Jak robić mniej, ale tworzyć więcej wartości dodanej, co zwykle przekłada się na większe zarobki? Pewnie masz czasem takie rozważania. Być może pytasz siebie, kolegów lub koleżanki, jak to jest, że ktoś inny (być może Twoja konkurencja lub Twój sąsiad) osiągają namacalne wyniki znacznie szybciej, chociaż też mają 24 godziny na dobę, jedną głowę, (raczej) dwie nogi i dwie ręce? 

W tym samym czasie czujesz, że pracujesz jak wół, ale nadal sprawy posuwają się dość wolno do przodu. Co możesz zmienić w swoim myśleniu, a następnie działaniu? Co zrobić, aby robić mniej, ale mieć więcej?  Dzisiejszy odcinek jest właśnie o tym.

 Podzielę się z Tobą dość prostymi, ale namacalnymi przemyśleniami, które osobiście staram się stosować codziennie, aby szybciej osiągnąć mierzalne wyniki.

Zacznijmy od przykładu, aby lepiej zrozumieć problem. Później dokładniej omówimy rozwiązania. Dość często „biznes”, czyli tak zwane  osoby decyzyjne, chcą zwiększyć konwersję używając „sztucznej inteligencji”. Fajnie brzmi, nawet dość konkretnie, ale co to oznacza w praktyce?

Chęć odpowiedzenia na to pytanie generuje kolejne…

W praktyce to zwykle jest bardziej złożone. Tak naprawdę biznesowi niekoniecznie zależy na zwiększaniu konwersji, ale celem jest zwiększenie zarobków. Mimo tego, że to brzmi jako logiczne powiązane kroki, to jednak warto lepiej zrozumieć kontekst, aby nie przepalać budżetów. Mam tutaj na myśli chociażby płatną reklamę na pozyskanie klientów, którzy de-facto generują więcej kosztów niż zysków.

Oczywiście można narzekać na ludzi decyzyjnych, że sami nie wiedzą czego chcą, ale narzekanie jest nudne i niewiele zmienia, pochłania energię i generuje toksyczną atmosferę.  Warto coś z tym zrobić już bardziej po stronie osób, które zajmują się danymi (czasami po polsku nazywanymi “badaczami danych” lub po angielsku data scientist).

Zwykle osobom technicznym jest trudniej zadawać pytania, a tym bardziej znajdować odpowiedzi na takie: “po co to robię?”, “jaka jest z tego wartość?” itd. Jednak  praktyka znów  pokazuje, że łatwiej nauczyć się myśleć “biznesowo” dla osób technicznych odwrotnie (choć bywają wyjątki).

Dokładniej ten przykład jeszcze wyjaśnię dalej.

Już wielu odcinkach (z ostatnich to 85 oraz 86) wspomniałem o tym, na ile ważne jest dobrze zdefiniować cel, ale warto pójść krok dalej. Życie to sekwencja wyborów. Nawet nie dokonując wyboru, to też to jest “nasz wybór” ;). To oznacza, że możesz próbować zrobić wiele rzeczy, ale niestety zwykle jest sporo ograniczeń.

Stąd pojawia się naturalna potrzeba priorytetyzować zadania. Brzmi nadal banalnie prosto w teorii, ale jak to zrobić dobrze w praktyce?  Zwykle jest tak, że zawsze czegoś brakuje: czasu, ludzi, motywacji, umiejętności, pieniędzy lub wszystkiego na raz. 

Jeśli skupiamy się na priorytetach, to  warto uwzględniać co najmniej dwa wymiary: jaki wysiłek należy “włożyć” i jaka potencjalna wartość może się z tego wytworzyć. Warto tu dodać, że pod “wysiłkiem” kryje się kilka kolejnych wymiarów, np. Ile godzin trzeba przepracować, jakie są zależności z innymi zadaniami, ile czasu należy spędzić na zdobywaniu nowej wiedzy, która będzie minimalizować niepewność tego zadania. Warto wziąć pod uwagę także ryzyko, że coś pójdzie nie tak. Oczywiście ryzykiem warto zarządzać, ale trzeba robić to świadomie.

To już zaczyna brzmieć jako bardziej złożony proces i nadal jest wiele pytań. Przede wszystkim nasuwa się myśl,  jak nadawać właściwie priorytety? Popatrzmy teraz na tę sprawę z innej strony. Mniej mówmy jak, a poznajmy zasady, które nas otaczają – dowiedzmy się, jakie są zasady gry, aby wygrać. 

Jest słynna zasada Pareta (zasada 80/20 lub 80 na 20), zgodnie z którą 20% badanych obiektów związanych jest z 80% pewnych zasobów. Ponad 120 lat temu Vilfredo Pareto wykazał, że około 80% gruntów we Włoszech należało do zaledwie 20% ludności (swoją drogą rodzi się pytanie, jak wygląda sytuacja na dzień dzisiejszy). Potem pojawiły się kolejne powiązane fakty ekonomiczne.

Na rozgrzewkę podam Ci szereg przykładów, gdzie ujawnia się wspomniana zasada: 

1. 20% pracowników generuje 80% wyników.

2. 20% ludzi powoduje 80% wypadków samochodowych.

3. 20% artykułów spożywczych to 80% całkowitego rachunku (zobacz jak to jest u Ciebie, np. przy większych zakupach w weekend).

4. 20% populacji odpowiedzialna jest  za 80% kosztów społecznych, w tym przestępstw, świadczeń i opieki zdrowotnej (study).

5. 20% naprawionych bugów zmniejsza 80% błędów (które de-facto występują) lub 20% kodu dostarcza 80% funkcjonalności biznesowej (między innymi Microsoft to potwierdził w 2002).

6. 20% aplikacji jest używanych w 80% przypadków (report).

7. Większość leków odkrytych w XX wieku to małe cząsteczki syntetyzowane chemicznie, które nadal stanowią 90% leków dostępnych obecnie na rynku (Deloitte).

8. 20% krajów generują 90% wszystkich zarejestrowanych przypadków covid19 (link). Aby to sprawdzić specjalnie wszedłem na stronę: https://www.worldometers.info/coronavirus/. Następnie pobrałem stamtąd dane (29 lipca).

Zrobiłem wykres dla wszystkich krajów. Na osi X są id krajów (wszystkich jest 214). Na osi Y skumulowany procent (tak zwany cumsum), dzięki czemu widać, ile procent do 100 “dokłada” każdy kraj. 

Widać, że dla pierwszych 25 krajów (to nawet mniej niż 20%) przypada ponad 80% zarejestrowanych przypadków zachorowań. Można przyjrzeć się dokładniej tym danym, trochę w inny sposób. Zobaczyć pierwsze 30 krajów (po liczbie zarejestrowanych przypadków zachorowań).

Jak widać Stany generują zdecydowanie najwięcej przypadków. Zobaczmy też w procentach od ogółu, aby łatwiej było porównywać.

Widać, że tylko trzy pierwsze kraje (USA, Brazylia oraz India) to połowa przypadków.

Tu możesz znaleźć więcej przykładów. 

Teraz zadam Ci szereg pytań (jeśli nie możesz na nie odpowiedzieć teraz, spróbuj znaleźć odpowiedź potem, proszę poświęć ten czas, daj się zaskoczyć).

1. Czy spędzasz większość czasu zajmując się problemami lub zagadnieniami związanymi tylko z kilkoma Twoimi projektami, pracownikami lub klientami?

2. Czy podczas spotkań, szkoleń czy zajęć większość dyskusji prowadzi zaledwie kilku uczestników?

3. Czy większość produktywności Twojego zespołu pochodzi od niewielkiej liczby członków zespołu?

4. Czy większość zysków Twojej firmy pochodzi od zaledwie kilku „dużych” klientów?

5. Czy większość Twoich pomysłów nie działa, ale ta mniejszość generuje największe korzyści?

Na spokojnie poszukaj odpowiedzi na te pytania. Najlepiej zatrzymać się na chwilę i maksymalnie dokładnie sprecyzować je w liczbach. Jak najbardziej możesz zacząć od prostszych np. zobacz, ile miałeś klientów w ciągu ostatnich 2, 5 czy 10 lat. Następnie sprawdź,  ile procent z nich wygenerowało 80% przychodu firmy?

Załóżmy, że masz do zrobienia 100 zadań. Załóżmy, że czas, który posiadasz to miesiąc, niech to będzie 20 dni roboczych. Wybierając właściwe zadania  w 4 dni (20% wysiłku) wygenerujesz 80% wartości. Natomiast chcąc uzyskać kolejnych 20% wartości, musisz poświęcić kolejne 16 dni (czyli ponad 3 tygodnie pracy).

Jakie zadania mam wykonać aby wyrobić 80% wartości? To bardzo dobre pytanie, postaram się na nie odpowiedzieć w tym odcinku.

Pewnie ta zasada  jest Ci znana i myślisz, że jest to jedynie teoria. Jednak to działa także w praktyce, ale niestety w moim odczuciu mało osób (firm) ją stosuje. Jak to zwykle bywa, zdrowy rozsądek nadal jest konieczny, aby pewne rzeczy adaptować do rzeczywistości, która nas otacza, więc pokażę Ci, jak sam rozumiem tę zasadę.

Pewnie moje aktualne rozumienie nieco odbiega od pierwowzoru teoretycznego, ale najważniejsze jest to,  jak ją  stosuję w praktyce i jakie przynosi efekty.

Jakiś czas temu natrafiłem na  tweeta Denny’ego Britza (swoją drogą Denny prowadzi fajny blog WildML), w którym było powiedziane, że w uczeniu maszynowym mniej chodzi o model, bardziej o zbieranie właściwych danych, czyszczenie danych, radzenie z błędami poznawczymi, dobór właściwej metryki, dobrej infrastruktury. Zamiast ekscytować się kolejnym nowym algorytmem (transformerem), bardziej opłaca się skupić na innych rzeczach.

Trochę później natrafiłem na post na Linkedin, gdzie Dan Becker powiedział, że widzi bardzo dużo memów narzekających ludzi, którzy zajmują się uczeniem maszynowym bez wiedzy matematycznej. Trochę to jest prawda, ale w większości przypadków nie o to chodzi. 

Większość modeli nigdy nie zostanie użyta na produkcji dlatego, że badacze danych (Data Scientist) zbyt mocno koncentrują się na trenowaniu modelu i zdecydowanie mniej na zrobieniu czegoś praktycznego

Mogę potwierdzić, że dokładnie w naszym przypadku, kiedy pomagamy w firmach jako DataWorkshop wdrażać modele, to największym wyzwaniem nie jest użycie najciekawszego modelu, tylko co trzeba zrobić, aby ostatecznie na końcu była wartość. Z jednej strony to jest smutne, bo osoby techniczne (którą jestem) kręci sama technologia.

Z drugiej strony za rozwiązywanie najprostszych problemów zbiera się czasem paradoksalnie największe nagrody, ponieważ w tym jest największa wartość. Być może to brzmi mniej ambitnie z punktu widzenia researchu i technologii, czy też złożoności modelu, ale  proste rozwiązania dają często bardzo dużą  wartość.

Otóż wyzwania są na poziomie koncepcyjnym. Problem pojawia się tam, gdzie z dużym deficytem czasu, ludzi, pieniędzy itd. trzeba zrobić coś wartościowego. To potrafi czasem być nawet większym wyzwaniem niż te technologiczne, bo trzeba podchodzić do znalezienia rozwiązań dość twórczo.

Dobra, już nie przedłużajmy. Przejdźmy do realnego przykładu. Na początku wspomniałem o przypadku użycia online sklepu. Mam na myśli sytuację,  kiedy osoby decyzyjne mówią, że chcą zwiększyć konwersje (swoją drogą, to są przypadki z życia wzięta, ale poszukuje zbiorów danych niekomercyjnych, aby przekazać Ci najlepiej kontekst jak to działa).

Mamy sklep online. Są produkty, są klienci, którzy kupują te produkty. Załóżmy, że mamy 100 klientów, ale potencjalnie sklep odwiedziło 5000 osób, czyli masz konwersję 2%. Co drugi użytkownik ze stu kupuje. Stąd pojawia się genialny pomysł, aby zwiększyć konwersję. Pomysł jest dość logiczny i można to próbować robić na wiele sposobów. Na przykład można optymalizować pewne elementy na stronie, zarządzać porzuconymi koszykami lub nawet zwiększyć budżet na reklamy (oczekując cudów, które mogą się rzeczywiście wydarzyć).

Przed tym, jak zaczniemy działać i próbować zwiększyć konwersję, warto zadać dodatkowe i bardzo proste  pytanie: po co?

Po co zwiększamy konwersję i co to oznacza w praktyce?

Pomyśli o tym w ten sposób. Na czym zależy każdemu biznesowi – na tym, aby zarabiać. Ewentualnie zarabiać dużo (lub nawet bardzo bardzo dużo). To zróbmy prosty eksperyment i zobaczmy, jakie są przychody firmy na danych, które mamy.

Aż prosi się, aby na początku sprawdzić klientów. Dość często jest tak, że 20% klientów  generuje 80% przychodów. W sklepie, na którym opiera się przykład tak właśnie wyszło.

Też można zauważyć, że 2% klientów generuje ponad 40% przychodów.

Sprawdźmy jeszcze jedną ważną rzecz, a mianowicie zwroty. Zamówienie można zwrócić w pewnym czasie. Wtedy oznacza, że firma musi dopłacić. Mało tego, że prawdopodobnie był koszt na pozyskanie klienta czy realizację zamówienia, to mogą pojawić się jeszcze dodatkowe koszty na realizację zwrotów. Sprawdźmy, jak wyglądają zwroty.

Widać, że 10% klientów generują ponad 90% zwrotów. Warto zatrzymać się na moment  i zadać pytanie, na ile zbiór klientów, którzy tworzą największą wartość (czyli 20% dające 80% wartości) pokrywa się ze zbiorem 10%, czyli tym najbardziej chętnym do zwrotów.

Przy okazji można zobaczyć dane w 3 wymiarach (trzeci wymiar to kolor).  Jednym wymiar to kraj, z którego są dokonywane zakupy, drugi kolor to, ile sztuk (tutaj powstało 7 koszyków + wszystko razem).

Widać na przykład, że  jak ktoś kupi z Australii 1 lub 2 sztuki, to około ponad 70% szans, że zwróci. Natomiast dla większej liczby zakupów jest w miarę stabilnie (podobnie jest z Japonią, tylko tam mamy do czynienia z sytuacją do 3 sztuk, a dopiero potem się stabilizuje). Też widać, że Stany generalnie zawsze zwracają. W sumie to jest taka kultura. Korea wygląda dość niestabilne pod kątem zwrotów.

 Warto zwrócić uwagę na to, że wyciąganie takich wniosków, że „Korea za dużo zwraca i może zrezygnować ze sprzedaży w tym kraju”, trzeba robić ostrożnie. Zobacz na wykres poniżej.

Jak widać większość sprzedaży należy do UK. Korea jest na przedostatnim miejscu tuż przed Nigerią, więc za mało danych. Uważaj na szybko wyciągane wnioski, nawet jeśli są one ciekawe ;).

Mając tę informację, możemy zrozumieć, że chcemy przede wszystkim dowiedzieć się,  kim są klienci, którzy generują najwięcej wartości dla firmy. Co to oznacza zrozumieć? Czasem mówi się o tworzenie person. Co też może być wartościowe, tylko  jest tam dość sporo subiektywizmu, bo podchodzi się zbyt “płasko” do ludzi próbując ich szufladkować.

Fajnie byłoby uzyskać coś innego. Mieć namacalne charakterystyki różnych segmentów i następnie zrozumieć, na co mamy wpływ. Najlepiej, aby te cechy były zbierane automatycznie (np. cechy zachowania), niż zbierać deklaratywne pytania i odpowiedzi, które mogą być różnie interpretowane przez odpowiadających (ludzie zwykle generują dość dużo szumu, dość często także sami nie wiedzą, czego chcą).

Mając dane, które mówią nam, jak zachowuje się konkretna osoba  lub grupa  wiemy, na czym powinniśmy się koncentrować, gdzie wkładać swoją energię.  Możemy przewidywać, co może wpłynąć na aktywność tej właśnie grupy osób mając większą pewność, że można  i warto to zrobić, a włożona energia w ten proces się zwróci. Grunt to wiedzieć, na co poświęcać czas i energię. Wtedy możemy działać zgodnie z zasadą 20/80. 

Swoją drogą, 30 lipca był nagrany webinar, gdzie dokładniej opisuję (również pokazuję na poziomie kodu) wyżej opisany przykład.  Polecam również zapisać się na newsletter wtedy nie ominie Cię informacja o podobnych wydarzeniach.

Jak zacząć?

Pewnie czytasz ten artykuł i myślisz. Pięknie to jest, ale jak zacząć to stosować? To wszystko zależy od tego, gdzie jesteś obecnie. Trochę upraszczając wprowadziłem 5 poziomów zaawansowania. Będąc na 5 kroku, to już sobie poradzisz dalej ;). No chyba, że nie, to dawaj znać w komentarz lub w inny sposób, jakie masz pytania.

5 poziomów zaawansowania

1. Uświadom sobie (najpierw teoretycznie), że jest pewna asymetria pomiędzy Twoim wysiłkiem a wartością, którą możesz wytworzyć. Po tym kroku już wiesz, że istnieje zasada Pareta.

2. Zrozumieć, że zasada Pareta jak najbardziej jest praktyczna i procesy, które nas otaczają można ciągle opisywać w ten sposób (dlaczego tak jest, to inna sprawa, ale możesz to potraktować jako “prawo natury”). Po tym kroku już wiesz, że warto stosować zasadę Pareta w praktyce i szukasz możliwości “na swoim podwórku”.

3. Przekonaj się, że zasada 20/80 działa również u Ciebie. Zacznij mierzyć wartość biznesową (zwykle to jest trudniejsze) oraz wysiłek. Po tym kroku umiesz zmierzyć, ile wysiłku trzeba włożyć na wykonania zadania X i ile wartości to przyniosło.

4. Retrospekcja – zobacz, które projekty warto było zrealizować w myśl zasady Pareta (mniejszym wysiłkiem wytworzyły większą wartość). Przeanalizuje też takie, które więcej pochłaniają czasu, ale zdecydowanie mniej dają. Po tym kroku już masz konkretne własne przypadki, gdzie widzisz, jak zasada Pareta “podpowiada” Ci,  co  warto kontynuować, a co zakończyć.

5. Zacznij rozważać, w jaki sposób można przewidzieć z góry, które zadania warto wykonywać w myśl zasady Pareto – zacznij lepiej planować pracę.

Prawdopodobnie pierwsze dwa kroki są w miarę łatwe, natomiast problemy mogą się pojawić przy trzecim kroku. W jaki sposób mierzyć wartość biznesową i wysiłek?

Co do wartości biznesowej, to najlepiej, aby od razu pojawiły się wprost pieniądze  – to liczy się najłatwiej ;). Tylko uważaj – nie wszystkie pieniądze, które “przychodzą” oznaczają pieniądze, które “zostają”. Nawet w omawianym przykładzie pojawiły się zwroty, a naszym celem było skupić się na realnych “przychodach”, czyli tym, co fizycznie z nami zostanie. Jeśli możesz skupić się na powiększeniu strumienia wpływów – to raczej jest to, czym chcesz się zająć. Ewentualnie zmniejszeniem straty (wypływu) środków. 

Jeśli oba (powiększanie przypływów i zmniejszeniem wycieków) przypadki są poza zasięgiem, ale nadal chcesz zrobić  “coś”, to trzeba jakoś to ująć, aby dało się to zmierzyć. Staraj się unikać “stawiania billboardów” bo ciężko jest to zmierzyć i ma się poczucie, że w większości przypadków da się to zrobić lepiej (co najmniej podobne wyniki, ale bardziej namacalne – lepiej rozumiesz, jak coś działa). 

Podzielę się jeszcze  wskazówką, którą stosujemy w DataWorkshop. Dotyczy ona definiowania hipotez. Pomaga w sytuacji, kiedy serce podpowiada, aby coś zrobić, ale nie wiesz jak to zmierzyć. Zawsze warto coś założyć i sformułować  przykładową hipotezę, którą wyzwala w nas na nie tylko na poziomie języka pewien porządek myślowy, ale także porządkuje tok rozumowania: 

Zakładamy że dzięki działaniu X, zwiększy się nasza rozpoznawalność w ciągu najbliższych 6 miesięcy, co poskutkuje …. (tutaj warto dodać konkret, np. zwiększy się rejestracja o Y%).

Jest spora szansa, że to się nie wydarzy i wyniki będą inne,  to jedynie hipoteza, ale taka prosta reguła porządkowania myśli na poziomie języka zmusza do uporządkowania ich także w głowie, co pomaga wyeliminować pomysły, które w gruncie rzeczy ciężko się bronią. 

Tu warto też dodać, że żyjemy w świecie, w którym mnóstwo czynników może wpłynąć na tę czy inną decyzję. Nie da się tak łatwo stwierdzić, że zwiększenie rejestracji pojawiło się na skutek zwiększenia zaufania, które pojawiło się w wyniku zrobienia czegoś.  

Świat jest złożony, jego interpretacja jeszcze trudniejsza, chociaż zawsze można wszystko próbować wyjaśnić, logicznie poukładać, abyśmy mieli poczucie spójności. 

Dodam też od razu, że reguła 20 vs 80 wcale nie oznacza zawsze równego podziału. Bardziej chodzi o to, aby zdać sobie sprawę, że masz możliwość skupienia się na ważnych sprawach, które zdecydowanie mniejszym wysiłkiem dają więcej wartości.

Ten rozkład może być 20 vs 80, lub 10 vs 90, czy 30 vs 70 (i wszystkie możliwe kombinacje pomiędzy). Nie przywiązuj się do konkretnych liczb. Dodatkowo warto wiedzieć, że  jest pewna odmiana tej reguły – “zasada Pareta do kwadratu”, kiedy mówi się, że 4% wysiłku generuje 64% wartości.

Na przykład, sklep, który analizowaliśmy miał podobny wynik (było mniej niż 60%), ale ponad 50%. Co też brzmi bardzo atrakcyjnie, prawda? Innymi słowy, jak stracisz te 4% klientów, Twój przychód spadnie o 50%, co brzmi dość poważnie.

Ostrzeżenie

Już wcześniej wspomniałem o zasadzie zdrowego rozsądku, którą należy stosować.  Można zacząć kombinować w ten sposób. Czy to oznacza, że zdobywając wiedzę na poziomie 20% w pewnym zawodzie, będę już ekspertem (bo mam odpowiedzi na 80%)? To jest ciekawe pytanie. Bo jednak jeśli pomyślimy w ten sposób, że chirurg pójdzie w ten sposób na skróty, to  owszem w 80% sobie poradzą, ale tę pozostałe 20% przypadków ciężko zlekceważyć. 

Dlatego, aby stać się ekspertem, to lepiej jednak poznać 100% swojej branży (oczywiście to wszystko jest umowne, bo świat rozwija się itd), ale jest tu ciekawostka, że nawet w tym przypadku ta zasada może być przydatna.

Jeśli zaczniesz studiować dowolny temat od takiej strony, że najpierw wkładasz 80% wysiłku, aby wytworzyć 20% wartości (czyli tak jak zwykle działa świat akademicki), to jest duża szansa, że szybko poddasz się (psychologicznie, człowiek jednak wymaga nagrody).

Dlatego to, co do mnie bardziej przemawia, to najpierw pomóc człowiekowi wykonać pierwsze kroki, poczuć “smak” rozwiązania, wkręcić go do tematu, naładować baterię po to, aby dalej już sobie poradził samodzielnie. Takie podejście mam między innymi na moich kursach online (na które gorąco zapraszam).

Zasada 20/80 jest sporą inspiracją (i co najważniejsze sprawdzoną praktyką), aby zmienić swoje działanie w różnych obszarach. Warto przemyśleć, gdzie możesz jeszcze zastosować tę zasadę u siebie. Pokazałem Ci dziś sporo przykładów, które powinny przemawiać, że warto przynajmniej spróbować Jest także sporo literatury na ten temat w sieci, można także poczytać książkę. Polecana jest ta poniżej, jeśli chcesz jeszcze bardziej zgłębić temat. 

Podsumowanie

Pamiętaj, że zawsze masz wybór, które zadania zamierzasz wykonać. Warto sobie uświadomić, że najpierw warto zabrać się za zadania, dzięki którym możesz zrywać nisko wiszące owoce.

Zespoły, które zajmują się analizą danych, mają tendencję wpadać w tak zwane “czarne dziury”, kiedy zaczynają analizować, ale jak zapytasz “po co to robią?”, to często w pierwszej kolejności pada odpowiedź natury technicznej, a później ewentualnie słynne: “w sumie to nie wiem”.

Nasz mózg dość często jest ograniczany przez wiele czynników  i ciężko mu trzymać wszystkie konteksty naraz. Sama analiza danych potrafi pochłonąć sporo zasobów. Dlatego trzeba być tego świadomym i na różne sposoby szukać tego, na czym naprawdę warto skupić się teraz. Życzę Ci, aby ta prosta metoda przyczyniła się do Twojej efektywności.

Daj znać jak Ci poszło z wdrożeniem  lub podziel się swoimi metodami, jak zwiększać efektywność, jeśli takie posiadasz  

Artykuł Jak robić mniej, ale wytwarzać więcej pochodzi z serwisu Biznes Myśli.

Z tego odcinka dowiesz się:

1. Pandemia a media. Zastanowimy się, kto oficjalnie ogłosił pandemię i jak media wpływają na nasze postrzeganie rzeczywistości.
2. Probabilistyczne podejście. Dowiesz się, jak probabilistyczne programowanie pomaga lepiej radzić sobie z niepewnością w analizie danych.
3. Programowanie probabilistyczne. Adam Goliński, doktorant z Oxfordu, opowie, czym jest probabilistyczne programowanie i jakie ma zastosowania.
4. Przykłady praktyczne. Poznasz przykłady zastosowania probabilistycznego programowania w biznesie, finansach i fizyce.
5. Kompresja danych. Zrozumiesz, jak nowoczesne metody uczenia maszynowego mogą ulepszyć kompresję obrazów i wideo.
6. Kariera naukowa. Adam podzieli się doświadczeniem z doktoratu na Oxfordzie i opowie, jak wygląda jego codzienna praca naukowa.
7. Fundacja Polonium. Dowiesz się o działalności Polonium Foundation, która łączy polskich naukowców za granicą z rodzimym środowiskiem naukowym.

Żyjemy w czasach, kiedy prognozowanie jest trudne, a będzie jeszcze ciężej. Mamy dość trudną sytuację związaną z koronawirusem, czasami nazywaną pandemią. Dlaczego ma być trudniej?

Dlaczego też tzw. pandemia? Kto stwierdził, że ta pandemia istnieje? Pomijając tweet z ONZ: „Dokonaliśmy zatem oceny, że COVID-19 można scharakteryzować jako pandemię”, a można tego nie robić. Słowo kluczowe – można. To jest dość ciekawa sytuacja, kiedy słyszysz komunikat również z oficjalnych kanałów, od prezydentów wielu krajów, że jest pandemia, ale nie możesz znaleźć potwierdzenia i źródła.

Jaki organ oficjalnie stwierdził oraz na podstawie czego i wziął za to odpowiedzialność? Być może źle szukałem. Jeżeli masz jakąkolwiek informację na ten temat, to bardzo Cię proszę – podziel się nią. Mam na myśli oficjalne dokumenty –  linkowanie do wiadomości czy tweetów to nie jest dokument, ponieważ Twitter nie bierze za to odpowiedzialności.

Oczywiście, nie chodzi teraz o kwestionowanie tego, czy wirus jest, czy go nie ma. Chodzi o odpowiedzialność. Sytuacja, w której teraz się znajdujemy, jest dość wyjątkowa. Kto jest odpowiedzialny za paraliż spowodowany ogłoszeniem pandemii?

Idąc tą drogą, możemy wywnioskować, że światem zaczynają rządzić kanały masowego przekazu. A może nie zaczynają? Być może one już od dawna rządzą? W takiej sytuacji zaczynasz coraz bardziej traktować każdą wypowiedź (nawet na najwyższych szczeblach) jako hipotezę, czyli prawdopodobieństwo. Jest szansa, że to, co słyszysz w tej chwili, od osoby na bardzo wysokim stanowisku w oficjalnej telewizji, może być prawdziwe, ale również może być nieprawdziwe. 

Dzisiaj porozmawiamy o probabilistycznym programowaniu. Jak to się łączy z pandemią? Idea jest taka, że w odróżnieniu od tego klasycznego podejścia zamiast operowania pojedynczą liczbą (jako prawda całkowita w ostatniej instancji), to operujemy tzw. rozkładem. Innymi słowy, zamiast powiedzieć, że wynik jest równy 5, mówimy, że wynik charakteryzuje się pewnym rozkładem (podajemy do charakterystyki).

Czyli np. może być 5, może być 10, ale prawdopodobnie jest 7,5 i to prawdopodobieństwo wynosi np. 95%. Takie podejście w obecnym czasie wydaje się być narzędziem powszechnie używanym, żeby przynajmniej w jakiś sposób się odnaleźć w tej rzeczywistości.

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


 

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

Nazywam się Adam Goliński. Mieszkam i studiuję w Oxfordzie w Wielkiej Brytanii. Jestem doktorantem, aktualnie zaczynam czwarty rok swojego doktoratu. 

Co ostatnio fajnego przeczytałeś?

Zastanawiałem się nad tym pytaniem – wiedziałem, że padnie. Ostatnio przeczytałem „Ali and Nino”. Jest to książka usytuowana zaraz przed wybuchem I wojny światowej na terenach aktualnego Azerbejdżanu. Większość akcji dzieje się w Baku, ale część na terenach Armenii (dzisiejszej Gruzji). Jest to bardzo ciekawa książka, dla wszystkich ludzi ciekawych okolic południowego Kaukazu.

Ostatnio prowadziłem wywiad z Adamem Kosiorkiem, który zrobił doktorat w Oxfordzie. Co ciekawego porabiasz w trakcie doktoratu? Jakimi tematami się zajmujesz? Co już udało Ci się osiągnąć?

Moim głównym zainteresowaniem jest dyscyplina probabilistic programming (programowanie probabilistyczne). Jest ona pododdziałem probabilistycznego uczenia maszynowego. To jest mój obszar zainteresowań do tej pory, a aktualnie rozwijam coraz większe zainteresowanie w kierunku kompresji danych, która również bardzo blisko wiąże się z moimi poprzednimi badaniami. 

Programowanie probabilistyczne to dzisiejszy temat główny. Pewnie też zahaczymy o tematy kompresji danych. Zacznijmy od podstaw: czym jest programowanie probabilistyczne? 

Programowanie probabilistyczne to cały zestaw narzędzi do modelowania statystycznego. Programowanie probabilistyczne to zbiór języków programowania, które zostały zbudowane na bazie istniejących języków programowania, które służą do zaprogramowania każdej funkcji, którą możemy obliczyć komputerowo.

Dodatkowym ich elementem jest to, że skupiają się na wyrażaniu rozkładów prawdopodobieństwa. Te rozkłady prawdopodobieństwa są jednym z fundamentalnych obiektów dostępnych w języku programowania w taki sposób, że możemy je komponować w bardziej złożone modele statystyczne, używając różnego rodzaju obliczeń. Czyli tych właściwości języka, na których zazwyczaj ten język probabilistyczny został zbudowany. Zatem to jest jeden element języków programowania probabilistycznego.

Drugi element, który również występuje w większości z nich, to misja zautomatyzowania procesu tzw. inferencji. Zazwyczaj gdy budujemy model probabilistyczny, naszym celem jest być w stanie odpowiedzieć, jak niektóre zmienne w tym modelu prawdopodobieństwa wpływają na inne zmienne.

Powiedzmy: mam jakiś rozkład prawdopodobieństwa po dwóch lub więcej zmiennych; jeśli zaobserwuję jedną z tych zmiennych, w jaki sposób zmienia to rozkład prawdopodobieństwa po drugiej zmiennej? Na przykład gdy mówimy o jakichś modelach machine learningowych, powiedzmy probabilistycznej regresji liniowej, mam pewien zbiór danych, które są obserwowalnymi zmiennymi w naszym probabilistycznym modelu oraz zbiór parametrów tej krzywej, którą próbujemy „sfitować” do tych danych, które są ukrytymi parametrami.

Pytanie, które byśmy zadali w tym przypadku, to jaki jest rozkład prawdopodobieństwa po tych ukrytych parametrach modelu, znając zaobserwowane wartości tych danych, do których próbujemy dopasować tę krzywą?

Tym drugim elementem języków programowania probabilistycznego jest to, że one próbują automatyzować ten proces inferencji. Proces inferencji probabilistycznej to olbrzymie zagadnienie, wręcz kluczowe w całym dziale statystyki, czy uczenia maszynowego. Również cel tych języków programowania jest bardzo ambitny.

Polega on na tym, że te języki próbują implementować algorytmy, które pozwoliłyby przeprowadzać ten proces inferencji dla dowolnego modelu, który może zostać wyrażony w danym języku programowania. Bardzo często nie jest to możliwe do zrobienia w wydajny sposób, więc w niektórych problemach, modelach będziemy w stanie przeprowadzić ten proces inferencji znacznie szybciej, jeśli ten proces i odpowiedni algorytm inferencji jest dopasowany do modelu.

Kolejnym elementem więc tych probabilistycznych języków programowania jest to, żeby dopasować algorytm inferencji, który zostanie użyty do konkretnego modelu, który użytkownik wyraził w taki sposób, żeby ten algorytm inferencji wykorzystał strukturę owego problemu. To jest, w takim telegraficznym skrócie, czym są probabilistyczne języki programowania.

Podałeś przykład z regresją liniową. Może weźmiemy konkretny przykład, wprowadźmy zmienne i pokażmy, co to znaczy na przykładzie. Wydaje się, że tak będzie to bardziej zrozumiałe.

Powiedzmy, że chcielibyśmy przeprowadzić regresję pensji w stosunku do stażu pracy. Mamy staż pracy na osi poziomej oraz pensję na osi pionowej. Zbieramy dane, prawdopodobnie w konkretnej firmie. Oczywiście, moglibyśmy chcieć zebrać znacznie więcej zmiennych, natomiast w tym przypadku powiedzmy, że myślimy tylko o tej jednej zmiennej, jaką jest staż pracy danego pracownika versus jego pensja.

Chcielibyśmy zamodelować to modelem liniowym, czyli mamy dwa parametry takiego modelu: slope – nachylenie krzywej oraz punkt, w którym ta krzywa przekracza linię 0 (czyli początkowa pensja dla pracownika z zerowym stażem pracy). Taki model jest bardzo prosty do wyrażenia w probabilistycznym języku programowania.

W momencie, gdy wprowadzimy do systemu dane, które zebraliśmy w naszej firmie, silnik używanego języka programowania probabilistycznego będzie w stanie określić rozkład prawdopodobieństwa po tych dwóch parametrach (po nachyleniu krzywej oraz punktu przecięcia z osią 0). 

Dlaczego jesteśmy zainteresowani rozkładem prawdopodobieństwa, a nie punktowym szacunkiem? Standardowa regresja liniowa w takiej sytuacji zwróciłaby nam tylko i wyłącznie najbardziej trafną wartość tego nachylenia i punktu przecięcia z osią 0.

Natomiast w przypadku użycia probabilistycznej czy bayesowskiej regresji liniowej (w takim języku programowania probabilistycznego) otrzymamy pełen rozkład prawdopodobieństwa, który również daje nam możliwość oceny niepewności tej estymacji. Znając niepewność naszego szacunku, jesteśmy w stanie zdecydować, czy w takim razie może chcemy zebrać więcej danych, ponieważ w tego rodzaju sytuacjach, dzięki większej ilości danych ta niepewność w szacunku będzie zmniejszona.

W bardzo świadomy sposób możemy tu operować wiedzą o niepewności naszej estymacji. Tego rodzaju rozważania są jeszcze ważniejsze w wielu przypadkach biznesowych.

Powiedzmy, że mamy do czynienia ze znacznie bardziej skomplikowanym modelem finansów, czy cashflow w pewnej firmie. Przekręcając tę korbę do silnika programowania probabilistycznego, dostarczamy mu danych, włączamy silnik inferencji i on zwraca nam rozkład prawdopodobieństwa po możliwym cashflow danej firmy. Tak się składa, że duża część tej krzywej (przyjmijmy, że jest to krzywa gausjańska) jest dodatnia, ale jest jakaś część tego ogona po lewej stronie poniżej 0 (oznacza to, że tracimy płynność finansową).

Posiadając tego rodzaju szacunki z niepewnością, jesteśmy w stanie dokładnie policzyć, jakie jest całkowite prawdopodobieństwo, czyli pole pod wykresem poniżej tego punktu 0. Pozwala nam to testować założenia naszego modelu biznesowego w taki sposób, że będziemy w stanie podjąć decyzje, żeby przy pewnym określonym czy akceptowanym poziomie ryzyka, policzalnym dzięki tej niepewności w naszych szacunkach.

Dodajmy do tego kwoty. Jak pojawiają się pieniądze, od razu jakoś lepiej tłumaczą się rzeczy. Załóżmy takie scenariusze, że jak dopiero zaczynasz, czyli doświadczenie jest 0 to zarabiasz powiedzmy 2 000 zł. Jak masz 10 lat doświadczenia, to niech to będzie 22 000 zł.

Czyli tam gdzie będzie 5 lat doświadczenia to będzie ok. 12 000 zł. Prawda? Tak w sposób liniowy spróbujmy to oszacować.  W normalnej regresji liniowej pytasz: ile będę zarabiać, gdy będę miał 5 lat doświadczenia? Ona powie, że ok. 12 000 zł. Nie dodajesz żadnej informacji na temat tego, na ile to jest niepewna informacja. 

Jest taka strategia lisa i jeża. Nie wiem, czy kiedyś o tym słyszałeś. Strategia jeża polega na tym, że jest on pewny jednej rzeczy i przyjmuje, że to jest prawda i tyle. Strategia lisa polega na tym, że on cały czas się waha, próbuje się kalibrować do nowych informacji, które uzyska i tak cały czas znajduje się w pewnej niepewności.

To, co teraz się nawiązało to to, że ta regresja liniowa klasyczna to jest taka strategia jeża, która zawsze jest pewna jednej rzeczy – jak masz 5 lat doświadczenia to ok. 12 000 zł masz zarabiać. W przypadku strategii lisa to będzie tak, że będzie jakiś rozkład. Ten rozkład będzie bardziej pokazywał tę rzeczywistość. Co o tym myślisz?

Nie słyszałem wcześniej tej analogii, ale wydaje mi się ona dość trafiona. Jeśli faktycznie tak ludzie mówią, to zdecydowanie się zgadzam.

Wiemy już, czym jest programowanie probabilistyczne. Jakie ma praktyczne zastosowanie? Czy masz jakieś przykłady?

Tak, oczywiście. Programowanie probabilistyczne ma co najmniej kilka dużych zakresów zastosowań. Pierwsze to są zastosowania w data analytics i data science do budowania średniego stopnia złożoności modeli, które pozwalają analizować dane zebrane przez użytkowników. Jednym z przykładów, który chciałbym podać, jest firma taka jak YouGov, która zajmuje się zbieraniem i sondażowaniem populacji na temat różnych wydarzeń, np. wyborów.

Te języki programowania probabilistycznego są dość często używane w tego rodzaju sytuacjach do określenia tego, w jaki sposób zebrane dane odzwierciedlają możliwe wyniki wyborów oraz udzielają tych odpowiedzi w postaci prawdopodobieństwa (bardziej niż tylko pojedynczych, punktowych szacunków otrzymanych z danych).

Te modele prawdopodobieństwa pozwalają nam również łączyć różne zmienne. Możemy w ten sposób wykorzystać dane, założenia czy różnego rodzaju korelacje pomiędzy odpowiedziami ludzi na różnego rodzaju pytania czy sondaże, które zebraliśmy w przeszłości, a które bezpośrednio nie dotykały tematu np. nadchodzących wyborów, z ich preferencjami politycznymi albo z podobnymi pytaniami.

W ten sposób pozwalają nam korzystać z przeszłych sondaży, żeby odpowiadać na nowe pytania, ale które w pewien sposób są skorelowane z tymi poprzednimi. Jesteśmy w stanie, tego rodzaju korelacje samemu stwierdzić i umieścić tę informację w systemie.

Natomiast całość dalszego określania, dokładnego rozkładu tego prawdopodobieństwa w stosunku do pytań, które chcemy zadać temu systemowi czy pytań, na które chcemy sobie odpowiedzieć, używając tych danych, jest już przeprowadzana automatycznie przez te języki programowania probabilistycznego. To jest jeden z dużych przykładów zastosowań tego rodzaju języka programowania. 

Innym dużym zakresem zastosowania są symulatory, czyli wszelkiego rodzaju inżynieria. Jednym z pierwszych przykładów, który nasuwa mi się na myśl, jest aplikacja języka programowania probabilistycznego pyprob do analizy danych, zbieranych w CERNie.

CERN to duża instytucja zajmująca się badaniami fizyki fundamentalnej. Ośrodek naukowy znajduje się pod Genewą, na granicy szwajcarsko-francuskiej, gdzie również znajduje się największy fizyczny eksperyment na świecie, czyli Large Hadron Collider. W tym eksperymencie LHC zbierane są olbrzymie ilości danych. Tak duże, że nie jesteśmy w stanie na bieżąco ich przetwarzać.

Na czym polega przetwarzanie tych danych? W fizyce znamy bardzo dobry opis tego, jaki jest ciąg przyczynowo-skutkowy, tego, jak rzeczy się dzieją. Z reguły, jeśli mamy dobry opis systemu w danym momencie w czasie t=0, wiemy, jakie cząsteczki mamy w systemie, wiemy z jaką prędkością one się poruszają, jaka jest ich masa.

Jesteśmy w stanie przewidywać, co się będzie działo w przyszłości (przynajmniej na małych skalach czasowych). Natomiast mimo tego, że mamy tak dobrą znajomość praw fizyki, która pozwala nam symulować rozwój sytuacji w przyszłości, jeśli zaobserwujemy jakiś stan systemu (powiedzmy – 5 sekund później), dalej bardzo trudnym problemem jest odpowiedzenie na pytanie, w jaki sposób ten system znalazł się w tym stanie i w jakim stanie był kilka mikrosekund wcześniej.

Czyli w jaki sposób to się odbywa w praktyce? Szczególnie jeśli pomiary nie są w 100% dokładne, tylko mierzymy pozycję cząsteczki z jakąś niepewnością, co absolutnie ma miejsce, jeśli chodzi o badania cząsteczek fundamentalnych. Mamy tylko bardzo niebezpośrednie informacje. Mamy cząsteczki, które zderzają się w tym tunelu LHC, one zachodzą ze sobą w interakcje i powodują powstanie innych cząsteczek, z jakimiś właściwościami fizycznymi rodzaju masa czy pęd i energia kinetyczna, które w jakiś sposób zależą od tego, jakie cząsteczki zderzyły się na początku.

To też nie są procesy deterministyczne, tylko stochastyczne. Za każdym razem, nawet jeśli zderzą się dwie takie same cząsteczki, z takimi samymi własnościami, nie wiemy do końca, jakie nowe cząsteczki powstaną. Możliwych jest kilka różnych przebiegów przyszłości. Następnie te cząsteczki uderzają w ścianę tunelu. To wszystko jesteśmy w stanie zasymulować, m.in. używając programowania probabilistycznego.

W tym momencie wprowadzając te dane do naszego systemu i używając tego procesu inferencji, który jest wbudowany w silniki programowania probabilistycznego, jesteśmy w stanie odpowiedzieć sobie na pytanie, jaki był rozkład prawdopodobieństwa, jakie cząsteczki się zderzyły i jakie były ich właściwości rodzaju masa, pęd czy energia kinetyczna. 

Kolejne fundamentalne pytanie –  po co potrzebujemy tych informacji?

Ponieważ tylko bardzo mała część zdarzeń w tym eksperymencie jest tak naprawdę interesująca, nowa i ciekawa dla naukowców. Nie chcemy zbierać informacji o wszystkich zdarzeniach, które się dzieją w tych eksperymentach.

Chcemy zbierać tylko informacje o tych nowych, które jeszcze nie są dobrze znane i zbadane. Posiadanie dobrego opisu (rozkładu prawdopodobieństwa, po tym co się zdarzyło, co dokładnie zaszło), pozwala nam wybierać i zapisywać tylko te najbardziej ciekawe. 

Również kluczem jest to, że dzieje się ich olbrzymia ilość i w związku z tym, ten proces odpowiadania sobie na pytanie, co dokładnie zdarzyło się w tym tunelu, jakie zdarzenie miało miejsce, jakie cząsteczki zostały wygenerowane po tym zdarzeniu – musi odbywać się bardzo szybko.

To jest motywacja do części z badań, które ja sam prowadzę i które być może kiedyś znajdą zastosowanie w tego rodzaju sytuacjach. Czyli moje własne badania polegają w dużej mierze na tym, jak przyspieszyć ten proces inferencji, w momencie gdy obserwowalne dane zostały już zaobserwowane.

Bardzo fajnie brzmi w teorii to, co się dzieje w CERNie. Powiedz, na ile to w praktyce jest stosowane codziennie? Czy to jest na razie tylko taki eksperyment teoretyczny?

Nie jest to już tylko eksperymentem teoretycznym. To nie jest tylko przykład tego, co mogłoby się dziać. To też nie jest dokładnie to, co już się dzieje. Aktualnie niektórzy z moich kolegów z grupy badawczej w Oxfordzie pracują właśnie nad tym problemem, czyli modelowaniem konkretnych zjawisk, które następują w obiekcie LHC przy pomocy programowania probabilistycznego.

Faktycznie, współpracują oni z fizykami z CERN-u tak, żeby zoperacjonalizować tego rodzaju narzędzia z dyscypliny programowania probabilistycznego z nadzieją na to, że prędzej czy później, wejdą one do praktycznego użycia. Natomiast nie jest to jeszcze domyślny sposób prowadzenia tych analiz.

Przyszła do głowy kolejna analogia – naukowcy, którzy używają mikroskopów do badania różnych rzeczy, których oko nie potrafi zobaczyć. Podobnie tutaj probabilistyczne programowanie staje się narzędziem, które umożliwia robić rzeczy, które inaczej ciężko byłoby zmierzyć.

Mamy dużą niepewność, jeśli chodzi o te cząsteczki, nie jesteśmy w stanie opisać tego w jednoznaczny sposób. Taka teoria, elementy probabilistyczne umożliwiają nam mierzyć rzeczy, które bez tych założeń, było by ciężko zmierzyć. 

Tak, zdecydowanie. Większość rzeczy, o których mówimy w tym momencie w kontekście programowania probabilistycznego, odnosi się do modelowania probabilistycznego w ogóle, bardziej niż tylko języków programowania probabilistycznego. Języki programowania probabilistycznego są narzędziem do modelowania statystycznego.

Jednym z głównych zastosowań modelowania probabilistycznego jest to, żeby być w stanie korzystać z danych, które są zmierzone w sposób zawierający jakieś zniekształcenie. Najlepiej w sytuacjach, kiedy wiemy, w jaki sposób to zniekształcenie powstaje i jesteśmy w stanie wykorzystać tę wiedzę tak, żeby później zebrać jakąś większą ilość tych danych i odpowiedzieć sobie na pytania, które nas nurtują w ich kontekście. 

Fajnie byłoby teraz podpowiedzieć, jak w łatwy sposób można zacząć działać w tym obszarze – możesz podać kilka nazw bibliotek w Pythonie czy innych dostępnych? Jakie pierwsze kroki wykonać, żeby osiągnąć namacalny wynik?

Wydaje mi się (z mojego własnego doświadczenia), że jednym z najlepszych miejsc, gdzie można zacząć, jest dość znany kurs Bayesian Methods for Hackers. To jest książka dostępna w całości na GitHubie, razem z zestawem jupyter notebooków.

Przeprowadza ona czytelnika przez początki teorii (czym jest statystyka bayesowska, czym jest programowanie probabilistyczne) oraz zaznajamia czytelnika z jedną z najbardziej popularnych bibliotek programowania probabilistycznego w Pythonie, która nazywa się PyMC3. Gorąco polecam, jest to tak jak nazwa wskazuje – bardzo pragmatycznie zorientowany kurs. Ma 6 części i wydaje mi się, że jest to zajęcie na kilka weekendów.

Teraz pozwolę sobie zmienić temat. Na początku wspomniałeś, że interesuje Cię również kompresja obrazu i wideo. Jaki tutaj mamy problem? Jak klasycznie był rozwiązywany? Później przejdźmy do uczenia maszynowego.

Prawdopodobnie większość z nas zna lub słyszała o standardowych rozszerzeniach plików z obrazami na komputerze. Te z najbardziej znanych to *jpg, *png, *tiff, *bmp. Każde z tych rozszerzeń odpowiada jakiemuś sposobowi kompresji czy też opisania obrazu. Ogólnie metody kompresji rozwijają się na dwie duże podgrupy, czyli kompresja ze stratą i kompresja bez straty.

Kompresja bez straty, tak jak wskazuje nazwa, upewnia się, że odbiorca skompresowanego obrazu, otrzyma dokładnie ten sam obraz jak osoba, która go skompresowała. Podczas gdy kompresja ze stratą, np. standard *jpg, wprowadza zniekształcenie do tego obrazu. W taki sposób, że w momencie gdy rozpakujemy ten obraz i wyświetlimy go na ekranie, nie będzie on dokładnie taki sam, jak spakowany plik źródłowy.

Te tradycyjne metody zostały zaprojektowane ręcznie, tak jak większość oprogramowania, z którego korzystamy i odzwierciedlają w tym momencie już długie dekady pracy nad kompresją obrazów w świecie cyfrowym.

Wcześniej kompresja była robiona manualnie. Teraz posługując się tymi narzędziami (sieć neuronowa), możemy podejść do tego problemu nieco inaczej i jak pokazują publikacje w tych obszarach, daje to całkiem fajny wynik. Powiedz proszę teraz trochę więcej na ten temat. Jakie są osiągnięcia w tym momencie?

Obserwujemy w tym momencie coraz większe zainteresowanie, żeby zastąpić część algorytmów do tej pory były programowanych ręczne, używając różnego rodzaju doświadczeń i heurystyk – elementami uczonymi, czyli elementami uczenia maszynowego, które byłyby w stanie do pewnego stopnia wykorzystać te heurystyki, które były używane do tej pory, ale faktycznie nauczyć się wartości algorytmów, które są wykonywane z danych, tak bardzo efektywnie, jak to możliwe.

Zainteresowanie tym tematem istniało prawdopodobnie już od lat 90, natomiast praktyczne sukcesy zaczęły pojawiać się dopiero od czasów rewolucji deep learningu. Pierwsze publikacje nowoczesne na temat kompresji obrazu i wideo zaczęły powstawać około 2013-2014 r. Większość z tych prac korzysta z metod unsupervised learning i z modeli rodzaju autoencoderów.

Obraz jest konsumowany przez taki autoencoder, który znajduje jakąś skompresowaną reprezentację obrazu, a następnie dekoder próbuje odtworzyć ten oryginalny obraz do jak najlepszego stopnia wierności. To jest metoda na tzw. kompresje ze stratą. 

Druga odmiana, kompresja bez straty, jest w znacznym stopniu poprawiana. Elementem machine learningu, który tam znajduje zastosowanie, są właśnie modele probabilistyczne, które pozwalają nam określić jakie jest prawdopodobieństwo, że kolejny piksel będzie miał taką, czy inną wartość na podstawie pozostałych pikseli w obrazie.

Dzięki możliwości tych modeli uczenia maszynowego, żeby lepiej zamodelować ten rozkład prawdopodobieństwa, możemy opisać ten oryginalny obraz, używając mniejszej ilości danych, bez utraty jakichkolwiek informacji z obrazu wejściowego. To są dwie duże kategorie modeli uczenia maszynowego, które aktualnie znajdują zastosowanie w kompresji obrazów i wideo. 

To naprawdę fascynujące jak technologia się rozwija, jak znajduje różnego rodzaju zastosowania. W odcinku 79. rozmawiałem z Adamem Kosiorkiem na temat uczenia nienadzorowanego. Można tam ten wątek zgłębić. 

Przejdę teraz do innego tematu. Jesteś zaangażowany w Fundację Polonium Foundation. Czym zajmuje się fundacja? Jaki ma cel? Czym się w niej zajmujesz?

Fundacja Polonium zajmuje się łączeniem naukowców zainteresowanych Polską w jakikolwiek sposób, którzy przebywają lub są z zagranicy ze środowiskiem polonijnym za granicą oraz z możliwościami rozwoju kariery naukowej w Polsce.

Fundacja wyrosła z konferencji Science: Polish Perspectives, która była i jest dalej organizowana i w której organizację ja byłem zaangażowany w latach 2014-2016. Aktualnie moja rola jest już znacznie mniejsza i zajmuję się tylko częścią administracji IT tej organizacji.

Trzymam kciuki, żeby to się rozwijało. Obserwuję, że część osób wyjeżdża z Polski i kończy takie fajne uczelnie jak Oxford, ale część z nich potem wraca. Ta fizyczna lokalizacja w tej chwili nie jest aż taka ważna, ale fajnie, że ta więź jest utrzymywana, bo takie kontakty dają fajne owoce. 

Jak duża jest społeczność polskich naukowców zajmujących się uczeniem maszynowym w znaczących ośrodkach zagranicznych (np. w Oxfordzie, w Niemczech, w Stanach)? Jak to możesz oszacować? 

Mówisz o środowisku polonijnym?

Tak.

Przede wszystkim powinienem powiedzieć, że to środowisko rośnie. Jeśli chodzi o rząd wielkości powiedziałbym, że to jest w okolicach około 100 w Wielkiej Brytanii. Nie jest mi łatwo oszacować rozmiar tej społeczności w Stanach.

Wiem, że gdy próbowaliśmy spotykać się na konferencjach, zazwyczaj udawało nam się zebrać około 20 do 40 osób, które byłyby zainteresowane takim spotkaniem. W dużej mierze pochodzą one z różnych europejskich ośrodków – z Wielkiej Brytanii, także z Polski.

Oprócz tego, wiem o ludziach, którzy pracują w Holandii, Szwajcarii, część w Szwecji, w Niemczech. To są główne ośrodki, gdzie spotykam się z Polonią, która działa w obszarze machine learning. 

Na początku wspomniałeś, że robisz doktorat na Oxfordzie. Wyjaśnij dokładnie jak długo ten program trwa. Jak to funkcjonuje? Miałeś półroczne praktyki w firmie w Qualcomm. Jak to się nakłada z tym programem? Jesteś zadowolony z uczelni? Czy rozwija Twoje pasje?

Program, na którym jestem, nazywa się Centre for Doctoral Training. To, co warto o nim wspomnieć to to, że różni się nieco od tradycyjnych programów doktoranckich w Wielkiej Brytanii. Po pierwsze jest to bardziej zorganizowany program aniżeli standardowy doktorat w Wielkiej Brytanii. Pierwszy rok tego doktoratu składa się z trzech etapów.

Przez pierwsze pół roku uczęszczasz na obowiązkowe kursy, a następne pół roku to dwa trzymiesięczne projekty badawcze z różnymi grupami badawczymi, które pozwalają Ci zobaczyć, w jaki sposób współpracuje się z naukowcami, którymi jesteś zainteresowany. Różni się to od standardowego programu doktoranckiego tym, że w standardowym programie doktoranckim zazwyczaj trzeba mieć dość ściśle określone zainteresowania badawcze już od punktu aplikacji.

Jednym z elementów aplikacji jest research statement, w którym opisujesz to, jakimi rodzaju badaniami jesteś zainteresowany, a bardzo często piszesz również research proposal, gdzie sugerujesz, w jakim kierunku Twoje badania poszłyby przynajmniej na początku doktoratu, a możliwe również, że przez cały doktorat, jeśli ktoś ma taką wizję.

W przypadku programu, na którym ja jestem, jest to bardziej program skierowany do ludzi, którzy przechodzą z innych, sąsiednich dyscyplin (ja przechodziłem po licencjacie i magisterce z fizyki) i chciałyby zmienić trochę kierunek, zacząć wchodzić w machine learning. Z tego powodu proces aplikacji jest nieco inny i w moim przypadku nie wymagał sformułowania aż tak szczegółowego planu badań, a bardziej opisania dyscyplin, którymi jestem zainteresowany.

Być może jest to ciekawa opcja dla osób, które nie mają jeszcze formalnego wykształcenia w uczeniu maszynowym, ale wiedzą, że są zainteresowane prowadzeniem badań i są przekonane co do tego, że chciałyby robić doktorat. Tego rodzaju program z racji połączenia tego elementu nauczanego, podobnego do tego, jak wyglądają doktoraty w Stanach Zjednoczonych, pozwala na nieco łagodniejsze wejście w tę trochę inną dyscyplinę nauki.

Jedną z największych zalet tego programu, w porównaniu do takiego niezależnego doktoratu jest to, że przez pierwsze pół roku odbywasz kursy w grupie innych doktorantów z tego samego programu, zazwyczaj jest to grupa pomiędzy 10 a 15 osobami. Jest to grupa, która potem rozchodzi się do różnych grup badawczych, ale z racji tego, jak dużo kontaktu mieliśmy w pierwszym roku, pozostajemy w bliskim kontakcie (aż do tego momentu, 2,5 roku później).

Znacząco ułatwia to nawiązywanie kontaktów pomiędzy różnymi grupami badawczymi, wewnątrz tej samej instytucji, co wcale nie jest takie łatwe, jak mogłoby się zdawać, ponieważ grupy badawcze w temacie uczenia maszynowego są rozsiane po różnych departamentach w Oxfordzie. Bardzo często nawet nie znasz innych ludzi, którzy prowadzą wcale nie aż tak różne badania w tej samej dyscyplinie.

Posiadanie kogoś, z kim jest się w dobrej komitywie w innych grupach badawczych, znacząco ułatwia nawiązywanie tych relacji z innymi grupami badawczymi i poznanie szerszego środowiska, nawet na tej samej uczelni.

Dzięki za to wyjaśnienie. Brzmi jak zachęta, żeby przynajmniej spróbować i poznać ludzi. Chciałbym Ci podziękować za Twój czas i zaangażowanie, żeby wyjaśnić, czym jest probabilistyczne programowanie i spróbować to zrobić w taki sposób, żeby to nie było zbyt skomplikowane.

Życzę Ci samych sukcesów i rozwijaj się w tym kierunku, w którym najbardziej chcesz. Z tego co zrozumiałem, w tej chwili najbardziej Cię kręci kompresja wideo.

Zdecydowanie. Dzięki wielkie Vladimir i również jak najwięcej sukcesów. Trzymaj się w tych dziwnych czasach.

Zacząłem ten tekst zadając pytanie, w jaki sposób analizować docierające do nas informacje. Z jednej strony tych informacji jest dużo w porównaniu z tym, co było 50 czy 100 lat temu.

Teraz wydaje się, że wszystko stało się bardziej transparentne, ale z drugiej strony, jak zaczynasz się zagłębiać w pewne rzeczy, analizować komunikaty pod kątem odpowiedzialności (kto bierze odpowiedzialność za tę czy inną decyzję), to pojawia się bardzo dużo pytań.

Życzę Ci, żebyś zadawał/-a właściwe pytania i próbował/-a dowiedzieć się, co oznacza ten czy inny komunikat. Również życzę Ci bardzo dużo zdrowia, żeby móc to wszystko przeanalizować. 

Artykuł Programowanie probabilistyczne pochodzi z serwisu Biznes Myśli.

Cześć. Witam Cię w 73. odcinku podcastu Biznes Myśli. Według różnych rankingów jednym z najbardziej atrakcyjnych zawodów na rok 2020 jest specjalista od uczenia maszynowego. Nazwy stanowiska mogą być różne, ale chodzi o inteligentną obróbkę danych, wyciąganie wniosków, prognozowanie i inne podobne aktywności. Dzisiaj będzie o tym, jak tam się dostać. Zanim jednak przejdziemy do głównego tematu – ogłoszenia.

W sobotę 14 marca 2020 r. miną 3 lata podcastu Biznes Myśli. Po raz pierwszy w obrębie naszej społeczności spotkamy się na żywo w Krakowie. Zaprosiliśmy ciekawych gości, którzy wcześniej wystąpili w podcaście:

– Łukasz Siatka – odcinek 33., rozmawialiśmy na temat hardware Google, Facebooka i innych firm,

– Teresa Kurek – odcinek 22., rozmawialiśmy o przemyśle,

– Marcin Kurczab z PZU – odcinek 69.,

– Łukasz Kuncewicz – odcinek 19., rozmawialiśmy na temat intuicji i sztucznej inteligencji,

– Paweł Gora – odcinek 53., rozmawialiśmy na temat komputerów kwantowych,

– Martyna Czapska – odcinek 38., mówiliśmy o połączeniu prawa ze sztuczną inteligencją.

Zebrać tych wszystkich ludzi w jednym miejscu i zaangażować do networkingu (czyli będzie można poznać ich osobiście, porozmawiać) było ciężko, ale mamy to! Część z tych osób bardzo rzadko występuje publicznie, więc tym bardziej cieszy mnie fakt, że będziemy mogli się wszyscy spotkać na jednym wydarzeniu. Spotkanie to będzie miało kameralny format. Poczujesz to poprzez przyjazną atmosferę oraz otwartość ludzi, którzy tam się pojawią. Wydarzenie to jest unikalne i szkoda będzie go przegapić, więc koniecznie zaplanuj sobotę 14 marca na spotkanie w Krakowie. Mam nadzieję, że do zobaczenia!

Dołącz do urodzin Biznes Mysli

Bardzo gorąco polecam być na bieżąco np. zapisując się na newsletter – nie ma spamu, za to dużo wartościowych informacji.

Wracając do tematu głównego. Zawód “specjalista machine learning” jest bardzo potrzebny. Również w Polsce coraz więcej firm dostrzega w tym potencjał, ale jest pewien problem. Firmy, które chcą zatrudnić specjalistę od uczenia maszynowego, nie za bardzo mają pomysł, gdzie takich ludzi znaleźć. W szczególności jeżeli mówimy o osobach, które wdrożyły przynajmniej jeden projekt produkcyjny.

To jest bardzo duża różnica między osobą, która “coś tam czytała i coś wdrożyła”. Z drugiej strony są ludzie chętni, którzy chcieliby się tego nauczyć, tylko nie wiedzą do końca, z której strony do tego tematu podejść. Oczywiście są różne źródła, od których można zacząć się uczyć, czym jest uczenie maszynowe, tzw. sztuczna inteligencja. Natomiast mówiąc wprost, w większości przypadków, te materiały są przygotowane przez teoretyków.

Ciężko jest po tych informacjach zostać praktykiem i wyczuć jakiego rodzaju problemy będą do rozwiązania i zrozumieć, co jest ważne, a co niekoniecznie. To jest właśnie sztuka dokonywać wyboru wśród mnóstwa możliwości przeróżnych kombinacji i skupić się na tych, które są najciekawsze. Praktyk ma dość często zupełnie inną metrykę sukcesu niż teoretyk.

Wyobraź sobie, że chirurg uczy się od osoby, która nigdy nie praktykowała. Taka osoba oczywiście jest w stanie przekazać informacje np. na temat narzędzi, ich właściwości teoretycznych, chemicznych, fizycznych itd. Każdy z nas chciałby unikać kontaktu z takimi lekarzami, chociaż nie zawsze to się udaje. Podobnie jest tutaj. Firma to żywy organizm, w którym każda rozsądna osoba decyzyjna, chce mieć poczucie, że przyjdzie osoba, która wie, co robi, a nie dopiero zaczyna kombinować na miejscu i zobaczy, co się stanie.

Pojawia się pytanie – jak do tego tematu się zabrać? Jeśli obserwujesz moje inicjatywy w ramach Biznes Myśli lub Data Workshop to już wiesz, że są różne ścieżki tego, jak można wystartować z uczeniem maszynowym. Jeden z pragmatycznych sposobów, aby wejść do tego świata, to wziąć udział w moim autorskim kursie online na Data Workshop.

Teraz oczywiście jest już dostępnych więcej niż jeden kurs. Pierwszy, główny to „Praktycznie uczenie maszynowe od podstaw„, który trwa 8 tygodni – 6. edycja rozpoczyna się 16 marca 2020 r. Drugi kurs to „Praktyczne prognozowanie szeregów czasowych” – 4. edycja rozpoczyna się 30. marca 2020 r. Dodatkowo dla osób, które nigdy nie programowały lub słabo się czują w Python (w szczególności dotyczące tej działki, gdzie Python łączymy z uczeniem maszynowym) pojawił się kurs pomocniczy „Praktyczne wprowadzenie do Python„, który trwa 3 tygodnie – 2. edycja, rozpoczyna się 17 lutego 2020 r.

Wielu uczestników korzystało z moich kursów. To są bardzo różni ludzie, zaczynając od osób technicznych (np. programiści, analitycy), są również osoby z biznesu (które niekoniecznie chcą się ujawniać, więc pominę szczegóły, ale są to prezesi, osoby dość mocno decyzyjne w dużych firmach, bankach czy innych instytucjach). Ostatnio obserwuję taki trend, że coraz więcej osób ze świata akademickiego się dołącza (z przeróżnych uczelni). Muszę kiedyś usiąść i spisać wszystkie uczelnie, na których pracują moi absolwenci. Tych uczelni jest już ponad 7. To są takie najbardziej znane uczelnie w Polsce.

Dzisiaj zaprosiłem 3 osoby – moich absolwentów z ostatnich edycji, żeby podzielili się swoim doświadczeniem. Sporo opinii na temat kursu już zostało nagranych wcześniej. Jeżeli ominęły Cię te odcinki to podpowiem, że to jest odcinek:

• 61. “Jak ugryźć uczenie maszynowe od strony praktycznej”, 
• 49. „Uczenie maszynowe na DataWorkshop – pragmatyczne wejście do świata ML”,
• 24. „Jak zacząć używać uczenia maszynowego w praktyce”.

Zależy mi na tym, żeby pokazać różne doświadczenia osób, które wzięły udział w kursie. Dzisiaj przedstawiam Ci Michalinę, Jarka i Michała.

Michalina jest bardzo ambitną kobietą, która może jeszcze wiele zrobić, tylko sama powinna w to uwierzyć. To jest ciekawa obserwacja, którą dostrzegam u kobiet dość często – brak pewności siebie bardzo blokuje ich rozwój. Tak naprawdę wystarczy odrobinę pomóc, powiedzieć, jak można zrobić coś trochę inaczej. Człowiek wtedy zaczyna się rozpędzać i to bardzo szybko. Dobra wiadomość jest taka, że zawsze odpowiedzialność jest po stronie człowieka. Jeśli jesteś teraz w trudnej sytuacji, gdzie nie czujesz się pewnie (nie masz pewności, że sobie poradzisz, że być może to nie jest dla Ciebie, być może już za późno) to w tym momencie zatrzymaj się na chwilę. Zadaj sobie pytanie – być może masz takie otoczenie? Spróbuj zrobić krok do przodu we właściwym kierunku i może się okazać, że całe Twoje życie zacznie nabierać zupełnie innego rytmu. Przynajmniej daj sobie szansę.

Rozmowa z Michaliną.

Cześć Michalina. Przedstaw się kim jesteś, czym się zajmujesz, gdzie mieszkasz?

Cześć Vladimir. Mam na imię Michalina. Mieszkam w Warszawie i jestem wykładowcą akademickim. Obecnie prowadzę kilka przedmiotów. Zaczynałam od fotogrametrii, a teraz uczę praktycznego podejścia do cyfrowego przetwarzania i analizy obrazów uzyskanych z różnego typu sensorów.

Co ostatnio ciekawego przeczytałaś?

Mam tę przypadłość, że lubię czytać kilka książek równolegle. Z takich dwóch ciekawszych, które ostatnio udało mi się przeczytać to „21 lekcji na XXI wiek” Harari Yuval Noah. Bardzo fajna książka, opowiada o wyzwaniach, jakie teraźniejszość stawia przed ludzkością i o problemach, w obliczu których każdy z nas obecnie stoi. Poruszany jest temat fake news, biotechnologii, sztucznej inteligencji, rozszerzonej rzeczywistości. To, co najbardziej podoba mi się w tej książce to to, że Harari lubi stawiać prowokacyjne pytania, ale też sam udziela błyskotliwych, chociaż czasem ironicznych odpowiedzi.

Drugą pozycją, już dużo lżejszą od poprzedniej, jest „Historia pszczół” Maji Lunde. Powieść bardzo mnie zaskoczyła. Jest ona rozgrywana na trzech płaszczyznach czasowych – w przeszłości, teraźniejszości i przyszłości. Spoiwem jej są tytułowe pszczoły. Co mnie tu najbardziej zaskoczyło i przeraziło jednocześnie, to pewne aspekty i wizje naszej przyszłości, które w tej powieści opisane są tak prawdopodobnie i realistycznie, że wydają się być samospełniającą się przepowiednią i tym, co może nas niedługo faktycznie spotkać. Także obie pozycje polecam.

Pierwsza pozycja jest mi bardziej znana. O drugiej dziękuję, że wspomniałaś. Jesteś absolwentką kursu „Praktyczne uczenie maszynowe od podstaw” na Data Workshop. Czy kurs spełnił Twoje oczekiwania?

Z czystym sumieniem mogę powiedzieć, że w 100%. Właściwie mogłabym wymienić główne powody.

Pierwszym z nich jest to, że nigdy w życiu nie brałam udziału w takim kursie jak „Praktyczne uczenie maszynowe od podstaw”, a kilka już kursów i szkoleń miałam okazję w życiu odbyć. Nie trafiłam nigdy na taki, który mnie aż tak zaangażował. To nie jest tak, że idziesz na weekend na kilka godzin wykładu. Niby wszystko rozumiesz, obiecujesz sobie, że w tygodniu do tego usiądziesz jeszcze raz i wszystko powtórzysz, ale tak jak to w życiu bywa, zawsze coś, zawsze za mało czasu i szybko zapominasz o tym, co było na kursie. W „Praktycznym uczeniu maszynowym od podstaw” zaangażowałam się na całe 8 tygodni, praktycznie dzień w dzień. To się nigdy w moim życiu nie zdarzyło aż w takim wymiarze. To jest fajne, że przyniosło mi to efekty, wynikające chociażby z samej systematyczności.

Drugi argument to merytoryka kursu. Naprawdę jest to konkretny kawałek wiedzy. Robiłam wcześniej kilka kursów z machine learningu na ogólnodostępnych stronach. Główna różnica jest taka, że w Twoim kursie nie było głównie teorii. Nie robiliśmy niczego na testowych danych. Było to 100% praktyki – rzeczywiste, brudne dane i rzeczywiste problemy. Po prostu siadałam do komputera i czułam, że żyję i jak tu się do tego zabrać. Fajne jest też to, że gdybym przed kursem usłyszała o danym problemie to właściwie podrapałabym się w głowę i powiedziała: No way, w życiu nie ma szans, żebym to rozwiązała. Po kursie – widzę problem i to też nie jest tak, że od razu siadam i wiem linijka kodu po linijce, co bym napisała, ale wiem, jak zabrać się za to zadanie. Wiem, co jest ważne, jakie aspekty muszę rozważyć, jaki jest sposób (często więcej niż jeden), którym mogę to rozwiązać. Siadasz i rozmyślasz.

Trzecia rzecz odróżniająca Twój kurs od innych to wsparcie społeczności na Slacku. Było to pierwsze w życiu takie forum, gdzie nie bałam się zadać najprostszego, najbardziej trywialnego pytania z obawy, że ktoś mnie wyśmieje. Nie wiesz, masz problem – po prostu pytasz i w mega krótkim czasie dostajesz odpowiedź i pomoc. Często w dowolnej porze dnia i nocy, co mnie bardzo często zaskakiwało.

Myślę, że to są takie trzy najważniejsze aspekty potwierdzające to, że kurs spełnił moje oczekiwania.

Dzięki wielkie. Zwłaszcza drugi argument to miód na moje serce. Bardzo zależy mi na tym, żeby przekazać jak myśleć zamiast dawać gotowe rozwiązania, bo życie zawsze zaskakuje. Tak naprawdę każde zadanie jest indywidualne. Jeżeli nie przekażesz trybu myślenia i jak podchodzić do problemu, to ta wiedza będzie tylko informacją, a nie doświadczeniem.

Powiedziałaś troszkę o tym, jak się czułaś. Powiedz coś więcej oraz co Cię najbardziej zaskoczyło.

Najbardziej zaskoczył mnie konkurs. Z natury jestem osobą, która nie lubi brać udziału w tego rodzaju inicjatywach, bo nigdy nie wierzę, że mam szansę wygrać, czy w ogóle sobie w danym zadaniu poradzić. Nie wiem dlaczego, ale w jakiś magiczny sposób, pewnego wieczoru po prostu usiadłam do zadania konkursowego i zaczęłam pisać rozwiązanie. Zaskoczyło mnie moje własne zaangażowanie. Praktycznie do ostatniej godziny walczyłam o uzyskanie jak najlepszego wyniku. Mimo tego że raczej nie znajdę magicznego rozwiązania na miarę zwycięstwa, to po prostu chciałam zawalczyć o jak najlepszy wynik dla samej siebie. Mimo tego, że uplasowałam się daleko od podium, to do dzisiaj jestem z tego dumna, że walczyłam. To było ważne dla mnie. Najśmieszniejsze jest to, że kiedy widzisz rozwiązanie osoby, która wygrała konkurs to myślisz, że to nie była jakaś magiczna receptura. Po prostu byłeś bardzo blisko i to powoduje radość. Nawet z nie wygranej.

Dość często jest taki stereotyp, że kobietom będzie bardzo ciężko odnaleźć się w uczeniu maszynowym, bardzo się boją dołączyć do tego obszaru. Często brak pewności siebie jest tutaj dość mocnym blokerem. Porozmawiajmy troszkę od tej strony. Na ile się odnalazłaś, na ile czujesz, że się da? Jak wyglądała ta transformacja w Twojej głowie?

Masz rację, bo to, co powiedziałeś, to były moje główne obawy. Rozpoczynając niecały rok temu moją przygodę z machine learningiem, siadałam do tego z wiedzą zerową. Szukałam sobie jakiejś działki, w której mogłabym się rozwijać. Byłam wtedy po drugim macierzyńskim, więc miałam 3-letnie i roczne dziecko. Moją główną obawą było to, czy w ogóle dam sobie z tym radę. Jak zrobiłam research osób, które pracują w IT, to przeraziło mnie to, że tam są główne mężczyźni. Obowiązki mamy pracującej jednocześnie na etacie często bywają przytłaczające i strasznie się tego bałam. Jednak w głębi duszy wierzyłam, że to ma sens. To mnie motywowało do tego, żeby każdego dnia chociażby na 10, 15 minut usiąść do pracy i nauki. To zaprocentowało. Teraz cieszę się, że dałam z siebie tyle, żeby usiąść, przerobić to, co miałam przerobić, bo to procentuje. Obawy są jak najbardziej słuszne, bo każda z nas się boi, ale mamy tyle mocy w sobie, że nie ma rzeczy niemożliwych.

Brzmi jak zachęta, że przynajmniej warto spróbować. Na pewno nie warto odpuszczać swoich marzeń.

Jaki jest Twój następny krok? Co zamierzasz zrobić ze zdobytą wiedzą i doświadczeniem?

Po kursie, kiedy widzisz, jaki wachlarz możliwości oferuje machine learning, to jest z czego wybierać. U mnie tak się złożyło, że w pracy zajmowałam się analizą i przetwarzaniem obrazów, ale w klasyczny sposób. Niesamowicie spodobał mi się deep learning w przetwarzaniu danych obrazowych i to, co mogę osiągnąć za pomocą głębokich sieci neuronowych. Zobaczyłam, jakie są możliwości opracowywania danych pozyskanych z bardzo popularnych ostatnio dronów czy danych lotniczych z wykorzystaniem deep learningu. Bardzo mi się to spodobało i w tym widzę dla siebie przyszłe możliwości rozwoju. Chętnie zajęłabym się tym na szerszą skalę.

Trzymam kciuki, żeby wszystko udało się poukładać. Bardzo mnie cieszy Twoja otwartość w tym obszarze.

Przypomniało mi się, że byłaś na szkoleniu na żywo oraz na konferencji we wrześniu Data Workshop Club Club Conf 2019. Jak odbierasz ważność takich spotkań na żywo, networking? Czy to działa, czy nie działa?

Tak, byłam na Data Workshop Tour w maju i na wrześniowej konferencji. Już kiedy pojawiły się zajawki tej konferencji, to byłam zauroczona i wiedziałam, że chcę tam być. Gdy oglądałam filmiki z poprzednich edycji, miałam taką czerwoną lampkę w głowie: O Boże, tam będzie networking, ja będę musiała porozmawiać z innymi ludźmi. Wchodząc na salę konferencyjną, serce mi biło. Strasznie się tego bałam, ale kiedy już podeszliśmy wszyscy do stolików i zaczęliśmy rozmawiać ze sobą, to okazało się, że otaczają mnie ludzie, którzy mają podobne obawy jak ja. Dopiero na drugiej sesji networkingu otworzyłam się na tyle, żeby zupełnie na luzie, szczerze z nimi porozmawiać. Dostrzegłam, jaki to ma potencjał, jak wiele taka rozmowa może nam dać. Można zobaczyć inne osoby, które są w położeniu takim, w jakim jesteś teraz albo są o krok dalej. Dowiedzieć się, jak rozwijały się ich kariery i do czego możesz dążyć. Jest to niesamowite i uważam, że merytoryka jest super i polecam, ale dla mnie osobiście networking, to było coś mega wartościowego. Już mi tego brakuje, bo konferencja była we wrześniu i szukam kolejnego wydarzenia, żeby móc się spotkać z tymi ludźmi.

Najbliższe wydarzenie to zlot absolwentów, a później spotkanie Biznes Myśli w marcu. Jeżeli chodzi o networking to z jednej strony to wszystko jest indywidualne i warto zobaczyć, czy to pasuje. Większość osób (z tego co ja obserwuję) nie docenia możliwości networkingu, tworzenia relacji i rzeczy, które mogą się dziać po takich spotkaniach. Bardzo gorąco polecam. Nawet nie koniecznie inicjatywy Data Workshop. Jeżeli jest jakaś inna, fajna inicjatywa, to warto czasem się wybrać. Warto też uważać na miejsce, gdzie się wybieramy, bo stąd się biorą stereotypy, że spotkania są zbyt sztywne, nie działają. Trzeba po prostu chodzić we właściwe miejsca.

Na koniec chciałbym zapytać, komu polecasz kurs „Praktycznie uczenie maszynowe od podstaw” na Data Workshop?

Każdemu, kto widzi możliwość zastosowanie uczenia maszynowego w tym, co robi lub w tym, co chciałby robić. Bardzo to rozwija i motywuje do pracy nad samym sobą. Widzisz, jakie masz możliwości, jak szybko zmienia się świat i do czego powinno się dążyć. Uważam też, że aby wyciągnąć maksimum wartości z tego kursu, należy mieć już podstawy programowania w Pythonie i delikatne podstawy statystyki, algebry. Osobiście brałam udział w Twoich comiesięcznych challengach. Uważam, że przygotowały mnie do tego bardzo dobrze. Po pierwsze, wprowadzając mnie w świat Pythona, a po drugie pokazując szerokie spektrum tematyki machine learning. Rozpoczynasz nie wiedząc, czym jest uczenie maszynowe, a kończysz z umiejętnością tworzenia pierwszych modeli predykcyjnych. Wtedy mówisz sobie: Wow, ja też potrafię! Bez tej wiedzy, którą mogłam w dość długim czasie się rozwijać, byłoby mi dużo trudniej wejść w ten kurs. Mogłabym mieć dużo więcej problemów technicznych. W ten sposób udało mi się wejść w ten kurs wiedząc, co będę robić i które elementy muszę dopracować. Warto więc przygotować się wcześniej, bo wtedy wyciągnie się 100% z tego kursu.

Bardzo dziękuję Michalina za znalezienie czasu, podzielenie się swoją opinią. Życzę Ci, żeby udało Ci się poukładać wszystkie rzeczy. Powinno się udać i przy kolejnej okazji podzielisz się, jak to poszło. Dzięki wielkie.

Dziękuję bardzo.

Przechodzimy teraz do drugiego absolwenta – Jarka. Dla mnie osobiście, to bardzo inspirujący przykład, chociaż mówiąc wprost – Jarek trochę się tego wstydzi. Tak się złożyło, że Jarek musiał wyjechać do Anglii. W tej chwili pracuje bardziej fizycznie, ale… to jest właśnie moment inspiracji. Wiele osób jest w podobnej sytuacji, bo los tak poukładał życie i są tam, gdzie są. Te osoby narzekają i nic z tym nie robią. Jarek jednak podchodzi do tego tematu zupełnie inaczej – chce to zmienić. Pracuje już nad tym i bardzo zaangażował się w kurs. Mimo tego że było tam dużo nowinek dla niego, to jednak widać było, jak bardzo mu zależało na tym, żeby wgryźć się w temat i przerobić ten materiał. Dlaczego to jest inspirujące? Pomyśl, jak dużo jest osób w podobnych sytuacjach, którzy godzą się z losem i mówią np.: Jest ok, niech tylko dzieciom będzie lepiej. Pewnie to jest jest jedna z najbardziej popularnych wymówek, kiedy mówimy o dzieciach, niech im będzie lepiej, a ja to jakoś wytrzymam. Dlaczego przekładamy tę odpowiedzialność na dzieci? Oczywiście dzieciom niech będzie jak najlepiej, ale też warto pracować nad sobą, ponieważ to jest nasze życie i nasza odpowiedzialność. Może warto spróbować jeszcze podziałać? Może być pod górkę, będą trudności, trzeba będzie wyjść ze strefy komfortu, pomęczyć się, poświęcić. Obecnie Jarek ma takie otoczenie, w którym mało kto rozumie, czym on się zajmuje po pracy. To jest właśnie moment weryfikacyjny, czy danej osobie na tym zależy. Bardzo ważne. Jeśli tak, oznacza to bardzo prostą rzecz. Jak się zaczynasz rozwijać, to zmienia się również Twoje otoczenie. Dzieje się to naturalnie. Przerabiałem to wiele razy i ten proces jest dla mnie bardzo zauważalny. Dla mnie to jest naturalny proces.

Jeszcze nad jedną rzeczą ostatnio rozważałem – osoby, które mają entuzjazm i energię do działania są bardzo inspirujące dla mnie. Dlaczego tak jest? Dlaczego zazwyczaj te osoby nie doceniają tego i myślą, że są gorsze, bo nie mają umiejętności twardych? Prawda jest taka, że mając energię życiową można nauczyć się wszystkiego. Gdy nie ma energii – to jest to mało istotne. Energia życiowa to jest prawdziwy cud, który warto doceniać. Ciesz się z tego, że jak na razie energia życiowa nie jest wprost opodatkowana.

Zapraszam teraz do przeczytania opinii Jarka.

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

Cześć. Nazywam się Jarosław Nadolski. Od 7 lat mieszkam w Anglii, a pochodzę z Wrocławia. Na chwilę obecną zajmuję się czymś zupełnie spoza branży IT – pracuję w fabryce. Jednakże komputery towarzyszą mi przez całe moje życie. Historia z nimi zaczęła się już od pierwszego Commodore 64 z ultra niezawodnym systemem na kasety, aż do czasów obecnych, gdzie korzystam z trochę lepszych maszyn. Od około 2 lat zajmowałem się tworzeniem stron internetowych do momentu, gdy natrafiłem na wyzwanie Vladimira. Jest to inicjatywa Vladimira, która koncentruje się na nauce praktycznego uczenia maszynowego. Zainteresowało mnie to bardzo, dlatego doszedłem do wniosku, że chcę zagłębiać się jak najbardziej w tę branżę. Jest to branża interesująca, z dużą przyszłością. Na chwilę obecną jestem absolwentem kursu „Praktyczne uczenie maszynowe od podstaw” oraz zakończyłem kurs wstępnego intro do Pythona, co umożliwia mi dalszą naukę.

Twoja historia jest inspirująca. Dość często ludzie nie odważają się podjąć pierwszego kroku, żeby pójść w tym kierunku, który im się bardziej podoba. Zostają tam, gdzie są i uznają, że po co cokolwiek zmieniać, że już za późno albo “nie dla mnie”. W Twoim przypadku ewidentnie było widać, jak bardzo się angażowałeś w kurs, pytałeś o różne rzeczy, byłeś aktywny, przerabiałeś zadania. Czy kurs spełnił Twoje oczekiwania?

Kurs jak najbardziej, w 100% spełnił moje oczekiwania. Jak wspomniałem wcześniej, jest to całkowita nowość dla mnie, dlatego zacząłem od intro do Pythona. Umożliwiło mi to lepsze zrozumienie tematu kursu. Każdego dnia uczę się nowych rzeczy. Pomimo tego że kurs już się zakończył, każdego dnia przerabiam materiały, żeby jak najszybciej to wszystko zrozumieć. 

Taka wskazówka dla osób, które rozważają dołączenie do kursu „Praktyczne uczenie maszynowe od podstaw”, ale mają małą wiedzę lub brak wiedzy z Pythona, to polecam najpierw przerobić 3-tygodniowy kurs „Wprowadzenie do Pythona”. Dzięki temu będzie łatwiej się odnaleźć na kursie kluczowym.

Powiedz, co Cię najbardziej zaskoczyło na kursie?

Nie było takich rzeczy, które bardzo mnie zaskoczyły. Gdy podejmowałem już decyzję, że dołączę do kursu, to zrobiłem research w Internecie, żeby odnaleźć jakieś informacje. Najbardziej czekałem na deep learning. To było to, co mnie najbardziej interesowało, czyli analiza rozpoznawania twarzy, pojazdy autonomiczne. Czytałem też wiele publikacji na ten temat wcześniej, m.in. autobiografię Elona Muska, czyli założyciela Tesli. Jest to dla mnie postać inspirująca. Całe szczęście, tak jak oczekiwałem od 5. modułu, wszystko poszło w deep learning, czyli tę branżę, która mnie najbardziej interesowała. 

To jest kolejny ciekawy wniosek, że ważne jest spróbować kilka różnych obszarów i zdecydować się, który obszar najbardziej zaciekawi. Jak obserwuję to, co się dzieje po kursie, to ludzie wyczuwają na praktyce, że to jest obszar, w który chcą się bardziej zaangażować. Powiedziałeś już o tym, że przerabiasz kurs jeszcze raz, żeby utrwalić swoją wiedzę. To jest bardzo ważna rzecz. Również polecam po kursie, przerobić go jeszcze raz, bo tam jest znacznie więcej informacji niż udało się przeczytać za pierwszym razem. 

Jakie masz dalsze plany? Co planujesz zrobić ze zdobytą wiedzą?

Planuję dołączyć do następnej edycji kursu „Prognozowanie szeregów czasowych”, który organizujesz w marcu. Chcę zobaczyć dokładnie, jakie tam będę miał braki. 

Tak, pod koniec marca rusza drugi kurs „Prognozowanie szeregów czasowych”. Dobrze jest sprawdzić jeszcze jeden obszar, czy się spodoba. Myślę, że zaciekawi osoby, które interesują się prognozowaniem wartości w czasie. Zwykle są to tematy związane z inwestycjami, tematy logistyczne (czyli zarządzanie popytem w sklepie, sprzedażą itd.). Warto wziąć udział w tym kursie. Nagrałem również o tym osobny odcinek, więc jak ktoś nie wie, czym są szeregi czasowe i dlaczego warto to prognozować, to zapraszam do tego odcinka.

Komu warto polecasz kurs „Praktycznie uczenie maszynowe od podstaw”? 

Kurs polecam wszystkim, którzy są zainteresowani samouczeniem i wybraniem słusznej drogi w swoim życiu. Rozwój własny jest ważną częścią życia każdego, dlatego podjąłem decyzję, że czas zrobić coś ze swoim życiem. Jeżeli jesteś zainteresowany uczeniem maszynowym, nowymi technologiami, to jak najbardziej ten kurs jest dla Ciebie. Vladimir przekaże Ci całą swoją wiedzę. Wiele razy jak natrafiałem na jakiekolwiek trudności, to uzyskiwałem pomoc. 

Złote słowa. Czas zrobić coś ze swoim życiem. Życzę Ci, aby w tym roku było więcej odwagi, pewności siebie i te plany, które pojawiły się w głowie wcześniej były zrealizowane. Plany bez konkretnej realizacji są tylko i wyłącznie marzeniami, które być może nigdy się nie spełnią. Dzięki wielkie Jarek za to, że się spotkaliśmy i podzieliłeś się swoją opinią. Życzę Ci kolejnych sukcesów na Twojej ścieżce transformacji. Bardzo trzymam kciuki, żeby Ci się udało, bo masz energię, a Twoja historia jest bardzo inspirująca.

Dziękuję bardzo za całą przekazaną wiedzę i na pewno będziemy jeszcze w kontakcie, bo jest to coś, co interesuje mnie jak najbardziej.

Ostatnia opinia na dzisiaj. Michał też jest inspirującym przykładem, ale trochę z innej przyczyny. Pracuje w świecie akademickim i jest osobą z ideałami. Chce zmienić otoczenie, w którym pracuje, uczynić go bardziej wydajnym, efektywnym, inspirującym. Jest typem człowieka, dla którego nie ma rzeczy niemożliwych. Tacy ludzie zwykle mają to siebie, że bardzo często osiągają to, co sobie zamierzyli, bo nie zakładają możliwości niepowodzenia. To jest właśnie kolejny cud, który może się wydarzyć. Trzymam kciuki, żeby udało mu się wnieść tę pozytywną energię w systemie edukacyjnym. Zapraszam do wysłuchania Michała.

Cześć Michał. Przedstaw się: kim jesteś, czym się zajmujesz, gdzie mieszkasz. 

Cześć. Jestem Michał z Olsztyna. Pracuję na Uniwersytecie Warmińsko-Mazurskim. Zawsze w swojej przeszłości zajmowałem się rzeczami, których wspólnych mianownikiem były komputery. Poprzez grafikę, fotografię, gry rozwijałem się w tej tematyce. Aktualnie prowadzę zajęcia praktyczne – laboratoria z mechatroniki na Wydziale Nauk Technicznych, gdzie staram się zarażać młodych ludzi pasją do elektroniki, mechatroniki, informatyki, mechaniki. Natomiast główny cel w moim życiu, to praca na uczelni. W ramach tego rozwijam się zdobywając wiedzę w uczeniu maszynowym. W zeszłym roku otworzyłem przewód doktorski, może w tym roku (takie postanowienie noworoczne) uda się go dokończyć. Zobaczymy. Oprócz pracy na uczelni pracuję także przy projektach, które wykorzystują poniekąd uczenie maszynowe. Studiuję na Politechnice Łódzkiej i tam tworzony był projekt, w którym wykorzystywana jest akwizycja obrazu do tego, żeby sfotografować ciało ludzkie, by wykrywać np. znamiona złośliwe. W tym projekcie zajmuję się analizą obrazu. Dodatkowo w tym roku przed samym kursem, rozpocząłem nowy epizod pracując przy projekcie, gdzie wykorzystywane są techniki uczenia maszynowego do tego, aby analizować tekst. To jest taka nowość dla mnie. Rozpoczęcie pracy przy tym projekcie skusiło mnie do tego, aby uzupełnić swoją wiedzę i wziąć udział w kursie, aby nauczyć się podstaw uczenia maszynowego, które były mi obce (bo zacząłem tę przygodę troszeczkę od tyłu – od grafiki).

Spotkaliśmy się dzisiaj, aby nagrać Twoją opinię jako absolwenta o kursie „Praktyczne uczenie maszynowe” w Data Workshop.

Czy kurs spełnił Twoje oczekiwania?

Myślę, że tak. Skusiło mnie to, co jest zawarte w nazwie czyli praktyczne podejście. Mimo iż pracuję na uczelni, to praktyczne podejście jest mi bliskie. Lubię praktyczne rozwiązania i bazowanie na takim podejściu. Może przez to, że w przeszłości pracowałem na serwisie komputerowym i takie naleciałości mam do dziś. Sam kurs podobał mi się również pod kątem formy, w jakiej zostało to podane. Myślę, że część z tych mechanizmów, które wprowadziłeś w kursie przypadły mi bardzo do gustu. Chodzi o interakcje prowadzącego z uczestnikami. Bardzo spodobała mi się forma online, gdzie mamy cykliczne webinaria, mamy kontakt na Slacku z innymi użytkownikami i możemy wymieniać się wiedzą. To jest naprawdę świetny sposób na to, żeby się rozwijać. Chciałbym, aby tego typu mechanizmy zostały wprowadzone też na uczelniach. Zobaczymy, może mi się uda przeforsować jakieś mechanizmy i będę je wdrażał w swojej pracy.

Jak się czułeś podczas kursu?

Na początku czułem sporą obawę. Liczyłem, że większość osób znacząco przewyższy mnie umiejętnościami programistycznymi. Nie czułem się mocny w Pythonie. Miałem takie szczęście, że akurat w tym roku uruchomiłeś kolejny moduł wstępu do programowania w Pythonie i skorzystałem z tego. Więc dwa kursy za jednym zamachem uruchomiłem i działałem równolegle. Z tego jestem bardzo zadowolony, ponieważ miałem fajne wprowadzenie. Jak się czułem? Czułem często ekscytację. Szczególnie jak był okres konkursu to poświęcałem sporo czasu, chociaż działałem zbyt chaotycznie i to się pewnie odbiło na moim wyniku. Bardzo spodobała mi się forma konkursu, która zmotywowała ludzi do działania i to było widać, jak nagle Slack ożył i co chwilę ktoś zadawał ciekawe pytania, które czasem sam bym zadał. Zaraz mieliśmy odpowiedzi od Ciebie czy od Zbyszka, którego bardzo pozdrawiam. Nawiasem mówiąc myślałem, że Zbyszek jest jednym z uczestników i myślałem, jak on fajnie wszystko tłumaczy. Tak sobie pomyślałem, skąd on bierze czas, ciągle jest na Slacku i cały czas odpowiada na pytania. Niesamowite. Bardzo mi się to spodobało. Były problemy i przyznam szczerze, że będę musiał do nich wrócić. Zwłaszcza w tych pierwszych lekcjach, gdzie był future engineering i analizowaliśmy dane tabelaryczne. Mam wrażenie, że nie przyswoiłem sobie tych informacji w dostateczny sposób. Cieszę się, że będę mógł do tego wrócić, bo po kursie otrzymujemy materiały. Wydaje mi się, że to jest jedna z fajniejszych form kursów, w jakich uczestniczyłem w swoim życiu, dlatego szczerze polecam.

Jeżeli chodzi o materiały, to oczywiście udostępniam i spokojnie będzie można przerobić samodzielnie. Bardzo gorąco polecam to zrobić, bo znając życie człowiek nie potrafi nawet 50% informacji wyczytać w tych materiałach. Czytając po raz drugi, potrafi zauważyć kolejne wartościowe kwestie. Prawdopodobnie Twoja reakcja będzie taka, że: O jejku, czy to tu było faktycznie wcześniej? Czytałem te materiały, a tego nie widziałem? Wspomniałeś, że myślałeś, iż Twoja wiedza i doświadczenie będą mniejsze niż u innych uczestników. To jest ciekawa obserwacja. Nie wiem, skąd to się bierze, ale większość uczestników kursu ma takie przekonanie. Fajne również jest to, że na Slacku po pierwszym czy drugim module, zaczyna pojawiać się więcej pytań. Również pytań takich prostszych. Ludzie odważają się pytać o prostsze rzeczy nie myśląc, że to będzie głupie, czy ktoś to skrytykuje. Tutaj jesteśmy po to, aby pomagać.

Zdobyłeś wiedzę na kursie. Jaki masz dalszy plan na to, jak tę wiedzę zastosować?

Wspomnę też o tym, że oprócz samego kursu, przygodę z Data Workshop rozpocząłem od korony wyzwań. Pamiętam, jak ponad rok temu usłyszałem Twój podcast. Zainteresowałem się, zacząłem go słuchać i nagle w którymś z odcinków wspomniałeś, że ruszyła już korona wyzwań. Spojrzałem na zegarek, na datę i niestety to mnie już ominęło. Tak szczęśliwie się złożyło, że reaktywowałeś pierwszą koronę i ponowiłeś pierwszy moduł. Właśnie z nim wystartowałem. Tak naprawdę, poprzez koronę wyzwań zaraziłem się tą formą nauki. Bardzo spodobało mi się to, że można poprzez praktyczny przykład dojść do ciekawych rezultatów. Właśnie to, że zobaczyłem rezultat i że to działa, sprawiło, że zainteresowałem się głębiej. Podejście to jest dosyć ciekawe. Zauważyłem, że często, jak się uczymy na uczelni czy w szkole, to działa to odwrotnie. Uczymy się od prostych kroczków i sporo czasu poświęcamy, żeby ten finalny efekt zobaczyć po długim okresie czasu. Nie miałem z tym większego problemu w przeszłości, ale widzę, że w tej chwili młody człowiek szybciej się zarazi, kiedy zobaczy rezultat na początku. Wtedy dostaje takiego kopa, by działać dalej. To mi się bardzo spodobało. Wiedza, która została podana jest przedstawiona w sposób bardzo usystematyzowany. Pokazuje przegląd tego, do czego można wykorzystać te techniki. Kurs pokazał też to, jak te mechanizmy w środku przebiegają, jak ważny jest future engineering (wydobywanie cech w początkowym etapie). Mi się wydaje, że to jest fajny kurs, który można polecić każdej osobie, która się tym zainteresuje. Ten kurs jest dobrym wyznacznikiem tego, czy ktoś chce się zajmować tą tematyką. Sądzę, że jeżeli ktoś dotrwa do ostatniego modułu i będzie utrzymywał dalej ten poziom motywacji, jaki miał na początku (chociaż 70% tego co miał na początku), to może sobie odpowiedzieć na pytanie – czy naprawdę tym chcę się zajmować? 

Często człowiek odkłada różne decyzje życiowe na potem, natomiast żeby zweryfikować i sprawdzić różne opcje, należy je przetestować. Osobiście przetestowałem mnóstwo różnych, ciekawych i mniej ciekawych rzeczy związanych z oprogramowaniem i innymi tematami. W ten sposób znalazłem obszar, który mnie najbardziej kręci. Staram się na kursie dodawać wątki, aby człowiek zastanowił się trochę, pomyślał, obudził się, aby więcej było świadomości i mniej decyzji automatycznych. Jeżeli decyzja jest automatyczna, to nie wiadomo, dokąd ostatecznie prowadzi. Spodobało mi się to, co powiedziałeś, że kurs jest takim wyznacznikiem weryfikacyjnym, aby upewnić się, czy chcesz się danym tematem zajmować. Jedna sprawa to czytać wiadomości marketingowe o sztucznej inteligencji, a druga sprawa to usiąść i napisać kilkanaście rozwiązań w ciągu 2 miesięcy pracy. Wtedy decyzja jest bardziej świadoma. Czy chcę się tym zajmować, czy nie?

Nawiązując do ostatniego pytania – gdzie to wykorzystam? Na pewno wykorzystam to w pracy dydaktycznej. Prace inżynierskie studentów, gdzie budują roboty i pojawia się kamera, aż się prosi, aby wykorzystać elementy machine learningu, żeby rozpoznawać obiekty, dokonywać detekcji, automatyzować procesy bazując na tych metodach. Studentom to się bardzo podoba. Możliwe, że uda się stworzyć takie gniazdko, gdzie będzie grupa zainteresowania. Wspomnę, że już w przyszłym tygodniu będziemy spotykać się na uczelni w Olsztynie. Głównym koordynatorem jest Łukasz, który tym zarządza. Widzę już powoli, że pojawiają się studenci, którzy sami przychodzą i dopytują, co można by było zrobić w tej tematyce. Chociaż nasz wydział jest bardziej wydziałem technicznym niż informatycznym, to ta tematyka wchodzi w tej chwili w każdą dziedzinę życia. Co chwilę widzę jakiś element w mechatronice, który można by było usprawnić wdrażając uczenie maszynowe i to jest piękne. Możliwe, że pojawi się przedmiot w najbliższych latach, który będzie bazował na uczeniu maszynowym. Zobaczymy, czas pokaże. Na pewno będę starał się przekazywać dalej wiedzę, którą zdobyłem na kursie,. 

Jest to inspirująca historia też dla mnie. Inspiracja polega na tym, że próbujesz zmienić system edukacji i wprowadzić bardziej nowoczesne elementy. Mimo tego że czasem ten system jest dość oporny, ale właśnie ludzie, którzy mają dużo entuzjazmu zmieniają te wszystkie blokery po to, żeby zaciekawić studentów i aby ta wiedza się propagowała. U Ciebie entuzjazmu jest bardzo dużo.

Dziękuję Ci Michał za rozmowę, czas i do zobaczenia.

Dziękuję również.

Na koniec jeszcze jedno ogłoszenie – 15 lutego w sobotę w Krakowie odbędzie się II Zlot Absolwentów Data Workshop. Jest to spotkanie dla absolwentów kursu, ale również dla osób, które dołączyły do kolejnej edycji kursu „Wprowadzenie do Python”, „Wprowadzenie do uczenia maszynowego” 6. edycja lub „Praktyczne prognozowanie szeregów czasowych”. Warto tam się pojawić, bo wiele fajnych rzeczy może się wydarzyć. Poznasz innych absolwentów. Zapraszamy ludzi ze wszystkich edycji. Posłuchasz ich historii oraz wskazówek, dzięki czemu możesz zaoszczędzić swój czas lub zyskać pewne pozytywne osiągnięcia na swoim koncie, które prawdopodobnie mogłyby Cię ominąć. Doświadczenie jest takim zasobem, które może skrócić Twoją ścieżkę lub pokazać ścieżkę, o której nie zdajesz sobie sprawy. 

Pierwszy zlot odbył się we wrześniu 2019 r. i był bardzo pozytywnie odebrany. Warto być w tym gronie i podziałać. Networking robi bardzo pozytywny efekt i na moich własnych oczach wydarzają się sytuacje, kiedy ludzie się poznają, znajdują pracę, działają wspólnie przy projekcie, wymieniają się doświadczeniem, odblokowują się nawzajem (bo każdy opowiada swoje doświadczenie życiowe). Jeżeli planujesz dołączyć do kursu, będzie to ciekawa okazja, żeby uczestniczyć w tym gronie i tuż przed rozpoczęciem kursu poznać ludzi, którzy kurs ukończyli i dowiedzieć się więcej. 

Artykuł Co może przynieść praktyczny kurs ML i kiedy warto spróbować pochodzi z serwisu Biznes Myśli.