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.

Sztuczna inteligencja znajduje swoje zastosowanie w wielu dziedzinach. Tym razem poruszę temat robotyzacji. Mój gość, Marek Cygan z Nomagic, opowie o oprogramowaniu przygotowywanym w specjalnym projekcie, a także o możliwościach, jakie niesie wykorzystanie sztucznej inteligencji w tym obszarze.

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

Cześć. Nazywam się Marek Cygan. Pracuję w firmie Nomagic oraz na Uniwersytecie Warszawskim. Pracuję w Warszawie, natomiast mieszkam również w Toruniu. 

Co fajnego ostatnio przeczytałeś i dlaczego uważasz, że jest to warte polecenia?

To zależy, o jakiego typu książkach mówimy. W zakresie zarządzania zespołem polecam „Radical Candor” autorstwa Kim Scott oraz „What You Do Is Who You Are” Bena Horowitza – związana z prowadzeniem startupów, bardzo polecam. Natomiast jeśli chodzi o książki mniej związane z pracą, to czytałem „Homo deus” Yuval Noah Harari – również polecam.

Dzięki za polecenia, bardzo ciekawe pozycje. Wspomniałeś, że pracujesz w Nomagic. Tak naprawdę zajmujesz się wieloma rzeczami i masz sukcesy w różnych obszarach, ale zacznijmy od Nomagic. Czym się zajmujecie?

W Nomagic zajmujemy się robotyką. Natomiast to nie jest bardzo szeroka robotyka. Interesuje nas aplikowanie najnowszych osiągnięć uczenia maszynowego w robotyce, aby stworzyć usługę, z której będą mogli korzystać nasi klienci. Mówiąc usługę mam na myśli to, że nie budujemy robotów w naszym laboratorium.

Kupujemy roboty i produkujemy dla nich oprogramowanie, które korzysta z metod sztucznej inteligencji, przetwarzania obrazów i różnych innych nowoczesnych technologii. Wdrażamy następnie te roboty u klientów, a one wykonują dla nich konkretne usługi. W tej chwili działamy w segmencie logistycznym. To są duże magazyny przeładunkowe głównie firm z handlu internetowego. 

Wybraliście robotykę i jedno zagadnienie z tego obszaru. Dlaczego akurat robotyka?

W momencie, w którym zaczynaliśmy naszą przygodę (działo się to już ponad 3 lata temu), skontaktował się ze mną Kacper Nowicki. Bardzo chciał założyć startup w Warszawie. Zastanawialiśmy się, jaka mogłaby być dziedzina, w której użyjemy metod uczenia maszynowego. Punktem wyjścia było to, że chcieliśmy użyć najnowszych osiągnięć w dziedzinie uczenia maszynowego tak, żeby mieć komercyjny produkt. Mam tutaj na myśli konkretnie produkt, a nie projekt.

Nie chcieliśmy tworzyć firmy, która zajmowałaby się wykonywaniem konsultacji czy konkretnych projektów pod klientów. Nie pojedyncze przedsięwzięcia, lecz zunifikowany produkt, który można sprzedawać w wielu egzemplarzach. Chcieliśmy zbudować w ten sposób firmę, która ma szansę się rozwijać do bardzo dużych rozmiarów. 

Żeby wybrać rynek, na którym taki produkt może zaistnieć, trzeba wziąć pod uwagę bardzo wiele czynników. Głównym czynnikiem dla nas była konkurencja dużych firm, które mają bardzo wiele danych. Jeśli spojrzymy na zagadnienia, które można wykonywać przy przetwarzaniu obrazu, dźwięku to Google czy Facebook mają ogromne ilości danych.

Uznaliśmy, że bardzo ciężko byłoby nam konkurować z nimi na tym konkretnym rynku. Szczególnie że w momencie, w którym prowadziliśmy nasze rozważania (2016 r. lato), te przełomowe wyniki w uczeniu maszynowym, przetwarzaniu obrazów już się wydarzyły parę lat wcześniej. Była duża szansa, że bylibyśmy spóźnieni próbując zakładać firmę w tej konkretnie dziedzinie.

Tak się zdarzyło, że niezależnie Kacper i ja natknęliśmy się na prace (artykuły naukowe publikowane przez grupę z Google Brain i inne grupy badawcze), które wykorzystywały uczenie maszynowe w robotyce. Obu nas te metody bardzo zainteresowały. Zaczęliśmy się zastanawiać, co można z tym zrobić. 

Na początek, zebraliśmy parę osób, które chciały zreprodukować wyniki jednej z takich prac po to, żeby nauczyć się jak te metody działają i czy jest to coś, co nas interesuje. Zebraliśmy zespół 5-6 osobowy, przy czym to było takie założenie, że każdy z nas będzie się tym zajmował tylko przez 20% swojego czasu. Ja pracowałem wtedy na Uniwersytecie, a Kacper pracował w innej firmie w Berlinie.

Osoby, które do nas dołączyły, też miały albo pracę, albo studia. Posuwaliśmy się dość powoli, ale stabilnie do przodu. Po paru miesiącach takiej pracy uznaliśmy, że jest to dla nas na tyle interesujące, że chcemy się tym zająć na poważnie. W związku z tym, że pracując w tempie odpowiadającym poświęcaniu 20% czasu poruszaliśmy się stosunkowo wolno, to uznaliśmy, że albo robimy to na poważnie, albo wcale.

Wtedy zdecydowaliśmy, że chcemy założyć firmę. To był marzec 2017 r. Ustaliliśmy, że będzie to kwestia około kwartału, aż założymy formalnie spółkę i znajdziemy pierwszych pracowników. Formalnie otworzyliśmy biuro w czerwcu 2017 r. 

Ciekawa przygoda. Nakreślmy aktualną sytuację w obszarze robotyzacji. Jakich metryk się używa i jak mierzy się stopień zautomatyzowania danego społeczeństwa? Jak należy to interpretować?

Standardową miarą używaną do oceny stopnia robotyzacji danego społeczeństwa jest gęstość robotów w przeliczeniu na 10 tys. pracowników. Czyli dla średniej grupy 10 tys. pracowników, ile wśród nich jest robotów? Używając takiej miary za rok 2018 w Polsce robotów było 42.

W poprzednich latach były to odpowiednio mniejsze ilości. Dla porównania, średnia gęstość robotyzacji na świecie, wynosi 99 (czyli ponad dwukrotnie więcej niż w Polsce), dla Europy – 114. To są dane za rok 2018, nie widziałem jeszcze raportów za rok 2019. Jeśli mówimy o tej metryce, to tutaj jest bardzo istotna kwestia, dlatego że w poszczególnych branżach ten stopień zrobotyzowania musi być diametralnie różny.

Prym wiedzie przemysł motoryzacyjny. W Polsce, tak jak gęstość robotów wynosi 42, to w sektorze motoryzacyjnym to już jest 190. Czyli jest ponad pięciokrotnie większa gęstość w tym sektorze. Jest to taki współczynnik, który tak samo stosuje się na świecie, tzn. w sektorze motoryzacyjnym w niektórych krajach ta liczba robotów na 10 tys. pracowników, przekracza nawet 1 tys.

Natomiast jeśli chodzi o gęstość robotyzacji nie tylko w motoryzacji ale ogółem, to nasza liczba w Polsce to jest 42. Tutaj wypadamy słabiej niż inne kraje regionu typu Słowacja, Czechy. Tam te liczby oscylują w okolicach 150. Wynika to też z faktu, że w tym obszarze przemysł motoryzacyjny jest proporcjonalnie dużo większy niż w Polsce (nawet w liczbach bezwzględnych jest większy, a w przeliczeniu na liczbę pracowników, to już jest dużo większy).

Natomiast globalnie liderem robotyzacji jest Singapur, gdzie liczba robotów na 10 tys. pracowników, przekracza 800. Niemcy przekroczyli 300, a średnia dla świata to około 100. 

Temat robotyzacji jest pełen mitów. Jeżeli dołożymy do tego tzw. science-fiction, który się łączy i przecina, ludzie czasem się gubią, nie wiedzą, gdzie jesteśmy teraz i jak to się posuwa. Na przykład, słynny robot od firmy Boston Dynamics, który potrafi robić przeróżne cuda, skakać, biegać i robić obroty w bardzo niestandardowy sposób. Jak to oglądasz, to czujesz, że ten terminator już jest coraz bliżej.

Z drugiej strony istnieje taka inicjatywa zorganizowana przez Darpa – Darpa Robotics Challenge. Na zadaniach w tym projekcie roboty z Boston Dynamics nie wyglądają już tak efektywnie i skutecznie. Tu od razu się przypomina tzw. Paradoks Moraveca, gdzie czynności, które dla człowieka wydają się proste, dla robota nagle okazują się niesamowicie skomplikowane i bardzo trudne w rozwiązaniu.

Człowiek nawet nie jest w stanie sobie uświadomić, dlaczego tak się dzieje, że te inputy, które docierają do nas (w szczególności przez kanały marketingowe), z jednej strony wyglądają tak, że roboty już potrafią robić takie cuda, a z drugiej strony tak naprawdę jest za daleko, żeby stwierdzić, że ten robot już będzie się zachowywać jak terminator, którego wrzucasz na dowolny teren w mieście i będzie wchodzić np. do budynku, szukać odpowiedniego pomieszczenia, otwierać właściwe drzwi. To może być duże wyzwanie.

Dlaczego są tak duże zróżnicowania i gdzie faktycznie jesteśmy teraz?

Główny problem polega na tym, że w świadomości ludzkiej nie mamy zrozumienia, jak trudne obliczeniowo problemy nasz mózg jest w stanie rozwiązywać bardzo szybko – problemy związane głównie z przetwarzaniem tego, co widzimy, planowaniem naszych ruchów, reagowaniem na bodźce.

Nasz mózg metodą ewolucji został dostosowany i jest bardzo efektywny pod tym względem. Robi na nas wrażenie, jak komputer potrafi mnożyć liczby, które mają miliony czy miliardy cyfr, natomiast nie potrafimy zrozumieć, jak to jest, że przez długi czas komputer nie był w stanie rozpoznać, czy na zdjęciu jest kot czy pies.

Tego typu problemy potrafimy niezawodnie rozwiązywać dopiero od kilku lat. Jeśli chodzi o roboty, to tutaj takim przykładem jest robot Atlas z firmy Boston Dynamics. Ten robot potrafi wykonać np. salto do tyłu i się nie wywrócić, co wygląda bardzo efektownie. W momencie, w którym ten robot ma wykonać jakieś zadanie, w którym ma się odnaleźć w środowisku i wykonać jakąś konkretną akcję (doprowadzić do jakiegoś określonego rezultatu), to sprawa wygląda dużo trudniej. 

Robot musi umieć odnaleźć się w środowisku, którego nie zna. Właśnie ta umiejętność odnajdywania się i działania w zmiennym środowisku jest bardzo trudne. Jest to ciężkie do zrozumienia. Związane jest to z tym, że sposób, w jakim komputer przetwarza obrazy, polega na przetwarzaniu wszystkich pikseli danego obrazu.

To, jak te piksele kodują dany obraz, bardzo się zmienia w zależności od oświetlenia, ustawienia. Niezwykle trudno jest opracować metody, które potrafią rozpoznawać obiekty niezawodnie w bardzo różnorodnych warunkach. 

Przez wiele lat dominowały ręczne metody przetwarzania obrazów. Można o tym myśleć jak o różnych filtrach, które stosuje się w programach do cyfrowej obróbki zdjęć. W ostatnich latach tę dziedzinę zdominowały metody opierające się na trenowaniu modeli. Oznacza to, że zbieramy dane np. kilka milionów zdjęć i wiemy, co na każdym z nich się znajduje.

Czy na tym zdjęciu jest kot, pies czy jakiś inny obiekt. Dla każdego zdjęcia, musimy zapisać sobie tę informację. Potem konstruujemy sieć neuronową, tj. taki matematyczny obiekt, który ma w sobie masę parametrów. O takiej sieci neuronowej można myśleć jako o ciągu wykonywanych operacji na tych obrazach. Tak jak mamy różne efekty w programach do obróbki zdjęć, np. wykrywanie krawędzi, przyciemnianie, rozmazywanie.

Okazuje się, że jeśli złożymy ze sobą odpowiednio dużo tego typu transformacji i użyjemy w nich odpowiednich parametrów, to na końcu będziemy w stanie uzyskać odpowiedź, czy na danym zdjęciu jest kot, pies czy inny obiekt. Natomiast znalezienie tych parametrów jest bardzo trudne, bo w sieci neuronowej potrafi ich być od kilku milionów do kilku miliardów. 

Żeby poprawnie ustawić te wszystkie parametry w sposób automatyczny (ręcznie jest to niemożliwe do zrobienia) metodami optymalizacji (które za pomocą algorytmów komputerowych poprawiają te parametry z każdym krokiem uczenia naszej sieci), musimy dysponować odpowiednią mocą obliczeniową i odpowiednio dużymi zbiorami danych.

Dopiero od kilku lat te trzy rzeczy jednocześnie są dostępne, czyli odpowiednio duża moc obliczeniowa, odpowiednio duże zbiory danych, odpowiednie algorytmy i modele matematyczne, które są w stanie te problemy rozwiązywać. Połączenie tych trzech składników pozwala rozwiązywać problemy przetwarzania obrazów. Natomiast jeżeli chodzi o samego robota, to robotyka to dużo więcej niż przetwarzanie obrazu. 

Jak wchodzimy do pokoju i chcemy np. napić się kawy, to nie jest tak, że wchodzimy do pokoju, oglądamy cały pokój, lokalizujemy, gdzie jest czajnik, kubek, po czym zamykamy oczy i idziemy w ciemno w to miejsce nie reagując na bodźce. Robotyka bardzo długo w ten sposób działała, że w momencie pojawienia się odpowiednich metod przetwarzania obrazów, robot zbierał obrazy z otoczenia, próbował wymodelować całe otaczające go środowisko, po czym planował swoje akcje.

To tak jakbyśmy weszli do pokoju, rozejrzeli się dookoła i zaplanowali sobie, że musimy zrobić 5 kroków do przodu, obrót w prawo, dwa kroki do przodu, otworzyć górną szafkę, wyciągnąć kubek. Ten robot robi to często z zamkniętymi oczami i nie kontroluje tego, czy znajduje się w miejscu, w którym myślał, że będzie się znajdował. Nie kontroluje tego, czy środowisko się zmieniło albo czy w pierwotnej ocenie sytuacji pojawił się błąd.

Dopiero w ostatnich 2 latach pojawiły się artykuły o robotach sterowanych w tzw. układzie zamkniętym, czyli takim gdzie reagujemy z odpowiednią częstotliwością – np. 10 razy na sekundę uaktualniamy nasz plan w zależności od tego, co widzimy dookoła. 

Jest jeszcze jeden duży, nierozwiązany problem – w jaki sposób poradzić sobie ze zmysłem dotyku? Jest to kolejny zmysł ludzki, którego nie umiemy jeszcze wykorzystać w robotach. Umiemy wykryć, że nastąpił kontakt z otoczeniem, natomiast bardzo trudno jest w sposób elastyczny dostosować się do otoczenia na podstawie doświadczanego kontaktu z otoczeniem. Szczególnie jeśli przedmioty, z którymi mamy do czynienia, są miękkie i potrafią się deformować. 

Wracając do początku firma Darpa ogłosiła konkurs Darpa Robotics Challenge, który trwał między 2012 r., a 2015 r. W ostatnim roku trwania tego konkursu zadaniem była ewakuacja z budynku. Robot miał wejść do budynku, co wiązało się z otwarciem drzwi, zlokalizowaniem zaworu, zamknięciem zaworu, wejściem po schodach i wyjściem z budynku.

Żaden robot nie był w stanie wykonać w pełni tego zadania. W Internecie możemy obejrzeć różne nagrania, w których te roboty w fascynujący sposób się wywracają. To jest ten sam robot – Atlas z firmy Boston Dynamics. Ten sam, który wcześniej potrafił wykonywać akrobatyczne sztuczki, nie potrafił wykonać prostego zadania, jakim było otwarcie drzwi. Pomimo tego że w ostatnich latach widzimy tutaj postępy, moim zdaniem nie zobaczymy robotów w życiu codziennym w ciągu najbliższych kilku lat, gdyż te roboty najpierw będą się pojawić w takim segmencie jak logistyka.

W magazynach gdzie trzeba przetwarzać różne paczki albo pakować zamówienia w magazynach sklepów internetowych, gdzie zakres produktów jest bardzo szeroki sięgający nawet 100 tys. różnych produktów lub jak w przypadku największych magazynach Amazona – 1 mln produktów. Mówiąc o różnych produktach mam na myśli milion różnych kodów kreskowych. 

Ta różnorodność to jest coś, co powodowało, że robotów w logistyce było dużo mniej niż np. w sferze motoryzacyjnej. W sektorze motoryzacyjnym w momencie, w którym jest zbudowana linia budująca samochody, roboty będą budować dokładnie takie same samochody przez cały dzień i całą noc (nawet przez kilka lat z rzędu). Tutaj to środowisko się w ogóle nie zmienia. Roboty wykonują cały czas te same zadania.

Oczywiście robi to wrażenie, bo potrafią podnosić bardzo duże ciężary. Często muszą być zsynchronizowane ze sobą, czyli jest kilka robotów spawających dany fragment. Jak się na to patrzy, to robi to duże wrażenie, ale cały wysiłek był w synchronizowaniu tych robotów i ręcznym ustawieniu różnych parametrów, bo ten robot nie jest w stanie dostosować się do żadnych zmian w tym środowisku.

W momencie, w którym ktoś chciałby tego robota przesunąć nawet o 5 cm, to dużą część pracy trzeba wykonać od nowa, tak żeby wszystkie je zsynchronizować i ustawić. 

My w ramach Nomagic, wdrażamy nasze roboty w sektorze logistycznym (głównie w magazynach handlu internetowego) i na tym się skupiamy. Naszym celem jest wdrożenie 1 tys. robotów w ciągu 5 lat. Jest to bardzo ambitny cel, ale wierzę, że będziemy w stanie tego dokonać. 

Kolejnym obszarem, w którym moim zdaniem możemy zobaczyć roboty już wkrótce, jest bezpieczeństwo, monitorowanie przestrzeni, ochrona. Będą to roboty, które nie będą w stanie wchodzić w interakcje ze swoim otoczeniem (lub interakcja będzie bardzo ograniczona).

Będą to takie maszyny, które będą poruszać się po otoczeniu, skanować je w poszukiwaniu nieoczekiwanych zmian. W momencie, w którym te nieoczekiwane zdarzenia będą miały miejsce, będzie wzywany człowiek i to człowiek będzie reagował na te zdarzenia, gdyż ludzie bardzo dobrze reagują w nowych sytuacjach, a roboty niestety jeszcze nie. 

Bardzo ciekawa analogia z zamkniętymi oczami odnośnie do tego, jak działa robot. To faktycznie umożliwia znacznie lepiej zrozumieć, gdzie są wyzwania. Czasem jak ludzie wchodzą do pokoju, też zamykają oczy, jak idą po kawę. Różnie to się kończy i może być wyzwaniem, w szczególności jeśli środowisko zmienia się w czasie, np. ktoś otwiera szafkę. Ale to daje też do myślenia, na czym polega ta różnica. 

Powiedziałeś, że macie bardzo ambitne plany wdrożyć 1 tys. robotów w ciągu 5 lat. Czy już macie przynajmniej jednego robota wdrożonego?

Tak, dokonaliśmy już naszych pierwszych wdrożeń. Mogę powiedzieć, że naszym pierwszym klientem była francuska firma CDISCOUNT, tj. największa firma handlu internetowego we Francji obok Amazona. Jest to konkurent Amazona działający lokalnie na rynku francuskim. To był nasz pierwszy klient, z którym współpracowaliśmy już od lutego 2018 r. Nasz pierwszy robot był zainstalowany na jesieni 2018 r.

Od tamtego czasu robot obsługiwał już prawdziwe zamówienia i pakował produkty dla klientów. Natomiast przez pierwszych kilka miesięcy robot był pod obserwacją, czyli cały czas jeden z naszych pracowników był obok tego robota i monitorował co robi, zbierał informacje, tak abyśmy mogli poprawić jego działanie. Weszliśmy w taki tryb produkcyjny, w którym ten robot wykonuje swoje działania w zadowalający sposób (kwiecień 2019 r.). To jest ten moment, kiedy moim zdaniem możemy mówić o pierwszym wdrożeniu.

Rozmawiamy teraz z kolejnymi klientami, ale nie mogę się podzielić szczegółami. Mogę powiedzieć, że koncentrujemy się na rynku europejskim – niemieckim, francuskim i sąsiednich regionach. W Polsce na wdrożenia jest jeszcze za wcześnie głównie z ekonomicznego punktu widzenia, tzn. koszty pracy w wymienionych krajach są dużo wyższe niż w Polsce. To powoduje, że opłacalność wdrożenia w tych krajach jest dużo wyższe niż w Polsce, więc skupiamy się w tej chwili tylko i wyłącznie na rynkach zagranicznych. 

Bardzo ciekawe. Pierwszy wdrożenie już działa. Jak natomiast wyglądał proces pracy przed jego pojawieniem się? Jeżeli jesteś w stanie wymienić liczby, to będzie jeszcze bardziej namacalne, czyli ile osób tam było zaangażowanych? Co dokładnie te osoby robiły? Jaka była ich wydajność w jednostce czasu (np. w ciągu doby, tygodnia)? Czy masz takie liczby?

Nie mogę wszystkiego dokładnie powiedzieć, ale mogę podzielić się informacjami na temat pierwszego wdrożonego robota. Tutaj nasz klient też jawnie prezentował nasze rozwiązania na konferencji, więc mogę o tym opowiedzieć (w tym o różnych liczbach, związanych z tym robotem). O kolejnych wdrożeniach niestety już nie będę mógł mówić. Wracając do naszego pierwszego wdrożenia dla firmy CDISCOUNT, jest to taka firma, w której na platformie internetowej klienci dokonują zamówień i potem te produkty są wysyłane pocztą czy kurierem do domów tychże klientów.

To, co się dzieje pomiędzy momentem zamówienia na stronie internetowej, a momentem, w którym paczka opuszcza magazyn, to kompletowanie zamówienia. Ono odbywa się w trzech fazach. Najpierw dany produkt musi zostać znaleziony na półce w magazynie, czyli jest osoba, która porusza się po tym magazynie (albo na piechotę, albo korzystając z jakiegoś wózka), zbiera produkty z półek i odkłada je do zbiorczego koszyka, w którym są produkty z bardzo wielu zamówień.

Potem taki koszyk trafia na kolejne stanowisko, gdzie produkty są sortowane. Koszyk wygląda mniej więcej tak, jak koszyki w supermarketach (z siatki metalowej) i jest w nim dość duży bałagan, gdyż te produkty są wkładane do nich bezpośrednio z półek. Kolejny etap to wyjmowanie tych produktów z koszyka i wkładanie do pudełek, które w trzecim etapie są automatycznie pakowane, oklejane i wysyłane do klientów. Zautomatyzowaliśmy etap drugi.

W momencie w którym do naszego stanowiska doprowadzony zostanie koszyk z produktami, robot będzie te produkty po kolei wyjmował, skanował ich kody kreskowe (aby zidentyfikować dany produkt i zamawiającego), pakował do kartonowego pudełka, które następnie będzie odkładane na taśmociąg. Tym taśmociągiem produkt jest dostarczany dalej do części, która już była wcześniej zautomatyzowana (czyli zamykanie pudełka, oklejanie), a następnie wędruje do firmy kurierskiej, która rozwozi te zamówienia.

Jeśli chodzi o to, jaka jest wydajność systemu, to tutaj mierzy się to liczbą przedmiotów, które ten system jest w stanie przetwarzać na godzinę. Przy czym ten parametr, bardzo mocno zależy od tego, co dokładnie robot ma robić. W tym przypadku koszyk, z którego produkty są wyjmowane jest duży (objętość ok. 1m3). Tutaj człowiek nawet nie pracuje zbyt szybko, bo trzeba produkty kolejno wyjmować, skanować kody kreskowe i odkładać do pudełka.

Takim punktem wyjścia była liczba między 200 a 250 przedmiotów na godzinę. Był to cel postawiony przez naszego klienta, a my go zrealizowaliśmy. Im szybciej robot pracuje, tym lepszą wydajność uzyskujemy i jest to zysk klienta w stosunku do tego, jakby na tym stanowisku pracował człowiek (mamy bardziej wydajne stanowisko). 

Tutaj też pojawia się oczywiście kwestia pomyłek. Jest bardzo istotnym, czy robot będzie wykonywał mniej czy więcej pomyłek niż człowiek. Jednym z problemów jest to, że trudno jest zmierzyć, ile dokładnie człowiek tych błędów popełnia. W tego typu magazynach znana jest globalna liczba pomyłek, tzn. ile przedmiotów zostaje zgubionych na całym etapie pakowania. Trudno jest o liczby dotyczące poszczególnego stanowiska, gdyż w tym celu musiałby być bardzo skrupulatny monitoring każdej części systemu, co często bywa nieopłacalne. 

My przekonujemy, że nasz system działa na poziomie tak dobrym jak człowiek. Mamy tutaj różne metody monitorowania, czy nasz system popełnił błąd. Jednym z takich błędów, których należy się bardzo wystrzegać, jest spakowanie dwóch przedmiotów zamiast jednego. Przedmioty potrafią się skleić ze sobą, jeden mniejszy potrafi się ukryć w drugim.

Nie zawsze są to prostopadłościenne opakowania, czasami są różne zabawki albo karty podarunkowe, elektronika i tutaj różne rzeczy mogą się ze sobą złączyć. Szczególnie jeśli mówimy o wydarzeniach, które mają miejsce raz na 1/1000 lub 1/10000 przypadków. Radzenie sobie i obsługa tego typu rzadkich przypadków jest największym wyzwaniem w całym naszym przedsięwzięciu.

Nawet jeśli nasz system będzie popełniał błąd 1/1000 razy (co wydaje się dość rzadko), to jeśli ten błąd powoduje, że np. robot byłby w stanie zniszczyć jakiś przedmiot (np. telefon komórkowy, który miał zostać wysłany do klienta) to szkody, które się pojawiają raz na 1 tys. powtórzeń, kompletnie niwelują całą pracę, którą robot wcześniej wykonał. Tutaj jest bardzo ważna obsługa rzadkich sytuacji. 

Kiedy kupowałem sobie MacBooka jakiś czas temu (w Polsce) to zamiast jednego, przyszły do mnie dwa. Ja akurat zwróciłem nadprogramowy, ale sklep nawet się nie zorientował. Musiałem pisać do nich e-maile i wytłumaczyć, że jestem wdzięczny za ich prezent, ale prawdopodobnie nie są świadomi tego, że wysłali mi dwa zamiast jednego.

Bardzo ciekawa sytuacja. Z naszego doświadczenia wynika, że raz na 1 tys. zdarzeń, tego typu rzecz może mieć miejsce. Jeśli jesteśmy w stanie to zdarzenie odpowiednio wcześnie wykryć, to można zapobiec wysłaniu tych przedmiotów do klienta. Można sobie wyobrazić, że strata tego typu produktu może być druzgocąca.

Z punktu widzenia technicznego to, czym się zajmujecie, brzmi w miarę prosto. Trochę upraszczając jest to taki computer vision: wystarczy zamontować kamerkę, rozpoznać obiekt, złapać go, przenieść w odpowiednie miejsce i do tego dochodzi ewentualnie samo uczenie computer vision. Czyli samo uczenie nadzorowane, a jeżeli to nie wystarczy, to ewentualnie możemy wziąć uczenie ze wzmocnieniem. Jednak jeżeli mówimy o takich praktycznych zastosowaniach a nie tylko prostych prototypach, to sprawa w życiu realnym jest znacznie bardziej skomplikowana. Dlaczego tak jest? Jak sobie z tym radzić? 

Nie mogę ujawniać wszystkich naszych sekretów, natomiast zarówno uczenie nadzorowane i uczenie ze wzmocnieniem to są metody, które stosuje się w robotyce obecnie. Bardzo istotnym komponentem jest radzenie sobie z rzadkimi sytuacjami, wykrywaniem anomalii. Kolejnym wyzwaniem jest to, aby robot poruszał się odpowiednio szybko, tak żeby dostosował swoje ruchy do przynoszonych przedmiotów.

Inaczej powinniśmy przenosić ciężki przedmiot, a inaczej lekki. Inaczej przedmiot, który łatwo może się otworzyć albo wygiąć, a inaczej sztywny przedmiot. Dostosowanie się do tych bardzo różnorodnych warunków i wykrywanie sytuacji bardzo rzadkich to są dwie kategorie, które powodują, że całe to przedsięwzięcie jest bardzo trudne. Jest to powód, dla którego tych robotów wcześniej nie było, a pojawiają się dopiero, jak wdrażamy je w halach magazynów. 

W firmie CDISCOUNT nasz pierwszy robot miał być we wszystkich jej magazynach. Wcześniej nie było tam żadnego robota, co wiąże się zwykle z różnymi wyzwaniami również wynikającymi z tego, że klient jest nieprzygotowany. Nie wie, jak wygląda praca z robotami, jak z nimi postępować, czego można się po nich spodziewać, jak wygląda ich konserwacja okresowa.

W momencie, w którym my wprowadzamy pierwszego robota do danego przedsiębiorstwa, to tę pracę musimy wykonać. Tutaj też jest praca w dziedzinie edukacji – to jest jeden aspekt. Drugim aspektem jest wytłumaczenie klientowi, że w optymalnym scenariuszu nie bierzemy stanowiska, w którym aktualnie pracuje człowiek i montujemy tam robota, tylko trzeba przemyśleć architekturę całego magazynu albo kawałka linii, gdzie dana osoba pracuje po to, żeby dostosować ten kawałek magazynu do zalet robotów. 

Roboty mają inne zalety niż ludzie i żeby w pełni wykorzystać ich potencjał, trzeba te linie produkcyjne i magazynowe projektować w troszkę inny sposób. Roboty są bardzo precyzyjne, potrafią podnosić ciężkie rzeczy. Ludzie nie są ani precyzyjni, ani nie potrafią podnosić bardzo ciężkich przedmiotów. Bardzo dobrze za to sobie radzą w sytuacjach, w których nasze środowisko się zmienia – roboty już nie. Także tutaj wymagane jest odpowiednie dostosowanie stanowiska pracy do tego, aby robot mógł tam optymalnie zostać wykorzystany. 

Pracujesz na Uniwersytecie Warszawskim. Jak trudno było zmienić sposób myślenia, który miałeś będąc tylko w środowisku akademickim i teraz będąc w środowisku biznesowym, startupowym? Czy to był trudny proces, czy przeszedł bardzo naturalnie? Jak to było w Twoim przypadku?

W firmie Nomagic pracuję na stanowisku CTO, czyli zajmuję się głównie technologią. Nie zajmuję się bezpośrednio definiowaniem produktu, natomiast jako jedna z osób, które zakładały firmę, oczywiście cały czas również nad tym myślę. W momencie, w którym zakładaliśmy firmę z Kacprem Nowickim, doskonale wiedzieliśmy, że żaden z nas nie ma doświadczenia w strategii budowania produktu. Znaleźliśmy trzeciego wspólnika, który razem z nami założył firmę Nomagic – Tristan d’Orgeval. Przeprowadził się do nas z Francji z całą rodziną i razem z nami rozpoczął tę przygodę.

Tristan jest tą osobą, która ma największe doświadczenie produktowe i ja od niego się bardzo dużo nauczyłem w tych ostatnich latach. W związku tym, że zajmuję się głównie stroną technologiczną, to ta zmiana nie była zbyt trudna. Natomiast oczywiście te różnice pomiędzy środowiskiem akademickim, a środowiskiem startupowym są duże. Główna różnica polega na zmienności i umiejętności nieustannego dostosowania się do tego, co się dzieje.

Startup nie jest firmą, która ma jasno zdefiniowaną przyszłość. Ta przyszłość (szczególnie w początkowym okresie) cały czas podlega nieustannym zmianom. Plany dotyczące jej trzeba ciągle uaktualniać, zmieniać, dostosowywać na podstawie bieżących informacji i nowych odkryć. 

To jest zupełnie inne środowisko pracy niż uniwersytet, gdzie prowadzi się badania, wytycza się plan badawczy, który można sobie wyznaczyć nawet na parę lat do przodu, a potem go realizować. W startupie to jest oczywiście nie do pomyślenia. To tempo zmian jest główną różnicą pomiędzy środowiskiem akademickim i startupem. Drugi aspekt, który można by powiedzieć, że z mojego punktu widzenia był nawet ważniejszy – ja prowadzę badania podstawowe.

Są to badania, które mają na celu zrozumienie świata, wyjaśnienie różnych zjawisk, poprawienie różnych algorytmów. Natomiast wszystko jest w dziedzinie badań podstawowych, czyli rozwiązywania abstrakcyjnych problemów, które mają posunąć naukę i nasze rozumienie świata do przodu, ale bez aspektu komercyjnego. Badania podstawowe mają to do siebie, że one nawet nie powinny mieć bezpośredniego przełożenia komercyjnego. Startup to dokładna odwrotność.

Pierwszym, wręcz jedynym celem jest zbudowanie produktu, który będzie miał znaczenie komercyjne. Tak żeby ten produkt dostarczał wartość dla klientów i żeby w oparciu o niego można było zbudować firmę. Tutaj musiałem zmienić swój sposób myślenia, czyli nie tylko zastanawiać się jak wyjaśnić zjawiska, które występują dookoła, ale jak wykorzystać metody naukowe do zbudowania produktu, który będzie miał realną wartość dla klienta.

Jakie najciekawsze, najtrudniejsze lekcje wyciągnąłeś po kilku latach pracy w Nomagic? Jak te sytuacje wpływają na to, czy nadal jesteś Markiem takim, jakim byłeś? Jak się odnajdujesz, identyfikujesz w życiu po tych lekcjach?

Bardzo cennym doświadczeniem jest zrozumienie tego, jak działa świat biznesu i świat komercyjny. On jest różny od środowiska akademickiego. Bardzo często jest tak, że osoby albo pracują po jednej stronie, albo po drugiej. W momencie, kiedy dwie osoby z różnych światów się spotykają, jest taka naturalna bariera utrudniająca zrozumienie. Będąc po obu stronach rozumiem teraz, jak działają oba światy. Tak przynajmniej mi się wydaje. Dzięki temu rozumiem realia i cele, które mają przed sobą postawione osoby po obu stronach tej niewidzialnej bariery. To było bardzo cenne doświadczenie. 

Drugie doświadczenie to zarządzanie zespołem. Na uniwersytecie pracowałem w zespole, czy mam swój zespół, natomiast prowadzenie takiego zespołu w środowisku uniwersyteckim, a prowadzenie zespołu w firmie to są jednak dwa różne światy. W środowisku akademickim w naturalny sposób, daje się pracownikom więcej swobody, każdy realizuje własne cele.

One oczywiście powinny być spójne z określonym planem badawczym, ale swoboda, jaką każdy dostaje na uniwersytecie, jest dużo większa niż swoboda w firmie, gdzie osoby muszą ze sobą dużo bardziej współpracować. W momencie, w którym pojawiają się problemy, trzeba je bardzo szybko rozwiązywać. Zarządzanie takim zespołem w środowisku komercyjnym jest moim zdaniem dużo trudniejsze niż zarządzanie zespołem w środowisku uniwersyteckim.

Dzięki za podzielenie się wskazówkami, inspiracjami, doświadczeniem. Powiedziałeś na początku naszej rozmowy, że koncentrujecie się głównie na krajach zachodnich, gdzie wdrażanie robotów jest bardziej opłacalne niż w Polsce. Jak myślisz, czy są zmiany w tym kierunku? Czy porównując 2017 i 2020 rok prawdopodobieństwo wystąpienia zapotrzebowania na takie rozwiązania na rynku polskim teraz jest większe? 

Na podstawie moich informacji oceniam, że jeśli mówimy o perspektywie 5 lat, jest bardzo prawdopodobne, że ta opłacalność w Polsce zdecydowanie wzrośnie. Jednym z czynników, który to napędza jest nieustanny wzrost wynagrodzeń. To jest zarówno wzrost średniego wynagrodzenia, jak i minimalnego. Mówi się o tym, że rząd ma takie plany, żeby wynagrodzenie minimalne wynosiło 4 tys. zł na przestrzeni następnych 4 lat Niezależnie od tego, czy stanie się to za 4 lata czy 6, to jest to istotna różnica. W tej chwili minimalne wynagrodzenie w poprzednim roku wynosiło 2350,00 zł. W tym roku 2600,00 zł.

Każda taka zmiana powoduje, że zatrudnienie nowego pracownika jest coraz bardziej kosztowne. W związku z tym zastąpienie pracy ludzkiej na danym stanowisku przez pracę robota jest coraz bardziej opłacalne. Natomiast oprócz czysto ekonomicznego rachunku jest jeszcze drugi aspekt. W niektórych regionach Polski już tak naprawdę zaczyna brakować rąk do pracy. Z demografii bardzo dobrze wiemy, ile osób będzie wchodzić na rynek pracy przez najbliższe 15 lat, bo te wszystkie osoby się już urodziły.

Dokładnie wiemy, ile ich jest. Przepływy pomiędzy krajami nie zmienia się w drastyczny sposób w tej chwili, więc można dość dokładnie przewidzieć, ile osób wejdzie na rynek pracy w następnych latach. Widać, że w niektórych regionach Polski tych osób brakuje już teraz. Więc sytuacja zdecydowanie będzie szła w tę stronę. Liczba osób w wieku produkcyjnym w Polsce będzie spadała w kolejnych latach.

W związku z tym żeby zachować wydajność gospodarki, automatyzacja jest nieunikniona. To jest proces, który w innych krajach np. w Japonii od wielu lat postępuje. Tam starzejące się społeczeństwo od wielu lat coraz bardziej się automatyzowało. Myślę, że w Polsce sytuacja będzie bardzo podobna. 

Odnośnie braku rąk do pracy to też osobiście doświadczyłem takiej rozmowy. Kiedy pomagałem jednej z największych firm energetycznych w konsultacjach z wdrożeniem projektu związanego z uczeniem maszynowym, to m.in. zapytałem, czy celem tego projektu jest zmniejszenie ilości osób, które są zaangażowane teraz w te działania. Odpowiedź była właśnie w drugą stronę.

Wbrew pozorom problem, który w tej chwili mają firmy energetyczne, jest taki, że wiele osób, które teraz tam pracują na poszczególnych szczeblach, to są ludzie w wieku powyżej 50 lat. Nie ma młodych osób, które chciałyby ich zastąpić. Tak naprawdę może się okazać, że za 5, 10, 15 lat nie będzie “chętnych” do pracy w zakresie tego obszaru.

Co więcej zdobyte przez wieloletnich pracowników doświadczenie przepadnie, a ciężko będzie zaczynać wszystko od nowa. Idea była taka, żeby tę wiedzę zacząć już gromadzić teraz i w pewnych miejscach zacząć wprowadzać automatyzację. To rozwiązanie wcale nie jest tańsze, ale chodzi o to, żeby móc dalej funkcjonować. Jeżeli będzie brakować rąk, to są potrzebne mechanizmy, które to uzupełnią. 

Tak, w pełni się zgadzam. To jest bardzo zgodne z moimi obserwacjami.

Jakie są dalsze plany dla Nomagic?

Na koniec 2019 r. zamknęliśmy naszą pierwszą rundę inwestycyjną, która wiązała się z emisją akcji. Wcześniej byliśmy finansowani ze środków założycieli, a potem przez tzw. Aniołów Biznesu. Teraz już mamy inwestycje z funduszy inwestycyjnych typu venture capital.

Jest to inwestycja ponad 8 mln $, więc pozwala nam myśleć o przyszłości w dłuższej perspektywie, gdyż daje nam to 2 lata czasu na rozwój naszej technologii i dopracowanie naszego produktu, tak żeby był gotowy do wdrożeń na różne rynki w dużej skali. Naszym celem jest wdrożenie 1 tys. robotów w ciągu 5 lat i teraz już wiemy, że przez następne 2 lata mamy środki na rozwój naszej technologii.

Nasz zespół w tej chwili liczy 25 pracowników. Będziemy go sukcesywnie powiększać. Stoją przed nami bardzo ciekawe wyzwania. Szukamy osób, które chciałyby dołączyć do naszego zespołu.

Załóżmy, że spotkamy się za 10-15 lat i zapytam Cię, co ciekawego się dzieje w robotyce, w sztucznej inteligencji. Co mi odpowiesz?

Na początku zaznaczę, że to jest wróżenie z fusów, gdyż jeśli spojrzymy do tyłu, co się działo 10 lat temu, to bardzo trudno było przewidzieć to, co dzieje się w tej chwili. Tak samo myślę, że w tej chwili bardzo trudno będzie nam przewidzieć to, co będzie działo się za 10 czy 15 lat. Natomiast myślę, że będziemy świadkami kolejnych odkryć i przełomowych wyników w robotyce i dziedzinie sztucznej inteligencji, które będą prowadzić do coraz to nowszych zastosowań i wdrożeń na rynku komercyjnym. Tak jak przez ostatnią dekadę widzieliśmy, jak bardzo Internet poszerzał swój teren. Ludzie spędzają coraz więcej czasu w świecie cyfrowym. 

Myślę, że kolejny etap to jest to, że te nowe narzędzia i nowe technologie zaczną zastępować świat rzeczywisty. Czyli tak jak wcześniej ten świat wirtualny stał się równoległym światem do świata rzeczywistego, tak teraz te technologie już pozwalają modyfikować i działać w świecie rzeczywistym.

My tutaj właśnie mówimy o procesie automatyzacji stanowisk czy różnych zawodów. Można sobie zadawać pytania o to, które zawody najbardziej się zmienią w następnych latach. Nie będą to tylko i wyłącznie zawody, które wymagają niewykwalifikowanej pracy. Zaryzykowałbym stwierdzenie, że bardziej narażone są zawody, w których wymagane jest szkolenie (czy bardzo długi proces edukacji), ale końcowa specjalizacja jest bardzo wąska.

Przykładem jest diagnostyka obrazowa w medycynie, czyli opisywanie zdjęć z rezonansu magnetycznego czy z tomografii komputerowej. Żeby to umieć dobrze wykonywać, potrzebne są lata szkoleń i doświadczenia. Komputery radzą sobie z tym coraz lepiej i można już powiedzieć, że w niektórych zastosowaniach są na równi z ludźmi z wieloletnim doświadczeniem.

Można się spodziewać, że ten proces będzie jak najbardziej postępował. Takie właśnie zawody, w których ludzie wykonują bardzo wąsko zdefiniowane działania, będą pierwszymi do automatyzacji. 

Jeśli spojrzymy na takie prace czysto manualne to np. naprawa urządzeń będzie czynnością dużo trudniejszą do automatyzacji. Tam znów ta różnorodność zjawisk, która występuje, będzie dużo większa i stopień skomplikowania czysto manualnych operacji jest bardzo duży. Jeśli mówimy o takich zawodach jak opisywanie zdjęć rentgenowskich czy opisywanie zdjęć tomografii komputerowej, to to jest praca z ekranem, którą wykonuje człowiek, ale komputery już w tej chwili radzą sobie z tym równie dobrze.

Można sobie wyobrazić, że takie podstawowe czynności czy w księgowości, czy wśród prawników będą wykonywane przez komputer. Praca ludzka, która w tej chwili jest wykonywana poprzez różnego rodzaju asystentów, będzie zautomatyzowana i komputer będzie nam odpowiadał na pytania, które aktualnie zadajemy współpracownikom. 

Bardzo dziękuję Marek za to, że znalazłeś czas aby podzielić się swoim doświadczeniem, przemyśleniami i rozważaniami. W szczególności w tej branży robotyzacji. Mogliśmy poruszać się w różnych obszarach, bo jesteś aktywny w wielu, ale wydaje się, że w tym momencie Nomagic jest jedną z tych firm w Polsce, która aktywnie się uruchomiły i działają.

Dla mnie inspirujące i ciekawe jest to, że firma buduje się od zera. Osoby z uniwersytetu pomyślały, że mogą coś takiego zrobić i że jest to możliwe. Dla mnie to jest przykład dla innych, że nie ma co się bać i warto działać. Z Twojej strony było kilka ciekawych, bardzo ważnych wskazówek m.in. to, jak zaangażowaliście trzecią osobę, która wzmocniła stronę produktową. Dzięki temu jesteście mocni na każdym polu. To jest przykład do wzorowania i naśladowania. Dzięki wielkie. Do usłyszenia, do zobaczenia.

Dziękuję, do usłyszenia.

W trakcie naszej rozmowy wspomniałem o Paradoksie Moraveca. Mówiłem o nim już kiedyś we wcześniejszych artykułach, ale przypomniałem pewną historię. Młodzi rodzice z 1,2,3-letnimi dziećmi widzą, jak bardzo ciekawy okres jest to okres. Jak zaczynasz obserwować dziecko z boku, to wiele ciekawych wniosków od razu się nasuwa. Osobiście mam to szczęście, że mam dwójkę dzieci i obserwuję, jak ciekawie działa ludzki mózg.

Mimo tego, że ten malutki człowiek ma dopiero roczek, potrafi robić rzeczy, których bardzo skomplikowane algorytmy, mocne komputery, nadal nie są w stanie zrobić. To jest bardzo ciekawa inspiracja. W Paradoksie Moraveca chodzi o to, że my – ludzie często nie doceniamy rzeczy w naszym życiu, które wydają nam się przeciętne, bo powtarzamy je wielokrotnie.

Nie zdajemy sobie sprawy, jak bardzo skomplikowane one są. Z drugiej strony, próbujemy patrzeć na rzeczy, które tak naprawdę nie są nam potrzebne. Tę analogię można też przełożyć na inne obszary, jak często nie doceniamy tego, co mamy – cudze chwalimy, swego nie znamy. Chciałem zostawić Cię z tą myślą, nawet niekoniecznie o robotach, tylko pomyśl przez chwilę, czego nie doceniasz, a tak naprawdę ma największy wpływ na Twoje życie.

Artykuł Sztuczna inteligencja i robotyzacja 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.