, ale również są inne opcje.

Obecnie na rok 2019 jest szereg programów w ramach NCBR, które wspierają innowacje w biznesach, w szczególności związanych z uczeniem maszynowym. Część programów jest tak skonstruowana, żeby faktycznie umożliwić zaangażować się w projekty badawcze. Obiecałem opowiedzieć z mojego doświadczenia jak to było. W obu firmach najpierw było tworzone rozwiązanie konkretnego problemu (czyli można to nazwać rozwiązaniem punktowym), następnie firmy zauważyły, że faktycznie to działa i warto pozyskać środki na dalszy rozwój. Kolejnym krokiem było złożenia wniosku do NCBR i obronienie pomysłu i już teraz powstają laby, w które będę zaangażowany. W jednym przypadku na ⅕ etatu (to akurat wyjątkowa sprawa, bo raczej teraz nie rozważam pracy na etat),  w drugim przypadku relacja B2B, czyli jako DataWorkshop, która w tej chwili rośnie i składa się z więcej niż tylko jednoosobowego zespołu, czyli mnie :). Takie projekty zwykle trwają np. przez 2 lata. To są dość duże środki, które umożliwiają naprawdę skupić się na wdrażaniu praktyk ML kompleksowo, a nie jedynie na rozwiązaniu konkretnego problemu

Jest jeszcze kilka innych firm, które dopiero dojrzewają (lub zamierzają podejść do tego tematu) i pewnie też będziemy jako DataWorkshop je wspierać. Tu przy okazji od razu powiem, że nie znam się na tym, jak składać wniosek i jak najlepiej ogarnąć wszystkie formalności związane z projektami  NCBR. Dobra wiadomość jest taka, że są firmy, które robią to dobrze i to lubią (bo to też jest ważne).

Podsumujmy

Zaszczepienie w Twojej firmie myślenia o efektywnym wykorzystaniu uczenia maszynowego w pewnym momencie może stać się kwestią kluczową w sprawie,  czy firma przetrwa (oczywiście nie myśl o tym ze strony obaw, bo nie o to chodzi, raczej rozważ na spokojnie pewne fakty, które nas otaczają). Zmiany w firmach to jest proces długotrwały, teraz warto przynajmniej rozważyć, czy przypadkiem nie nastąpił ten czas, kiedy warto tym tematem się zająć. Obecnie w Polsce są dość sprzyjające programy, chociażby wspomniany NCBR, które wspierają tworzenie innowacyjnych rozwiązań.  

Aby transformacja przebiegała efektywnie, postaraj się z wyprzedzeniem rozpisać, jakie problemy mogą się pojawić (część z nich już wymieniłem w tym odcinku) i przygotuj się do tego, jak najlepiej je można rozwiązać. Większość problemów ma charakter bardziej miękki niż twardy. Przede wszystkim chodzi o ludzi i to jak my (czyli ludzie) funkcjonujemy. Nie warto traktować tego w kategoriach, że ktoś jest zły, tylko warto zrozumieć, dlaczego ten człowiek myśli w taki sposób i co może zmienić jego nastawienia (w większości przypadków to pomaga). Jeśli uda Ci się znaleźć kluczyk do większości pracowników, to wtedy jest duża szansa na to, że uda się wprowadzić zmiany w Twojej firmie.

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

Leave a Reply

Twój adres email nie zostanie opublikowany. Pola, których wypełnienie jest wymagane, są oznaczone symbolem *