Robotic process automation zmienia świat! Według KPMG  45% a może nawet i 75% prac w finansowym sektorze będzie wykonywane przez roboty w najbliższe 15 lat. Mówiąc bardziej precyzyjnie, przez tak zwany Robotic Process Automation (RPA). Dzisiaj o tym, ale nie tylko będzie mowa.

Gościem podcastu jest Ernest Wagner, który od 2004 stworzył kilka firm: agencję interaktywną, software house, technologiczny dom doradczy i kilka startupów w modelu SaaS. W 2015 roku stworzył zespół, który uruchomił bank mobile-first o nazwie Loot.io oceniony jako jeden z najgorętszych startupów w UK. Zarządza projektami IT od ponad 16 lat. Od 2014 roku doradza klientom w tematach związanych z danymi i sztuczną inteligencją. Od początku 2017 roku odpowiada za sztuczną inteligencję w ING Banku Śląskim.

Ernest posiada doświadczenie na skrzyżowaniu kilku dziedzin: sztuczna inteligencja, finanse, startupy. Dlatego ta rozmowa czasem była trochę o innych, ale bardzo ciekawych tematach. Na przykład Ernest mówi:

“Bąbel na rynku startupowym niewątpliwie istnieje, może podobny do tego, jak w latach 90-tych, nawet większy, bo jest dużo więcej pieniędzy w tym rynku technologicznym teraz. Wielu mądrych inwestorów, moim zdaniem i których szanuję, przewiduje krach w tym sektorze w najbliższym czasie.”

Również na samym końcu dowiesz się jak dostać bezpłatną godzinną konsultację ze mną.

Już nie przedłużam i zapraszam do wysłuchania.

Cześć Ernest! Przedstaw się kim jesteś, czym się zajmujesz, gdzie pracujesz?

Cześć. Nazywam się Ernest Wagner, jestem odpowiedzialny za rozwój produktów w firmie Hemnes. Obecnie również pracuję dla Banku ING, jako architekt w obszarze sztucznej inteligencji i robotyzacji procesów. Pracuję nad zagadnieniami, związanymi z AI w tym systemami konwersacyjnymi, data miningiem i modelowaniem machine learningowym.

To jak widać wiele rzeczy robisz, o tym będziemy rozmawiać dalej. Dopytam się jeszcze jaką książkę ostatnio czytałeś i czego się nauczyłeś z niej?

Ostatnio najbardziej zwróciła moja uwagę książka Daniela Kahnemana “Pułapki myślenia” i tam kluczową koncepcją jest podział pracy naszego mózgu na dwa systemy. System pierwszy odpowiedzialny jest za bezwiedne ruchy i system drugi – za bardziej złożone myślenie. To są bardzo użyteczne pojęcia, moim zdaniem, dla osób zajmujących się sztuczna inteligencją. To mi trochę pomogło w pracy, oprócz tego że jest ciekawa sama z siebie.

Dodatkowo przeczytałem w parę dni biografie Elona Muska – przedsiębiorcy, który jest moim idolem. Mam równolegle jeszcze dwie inne książki otwarte autorstwa Raymonda Kurzweila.

Singularity?

Dokładnie.

Ta pierwsza książka “Pułapki myślenia”, już była polecana przez dwie osoby przed Tobą, więc widać że w tej chwili bije największe rekordy.

Chciałem ją już dawno przeczytać, ale odkładałem na później. Natomiast jak ją już zaczniesz czytać, to idzie dość szybko, bardzo przyjemna jest ta książka, bardzo fajnie napisana.

Powiedziałeś, że pracujesz teraz dla ING banku, jako architect RPA/AI. Na początek chciałem zapytać, jak wygląda Twój przeciętny dzień pracy, jakie problemy rozwiązujesz, w jaki sposób, może jakich narzędzi używasz?

Mój dzień chyba nie różni się za bardzo od dnia wielu PM’ów czy analityków BI. Odbywam sporo spotkań, jeżdżę na szkolenia i konferencje (zarówno jako uczestnik, tak i prelegent). Bardzo sobie cenię te dni, kiedy mogę spokojnie popracować nad czymś koncepcyjnie, zaprojektować jakiś prototyp, potestować różne narzędzia. Czasami buduje dialogi dla systemów konwersacyjnych oraz zdarza mi się trochę poprogramować. Dzisiaj miałem taki dzień, ale generalnie rzadko to się zdarza. Sporo jest zwykłej koordynacji różnych tematów, czyli tak zwane project management.

To jest ciekawe, że jeszcze programujesz. Rzadko się zdarza, ale jednak się zdarza. Proszę powiedz przykładowe rozwiązania oparte na sztucznej inteligencji które już udało się wdrożyć do ING Banku, a może też zdradzisz takie nad którym pracujecie i już niedługo będą dostępne?

Tu nie wiele mogę powiedzieć bardzo konkretnych rzeczy i pewnie nic, czego samemu można się domyślić, co się w banku robi z AI. Ale spróbuje to skategoryzować. Generalnie, dzielimy działania związane z AI na trzy obszary: data mining albo text mining (czyli wyciąganie encji z dokumentów albo z wiadomości od klientów), systemy konwersacyjne (wewnętrzne i zewnętrzne) oraz najróżniejsze modele analityczne oparte o machine learning w takich obszarach jak ryzyko, sprzedaż i marketing czy KYC & AML.

Zapytam jeszcze coś ogólnego. Czym dla Ciebie jest sztuczna inteligencja?

To jest pytanie, które powraca ostatnio, dość często, w związku z modą. Wydaje mi się, że w związku z takim przełomem w deep learningu, przyjęło się myśl, że prawdziwe AI, to tylko uczące się systemy, albo wręcz wyłącznie tylko sieci neuronowe. Mam podejście troszeczke inne. Dla mnie AI to wszystkie systemy emulujące w jakimś stopniu świadome działanie. Dobrze napisane dialogi chatbotowe w wąskich przypadkach zastosowań tez mogą działać dość inteligentnie.

Podobnie w text miningu, czyli wydobywaniu znaczeń z tekstu, bardzo sprawdzały się bardziej tradycyjne systemy, więc nie skreśliłbym do końca takich mniej spektakularnych rozwiązań. Jestem zwolennikiem dobierania narzędzia do celu, a nie odwrotnie.

A jak w prosty sposób wyjaśnić co to jest chatbot?

Chatbot – to jest system konwersacyjny, czyli program, z którym można odbyć rozmowę. Większośc chatbotów nie stosuje uczenia maszynowego w rzeczywistości, tak naprawde tylko najbardziej zaawansowane systemy, takie jak API.ai czy Watson mają takie moduły.

Wiele polskich chatbotów to są, w szczególności, takie edytory dialogowe gdzie sie panuje “pytanie-odpowiedź, pytanie-odpowiedź” i tak to mniej więcej działa. Więc jeżeli zaliczymy chatboty do sztucznej inteligencji, to wtedy trzeba ją trochę szerzej definiować. Czasami bardzo fajne dialogi można zaprojektować nawet w taki prosty sposób regułowy.

Teraz temat nieco powiązany z chatbotem i zapytam o tym w ten sposób: conversational banking solutions co to jest, jak to działa i co ma wspólnego z chatbotem?

Moim zdaniem, wychodzi na jedno z tą różnica, że do takiego bankowego chatbota dodajemy API czyli interface wymiany danych do usług banku. Czyli umożliwiamy wykonywanie przez rozmówcę różnych czynności typu przelew czy zamówienie karty kredytowej. Ale w swoim podstawowym zakresie czy charakterze, to jest po prostu interface konwersacyjny, taki jak każdy inny chatbot.

Można tak nieco reasumując powiedzieć, że to jest chatbot, który jest zintegrowany z którymś systemem lub systemami.

Tak jest. W ogóle, każdy użyteczny chatbot powinien być z czymś zintegrowany. Jeżeli chatbot jest tylko po to, żeby rozmawiać, to to nie będzie zbyt ciekawa aplikacja, bo w tym momencie nie umiemy jeszcze tworzyć takich turingowych, powiedzmy, systemów, które umiałyby zdać test Turinga w dłuższej rozmowie.

Natomiast chatbot, z którym się zagaduje i on od razu serwuje jakieś dane, gdzieś z kimś się kontaktuje, to może być użyteczna aplikacja. Dlatego każdy chatbot powinien być jakimś “conversational coś tam” (conversational banking, conversational insurance czy conversational e-commerce).

Dopytam się teraz o nieco słynnym terminie Robotic Process Automation albo RPA? Co to jest i jakie to ma zastosowanie z punktu widzenia biznesu i proszę podaj jakiś przykład z życia (żeby bardziej było zrozumiałe o czym mówimy).

Oczywiście. W ogóle z nazwy Robotic Process Automation to jest automatyczna robotyzacja procesów czyli termin dosyć szeroki. To o czym dzisiaj mówimy, kiedy mówimy RPA, to zwykle są systemy, które emulują działanie człowieka. Systemy, które pozwalają zaprojektować nam step by step, czyli w zupełnie prosty sposób krok po kroku, działanie pracownika, zastąpić część najprostszych go działań takim systemem.

Mówimy tutaj o takich rzeczach, jak przepisywanie danych z Excela do bazy danych, czy innych tego typu mechanicznych czynnościach. Coś, czego żaden żywy człowiek nie powinien nigdy robić i nie chciałby robić. Nie wyobrażam sobie, jeżeli spytać jakiegokolwiek przedszkolaka  na temat “kim chcesz zostać jak dorośniesz”, to żeby powiedział, że chce wklejać dane do Excela w korporacji To jest mało ambitna praca i myślę, że w XXI wieku nikt tego nie powinien robić.

RPA jest konsekwencją niedoskonałości systemów, powiązanych częściowo z tym, że są systemy legacy, czyli takie stare systemy w bankach, na przykład. Systemy, które nie mają wsparcia, dla których nie opłaca się już pisać interfacu wymiany danych czyli API. Albo jakieś inne, bardzo złożone infrastruktury i okoliczności, które powodują, że dział IT nie jest w stanie nadążyć pisać tych wszystkich rzeczy.

https://www.youtube.com/watch?v=VZ4oTuQL6ss

Możemy, na przykład, API między jedna bazą danych a drugą, sobie zamówić, ale czekamy na nią rok, bo jest kolejka różnych prac w IT. I takie RPA pozwala nam w szybki sposób, w parę tygodni, zrobić coś innego. Czyli zamiast zrobić to, jak ja to mówię – po Bożemu, po prostu wymianę danych między systemami, żeby serwery gadały między sobą bezpośrednio, to stawiamy RPA, taki programik, na końcówce, na terminalu (to może być laptop albo jakaś stacja robocza).

Używając technik, takich jak screen scraping, będzie otwierał program jednej aplikacji i przeklejał, na przykład, do pola czy jakieś inne akcje wykonywał, w drugiej aplikacji, i taki proces możemy zaprogramować. Są różne systemy, takie pudełkowe, które to oferują. My w banku, to znaczy zespół kolegi, zaprojektował bardzo fajny system, własny, który też sprzedajemy w grupie. I to jest ciekawe w ING, że mamy taką szczególna ekspertyzę, w tych zespołach bankowych.

Natomiast nadal, pojęciowo, RPA, to jest taka anomalia, powiedzmy, taka nieprawidłowość, która występuje przez jakiś czas. Ona, oczywiście, w tym czasie, kiedy jest wdrożona (nawet jeżeli to jest tak zwana prowizorka), może zaoszczędzić w dużych organizacjach miliony euro, to nie znaczy że to jest mniej ważny system czy nie istotny. Tylko jego wdrożenia wynikają z tego, że te systemy działają (zwłaszcza w dużych organizacjach) niedoskonale. Żaden startup raczej nie powinien korzystać z RPA, chyba że w szczególnych okolicznościach. Ale dobrze zaprojektowana firma, dobrze zaprojektowane procesy powinny unikać konieczności stosowania czegoś takiego.

Bardzo fajnie to wyjaśniłeś, bo często to jest pomijane, dlaczego takie rozwiązanie powstało. Załóżmy że teraz nas słucha osoba, która może rozważa użycie RPA i pewnie zastanawia się nad tym, jak drogie jest to rozwiązanie (pod kątem finansowym, pod kątem zasobów, które musi mieć), i jak to wdrożyć?  Troszkę wspomniałeś o tym, że są już gotowe rozwiązania, które można kupić, ale czy mógłbyś trochę rozszerzyć, o ile łatwo jest wdrożyć takie rozwiązanie, czy to są dni, miesiące, lata?

Oczywiście. Jeżeli chodzi o wdrożenie czegoś takiego, to tutaj mówimy raczej o przedziałach czasowych do kilku tygodni, do 2 miesięcy. Moim zdaniem, wdrożenie RPA nie powinno trwać dłużej niż miesiąc – półtora. Mają to być rozwiązanie prostsze niż budowa API, dlatego powinne trwać krócej i być tańsze. To zawsze trzeba porównać, co jest lepiej, czy wymienić system albo jakoś go zintegrować, czy zrobić RPA deployment, który powinien być co najmniej o rząd wielkości tańszy, niż to docelowe, prawidłowe rozwiązanie. Jeżeli chodzi o ceny tych narzędzi, to są bardzo zależne, zwłaszcza dla korporacji.

Są różne cenniki w zależności od ilości robotów, których się zamawia. Ciekawą propozycję słyszałem, ale jeszcze nie testowałem i nie wiem czy powinien reklamować… Workfusion wypuściło chyba za darmo swoje narzędzie RPA, bo oni chcą robić upsell komponentów sztucznej inteligencji do swoich rozwiązań, a to takie podstawowe, regułowe RPA mogą udostępnić za darmo. Nie testowałem tego, nie wiem jak to działa, więc ciężko mi dokładniej coś opowiadać, ale myślę że ich ofertę warto rozpatrzyć, zwłaszcza firmom, które chcą spróbować tego na początek i nie chca decydowac od razu na duże budżety. Myślę że to ciekawa strategia, że oni to udostępnili.

Już porozmawialiśmy trochę o chatbotach, co to jest. Przypomniała mi się nasza ostatnia dyskusja, gdzie poruszyłeś ciekawy temat dotyczący analizy tekstu. Ale nie prosto tekstu, a napisanego w języku polskim. Kilka odcinków temu, rozmawiałem z Basia Fusińską z Microsoftu, dwa odcinku temu z Piotrem Pietrzakiem z IBM i generalnie w platformach dostarczanych przez dużych graczy nie ma albo dopiero raczkuje analiza tekstu w języku polskim.

Najpierw może warto określić dlaczego to jest złe i co powinno się stać, żeby pojawiło się rozwiązanie? Z tego co pamiętam, nawet mniej więcej oszacowałeś koszt tego rozwiązania :).

Tak, mogłem Ci wspomnieć o tym. Podczas rozmów z reprezentantami liderów rynku AI, dowiedziałem się, że oni estymują to w przedziałach 30-50 milionów złotych (dla polskiego języka) koszt takiego wdrożenia modułów NLP do systemów konwersacyjnych czy też analizy tekstu ogólnie. Sam tego nie szacowałem, więc zastrzegam że to jest tylko taki estimate, który do mnie dotarł, ale na pierwsze oko brzmi to realistycznie.

Jest to duży problem, ponieważ z jednej strony mamy bardzo skomplikowany język. Język polski jest językiem fleksyjnym, nie pozycyjnym w przeciwieństwie do języka angielskiego, i z różnych względów jest absolutnie koszmarny w takich procesach, jak tokenizacja, gdzie tracimy bardzo dużo znaczeń.

Tokenizacja, to jest proces wprowadzania wyrazu do podstawowej formy. W języku angielskim zwykle tych form nie ma tak dużo pojedynczych wyrazów, poniewaz nie odmiana tam decyduje tylko pozycja w zdaniu. Natomiast u nas są różne piękne dźwięczne końcówki, przekształcenia, tak jak liczebnik “dwa”, na przykład, ma 17, z tego co pamiętam, odmian w języku polskim, a w języku angielskim tylko dwie. Podczas procesu tokenizacji możemy zupełnie stracić sens i kontekst tego o czym mówiliśmy. Więc język polski jest wyjątkowo niewdzięczny dla systemów NLP i w dodatku nie jesteśmy też tak dużym rynkiem.

Jak pytałem o roadmap’ę Google… to oni nie mają sprzedawców, tylko inżynierów sprzedaży.  To mi się strasznie podoba, bo tam nie ma takiej tradycji sprzedaży, jakie mają duże firmy software’owe, że oni przesyłają do korporacji sprzedawców, którzy niewiele wiedzą. Tam rzeczywiście przyjeżdża facet, który był inżynierem w Google, wszystko wie i można było z nim pogadać.

Zapytałem go między innymi o strategię dotyczącą NLP w Google i powiedział, że niestety przed językiem polskim jest jeszcze język japoński i jeszcze kilka innych większych rynków, więc nie zanosi się żeby oni bardzo szybko to zrobili. Gdyby znaleźli klienta w Polsce, który by za to zapłacił, to oczywiście bez problemu. I tu jest problem, bo to jest próg wyjścia na tyle duży, że prawdopodobnie żadna firma w Polsce na to się nie zdecyduje, bo te systemy konwersacyjne jeszcze są innowacją. Mają dużo potencjalnych zastosowań, ale nie sądze żeby ktoś był gotów w tym momencie zapłacić takie pieniądze, zobaczymy. Jestem optymistyczny, że to się stanie w ciągu dwóch lat, ale nie jestem w stanie tego teraz ocenić.

Na podstawie twoich słów, dochodzę do takiej konkluzji, że pewnie Rząd miałby wspierać to rozwiązanie, bo jednej firmy na to nie stać, chyba że firmy się połączą, stworzą związek NLP i zrzucą się razem. Co o tym myślisz, czy jest to realistyczne?

Powiedziałbym tak… Mam nieciekawe doświadczenie z grantami rządowymi i różnie to bywa. Czasami to przynosi świetne rezultaty w takich obszarach wokół przemysłowych i takich bardziej tradycyjnych. W przypadku IT bardzo różnie to wychodzi. Nie wiem czy administracja, taka jaką mamy w Polsce, rozumie dobrze innowacje w swojej masie. To znaczy jest bardzo dużo wybitnych osób, które pracują w NCBR, w PARP’ie i przy uczelniach i agendach rządowych.

Natomiast cała polityka finansowania innowacji w Polsce jest bardzo obciążona ograniczeniem biurokracji, takim typowo biurokratycznym, urzędowym, bym powiedział, odziedziczonym jeszcze z tatarskich tradycji, myśleniem. Niestety, to powoduje że projekty, na przykład, mają dużo więcej dokumentacji niż tego meritum. Są to utrudnienia, ale, oczywiście, byłoby to fajnym pomysłem, żeby Rząd coś takiego sfinansował. Po prostu nie wiem, jak by to było z wykonaniem.

Tak się zastanawiam, bo wiem że brałeś udział w takim wydarzeniu, które odbyło się pod koniec maja – FutureTech. Bo dla mnie to było takim sygnałem (ponieważ pomimo przedsiębiorstw, był również Minister), że jednak są ludzie, które dostrzegają w tym potencjał i chcieliby się w to zaangażować.

Może trochę przesadzam i nie chcę teraz wchodzić w tematy polityczne, ale dla mnie to jest ciekawe i  po prostu chciałbym usłyszeć, na ile jest realistyczne, że Rząd będzie wspierał takie rozwiązania NLP dla języka angielskiego, bo jednak to jest ważne.

Bo skutki mogą być takie, że fizycznie język polski jest na tyle trudny, że ciężko będzie zbudować wartościowy chatbot. Z tego będą wynikały różne nieprzyjemne historie, które będą spowalniać biznes. Logicznie by było pomóc, ale tak, jak określiłeś, trafnie i pragmatycznie biurokracja może utrudnić takie ciekawe pomysły.

Nie mówię że to nie jest dobry pomysł i nie powiedziałbym że to jest nierealistyczne, że Rząd będzie chciał w to się zaangażować, podejrzewam, że bardzo łatwo by było przekonać obecne osoby odpowiedzialne za różne agencji rządowe, zwłaszcza pod rządami Premiera Morawieckiego.

Można mieć o nim różne opinie, ale na pewno jest to osoba nastawiona na wspieranie innowacji i bardzo aktywnie na tym polu działająca. Problem, moim zdaniem, nie jest w ogóle związany z chęciami, jest związany z umiejętnością finansowania innowacji. Prawda jest prosta, bo to nie same pieniądze są potrzebne, zarówno odpowiedni proces wspierania innowacji, odpowiedni monitoring, odpowiednie zarządzanie projektem, odpowiednie raportowanie, nieprzeciążone biurokratycznymi wymaganiami.

To są wszystko najróżniejsze parametry i w Polsce, uczymy się tego jeszcze.  Moje doświadczenie osobiste i kontakty z administracją były bardzo zniechęcające. Nie mówię, że to się nie poprawia, oczywiście. Bardzo bym tego sobie życzył, żeby tak się działo. Na pewno rynki kapitałowe w Polsce są za słabe, żeby finansować w takim stopniu tego typu innowacje.

Rynek VC (venture capital) jest bardzo słaby, mamy mniej funduszy VC w całej Polsce, w Berlinie chyba o rząd wielkości czy dwa. I to jest tego rodzaju problem, że w samym Berlinie jest więcej funduszy venture capital niż w całym kraju u nas. Więc na pewno prywatny sektor nie udźwignie tych wszystkich wyzwań o których mówimy. Rząd mógłby się zaangażować, ale z kolei nie zawsze wie jak. Dylemat jest trudny do rozwiązania, ale może się uda.

Może zadam trochę łatwiejsze pytanie. Jak radzicie z analizą polskiego tekstu w ING Banku?

To jest bardzo duże wyzwanie dla nas i nie powiedziałbym w żadnym stopniu, że to jest problem rozwiązany w całości. Cały czas nad tym intensywnie pracujemy, zarówno testując różne startupy z zewnątrz jak i próbując własnymi siłami różne rzeczy zrobić.

W banku ciekawą rzeczą jest to, że mamy dział IT który liczy ponad 800 osób, więc programistów jest sporo. Dlatego dużo się dzieje w tym obszarze.

Są tu trzy kategorie wyzwań. Pierwsza – to klasyfikacja albo kategoryzacja tekstu czyli przepisywanie różnych tekstów do określonych z góry kategorii. To może być zarówno w obszarze voice of customer czyli głosie klienta, gdzie bank otrzymuje miesięcznie 400 tysięcy komunikatów od klientów różnej treści i różnymi kanałami, takimi jak e-mail, formularze, media społecznościowe. I to wszystko trzeba analizować i klasyfikować bardzo sprawnie, żeby wrzucać to do odpowiednich procesów obsługi klienta i żeby ta obsługa była jak najbardziej sprawna.

Nie tylko musimy klasyfikować tekst, który przychodzi, ale również wyłapywać odpowiedzi i układać to w drabiny dialogowe, czyli jak ta konwersacja przebiegała. Według założeń omnichannel czyli wielokanałowości, tą konwersację powinniśmy podtrzymywać niezależnie od kanału, czyli zarówno może być tak, że klient zacznie rozmowę w social media, później przerzuci się na maila, a potem skończy się w jakiś inny sposób i powinniśmy za nim nadążać.

Dlatego tutaj ta klasyfikacja i kategoryzacja jest bardzo istotna. Dotyczy ona również zeskanowanych dokumentów, na przykład, w obszarze tekst learningowym. Więc pierwszy problem do rozwiązania, z którym radzimy sobie w 70-80% w pierwszej warstwie kategorii, czasami udaje się lepiej, ale to nadal jest trudne.

Wydobywanie encji z tekstu, to z kolei jest wyzwanie związane ze zlokalizowaniem w komunikatach tekstowych czy w dokumentach zeskanowanych, różnych parametrów. Jeżeli wzięlibyśmy, na przykład, akt notarialny, to musimy zidentyfikować stronę kupującą, sprzedającą, numer księgi wieczystej, jakieś inne jeszcze parametry i je wydobyć z wysoką skutecznością i wprowadzić bezpośrednio do procesów tak, żeby nikt nie musiał tego wklepywać ręcznie do bazy danych.

Ostatnią klasą jest analiza sentymentów (analiza nastroju czy tonu, w jakich komunikat został napisany), co w języku polskim jest trudnym zadaniem. Nasze zwyczaje są dosyć specyficzne, sarkazm jest dosyć popularny, można powiedzieć “świetne usługi” w takim tonie, że jestem nimi zachwycony, a można w tonie sarkastycznym.

Są te same słowa, a musimy je wykryć, bo dla nas to parametry, gdzie między innymi decydują czy coś wpada w kanał reklamacji. Jeżeli klient jest niezadowolony, to dla nas to jest dużo bardziej priorytetowa wiadomość do rozpatrzenia niż pochwała, które też są bardzo mile widziane przez nas, ale wiadomo, jeżeli wszystko jest dobrze, to nie musimy tak szybko reagować. W przypadku negatywnych emocji każda sekunda się liczy, więc jest to wyzwanie.

Myślę że sarkazm w ogóle jest problemem, nie tylko dla języka polskiego, również dla wielu innych i faktycznie jest z tym wyzwanie. Pozwolę sobię trochę zmienić temat.

W roku 2016 (zgodnie z raportem KPMG) fintech zebrał 24.7 mld. dolarów inwestycji. To jest całkiem duża kwota. Chciałbym poznać Twoją opinią na temat fintechów, ale najpierw może warto określić czym jest i czym nie jest fintech według Ciebie? Może warto podać przykłady z życia realnego :).

Tutaj, wydaje mi się, definicja jest o tyle prosta, że mianem fintech określa sektor firm technologicznych i jednocześnie zaangażowanych w sektorze finansowym.To będą różnego typu aplikacje bankowe albo wokół bankowe, ubezpieczeniowe, płatnościowe i tego typu, ale też przy fintechu rozszerza się to o firmy, które w jakiś sposób budują funkcjonalności dla tych sektorów. To mogą być narzędzia, które nie obsługują end to end procesu klienta, ale dostarczają jakieś małej wartości, jakiegoś małego elementu w tym procesie.

Widziałem kiedyś, w Wielkiej Brytanii była firma, która umożliwiała klientom robienie zdjęć i filmów nieruchomości swoim telefonem komórkowym, i na tyle dużo informacji zbierała i w taki sposób była skonstruowana, że w półautomatyczny sposób była w stanie ocenić wartości nieruchomości bez wizyty agenta na miejscu. Nie było to całościowym procesem finansowym samo w sobie, ale było to świetną usługa dla firm ubezpieczeniowych. Tego typu różne częściowe rozwiązania też jak najbardziej należałoby do fintechu, moim zdaniem, zaliczyć.

Wspomniałeś tutaj o tym ile fintechy zbierają pieniędzy i oczywiście jest to spora kwota.

Już powiedziałem, że w roku 2016 było zainwestowano ok. 25 mld. dolarów, natomiast rok przed tym, 2015, było ok. 47 mld. dolarów. Wychodzi na to, że prawie dwa razy mniej. Jedynie w Chinach zainwestowali w 2016 więcej niż w 2015. Stany oraz Europa już podeszły z większą ostrożnością.

Oczywiście w roku 2016 były takie wydarzenia jak Brexit i to mogło dość negatywnie wpłynąć. Czy fintech to jest jest kolejny bąbel który został rozdmuchany, ale rzeczywistość zweryfikowało i inwestorzy przestali ufać w “obiecanki”. Jaka jest Twoja opinia na ten temat?

Moje spojrzenie na to jest takie, że po pierwsze, banki powoli się budzą i to nie jest tak że na każdej fintech’owej konferencji połowa to nie są ludzie wysłani przez banki, więc banki to bardzo ostrożnie obserwują. Wszystko zależy indywidualnie od banku.

Mogę powiedzieć za bank z którym współpracuje i który obserwuje z bliska, czyli ING. Tutaj bardzo intensywne prace trwają w obszarze fintech. Bank współpracuje z różnymi startupami i je wspiera, jak również produkuje własne startupy. Na przykład, innovation lab’y, zresztą niektóre firmy je również mają. Tam pracownicy, których pomysł zostanie wybrany w trybie konkursowym, są oddelegowani, pracują w trybie Scrum’owym, w trybie Lean Startap’owym, w trybie serwis designu czyli zupełnie poza strukturami tradycyjnej korporacji i budują niesamowite produkty.

Jeżeli chodzi o to, czy fintech się kończy, czy te obietnice były puste…Myślę że nie. Myślę że to były fantastyczne narzędzia, natomiast nie należy nigdy zapominać o wadze akwizycji klientów i o ile łatwo jest prowadzić tą akwizycje w tej pierwszej fazie krzywej dyfuzji innowacji czyli tych early adopters, tych wczesnych innowatorów, tych klientów, którzy będą stać w kolejce po nowy Iphone albo tych klientów, którzy mieli płaskie telewizory jak kosztowały po 40 tysięcy.

To są tacy ludzie, którzy wydają duże pieniądze, albo dużo poświęca żeby zawsze mieć najnowszą rzeć i ich jest całkiem sporo na różnych rynkach. Im bardziej zaawansowany i rozwinięty jest rynek, tym jest ich więcej.

Ale należy pamiętać, że prawdziwy sukces, to jest przejście z tej grupy klientów na grupę klientów mainstreamowych. Tutaj mi się wydaje, wbrew temu co wielu założycielom startapów się wydaje, ten etap jest nie taki prosty, a dużo trudniejszy. Ponieważ startupowcy, i to też mogę powiedzieć za siebie, bo też byłem w takim stanie często, duszą się we własnym startupowym sosie.

Wszyscy ich znajomi to są power userzy, wykorzystują najróżniejsze aplikacje, interesują się technologiami, więc oni tak rozglądając się dookoła, myślą że świat tak działa, ale trzeba pamiętać że nie tylko w Polsce, no i w Stanach i Wielkiej Brytanii jest cała masa klientów którzy nie korzystają nawet za bardzo z internetu obsługi banków, a co dopiero on-boarding robić poprzez aplikację mobilną, żeby założyć konto.

To są świetne narzędzia i nikt nie może powiedzieć, że one nie są użyteczne i sensowne. Ale nie można zapominać o tym, że ludzka mentalność, a zwłaszcza w tym późnym mainstreamie bardziej tradycyjnych klientów, nie nadąża za tymi wszystkimi innowacjami. Ludzie nie lubią zmian tak bardzo, jakby się wydawało. Niestety ta baza klientów, którą cieszą się banki to jest coś, co dla startupów nie będzie tak łatwo dostępne. Mi się wydaje, że z każdą rewolucją technologiczną idą oczekiwania rewolucji światowej, tak było pod koniec lat 90-tych, tak było w przypadku wielu technologii jak pojawianie się smartphonów i aplikacji mobilnych, gdzie miliony i miliardy zarabiało się na tych aplikacjach.

Ale faktycznie jest tak że “rynek jest rynek jest rynek jest rynek”, jak to mówi Gary Vaynerchuk, a po prostu co mi zrobisz, jak nie kupię, bo mi się nie podoba, bo nie lubię, bo to jest nowe i co z tego że jest lepsze i to nic nie zmienia. Więc trzeba docenić długofalowe plany, trzeba pamiętać że rynki zmieniają się powoli w swojej masie, i to że przekonamy 10% rynku bardzo innowacyjnych ludzi, nie zawsze znaczy że podbiliśmy serca wszystkich potencjalnych klientów.

Myślę że to dotyczy nie tylko fintechu, no i wielu startupów na świecie. Uber, na przykład, jest bardzo mocno przewartościowany.

Bąbel na rynku startapowym niewątpliwie istnieje, może podobny do tego, jak w latach 90-tych, nawet większy, bo jest dużo więcej pieniędzy w tym rynku technologicznym teraz. Wielu mądrych inwestorów, moim zdaniem i których szanuję, przewiduje krach w tym sektorze w najbliższym czasie.

Może tak być, bo za dużo pieniędzy zostało wpompowane w rynki startupowe i trzeba teraz postępować bardzo ostrożnie. To nie znaczy, że każdy startup się nie nadaje i że żaden startup nie ma szans dostarczyć według obietnic, ale na pewno trzeba patrzeć na to ostrożnie, tak jak zaczęli robić to inwestorzy.

Ciekawe to co ująłeś, nawet przestraszyłeś. Myślę, że osoby, które w tych tematach siedzą są na bieżąco. Ale wydaje mi się, że moi słuchacze raczej są mniej zaangażowane w inwestycje, dlatego to jest bardzo ciekawa informacja.

Jak duży potencjał fintech ma w Polsce (według Ciebie)?

Ciężko mi to ocenić kwotowo, bo nie mam w głowie liczb, jak to wygląda dokładnie w Polsce, ale bym powiedział że bardziej systemowo. Bo jak zwykle cyfry cyframi, ale warto rozumieć co się za tym wszystkim kryje. Moje teoria na ten temat, a trochę o tym myślałem, jest taka że w Polsce sektor fintechowy nie będzie tak gorący.

Nie był tak gorący i już nie będzie tak gorący (proporcjonalnie) jak w Wielkiej Brytanii, w Niemczech czy Stanach Zjednoczonych, z tego powodu, że większośc innowacji fintechowych odbywa się w okolicach banków konsumenckich, nie inwestycyjnych. Jeżeli chodzi o bankowość konsumencką, to w Polsce ona jest jedna z najnowocześniejszych na świecie, bo tak się złożyło historycznie, że mamy dosyć młode banki, większość z nich całkowicie się reformowała, albo powstawała w latach 90-tych i zeszłej dekadzie.

Alior Bank – to bardzo młody bank, Mbank powstał pod koniec lat 90-tych i to są banki które były bardzo dobrze przygotowane do rewolucji technologicznych i, powiedzmy, są zapóźnione w stosunku do rynku może o jedną albo o pół generacji, podczas gdy banki w Wielkiej Brytanii czy w Stanach były opóźnione o dwie trzy generacje w stosunku do tego co się dzieje teraz na rynku technologii. W Stanach do dzisiaj ludzie sobie pocztą czeki wysyłają, co u każdego klienta polskich banków budzi histeryczny śmiech, ale taka jest rzeczywistość tamtych rynków. Mimo tego że się mówi, że Anglia jest światową stolicą bankowości i bankowości inwestycyjnej, natomiast bankowość konsumencka tam wygląda jak opowieściach Dickensa.

Jak robiłem przelew, prowadząc interesy w Anglii do Polski, to za ekwiwalentem kilku tysięcy funtów przelewu do Polski, bank chciał pobierać opłatę 50 funtów za każdy taki przelew i to jest jakieś nieporozumienie. Więc nie dziwie że takie fintechowe startupy jak Transferwise zagarnęły praktycznie całkowicie rynek transferów międzynarodowych z Wielkiej Brytanii.

Ale ta łatwość, z jaką fintechy zdobywały rynek, wynikała w bardzo dużym stopniu z cech tego rynku, z zacofania tego rynku i z kompletnej nieudolności tamtejszych banków do tego, żeby się reformować. Podejrzewam, że te sygnały są na tyle bolesne dla nich i na tyle dużo rynku straciły w pewnych sektorach, dla pewnych usług, że teraz będą bardzo intensywnie się reformować, ale może dla nich być za późno.

W Polsce fintechy nigdy nie zagarnęły bardzo dużych części rynku konsumenckiego. Jedynym spektakularnym przykładem fintechowym w mojej głowie jest Cinkciarz i potem jemu pochodne startupy do przewalutowania, właśnie dlatego, że banki konsumenckie były troszeczkę zbyt pazerne przy spreadach i opłatach za przewalutowanie. Natomiast w Anglii, którego tematu w bankowości detalicznej człowiek się nie dotknie, to można zrobić biznes.

Myślę że na tym polega systemowa różnica między tymi rynkami i jeżeli by coś tutaj dodać jeszcze dla polskich fintechów, to bardzo bym sugerował dużą ostrożność, na przykład, w kopiowaniu pomysłów ze Stanów i z Wielkiej Brytanii. Często startupy tak robią i nie zawsze to była zła strategia (wręcz często trafna), natomiast w przypadku fintechów, kopiowanie strategii, patrząc na startup Amerykański czy Brytyjski i przenosząc na polski rynek, można się naciąć. Ponieważ polskie banki są dużo lepiej przygotowane do konkurowania w tych obszarach.

To zapytam jeszcze o polski rynek. Alior Bank w marcu tego roku ogłosił strategię “Cyfrowy Buntownik” i mają zamiar zainwestować 400 mln. złotych na innowacje w najbliższe 4 lata. Warto też wspomnieć o Huge Things wspieraną przez Alior Bank. Jesteś członkiem Związku Banków Polski (ZBP), więc masz szerszy pogląd, ciekawy jestem jak z Twojej perspektywy wygląda wdrożenie sztucznej inteligencji, RPA w polskich bankach?

Ciężko mi powiedzieć co te banki robią u siebie, ale rzeczywiście, gdybym miał się oprzeć o to, co widzę w ZBP (w szczególności należę do grupy Cognitive banking i to nie jest tak, że do końca mam pełny ogląd sytuacji na rynku bankowych innowacji czy też w obszarze RPA), rzeczywiście (w tej grupie) banki zajmują się sztuczną inteligencją. I tu bym powiedział, że niewiele tam słychać. Nie wierze w to, że nie robią nic albo tak mało, jak można się domyśleć z tej debaty. Natomiast nie mam jakichś podstaw, żeby powiedzieć, że jest jakaś niesamowita eksplozja.

Bardzo często reprezentanci z innych banków się nie pojawiają na tych spotkaniach, bardzo aktywnie uczestniczą dostawcy vendorzy (Microsoft, IBM, wiadomo liderzy rynku i kilka mniejszych firm). Staram się być tam za każdym razem. Bardzo fajnie idą prace z partnerami vendorami. Natomiast muszę przyznać, że dla mnie jest trochę dziwne, że moich odpowiedników z innych banków jest niewiele, ale nie chcę tutaj nikogo obrazić, ani powiedzieć że nic się nie dzieje. Ale ciężko mi to ocenić, w związku z tym że bardzo mało sygnałów w ZBP odbieramy.

Brzmi to jako cisza przed burza albo zastanowianie się co z tym zrobić.

Może to jest w trybie tajemnicy.

Zapytam jeszcze o ograniczenia rozwoju, też to jest trochę powiązane z fintechem, sztuczną inteligencją. Chodzi mi teraz o integrację z bankami, żeby robić przelewy w prosty sposób tam i z powrotem.

Na przykład, ktoś chce napisać prostą aplikacją i zintegrować się z bankiem, żeby pobierać opłaty. To dostać się do banku raczej jest dość trudno, przynajmniej wprost. Są pośrednicy, nie będę ich wymieniał nazwę, którzy są pomiędzy bankami i klientami. Ale podobno to ma się zmienić… przynajmniej w teorii.

Teraz mam na myśli Open-API banking lub PSD2. Jaka jest Twoja opinia, z punktu widzenia praktyka. Gdzie jesteśmy teraz, czy to będzie wspólny standard dla całej Europy no i kiedy PSD2 może zacząć działać dla prostego dewelopera? Czy jest realistyczne, że w najbliższym roku – dwa, deweloper będzie w stanie zintegrować się z bankiem, czy jednak to potrwa z dobrych 5 lat.

W ogóle bym powiedział, że to jest świetny rok żeby ten temat podjąć i wszelkie startupy, które tym tematem się zajmują, prawdopodobnie wiedzą o tym i już biegają po bankach. Natomiast osoby, które szykują taki startup i jeszcze nie zaczęły tego robić, to tak, bardzo polecam tym tematem się zająć. Jest to temat gorący, moim zdaniem, w każdym banku, który poważnie traktuje regulacje, a banki – to są takie instytucje, które z definicji ich traktują poważnie. Najbardziej regulowany chyba sektor gospodarki cywilnej.

PSD2 to jest regulacja, która między innymi Open-API narzuca bankom, tzn. konieczność otwarcia ich systemów na rynek startupowy, oraz cała masa drobniejszych regulacji, które pod to wchodzą. W odpowiedź na to polskie banki, w ramach ZBP, budują wspólną platforme, która się nazywa Polish API. Mogę mniej wiedzieć na ten temat, ponieważ tym projektem zajmują się bardziej inne osoby, niż ja.

Natomiast uczestniczę w tych spotkaniach i słyszę, że dużo się dzieje, przynajmniej w ING, gdzie jak najbardziej te rzeczy będą otwarte, moim zdaniem, zgodnie z harmonogramem. Kary są dosyć wymierne dla banków za brak tego otwarcia, więc mi się wydaje, że wszyscy to dosyć poważnie potraktują. Jesteśmy wizytowani przez wiele vendorów, którzy oferują różne narzędzia. Różne startupy, który przygotowywały elementy tej platformy, jakieś aplikacje wspomagające. Oczywiście pojawiają się startupy, które też chcą z tego korzystać. Absolutnie temat bieżący, absolutnie temat poważny.

Myślę, że to super wiadomość dla startupów i osób, które chcą integrować się z bankami. W sumie wszystkie projekty e-commerce w ten czy inny sposób chcą to robić. Ale jedziemy dalej…

Na ostatnim spotkaniu mówiłeś, że istnieje bardzo dużo wyzwań, które mogą być rozwiązane przy pomocy machine learning. I podobnie każdy z nich to może być startup. Również powiedziałeś, że bardzo chętnie podejmiesz współpracy z nimi, pod warunkiem, że faktycznie dostarczą rozwiązanie. Jako przykład pamiętam temat związany z biouwierzytelnieniem (głosem albo odbitkiem palca).

Proszę wymień jeszcze kilka innych aktualnych tematów dla większych firm? Co, na przykład, osobiście możesz kupić albo zacząć rozmawiać o kupowaniu tego produktu.

Nie mogę na pewno czynić deklaracji zakupowych, bo dział zakupu “powiesił by mnie na własnych sznurówkach” :). Mam bardzo twarde procedury w banku, związane z etyką, konfliktami interesów i różnymi takimi rzeczami, dlatego nie mogę powiedzieć co bym kupił. Ale w szerszym i bardzo ogólnym kontekście mogę powiedzieć jakie tematy są aktualnie i jakich poszukujemy na rynku.

Cały obszar NLP, to jest coś co nadal nie jest rozwiązane (o tym rozmawialiśmy wcześniej), ale nie tylko. Nawet bym powiedział platformy chatbotowe, takie zwykłe, są mile widziane w bankach i mi się wydaje, że warto chodzić na spotkania i pokazywać swoje rozwiązania. Ale tak jak powiedziałeś, to wszystko musi działać. I te firmy, które dostarczają produkty do banków, muszą być dobrze przygotowane, mieć  produkt który działa i jest stabilny.

Warto pomyśleć żeby działał on nie w chmurze. Ponieważ banki mają bardzo duży problem z wyrzucaniem danych na zewnątrz. Ta kultura się powoli zmienia i myślę, że za parę lat banki będą pracować w chmurze publicznej częściowo, ale będzie to droga przez mękę i na tym etapie są bardzo duże opory. Nawet jeżeli prawnie to jest teoretycznie dozwolone, to warto się nastawić też na taką opcje, gdzie jesteśmy w stanie postawić serwer czy wstawić oprogramowanie on premise.

Wiele startupów, które do nas przychodzą nie zdają z tego sobie sprawę, jak trudne jest dla nas proceduralnie i prawnie wrzucanie danych klientów na zewnątrz. Ponieważ jesteśmy tylko administratorem danych, takim jak inne firmy, ale jesteśmy bardzo regulowanym, bardzo podświetlaną instytucją jako bank i nie możemy sobie tymi danymi tak szastać.

Zresztą, każdy kto daje dane do banku swoje transakcyjne, swoje bardziej wrażliwe, zakłada, że w banku jak w banku, bezpiecznie. Mamy bardzo duże opory, żeby te dane na zewnątrz eksportować, ale myślę, że w obszarze KYC & AML, bioauthentication też to wchodzi.

Ale widzę sporo dobrych rozwiązań na rynku w tym momencie, więc mi się wydaje, że jeżeli ktoś nie ma takiego rozwiązania już od jakiegoś czasu, to bym się skupił chyba nad czymś innym, jeżeli chcemy startupować.

Nawet obszar NLP, który ma wiele dziedzin, które ma tu dostarczyć, niekoniecznie cały system, który jest olbrzymi, ale pewne jego składowe elementy, może elementy morfologii albo elementy słowników ontologicznych, może słownik pojęć finansowych.

Najróżniejsze rzeczy mogłyby się przydać, tylko trzeba, po pierwsze, dobrze znać swoją branżę, po drugie mieć zespół, który pozwala na ciągłą dostępność. Jeżeli to są dwie osoby startupujące, to dla dużej instytucji, to bardzo szybko się okazuję, że nie są w stanie dostarczać na czas.

Polecałbym za banki się brać, jak się ma zespół co najmniej 5-osobowy i raczej bardzo dyspozycyjny. Bo jak trzeba coś zmodyfikować, coś dopisać trochę kodu i nie ma kim to zrobić, to trwa całe miesiące, a bank nie ma czasu. Jeżeli to jest dynamiczna instytucja, taka jak ING, to ma dużą niecierpliwość i frustracje, w związku z takimi rzeczami. Mi się wydaję, że to są takie trudności w obsłudze banków.

Oprócz tego zauważyłem, że większe sukcesy odnoszą startupy prowadzone czy zakładane przez byłych pracowników banków, ponieważ ci ludzi bardzo płynnie się poruszają po realiach banku. Jeżeli takiego doświadczenia nie mamy, jako startup, to warto z kimś takim być w kontakcie albo zatrudnić jako konsultanta, albo inna firmę która ma z bankami doświadczenia. Bo można się wywalić na wielu bardzo oczywistych rzeczach bankowości, a kompletnie niedostępnych dla kogoś, kto tej branży nie zna dobrze. Więc to takie moje rady.

Jeżeli chodzi o mechanizmy, to nieskończoność różnych rozwiązań od prognostycznych modeli, modeli propensity różnego typu, bardziej zaawansowanych machine learningowych adaptywnych algorytmów, ryzyka na różne sposoby, w bankowości jest bardzo dużo takich przykładów. Myślę że jak ktoś już działa w tym obszarze, to będzie wiedział co takiego może się przydać.

Na dzień dzisiejszy sztuczna inteligencja jest jak poszukiwanie złota, wiele firm o tym słyszało, próbując biec gdzieś… bo już świadomość rośnie i wiedzą, że raczej muszą. No właśnie… Jako osoba (praktyk),  na co dzień kierujesz strategiami związanymi z projektowaniem, implementacją oraz wdrażaniem projektów sztucznej inteligencji w dużym banku (TOP 5).

Co możesz doradzić osobom które dopiero chcą zacząć używać uczenia maszynowego, sztucznej inteligencji czy RPA. Na co należy zwracać szczególną uwagę i jakie klasyczne błędy popełniają początkujący?

Na początek warto zaprosić bardziej doświadczonych, firm konsultingowych, zewnętrznych, które takie projekty robiły. Bo samemu eksperymentować ze sztuczną inteligencją  – to jest bardzo długa krzywa uczenia się. Tutaj naprawdę trzeba mieć dużo doświadczenia. Ale zanim tam dojdziemy, powiedziałbym że dla wielu firm AI nie będzie miało zastosowania z kilku powodów…

Po pierwsze, że nie mają dość dobrej jakości danych albo w ogóle mają za mało danych. Jednak wiele mechanizmów jest związane z dostępnością Big Data. Często, jak rozmawiam z klientami, to mówię, że jeżeli nie odrobiliście pracy domowej przy poprzednim hypie czyli Big Data (parę lat temu), to teraz będzie trudno wam załapać się na hype typu sztuczna inteligencja.

Wynika to z tego, że większośc modeli czy rozwiązań sztucznej inteligencji opiera się o Big Data, jeżeli nie „big”, to przynajmniej średnie data. Muszą to być nie tylko w miare duże zbiory danych, ale również zbiory danych, które w jakiś sposób dobrze przygotowane, posortowane. Nie zawsze muszą być strukturyzowane, ale muszą być w odpowiedni sposób przygotowane do odpowiednich modeli.

Warto pamiętać że nie zawsze trzeba mieć Data Lake. To często się manifestuje w postaci Apache Hadoop Stack, czyli takich rozwiązań jeziora danych, głównie opartych o Hadoop, Spark. Często na zwykłym serwerze SQL’owym można bardzo dużo ciekawych analiz i modeli zbudować. Wszystko zależy od tego, w jakiej skali funkcjonujemy.

Ostatnia rada to taka, że podejdźmy do tego bardzo pragmatycznie. Nie róbmy SI czy AI dla AI, bo to jest hype i cudowna technologia, ostatni ludzki wynalazek i wszystko prawda. Ale ten olbrzymi wpływ jaki technologie AI będą mieć niestety, i to może jest trochę niesprawiedliwe, ale będzie największy dla największych firm. Takie firmy jak Facebook, Google mają największe zbiory danych i będa miały największe korzyści z AI. Wiele średnich firm i niektóre nawet duże, które nie zbierają dane, po prostu dla AI nie będą miały zastosowania.

RPA – zupełnie inna sprawa. Dla RPA, zwłaszcza w polskich firmach, będzie sporo takich bardzo prostych prac, związanych z przepisywaniem czegoś. Pracowałem na rynku IT w charakterze konsultanta wiele lat i widziałem w różnych firmach różne dziwne rzeczy. I jest trochę takiej kultury, jak “brak automatyzacji pracy”, brak takiego podejścia, że zanim się coś zdeleguje najpierw powinno się to zautomatyzować, powinno się upewnić czy to nie jest głupia robota.

Tutaj trochę okazji do zastosowania RPA będzie, żeby tę prostą, nieproduktywną pracę zautomatyzować, a tych pracowników oczywiście nie zwalniać, tylko wyszkolić w taki sposób, żeby mogli robić rzeczy bardziej ciekawe i budować więcej wartości dla firmy. Bo to zawsze jest tak, że można dostarczyć trochę więcej tych usług, trochę więcej wartości, nie zawsze warto konkurować ceną i cięciem kosztów tylko.

Jakie największe wyzwanie miałeś do rozwiązywania związane ze sztuczną inteligencją?

Myślę, że takim największym rozwiązaniem nadal są wszelkie zagadnienia związane z procesowaniem tekstu. I to zarówno w obszarze tekst miningowym, learningowym trochę, ale jeszcze bardziej w obszarze konwersacyjnym. To są problemy trudne do rozwiązania, nie trywialne.

Jeżeli chodzi o modelowanie i zastosowanie machine learningu, to są rzeczy, które często jednak się replikuje na gotowych modelach, jakichś dobrych praktykach, tu przygotowanie danych zwykle jest trudne. Jeżeli chodzi o NLP, to w wymiarze języka polskiego, nadal problem jest nierozwiązany.

Jaki projekt lub konkretne rozwiązanie sztucznej inteligencji najbardziej Cię zaskoczyło?

Najbardziej mnie zaskoczyła sytuacja z zeszłego tygodnia, kiedy się okazało, że w takim projekcie proof of concept, bardziej eksperymencie tekst miningowym, przy dokumentach nieustrukturyzowanych (czyli robiliśmy to dla umów czy aktów notarialnych), kiedy próbowaliśmy wydobywać encje (czyli konkretne jednostki danych, jednostki tekstowe), i się okazało że bardzo niewiele będziemy stosować w tym machine learningu czy deep learningu, a bardzo dużo rzeczy udało się obsłużyć regexp’em czyli takimi regularnymi wyrażeniami.

W języku potocznym można powiedzieć zwykłymi warunkowymi, regułowymi stwierdzeniami programistycznymi. I tak naprawde w tym całym AI się okazało,  że będzie dużo mniej AI niż wszyscy się spodziewaliśmy. Czyli jak wcześniej mówiłem, warto się upewnić że na pewno to AI jest potrzebne. Bo bardzo wiele problemów, jak do nich podejdziemy na spokojnie i bez tej całej otoczki hypowej AI, można rozwiązać często w prosty sposób, czyli jak mawiał Konfucjusz:

“Nie wytaczaj armaty na komara”.

Dokładnie. Bardzo cieszę się że to powiedziałeś, bo to jest super pragmatyczna rzecz. Najpierw trzeba sprawdzić najprostszą metodę, którą posiadamy, jak powiedziałeś, na przykład, regex’a czyli wyrażenia regularne, albo jakieś zestaw reguł.

Miałem rozmowę o sztucznej inteligencji w księgowości, rozmawiałem z Dimą, i on powiedział coś podobnego. Oni nie używają za bardzo deep learningu, natomiast napisali swoją własna implementacje (trochę machine learningu, trochę statystyki) i ten model jest najlepszy, który bije wszystko, co mieli dotychczas.

I to jest złota reguła, że Deep Learning, to nie jest pierwsza rzecz, którą chcesz sprawdzić, tylko coś bardziej prostszego, jeżeli to nie działo, to wtedy może używać bardziej złożone rozwiazane (takie jak deep learning).

Zresztą, podczas rozwiązywania tych problemów, często podczas dekompozycji wychodzi, że różne metody stosujemy do różnych elementów czyli coś, co się wydaje całością (czyli taki tekst mining), wygląda na jeden temat i jego zdekomponujemy na pojedyncze części, to nagle się okazuje, że tych różnych czynności tam się wykonuje kilkanaście, kilkadziesiąt i każdą można robić trochę na inny sposób. I to jest tak naprawdę cała rodzina rozwiązań.

Taką dobrą analogią jest Watson, który też nie jest jednym algorytmem czy jedną siecią neuronową, ale całą rodziną najróżniejszych rozwiązań od bardziej tradycyjnych poprzez najróżniejsze odmiany machine learningu. To wszystko zależy. Trzeba dobrać młotek do gwoździa.

Pytanie już bardziej prywatne. Czy możesz trochę zdradzić trochę swoich planów na przyszłość w szczególności zwiażanych ze stuczną inteligencja oraz RPA?

Szczerze mówiąc, to co teraz robię, pochłania mnie bardzo mocno i na pewno do dwóch lat będę chciał się skupić na tym projekcie ING, bo tam jest kilka długofalowych projektów, które trzeba dociągnąć do końca. I jednocześnie, równolegle, staram się jak najwięcej uczyć się, studiować, staram się po godzinach budować jakieś prototypy w domu, eksperymentować trochę. Jak najbardziej się rozwijać w tym kierunku. I to chyba na taką dającą się przewidzieć przyszłość, to by było to.

Wiadomo że takim długofalowym marzeniem to było by pracować dla jednego z liderów tych obszarów, takich jak Google. Dla każdej osoby, która pracuje z tego typu technologiami, chciałoby się pracować w tych wiodących zespołach, żeby mieć dostęp do najnowszych rozwiązań, ale to są na razie bardzo dalekosiężne jakieś aspiracje, nawet można powiedzieć plany.

Życzę żeby się udały tak krótkotrwałe plany jak i długotrwałe. Już ostatnie pytanie na dzisiaj, jak można Cię znaleźć w sieci?

Jestem na LinkedIn’ie, jestem na Facebooku. Można też zajrzeć, do czego zachęcam, na stronę mojej macierzystej firmy Hemnes.

Dziękuję bardzo za twój czas.

Również Ci dziękuję i mam nadzieję, do zobaczenia niedługo na jednym z meetupów startupowych.

Trochę nam rozmowa przeciągnęła się, ale myślę, że było warto :).  A jaka jest Twoja opinia?

Zapraszam do pozostawienia swojego komentarza na itunes, na stronie biznesmysli.pl czy siecach społecznościowych. Dla Ciebie to dosłownie kilka minut a tym samym możesz uczynić kilka dobrych rzeczy na raz:

• Dodać mi motywacji do kontynuacji tego co robię
• Poruszyć temat czy nawet dyskusję, która może ulepszyć podcast
• Umożliwić innym znaleźć podcast (tak działa algorytm w itunes)

Również proszę o podzielenie się treścią na Facebook. W grupie Biznes Myśli, będzie link i opis tego odcinka. Jeżeli spodobał się ten podcast, podziel się z innymi. Być może ktoś poszukuję tej informacji. Z góry bardzo Ci dziękuję.

Dziękuję również osobom, które do mnie piszą, pytają o porady. Z chęcią staram się pomóc, jeżeli mogę. Zauważyłem, że czasem jest niepewność, a czy warto pisać, a czy odpiszę itd? Oczywiście różne rzeczy dzieją się w życiu, ale na dzień dzisiejszy odpowiedziałem wszystkim osobom które mnie napisały. Dlatego zapraszam. Dla mnie jest cała przyjemność pomóc komuś, jeżeli to jest w moich siłach :).

Tak jak już zapowiedziałem w poprzednim odcinku. Teraz pracuję nad warsztatem o nazwie Data Workshop.

Data Workshop | Poznaj czym jest sztuczna intelingencja ze strony praktycznejKtóry ma pomóc (już na poziomie implementacji) w nauce używania machine learning w praktyce. Osoby które są zapisane na newsletter mogą liczyć na zniżkę, ale teraz chcę powiedzieć o czymś innym… Bardzo mi zależy na tym, żeby warsztat był skupiony na rozwiązaniu praktycznych problemów. To jest bardzo pragmatyczne podejście. Już wspomniałem o możliwości bezpłatnej konsultacji ze mną na samym początku, a teraz szczegóły.

Proszę wypełnić prostą ankietę z 5-cioma pytaniami o problemach biznesowych które chcesz rozwiązać. Jeśli to zrobisz, wtedy możesz liczyć na bezpłatną godzinną konsultację ze mną na temat uczenia maszynowego. Oferta jest aktualna do końca sierpnia 2017.

W następnym odcinku będzie gość który teraz robi badania na jednej z najbardziej znanych uczelni w świecie, zwłaszcza w tematach sztucznej inteligencji. Podzieli się swoim doświadczeniem, powie co tam działa inaczej niż w Polsce i jeszcze sporo innych ciekawych tematów.

To już tyle na dzisiaj. Dziękuję Ci bardzo za poświęcony Twój czas, Twoją energię i chęć do rozwoju.

Cześć i wszystkiego dobrego!

Książki polecane przez gościa

Artykuł Sztuczna inteligencja i bankowość pochodzi z serwisu Biznes Myśli.

Dzisiaj będziemy mówić o sztucznej inteligencji, ale trochę z innej strony.

Aleksandra Przegalińska jest doktorem filozofii, a teraz prowadzi badania w MIT. Żyjemy w bardzo ciekawych czasach, cytując Olę:

„Myślę że jesteśmy na etapie wykuwania jakiegoś nowego paradygmatu, jeżeli o to chodzi, bo rzeczywiście doszliśmy do ściany”.

Poznasz również opinie Oli  na temat, czy Test Turinga już jest zaliczony, czym jest dolina niesamowitości i jak wyglądają najnowsze tematy w tym obszarze.  Również o tym, co to jest microtargeting, co potencjalnie pomogło Donaldowi Trumpowi, prezydentowi Stanów Zjednoczonych, wygrać wybory. Zapraszam wysłuchania…

Vladimir:
Cześć Ola. Proszę przedstaw się kim jesteś, co robisz, co lubisz i gdzie mieszkasz?

Ola:
O jaki szereg trudnych pytań! Cześć, nazywam się Ola Przegalińska. Jestem badaczką nowych technologii, pracownikiem naukowym. Mieszkam i pracuję w tej chwili przede wszystkim w Bostonie, ale często też bywam w Warszawie, gdzie jest mój drugi dom. W Bostonie pracuję na MIT (Massachusetts Institute of Technology) w departamencie który się nazywa Center for Collective Intelligence i zajmuję się inteligencją roju i różnymi cyfrowymi śladami, które ludzie po sobie zostawiają, głównie w sieci.

W Warszawie pracuję na Akademii Leona Koźmińskiego, zajmuję się tam też nowymi technologiami, troszeczkę startupami. No i oczywiście, przede wszystkim, sztuczną inteligencją, bo to jest taki podstawowy obszar moich badań i to jest też coś, co lubię. Więc mam taką, można powiedzieć, uprzywilejowaną sytuację, że zawodowo zajmuje się tym co lubię, a z takich innych rzeczy, które bardzo lubię, to ostatnio strasznie mi się spodobało wspinanie. I tym się ostatnio pasjonuje, przynajmniej wakacyjnie, poza wieloma innymi rzeczami.

Vladimir:
Wiele ciekawych rzeczy, o to będę jeszcze dopytywał później. Też mogę potwierdzić że byłaś w Warszawie, jak na przykład teraz. Natomiast zapytam co ostatnio czytałeś i dlaczego warto to przeczytać?

Ola:
Ostatnio, z takich bardzo ciekawych książek, które mogę polecić, to przede wszystkim przeczytałam coś, co się nazywa „Machines, Platform, Crowd” czyli maszyny, platformy i tłumy. To jest książka, wydana dokładnie w tym roku 2017, przez dwóch profesorów związanych zresztą z MIT, Erika Brynjolfssona i Andrew McAfee. I to jest książka, która właściwie jest pewnego rodzaju kompendium wiedzy o tym, w jaką stronę w tej chwili podążają takie mega trendy tzn. sztuczna inteligencja, rozwój cyfrowych platform wymiany wiedzy, ale też zakupowych, serwisowych, wszelkich w zasadzie tych marketplace’ów.

Rozwój właśnie takiej inteligencji roju, czyli tych wszystkich tłumów online, które można ciekawie targetować, ale które też o bardzo wielu rzeczach decydują. Także ta książka właściwie jest o wszystkim, w tym sensie, o wpływie technologii na masę obszarów, na gospodarkę, na społeczeństwo, na więzi społecznych relacji. Fenomenalna lektura i taka sumaryzacja wszystkiego, co się do tej pory ciekawego zdarzyło, też operująca na bardzo ciekawych kejsach, nie tylko o Uberze, o którym wszyscy mówią, ale o takich właśnie, można powiedzieć, mniej znanych przykładach.

Vladimir:
Brzmi bardzo ambitne. Książka będzie podlinkowana do notatek. A powiedz Ola, gdzie dokładnie pracujesz i czym się zajmujesz. Fajnie będzie, jeśli podasz przykłady, bo wydaje mi się, że dla wielu osób nadal ta cała terminologia jest nieco tajemnicza.

Ola:
Jasne. Zajmuję się, tak jak powiedziałam wcześniej, sztuczną inteligencją, ale oczywiście, to jest ogromne pole badawcze, i w jego ramach, każdy może znaleźć dla siebie miejsce. W tej chwili mamy dwa projekty, które prowadzimy właśnie na MIT.

Ale też Koźmiński, czyli moja macierzysta uczelnia w Warszawie, bardzo mnie wspiera. To są projekty, które są związane, po pierwsze, z interakcją człowieka, między maszyną a człowiekiem. Badamy czy też robimy eksperymenty naukowe, które pozwalają nam zobaczyć, jak ludzie komunikują się, na przykład, z czymś takim jak Siri i jak ich ciało na to odpowiada. To znaczy, jakie reakcje afektywne albo emocjonalne budzi interakcja z maszyną tego typu.

Takich sprzętów jest, rzeczywiście, coraz więcej. Alexa, Siri, Cortana, coraz więcej mamy wirtualnych asystentów do obsługi klienta, coraz częściej wchodzimy w komunikację przez telefon czy online rozmaitymi botami różnych firm. Czasami po prostu dla fun’u, tak jak to jest na Messengerze.

Ostatnio też powstał taki projekt jak Replika. Replika your AI friends, czyli twój przyjaciel – sztuczna inteligencja, z którym się po prostu konwersuje swobodnie.

I nas ten rozwój botów rzeczywiście bardzo zainteresował. I postanowiliśmy wspólnie z Leonem Ciechanowskim, gdzie są znakomici specjaliści od badania sygnału psychofizjologicznego, po prostu sprawdzić, jakiego typu afekty, jakiego typu odpowiedzi (można powiedzieć emocjonalne) generują się podczas interakcji z takim botem.

To znaczy, czy to jest inne od interakcji z ludźmi, czy to się jakoś zasadniczo różni od tego jak rozmawiamy sobie z dowolną osobą, którą znamy, czy to jest właściwe interakcja bardzo podobna do interakcji z ludźmi, z punktu widzenia tego jak to emocjonalnie odbieramy. I to jest taki jeden duży projekt, w którym w tej chwili siedzimy, grzebiemy. A drugi projekt, który realizujemy, to jest projekt z zakresu właściwie IoT i internetu rzeczy i technologii ubieralnych.

Właściwie można powiedzieć, przeprowadzamy swoiste crash-testy takich technologii ubieralnych kolejnej generacji. To znaczy interesują nas nie jakieś proste reaktywności, jakich jest bardzo wiele teraz, z których wiele ludzi korzysta, mają jakieś opaski na rękę, z nimi biegają, one im liczą kalorie itd…

Nas interesują, można powiedzieć, bardziej wyrafinowane sprzęty, mianowicie, interesują nas headbandy. Czyli takie opaski na głowę, które dokonują pomiaru takich rzeczy, które kiedyś jeszcze właściwie były nie do wyobrażenia, że można je mierzyć. Tak jak, na przykład muse, poziom stresu albo poziom koncentracji. Być może można było coś takiego zmierzyć w laboratorium, ale nikt żaden konsument nie mógł sobie indywidualnie tego zrobić. To są opaski do indywidualnego użytku.

Za ich pomocą też chcemy przeprowadzać rozmaite eksperymenty, ale też po prostu pracujemy nad tym, żeby je rozwijać, żeby zwiększać ich funkcjonalności. Taką opaską, którą w tej chwili się zajmujemy. To jest opaska, która służy do badania poziomu koncentracji i do tego, żeby ten poziom koncentracji zwiększać. Ma taką dodatkową aplikację z botem, która doradza w jaki sposób trzeba działać, żeby być bardziej skoncentrowanym. To jest taki sprzęt, który rzeczywiście w tej chwili testujemy na MIT.

Vladimir:
Tyle rzeczy! Zaraz będę o to wszystko dopytywał. Ale najpierw jeszcze może zapytam o Twoją własną książkę, którą napisałaś „Istoty wirtualne. Jak fenomenologia zmieniała sztuczną inteligencję„. Do kogo jest ta książka skierowana i jakie tematy tam poruszasz? Bo ja tę książkę dopiero też znalazłem, przyznam szczerze, pewnie chciałbym ją przeczytać. Więc podziel się więcej, co możemy w niej znaleźć.

Ola:
Książka jest taką bardzo zmienioną, popularyzowaną wersją mojego doktoratu. Doktorat, oczywiście, o sztucznej inteligencji, ale był pisany na wydziale filozofii. Tam można spodziewać się trudnej terminologii,  która na początku, dla osób które nie mają tego backgroundu, będzie mniej zrozumiała, ale przez to można szybko przebrnąć. Książka, w zasadzie, dla wszystkich.

Książka jest podsumowaniem tego, co się działo w sztucznej inteligencji, jakie kolejne paradygmaty w tym projekcie sztucznej inteligencji następowały, jakie będą następowały, czyli jakich możemy się spodziewać. Tutaj też podaję przykłady o różnych sposobach, w jakich można rozwijać sztuczną inteligencję. Nie na takim bardzo inżynieryjnym poziomie ostatnim, tylko na poziomie koncepcyjnym.

Sztuczna inteligencja to jednak ogromny projekt intelektualny, to nie są tylko praktyki inżynieryjne, ale to jest też jakiś taki duży paradygmat, który mówi nam o tym, jak stworzyć maszynę, która będzie w jakiś sposób podobna do człowieka, jak do tego doszłoby, gdyby to się udało, i w którą stronę powinniśmy się kierować. Jakiego typu funkcje ludzkie, funkcje inteligencji człowieka trzeba by było odtwarzać, żeby ta maszyna faktycznie była do nas podobna, albo żeby mogła ją cechować jakaś forma inteligencji. I w tym projekcie sztucznej inteligencji od lat 50., 40. ubiegłego wieku, różne na to pomysły były.

Staram się czytelnika przez to przeprowadzić, czyli każdy, kto jest zainteresowany sztuczną inteligencją, może to przeczytać. Dalej, właśnie, od strony też paradygmatów różnych, można powiedzieć, filozoficznych, bo to jest duży metafizyczny, filozoficzny projekt. Dzisiaj, może ludzie którzy się zajmują IT, nie do końca tak o tym myślą, ale dla badaczy sztucznej inteligencji, to jest dosyć jasne. Za tym projektem stoją zbyt silne założenia dotyczące tego, jak poznajemy, jak myślimy, my jako ludzie, jak możemy to odtwarzać na maszynie.

Staram się w swojej książce to pokazać, to jakoś zilustrować i pokazać, jakie różne etapy sztucznej inteligencji przechodziła, bo na początku chcieliśmy budować maszyny, które będą najlepiej grały w szachy, potem zmieniliśmy zdanie i chcieliśmy budować maszyny, które będą potrafiły poruszać się w przestrzeni fizycznej, czyli będą potrafiły sobie jakoś radzić z takimi bolączkami codzienności, chodzić, odpowiadać na bodźce zewnętrzne. To są dwie różne koncepcje sztucznej inteligencji. I staram się pokazać, która zwyciężyła i dlaczego, jaki jest stan wiedzy na dzisiaj, jak możemy te wiedzy dalej rozwijać, jakie są kolejne wyzwania, co należałoby zrobić chociażby w obszarze botów, żeby te boty faktycznie stały się takimi bardzo zaawansowanymi maszynami.

Vladimir:
Rozumiem, że ta książka nadaje się dla wszystkich osób, które się interesują sztuczna inteligencją i…

Ola:…rozwojem technologii również.

Vladimir:
Teraz zadam najważniejsze pytanie dzisiejszej rozmowy, później to będzie wszystko dookoła. Pytanie jest takie, czym jest osobliwość i czy należy jej się bać.

Ola:
No tak, mogłam się spodziewać Czym jest osobliwość? To zależy od definicji. Czym czy kim, to też jest dobre pytanie. Jest osobliwość w matematyce, która jest oczywiście zupełnie innym fenomenem niż tym, którym się zajmujemy. W kontekście sztucznej inteligencji, osobliwość – to jest taki punkt,  wyspekulowany dosyć, niejasny, kiedy on nastąpi w przyszłości, kiedy maszyna właśnie osiągnie co najmniej ludzkie kompetencje.

To znaczy będzie intelektualnie sprawna tak samo jak człowiek, będzie cechować  być może także samoświadomością, czyli stanie się jakby czymś, na pewno z nami porównywalnym. I dlatego to się nazywa osobliwość, bo nie wiemy co dalej od tego punktu może nastąpić. To znaczy że to będzie punkt osobliwy w historii cywilizacji człowieka, dlatego że on wszystko zmieni. Nie było nigdy nic takiego. Nic takiego się nie zdarzyło. Singular, takie wyjątkowe, prawda. Bo Singularity, to jest angielski ekwiwalent osobliwości polskiej. I to jest taki moment, od którego bardzo trudno przewidzieć, co się może zdarzyć, bo tutaj pojawia się wtedy taki gracz na świecie, na Ziemi, który będzie zupełnie poza nami.

To znaczy, w jakimś sensie będzie, być może, nie do przewidzenia w jaki sposób on rozegra swoją relację z nami, z ludźmi. Więc tak naprawdę, ta osobliwość – to jest swego rodzaju zagadka. Też czasami mówi się „osobliwość” o maszynie osobliwej, czyli właśnie o takiej sztucznej inteligencji, która będzie już na ludzkim poziomie, a nawet na wyższym poziomie niż człowiek, przekracza kompetencje człowieka. I wtedy dojdzie do jakiejś takiej reorganizacji tego jak funkcjonują nasze społeczeństwa, jak funkcjonujemy, jak gospodarki nasze funkcjonują. To jest taki po prostu moment, absolutnie przełomowy, który nie jest porównywalny z niczym, co my do tej pory, jako cywilizacja, przeżywaliśmy.

Natomiast nie wiemy, kiedy ono nastąpi. Są tacy ludzie, jak Ray Kurzweil, którzy mówią, że to będzie za 20 czy 30 lat, on tę datę też przesuwa trochę.

Są inni, którzy mówią że bardziej za 100. A jeszcze są inni którzy mówią że, żeby maszyna stała się osobliwa, to musi przejść jednak proces ewolucji, i nawet gdyby on miał być spakowany bardzo mocno w stosunku do tego, jak myśmy się ewolucyjnie rozwijali, to tak czy siak, to nie będzie mniej niż 1000 lat. Więc do spekulacji jest wiele, są oczywiście też tacy, którzy mówią, że osobliwość nie nastąpi, bo nie da się stworzyć świadomej maszyny.

Da się stworzyć inteligentną być może, ale samoświadomą, taką podmiotową, która będzie myślała o sobie jako o Ja, dodam że, takiej to nie da się zbudować, bo po prostu nie mamy do tego kompetencji, ona się sama nie wyłoni. Jest dużo dyskusji, debat na ten temat czy to się zdarzy i czy należy się tego bać. Prawdę mówiąc, mam takie stanowisko dosyć realistyczne. To znaczy, jeżeli mówi się ludziom, że się powinni bać, to oni wtedy naturalnie reagują, tak że ten projekt należy zatrzymać. Uważam, tak zupełnie pragmatycznie, że projektu rozwoju sztucznej inteligencji po prostu zatrzymać się nie da.

Nawet, jeśli ktoś gdzieś powie „pas”, amerykanie czy my, to być może chińczycy nie powiedzą „pas”, bo będą chcieli dalej rozwijać sztuczną inteligencję, bo będzie do czegoś tam potrzebna w medycynie, przemyśle, gdziekolwiek. I w związku z tym, tego projektu nie da się zatrzymać. Więc zamiast się bać i myśleć o nim w takich kategoriach panicznych – „uciekamy”, to po prostu trzeba do niego podejść tak na spokojnie, na chłodno i się do niego dobrze przygotować (do tego procesu). Przede wszystkim, musimy coraz bardziej upowszechniać wiedzę na temat tego, jaki jest stan rozwoju sztucznej inteligencji. On, wbrew pozorom, nie jest aż tak bardzo zaawansowany, jest masa zagadek, jest bardzo dużo trudności w tym projekcie. Mówimy naprawdę o bardzo wczesnym etapie.

Tak uważam, bo gdzieś pracuję w tym obszarze, ale trzeba zdecydowanie społeczeństwo uświadamiać i powinniśmy odbyć szereg debat, dotyczących tego jak i w jaką stronę chcemy sztuczną inteligencję kształtować. Bo to może być tak, że to będą inteligentne systemy, które będą asystowały człowiekowi, będą optymalizowane szeregi procesów i, oczywiście, zmienią nasze społeczeństwo, ale nie dojdzie do punktu żadnej konfrontacji. Natomiast oczywiście, że gdzieś tam kupuje (inkubuje) się jakaś forma taka, która będzie wykorzystana chociażby jeszcze przez człowieka w złych celach. Już będzie inteligentna, ale nie będzie miała podmiotowości woli  jeszcze.

Jakiś tam, powiedzmy, ego-maniacki polityk postanowił ją wykorzystać w jakichś swoich niecnych celach. Mam wrażenie że im bardziej projekt sztucznej inteligencji jest wspólny dla całego społeczeństwa, tym jest bezpieczniejszy, a im bardziej jest pochowany po jakichś wyjątkowych, bardzo szczególnych, nielicznych labach (laboratoriach) i ludzie nie rozumieją, bo oni się go boją, tym zasadniczo gorzej. Taka jest moja odpowiedź, nie wiem, czy ona jest jednoznaczna, ale bym powiedziała że nie należy się bać, ale należy po prostu bardzo uważnie się przyglądać i coraz bardziej w ten projekt wchodzić.

Vladimir:
Poruszyłaś bardzo ciekawy temat, a zwłaszcza to, nawet jeżeli ktoś będzie chciał to zatrzymać, to jednak to jest niemożliwe. Ostatnio czytałem takie badania, na temat kiedy właśnie ten punkt nastąpi, i są różne poglądy. Ciekawostką jest to, że właśnie naukowcy z Chin zwykle szacują to, że ten punkt nastąpi kilkadziesiąt lat wcześniej. Co jest ciekawe, dlaczego tak uważają, niewiadomo.

Też jest ciekawe to że to całe środowisko naukowe w Chinach jest raczej dość zamknięte. Oni czasem coś piszą, ale takie bardzo minimalne informację co dokładnie się tam dzieje. Ale tam naprawdę się dzieje wiele ciekawych rzeczy, więc nie da się tego zatrzymać. Z tym się zgadzam w stu procentach.

Zapytam teraz coś konkretnego. Zapytałem najpierw o przyszłość,  więc zapytam teraz o tym, co mamy. A właśnie, które rozwiązania albo tendencje sztucznej inteligencji najbardziej cię zaskoczyła albo nadal zaskakuje?

Ola:
Jeszcze jakiś czas temu bym powiedziała, że to, co robi Boston Dynamics jest dla mnie poruszające. W każdym wymiarze, to jest tak zwana ucieleśniona sztuczna inteligencja czy też cielesna. Czyli stworzenie sieci sensorów, które pozwalają nam badać w jaki sposób otoczenie zewnętrzne może się do niego dostosowywać i po nim się poruszać. Nie wiem czy Ty znasz tę robotę?

Vladimir:
Tak, bardzo polecam też filmik, nie wiem jak się nazywa ten robot, taki pies, który tam skacze, biega…

Ola:
Tam jest Atlas, jest BigDog, tych projektów jest bardzo dużo.

Ten o którym mówisz to chyba jest Bigdog.

Generalnie to są niesamowite maszyny, bo inteligencia cielesna to jest jedna z moich ulubionych odłamów sztucznej inteligencji. Inteligencja oparta na sensorach, na odkrywaniu tego, czym jest percepcja, stymulowanie tej percepcji na maszynie. Fenomenalne jakieś pole badawcze. Na początku, oczywiście, miały być jakieś tam drony, które będą też wykorzystywane bojowo. Ktoś zamówił u Boston Dynamics taki projekt, bodajże DARPA czyli Amerykańska agencja obrony. Potem się okazało, że być może mają bardziej konsumenckie zastosowanie.

Na przykład mogą przynosić bardzo ciężkie paczki w magazynach Amazona. W zasadzie wydaje mi się, że to bardziej idzie w konsumencką stronę, niż w taką typowo bojową.

Co mnie, jako osobę o usposobieniu pacyfistycznym, bardzo cieszy. I to są faktycznie strasznie ciekawe projekty. To znaczy, że poziom sztucznej inteligencji cielesnej w ciele jest bardzo wysoki. Jakiś czas temu odkryłam to z wielkich zafascynowaniem, bo wydawało mi się że to jest bardzo trudne. Tam jest szereg trudnych problemów filozoficznych, ale też i inżynieryjnych, które bardzo trudno rozwiązać. I okazało się, że ta firma jest w stanie jakoś się przekroczyć i budować maszyny, które sobie w zewnętrznym środowisku radzą, nie wywracają się.

Tak jak słynny robot Hondy jeszcze jakiś czas temu. Miał przejść kilka schodków i to miał być wielki przełom sztucznej inteligencji. Potknął się na drugim schodku i upadł, a Japończycy tam płakali. To tak wyglądało bardzo długo.

Takie typowe zadania, które wydawały się rutynowe, takie jak: umyj okno czy przejdź, one po prostu z tym sobie nie radziły. To wynika z określonych ograniczeń oprogramowania, braku wiedzy ludzkiej jak to zrobić. I nagle się pojawia maszyna która po prostu skacze jak pies czy małpa. Chodzi jak krowa, chodzi również jak człowiek (do pewnego stopnia). Można próbować jej podstawić nogę, ona to ominie. Ona naprawdę jest zwinna. I to było dla mnie wielkie odkrycie i wielka radość.

Kolejnym projektem, którym dzisiaj fascynuję się to jest deep learning czy głębokie uczenie maszynowe. Widzieliśmy popis deeplearning’u kiedy AlphaGo, program komputerowy, wygrał z mistrzem tradycyjnej Chiński gry Lee Seedolem. I wygrał w taki sposób, w jaki nie wygrał żaden człowiek. Wygrał inaczej niż wygrywają ludzie ze sobą. Nie jestem specjalistą od Go, ale trochę na ten temat czytałam, też pytałam się ludzi którzy w Go grają.

Którzy tę grę analizowali, i oni mówią, że: „Niezwykłe było to, w jaki sposób ten program prowadził grę i jakie były jego kolejne posunięcia. Że to było posunięcie właśnie z niskiego porządku myślenia”. AlphaGo w pewien sposób cechował się oryginalnością i kreatywnością w tych swoich rozwiązaniach. Chociaż też, z drugiej strony czasem robił głupie błędy których nie popełnił żaden człowiek. Czyli widać że to maszyna gra, inaczej gra.

Dla mnie to jest punkt przełomowy, który pokazuje, że te możliwości deeplearning’u są bardzo duże. I że w tym obszarze będą się działy bardzo ciekawe rzeczy, które każą nam, chyba niebawem, zakwestionować właśnie to, że uważamy, że jesteśmy jedynymi bardzo kreatywnymi czy też w ogóle kreatywnymi istotami. To oczywiście nieprawda, bo zwierzęta również są kreatywne w dużej mierze. Ale na pewno nie uważaliśmy że kreatywne mogą być maszyny. Nawet kiedy boty pisały wierszyki jakiś czas temu, to się wydawało że to jest zwykłe generowanie linijek, które czasem do siebie pasują, a czasem nie. Nas to śmieszy. A dzisiaj mamy rozwiązania głębokiego uczenia maszynowego, które każą nam to zakwestionować. Rzeczywiście IBM Watson jest kolejnym przykładem, który robi trailery filmowe, który ma szereg rozmaitych zastosowań analitycznych. Niewątpliwie, w jakiś sposób, jest maszyną inteligentną. To są rzeczy które mnie bardzo interesują i inspirują.

Vladimir:
AlphaGo faktyczne zrobiło bardzo kreatywne zagranie i widać było że gra inaczej niż ludzie. Jako ciekawostkę warto dodać, że Lee Seedol też zaczął grać inaczej, niż grał przedtem. To też było bardzo fajnie opisane, dlaczego tak uważano. To wszystko było mierzone i prawdopodobieństwo tego, że Lee Seedol zrobi taki czy inny krok było przewidywane. I on robił takie rzeczy, których nie robiłby, jeżeli grałby z człowiekiem. Można powiedzieć, że kreatywność komputerowa, również wpływa na kreatywność ludzką. To jest ciekawe.

Ola:
Niewątpliwe, że on musiał dostosowywać swoje strategie. To prawda. Nie wiem, czy zaznajamiałeś się z literaturą. Tutaj jest szereg ciekawych rzeczy. Po pierwsze, że on był przekonany, że zwycięży. W zasadzie tak jak inni w ogóle nie uważali, że on powinien się cechować taką pewną siebie postawą.

On sam właśnie był przekonany, że on zdecydowanie tutaj zwycięży i to w cuglach. Jeszcze pół roku wcześniej, była pierwsza próba rozegrania z innym mistrzem gry, przez właśnie AlphaGo, i wtedy tej wersji AlphaGo bardzo źle poszło. AlphaGo w międzyczasie ogromnie się rozwinął właśnie dzięki deepleerning’owi. Dzięki analizie ogromnej ilości przypadków grania, takie które jest niedostępna człowiekowi. Bardzo się zmienił w tym czasie (od pierwszej gry). Lee Seedol podszedł do tego na luzie. Myślał że wygra i ewentualnie ta maszyna jedną partyjkę sobie ugra.

Okazało się, że po prostu praktycznie został zmieciony z powierzchni Ziemi, to zwycięstwo było walne. Wiem, że w międzyczasie on po prostu się załamał, powiedział że tak nie gra. Potem powiedział, że spróbuje się dostosować, przestawić na logikę maszyny.

No to się nie do końca powidło, chociaż jedną partię wygrał. Także to jest bardzo ciekawe, ta walka człowieka z maszyną, jako zjawisko, jest fascynująca. Ale inną rzeczą, która jest bardzo ciekawa, jeżeli chodzi o AlphaGo, to jest to, że deep learning, jako dziedzina, człowiekowi trochę wymyka. Z jednej strony wiemy jak robić deep learning, ale z drugiej strony nie wiemy jak dochodzi do uczenia się, to dla nas jest w pewnym rodzaju „blackbox”.

To znaczy możemy generować sobie określone rezultaty których chcemy, czyli możemy wytrenować maszynę, żeby coś potrafiła. Dostaniemy wysoki wskaźnik kompetencji sieci neuronowej, czyli ona robi dokładnie to, czego sobie życzymy i robi to dobrze, sprawnie, trafnie, adekwatnie. Natomiast, już coraz mniej wiemy, nie jeżeli chodzi o zwykłe uczenie maszynowe, a jeżeli chodzi o głębokie uczenie maszynowe. Jak to się faktycznie dzieje że tam do tego uczenia dochodzi.

Skąd się ta kreatywność cała bierze. I to jest bardzo ciekawe, bo może się tak zdarzyć kiedyś w przyszłości, że ta osobliwość nastąpi, a my tego nawet nie zauważymy. To jest trudny do przełknięcia scenariusz, ale patrząc na dzisiejszy rozwój deep learningu – możliwy. Ostatni cały numer MIT Technology ubiegłego tygodnia był temu poświęcony, żeby po prostu zrozumieć co się dzieje w deep learningu. Że człowiek musi nabrać kompetencji nie tylko do wywoływania określonych rezultatów (budowanie modele), ale również zrozumieć proces jak maszyna uczy się. Musi po prostu zacząć rozumieć ten cały proces i uważam że to jest bardzo ważne. Jeśli chodzi o obawianie się osobliwości, to to jest kluczowe zadanie w tej chwili.

Vladimir:
Tak to prawda! Ostatnio właśnie czytałem kilka prac naukowych na temat zrozumieniu jak działa uczenie maszynowe. W to angażują się, wszyscy duzi gracze. Deep Mind, Google Brain (obaj należą do Google, ale działają niezależnie)

To przejdźmy teraz do kolejnych tematów, żeby zdążyć wszystko omówić. Kim jest bot Ola i gdzie można go znaleźć?

Ola:
Bot Ola w tej chwili już się schował, ale można było go do niedawno znaleźć, pewnie będzie można również w przyszłości, na stronie Leona Koźmińskiego. Gdzie służył jako doradca wirtualny w dziekanacie dla naszych studentów. Najpierw tego bota testowaliśmy na uczelni przez rok. Miał moje imię ale co do zasady działał właśnie jako pracownik wirtualnego dziekanatu i odpowiadał na pytania studentów dotyczące rekrutacji itd. Wtedy, w pewnym sensie trenował żeby być coraz lepszym. Poprawiliśmy bazę danych, widząc czego studenci szukają i potrzebują. Potem bota już wzięliśmy na warsztat do naszych badań naukowych. Po roku przebywania na stronie, on został przez nas wykorzystany w naszym naukowym badaniu, które dotyczyło właśnie interakcji człowiek-bot.

Po prostu trzeba było znaleźć grupę ludzi którzy chcieli w tym eksperymencie wziąć udział. To nie było specjalnie trudne. Potem podpinaliśmy ich pod szereg różnych sensorów, elektrod, żeby zrozumieć ich reakcje emocjonalne podczas interakcji z botem. Zadawaliśmy im różne zadanie, żeby oni wspólnie z tym botem wykonali. Oni wykonywali te zadania, czasami krócej, czasami dłużej. My w tym czasie patrzyliśmy na to co się dzieje i jak ciało odpowiada. Jaki sygnał fizjologiczny wysyła. Czy jest stres? Czy jest spokój?

W jaki sposób to ciało odpowiada, a potem jeszcze pytaliśmy uczestników. Mieliśmy szereg ankiet, łączyliśmy odpowiedzi afektywne czyli psycho filozoficzne sygnały z deklaracjami które ludzi złożyli. Na tej podstawie próbowaliśmy sprawdzić czy się podoba i jaka wersja bota podoba się. Mieliśmy dwie wersji do testów, jedna była czysta tekstowa, a druga była z awatarem i głosem. Sprawdzaliśmy która wersja jest bardziej dla naszych użytkowników akceptowalna. Która bardziej się podoba, a która może budzić jakieś lęki czy obawy. Myślę że to jest ważne, bo odpowiedzieliśmy na szereg istotnych pytań badawczych, ale też przy okazji, może mam taką nadzieję, przysłużyliśmy się trochę biznesowi. W tym sensie że pomagamy mu tworzyć takie maszyny które będą u ludzi budzić pozytywne reakcje, a nie negatywnie.

Vladimir:
Pod koniec lat siedemdziesiątych Japoński naukowiec Mori Masahiro przeprowadził bardzo ciekawy eksperyment. Badając jakie powstają u ludzi emocje na widok robota. Początki eksperymentu były dość proste.

Bardzo liniowe. Czym bardziej realistyczny robot, tym większą sympatię budził u człowieka. Natomiast w pewnym momencie osiągnęli taki poziom, który teraz nazywa się „uncanny valley” albo po polsku „dolina niesamowitości„.

Nawet nie do końca wiadomo dlaczego to powstaje, aczkolwiek wiadomo, że jak widzimy robota który jest podobny do człowieka. To zwykle możemy przestraszyć się robota. Czujemy się dość niekomfortowo, czujemy  jakieś strachy i inne dziwne emocje. Bardzo gorąco polecam słuchaczom sprawdzić to na własnej skórze np. można zobaczyć robota Kismet, które wcale nie przypomina człowieka jest taki zabawny. Natomiast roboty takie jak Bina 48 albo Sofia. One są bardziej podobne do człowieka i tym bardziej wprowadzają zamieszanie i zwykle człowiek czuje się mało komfortowo.

Czy myślisz, że dolina niesamowitości może zniknąć kiedyś w przyszłości? Czy to nie jest tak że to zależy od pokolenia? Na przykład nasze pokolenie, raczej już będzie miało ten problem, no chyba że ktoś bardzo będzie pracował nad tym. Ale pokolenie naszych dzieci i jeszcze niżej, już tego problemu wcale może nie mieć.

Ola:
To jest bardzo ciekawe pytanie, które mnie również badawczo interesuje. W związku z tym mogę polecić, publikację którą wydaliśmy. Ona nazywa się The Necessity of New Paradigms in Measuring Human-Chatbot Interaction. Również mogę pokazać, jak my to badaliśmy. Mam wrażenie, że dolina niesamowitości, jest w pewnym rodzaju fenomenem psychologicznym –  zmienia się.

Wspomniałeś się o kilku różnych maszynach. My zresztą z Bina 48, humanoidalnych robotem, również pracowaliśmy  i mamy plan, żeby naszą metodologią badawczą objąć również tego robota. Ale to wiadomo, że interakcje z człowiekiem będą bardzo powikłane i trudne. Bo mamy do czynienia z maszyną która wygląda jak człowiek ale nie jest człowiekiem. Bardzo dziwnie wodzi oczami, dziwnie mówi i tak dalej, to będzie budziło lęki.

Myślę że to nie tędy droga, w przyszłości maszyny intelegentne raczej nie będą wyglądaly humanoidalnie, albo przynajmniej jeszcze bardzo długo nie będą humanoidalnymi robotami. Bo reakcja emocjonalna jest zdecydowanie negatywna.

Nas bardziej ciekawiło co się dzieje w przypadku botów. Mamy do czynienia z używaniem technologii głosowej. Taki użytkownik bardzo się waha na początku. Są pewne wersje botów czy robotów które odpowiadają im. Które nie wyglądają tak jak ludzie i ta interakcja nie sprawia dyskomfortu, że nie wiedzą czy to jest człowiek czy maszyna.

Nas zainteresowało to, jak w przypadku bota to może wyglądać. I rzeczywiście, zaobserwowaliśmy, że w przypadku tekstowego bota, mimo tego, że on był taki sam na poziomie inteligencji, silnika wiedzy itd.  był określony bardziej pozytywnie, niż bot który miał interakcję głosową. To oznacza, że głosowy bot budził silne reakcje emocjonalne, próbując używać lub atakować użytkownika wieloma kanałami. Ma twarz, ma głos i jeszcze coś tam chce od niego. To jest to, z czym ludzie jeszcze nie dokońca się pogodzili. Uważam, że to będzie się zmieniać. Sama ta technologia głosowa, weszła w życie mocniej teraz. Jeszcze jakiś czas temu naprawdę nie lubiliśmy tego bardzo. A teraz coraz więcej osób z tego korzysta. To jest jedna moja obserwacja.

A druga jest taka, że sama ekspozycja na nowe technologie też zmienia bardzo nasze postrzeganie technologii. To co dzisiaj jeszcze wydaje się bardzo dziwne i trudne do przyjęcia, to może się zmienić. W miarę kiedy technologie będą się rozwijać, kiedy będziemy wkraczać w tak zwaną posthumanistyczną erę.

Sami będziemy mieli coraz więcej takich technologii na sobie, ubieralnych i rozmaitych innych. Będą się rozwijać inne obszary jak nanomedycyna. Myślę, że w ogóle będzie wzrastać akceptacja dla maszyn i dolina niesamowitości będzie się bardzo przesuwała.

Chociaż z drugiej strony mam taki disclaimer, że w przypadku robotów humanoidalnych, ten silny negatywny efekt przez ostatnie kilka dekad się utrzymywał. Mimo tego, że się rozwijaliśmy, jakoś nie pokonaliśmy tej bariery strachu. Być może są takie obszary, które jeszcze bardzo długo zostaną i człowiek nie będzie chciał ich zaakceptować.

Vladimir:
Czy według Ciebie Test Turinga już został zaliczony?

Ola:
Tak! Ale ja w ogóle mam negatywny stosunek do Testu Turinga. Uwielbiam samego Turinga, cenię go ogromnie. Ale wydaję się, że test już nie ma sensu w tym momencie. Zgadywanie czy coś jest człowiekiem czy maszyną i na tej podstawie stwierdzenie czy jest inteligentny. To jest taka zabawa z przeszłości. Zabawa która poszła w złym kierunku, symulowanie, a nie rozwijanie sztucznej inteligencji. Wszyscy skupili się na tym, żeby oszukać sędziego w teście Turinga i budować takie maszyny które będą udawały ukraińskiego nastolatka, tak jak Eugene Goostman który wygrał zresztą jakąś tam wersję Testu Turinga w 2014.

Bo był taki bot, który udawał ukraińskiego nostalatka w związku z tym, jego zdolność angielskiego była mniejsza, a przez to, że był nastolatkiem mniej wiedział o świecie. On wygrał za pomocą trików. Ten test Turinga, poszedł w taką stronę “trików”, żeby oszukać sędziego, a niekoniecznie zbudować coś wartościowego. Uważam, że test Turinga przez Goostmana został zaliczony.

Uważam, że ten paradygmat zgadywania powinniśmy za sobą zostawić i skupić się na innych wersjach tego testu. Będziemy próbowali już nie na ślepo, żeby ludzie zgadywali. Próbować budować maszyny które będą oszukiwały czy symulowały człowieka z chorobą psychiczną, więc wiadomo że ta interakcja będzie inaczej przebiegać. Tylko skupić się na głębokim uczeniu (deep learning), który umożliwi nam stworzyć swobodną interakcję. Gdzie nie będziemy się zastanawiali czy rozmawiam z maszyną czy człowiekiem. Bo to po prostu nie będzie ważne. Po prostu przekazuje nam ciekawe i ważne informację w dobry sposób albo nie. Nasze badanie też tak zostało skonstruowane. Uważa, że to jest trochę kontrowersyjne, ale według mnie jest zaliczony.

Vladimir:
Test Turinga jest słabo sprecyzowany. Sam Turing zaproponował go w 1950, po czterech latach umarł i nie wprowadził jednoznacznych reguł. Dlatego teraz jesteśmy w takiej sytuacji, w dużym uproszczeniu, że każda uczelnia może zorganizować swój własny konkurs Turinga na własnych zasadach.

Tak w 2014, Kevin Warwick, znany jeszcze jako pierwszy cyborg, uznał że test Turinga został zaliczony, bazując na to, że ponad 30% badaczy uwierzyło, że Eugene jest człowiekiem. Podążając tym tropem, warto przypomnieć, że Test Turinga miał pomóc odpowiedzieć na podstawowe pytanie “czy mogą maszyny myśleć?”. John Searle, zaproponował koncepcję “Chińskiego pokoju”.

Ola:
Tak, znana filozoficzna koncepcja. Ale ona nas trochę uwikłała. Chiński pokój polegał na tym, że ja mogę, jeżeli dostanę określony zestaw procedur, nawet nie znając Chińskiego, sprawnie odpowiadać w Chińskim języku. Będę wiedziała, które procedury uruchomić, żeby odpowiedzieć adekwatnie.

Mam wrażenie, że sztuczna inteligencja na zasadzie  “chińskiego pokoju” była konstruowana. I teraz, kiedy mamy do dyspozycji takie narzędzia jak uczenie maszynowe trzeba ten “chiński pokój” opuścić, zostawić to za sobą, nie symulować, tylko pozwolić maszynie semantycznie rozumieć co ona mówi, na przykład. W tę stronę trzeba się kierować.

Vladimir:
Zamykając temat testu Turinga, kiedyś słyszałem takie powiedzenie: “dla mnie jest akceptowalne, że robot zaliczył test Turinga, natomiast bardzo zmartwiające, kiedy robot będzie udawał, że jeszcze nie zaliczył”. W tym rozumieniu, taki robot już miał posiadać coś, co jest bardziej zbliżone do myślenia. Jak myślisz, czy mogą być powody, żeby robot udawał coś dla nas? Jeżeli tak, to jakie mogą być powody dlatego?

Ola:
Na razie to bardzo zależy od tego, co w nim zapiszemy, ale też bardzo zależy od tego, jakiego typu moralną architekturę zbudujemy. To jest duże zagadnienie teraz, jaką etykę wybierzemy dla maszyn. Duże zagadnienie od czasu Asimova, ale dzisiaj wyjątkowo ważne ( to bardzo widać chociażby w rozwoju autonomicznych samochodów), jak bardzo potrzebnym zagadnieniem jest budowa AI effects czyli etyki dla inteligentnej maszyny, bo możemy pewne rzeczy założyć.

Możemy stworzyć maszynę, która będzie zbudowana na wzorcach naszych zachowań. I jestem przekonana, że ona będzie nas oszukiwała, ponieważ my oszukujemy. To znaczy jeżeli będziemy modelowali swoje cechy na maszynie, to będziemy mieli taką samą maszynę jak my sami, troszeczką cwaną, czasami może zdolną do kolaboracji, ale z drugiej strony kalkulującą pod własną wygodę.

Taką maszynę, która będzie się zachowywała jak my.

Nie wiem, czy przeprowadzałeś sobie test  Moral Machine, który prowadzi MIT. To jest test o tym kogo oszczędzisz na drodze, a kogo zabijesz pod kątem inteligentnej maszyny. W sytuacjach trudnych, kiedy maszyna musi ocenić czyje życie jest bardziej wartościowe do ocalenia, bo ma dylemat i zawsze ktoś ucierpi. I w tej chwili tak to jest rozwiązywane, że ludzie ten test zasilają swoją wiedzą, oni te testy rozwiązują i potem baza wiedzy, która wynika z ich zachowań, stanowi silnik dla maszyny.

W momencie kiedy coś takiego robimy, niewątpliwie tworzymy ontologie, zasady moralne, które są oparte na tym jak my sami funkcjonujemy. Możemy iść inaczej. Nie wiem czy możemy wyjść poza własne ograniczenia, ale możemy tworzyć maszynę, która nie będzie działała jak człowiek, w tym przynajmniej obszarze. Nie wiem na razie jak to zrobić, ale wyobrażam że jest to możliwe. I wtedy ona nie będzie zdolna do oszukiwania, bo nie będzie w jej ontologii to w jakiś sposób obecne. Czy ona później to “wykwintnie” sama, jak mogłaby to zrobić, też nie wiem. To bardzo głębokie pytanie. Myślę że jest droga taka, żeby maszyna nie oszukiwała. Myślę że powinniśmy raczej ją eksplorować niż taką, która będzie odtwarzała wszystkie ludzkie cechy, w tym ludzkie ułomności.

Vladimir:
Mówiąc o temach etycznych, warto przypomnieć dość nowoczesną historię bota z roku 2016 o nazwie Tay od Microsoftu. Kiedy uczył się od ludzi i, poniewaz ludzie są różni, nauczyli, niestety, najgorszych rzeczy, zepsuli bota.

Ola:
Nie zepsuli, tylko po prostu pokazali na co ich stać w jakiś sposób. Bot był otwarty, a oni (głównie hejterzy) zasilili go szalenie kontrowersyjną wiedzą, fake newsami i td, którą potem replikował. Po trzech dniach Microsoft zamknął go.

Vladimir:
Chodźmy dalej, bo jeszcze mam kilka bardzo ciekawych pytań.

Ludzi zostawiają sporo, tak zwanych “cyfrowych śladów” po sobie, zaczynając od “like’ów” czy komentarzy na facebooku, kończąc udostępnianiem zdjęć czy ogólnie poruszanie się po sieci. Dlatego Facebook teraz wie jak my się czujemy, albo czy rozwiedziemy się w ciągu najbliższych dwóch miesięcy….

Pojawia się coraz więcej nowych technologii, firm, które te dane wykorzystują. Natomiast nadal ochrona danych osobowych jest dość szarą strefą. Stajemy się być coraz bardziej przezroczyści.  Nie wiem czy ktoś oglądał ostatnio film Circle, w którym ta idea była dość mocna pokazana.

Pytań jest kilka, jak z tym się czujesz? Czy warto się zbuntować i być anonimową osobą (np. poprzez używanie tor’u), czy jednak zaakceptować udostępnianie danych jako konieczność? Jaka jest Twoja opinia na ten temat i czy tak naprawdę ten wybór jest tylko teoretyczny (bo zawsze możemy pójść mieszkać do jaskiń, ale dla ilu osób to jest akceptowalne)?
Ola:

Myślę że jesteśmy na etapie wykuwania jakiegoś nowego paradygmatu, jeżeli o to chodzi, bo rzeczywiście doszliśmy do ściany.

Z jednej strony jest tak, że te wielkie zbiory danych, które wynikają z naszej sieciowej aktywności mogą nam bardzo się przysłużyć. To znaczy mogą się służyć w rozwoju, na przykład, medycyny, rozwoju wielu obszarów wiedzy i to są dane, które uczą maszyny i pozwalają im bardziej nam pomagać,  lepiej asystować. To są bardzo wartościowe dane, które popychają nas na przód.

Z drugiej strony jest tak, że koncept prywatności nie został całkowicie porzucony. Wiele ludzi ma zastrzeżenia do tego, jak do naszych danych, tych “śladów cyfrowych”, instrumentalnie podchodzić.  Mam wrażenie, że jesteśmy w takim punkcie, w którym wykuwają się nowe paradygmaty ochrony w sieci. Możemy się spodziewać, że po etapie kompletnie otwartego podejścia, gdzie masa firm zrobiła na naszych danych duży biznes, nie do końca swoich użytkowników o tym informowała, będziemy teraz w takim punkcie, gdzie regulator będzie wkraczał, czyli Państwo, Unia Europejska i masa innych instytucji w celu chronienia użytkownika. Żeby sieć wycinała nas na nasze życzenie, żebyśmy nie byli obiektem manipulacji na danych.

Uważam że przed nami jest bardzo trudny, turbulentny okres, w którym to będzie się wykuwało od nowa. Mam nadzieje że będą powstawały też nowe ciekawe innowacje. Elon Musk dał szereg funduszy czy grantów na rozwój bezpieczeństwa w sieci. Mam wrażenie, że będziemy teraz w takim punkcie, że będziemy korygować dotychczasowy kurs. Myślę, że to nie jest tak, że każdy konsument będzie musiał koniecznie zainstalować sobie tor’a albo cokolwiek innego, żeby w ogóle funkcjonować, tylko raczej będziemy szli w taką stronę, aby wszyscy w miarę bezpiecznie funkcjonowali, bo to będzie im zapewnione. Może to jest idealistyczne, ale mam wrażenie że to jest punkt zwrotny, należy ten obszar obserwować.

Vladimir:
Nie chcę teraz wchodzić w szczegóły polityczne, bo podcast jest o czymś innym. Ale chcę pokazać moc i co można osiągnąć, mając dostęp do danych i odpowiednich technologii. Po ostatnich wyborach w Stanach Zjednoczonych, bardzo głośno stało się o tak zwayme “microtargetingu” i podobno Trump skorzystał z tego. Jaka jest Twoja opinia, czy już jesteśmy w momencie, kiedy robot nam podpowiada co mamy zrobić, żeby wpłynąć na globalne procesy? Proszę podaj przykład z życia, co dokładniej taka maszyna może doradzić, żeby to wpłynęło na odbiorców?

Ola:
Każdy kto korzysta z Netflixa, chociażby, widzi to po systemie rekomendacji. Tak samo jak każdy, który korzysta z Amazona. To jest uczenie maszynowe, które pozwala dokładać do naszego dotychczasowego systemu wyboru jakieś potencjalne preferencje. Czyli analitykę predykcyjną stosuje na podstawie naszych dotychczasowych wyborów, analizuje co nam jeszcze warto pokazać, co by mogło nam się spodobać i prowadzi sobie rating co nam mogło bardziej się podobać, a co mniej. Każdy, kto korzysta z tego typu usług, takich jak online shopping, który ma rekomendacje doskonale zobaczy to na własnym przykładzie. Zresztą Netflix jest bardzo ciekawym przykładem. Jest szereg publikacji który dają go jako przykład, jak można zbudować system rekomendacyjny.

Tutaj można powiedzieć, że microtargeting występuje. I tak jak powiedziałeś – w wyborach. Ten kto ma dobry microtargeting, będzie te wybory wygrywał. To już po sytuacji z listopada z wyborem Donalda Trumpa, prezydenta USA, wyraźnie widać. Przewaga technologiczna w dużej w mierze może zdecydować o tym jak będzie wyglądała prognoza polityczna za jakiś czas.

Myślę, że już teraz również politycy po tej sytuacji to bardzo dobrze zrozumieli.  To można zobaczyć na podstawie wyborów we Francji. Było tam bardzo silne przygotowanie, zwłaszcza w tematach microtargeting czy potencjalnego ataku hakerskiego czy rozpowszechnianie fake news’ów. Nasi decydenci już wiedzą, że taka przewaga technologiczna może czasami albo już coraz częściej zdecydować jak będzie wyglądała scena polityczna.

Vladimir:
Szacuje się, że wiele miejsc pracy zostanie zastąpione przez roboty i to już w najbliższym czasie. Już teraz to się dzieje. Ostatnio Satya Nadella, CEO Microsoft, powiedział, że szykuje kolejną fale zwolnień. Warto powiedzieć, że nie chodzi o oszczędzanie, bo Microsoft nadal w tysiącach poszukuje ludzi. Chodzi o zmianę sposobu myślenia, o zatrudnianie ludzi z odpowiednimi umiejętnościami.

Microsoft jest duża firmą i pewnym sensie to jest przykład, który pokazuje co będzie się działo wszędzie… Z jednej strony roboty zabiorą nam pracę, z drugiej strony stworzą wiele innych, które będę wymagały zaangażowania naszego mózgu. Mam na myśli myślenie abstrakcyjne, kreatywność czy racjonalna krytyka. Pytań jest kilka. W jaki sposób należy przygotować ludzi do tych zmian? Kolejne pytanie, które mi ostatnio również zadano, a co robić z ludźmi którzy są “przeciętni”, czyli nie mają ochoty do kreatywnego czy abstrakcyjnego myślenia. Jaką masz opinię na ten temat?

Ola:
W rzeczywistości, my od dawna wykorzystaliśmy maszyny jako sposób optymalizacji naszej pracy, ale również zawsze obawialiśmy się. Od stu lat na pewno, z nakładem nawet, obawiamy się kolejnych maszyn które wchodzą na rynek i zabierają kolejne miejsca pracy.  Do tej pory, to rzeczywiście, zawsze było tak, i to trzeba wyraźnie powiedzieć, że technologia więcej miejsc pracy tworzyła niż zabierała. Mimo pojawiających się lęków. Zawsze było tak, że były pewne grupy, które na tym traciły i albo musiały się przekwalifikować albo schodziły z rynku pracy. Co generowało masę frustracji, co dla mnie jest zrozumiałe w 100 procentach.

Ale nowe technologii tworzyły nowe miejsca pracy i nowe zawody przede wszystkim. Zawód informatyka, teraz bardzo powszechny, jeszcze jakiś czas był bardzo “wąskim” zawodem, dostępnym dla małej grupy ludzi. Teraz mamy zawody jak UX Designer, specjalista od social mediów itd. To są zawody których jeszcze jakiś czas temu nie było. Podobnie będą nowe zawody. Z pojawianiem się nowych technologii, zawsze pojawiły się nowe zawody, które potrzebowały nabywania nowych umiejętności.

Niedawno na konferencji w Kopenhadze był zaprezentowany bardzo ciekawy case jak Duński rząd radzi sobie z tym, żeby ludzi przekwalifikowywać. I to rzeczywiście jest ogromny wysiłek, ale taki który się opłaca. Mamy do czynienia z taką sytuacją, po pierwsze, że jeszcze przez długi czas technologie będą tworzyły nowe miejsca pracy. Dlatego nie należy się obawiać, że te miejsca pracy całkowicie znikną. Znikną pewny zawody, ale na ich miejscu pojawią się inne zawody.  Natomiast drugą ważną rzeczą jest działanie regulatora, np. Państwa. Chronić ludzi, którzy będą narażeni na utraty miejsca pracy i danie im szansy na przekwalifikowanie.

W długofalowej perspektywie zdecyduje się, czy chcemy ścieżkę tak zwanego uniwersalnego dochodu podstawowego. W przypadku takiej takiej sytuacji, kiedy automatyzacja postąpi radykalnie i będzie coraz mniej miejsc pracy dla człowieka. Zostanie tylko opieką nad innymi, gdzie będzie potrzebna inteligencja emocjonalna. Zresztą ciekawa, bo jakiś czas temu wydawało się, że takie cechy bardziej humanistyczne czy społeczne to jest kompletnie niepotrzebne, bo potrzebna jest inteligencja analityczna. Teraz mam takie wrażenie, że mamy renesans, takich wyjątkowo ludzkich przymiotów i ich potrzeby na rynku pracy. To pewne takie zawody jeszcze bardzo długo utrzymają się. Związane z opieką, ale również artystyczne. Gdzie ludzie cechują się umiejętnościami, które maszynom jest bardzo trudno powtórzyć.

Ale powiedzmy, że tych miejsc pracy w długofalowej perspektywie będzie ubywało. To wtedy trzeba zdecydować jak my chcemy działać. Opodatkować roboty, stworzyć uniwersalny dochód dla wszystkich, skrócić dzień pracy dla wszystkich, a jednocześnie dawać im dofinansowanie. Czasem wydaje się, że trzeba pracować straszną ilość godzin, w wielu krajach już pracuję się mniej. Mają czas na inne rzeczy. Tutaj nie chce rysować jakieś hurraoptymistycznej perspektywy, ale podeszłabym do tego, żeby trochę studzić negatywne emocje związane z tym. Jasne, że jedne zawody znikną, ale przez jakiś czas będą jeszcze powstawały nowe. Każde państwo musi zrozumieć jak ważna jest ta kwestia, jak ważną rolę pełni sztuczna inteligencja w naszym życiu. Musi odpowiednio się do tego odnieść. Każde państwo, ale również takie wspólnoty jak Unia w swoim zakresie również, powinno starać się na te wyzwania odpowiedzieć.

Vladimir:
Mam nadzieje, że teraz nas faktycznie słuchają ludzie którzy są decyzyjni w tych tematach i będą brać na siebie odpowiedzialność. A ostatnie pytanie na dzisiaj jak można Ciebie znaleźć w sieci?

Ola:
Można mnie dodać na “fejsie”, można znaleźć na LinkedIn, Twitter. No i pewnie, jeżeli ktoś chciałby poszukać moje publikację to polecam wyszukiwarkę Google Scholar. Wystarczy wpisać tam moje nazwisko. Zapraszam do kontaktu, do wymiany uwag i komentarzy. I pomagania, żeby ta nasza praca była jak najbardziej pożyteczna.

Vladimir:
Dziękuję Ci bardzo Ola za Twój czas, za chęć podzielenia się wiedzą.

Ola:
Dzięki wielkie.

Podsumowanie

Jakie masz wrażenia po tej rozmowie? Przyznam się, że dla mnie było bardzo ciekawe mówić na temat sztucznej inteligencji z osobą który bada ją nieco z innej strony.

Kiedyś wcześniej czytałem książkę „Ja Robot” i główna bohaterka była Susan Calvin była robopsychologiem. Wtedy mnie bardzo zaciekawiło to, że taki zawód w ogóle jest możliwy. Druga, rzecz która zwróciła moją uwagę, Susan bardziej lubiła maszyny niż ludzi. To również było wytłumaczone dlaczego – bo są prawdziwe, przezroczyste i otwarte.

Gdy rozmawiałem z Olą, trochę czułem, że właśnie ona w najbliższej przyszłości może wykonywać taki zawód jak robopsycholog. Albo nawet gdzieś pomiędzy, rozumieć psychologię ludzi i robotów. Brzmi to trochę kosmiczne… Jaka jest Twoja opinia na ten temat?

Muszę przyznać, że miałem znacznie więcej pytań, niż zdążyłem zadać. Jeden z obszarów nad którym Ola pracuje są technologie ubieralne. Pewnie większość z nas kojarzy zegarki czy pulsometry. Ale czy wiesz o takich urządzeniach jak Pavlok?

To jest narzędzie dyscyplinarne, które nosisz na ręce i ono kopie Cię prądem kiedy robisz coś czego nie powinieneś. To jest bardzo ciekawe, że teraz jest bardzo popularne w Stanach. Zastanów się do czego to potencjalnie może doprowadzić? Również, nasuwa się pytanie, jaka jest różnica pomiędzy właścicielami niewolników, których bili i kazali coś robić i takimi urządzeniami. Oczywiście, teraz takie urządzenie człowiek zakłada samodzielnie, ale jak z tym będzie jutro? Jak to widzisz?

Zapraszam również do oglądanie  krótiej, 11 minutowej prezentacji na TEDx

Prezentacja na temat transhumanizmu

Zarządzanie sobą: Quantified Self i nowe trendy wearable technologies

Nie-ludzki podmiot w świetle badań filozoficznych i neuronaukowych

Wszystkie notatki znajdziesz na stronie biznesmysli.pl/10. Wraz z linkami, video oraz zdjęciami.

Dziękuję bardzo za informację zwrotną, komentarze czy maile które dostaję.

W między czasie, Krystian Zych zaprosił mnie na wywiad do podcastu „Jak zrobić podcast?”. Gdzie możesz dowiedzieć się więcej o mnie, o tym jak robię „Biznes Myśli” i innych tematach.

https://jakzrobicpodcast.pl/podcast/biznes-mysli-o-sztucznej-inteligencji-opowiada-vladimir-alekseichenko/

Dobrą wieścią dla Ciebie może być to, że aktywnie kontynuuje moją pracę nad przygotowaniem praktycznego warsztatu jak użyć uczenia maszynowego. Zależy mi na tym, żeby pokazać rozwiązanie które mogą dać jak największą wartość dla biznesu. Uwaga! Proszę podziel się ze mną swoim problem biznesowym który chcesz rozwiązać. A może akurat wybiorę Twój i pomogę Ci go rozwiązać. Zapraszam do rozmowy.

To tyle na dzisiaj. Dziękuję Ci bardzo za Twój czas i energię. Następnym razem dowiesz o tym jak wygląda sztuczna inteligencja w jednym z czołowych banków w Polsce.

Cześć i wszystkiego dobrego!

Książka polecana przez gościa

Artykuł Aleksandra Przegalińska z MIT o sztucznej inteligencji pochodzi z serwisu Biznes Myśli.

13 czerwca odbyła się konferencja Minds + Machines, tym razem Berlinie, zorganizowana przez General Electric. Jeff Immelt, który jest CEO, powiedział: “Europe can lead the digital industrial era”, czyli po polsku

“Europa może prowadzić cyfrową przemysłową erę”

Również dodał, już od razu polsku, że „GE inwestuje w technologie, takie jak automatyzacja, zaawansowana produkcja i sztuczna inteligencja czy data science – wraz z nowymi umiejętnościami – które mogą przekształcić przemysł i zwiększyć wydajność. GE od dawna angażuje się w Europę i inwestuje w jej przyszłość”.

W skrócie można powiedzieć, że GE skupia się teraz na trzech kierunkach:

• Sztuczna inteligencja i tematy powiązane
• 3D printing
• VR/AR – wirtualna lub rozszerzona rzeczywistość

Warto powiedzieć, General Electric to ogromna firma, w której pracuje ok. 300 tys. ludzi. Również to co jest tworzone, czyli tematy przede wszystkim przemysłowe (takie jak turbiny, silniki i inne), nie są wprost powiązane z IT. Ale jak widać zmiany zwiąny ze sztuczna inteligencją docierają wszędzie. Jako osoba, która pracuje w GE, mogę potwierdzić, że temat zwiazany ze sztuczną inteligencja staje się coraz bardziej aktualny i wiele rzeczy się zmienia. Przede wszystkim w podejściu do myślenia i rozwiązywaniu problemów.

Ciekawy jestem Twojej opinii na ten temat.

W tym czasie przechodzę do dzisiejszego gościa którym jest Filip Stachura. Młody, utalentowany i otwarty na wyzwania człowiek. Niestety (albo stety) zwykle tacy ludzie wyjeżdżają z kraju, Filip też przez jakiś czas pracował w Kalifornii. Ale jednak wrócił do Polski i postanowił tu w Polsce zająć się tematami związanymi z analizą danych.

Jak sam twierdzi:

„Chciałbym doprowadzić do rozkwitu, abyśmy mogli sprawiać, że najlepsi ludzie będą mieli wybór, czy chcą wyjechać zagranicę czy chcą zostać tutaj i pracować nad projektami z Polski.”

O tym i o wielu innych ciekawych rzeczach dowiesz się z dzisiejszej rozmowy.

Również na końcu będzie ogłoszenie, które po raz pierwszy pojawi się w Biznes Myśli (później będzie w innych źródłach). Zapraszam.

Vladimir:
Cześć Filip. Twoja misja, cytując Ciebie, brzmi “Live the life to the fullest!”, pewnie po polsku to brzmi jako “Żyj pełnym życiem”. Lubisz się uczyć, podróżować… i komputery. Te wszystkie tematy są bardzo bliskie również dla mnie. Cieszę się, że miałem okazję Cię poznać. A teraz również słuchacze mogą poznać Ciebie… proszę powiedz, więcej o tym kim jesteś, co robisz, co lubisz, gdzie mieszkasz :).

Filip:
Cześć. Po pierwsze, bardzo Ci dziękuję że zaprosiłeś mnie do swojego podcastu. Witam wszystkich słuchaczy. Nazywam się Filip Stachura, jestem prezesem firmy Appsilon Data Science. Myślę o sobie, że jestem człowiekiem o otwartej głowie, który lubi świat. Jeżeli chodzi o to kim jestem, to z wykształcenia jestem matematykiem i programistą, studiowałem na Uniwersytecie Warszawskim, to są jednoczesne studia matematyczne i informatyczne.

Jeśli chodzi o to co lubię, to już wymieniłeś kilka rzeczy, które mnie bardzo interesują. Lubię podróżować, poznawać innych ludzi, inne kultury, obyczaje. Lubię też się uczyć, dużo czytam, a moją pasją jest matematyka, programowanie i analiza danych. Stąd kilka lat temu zdecydowałem się z przyjaciółmi założyć firmę w Polsce, skupiającą się na analizie danych, o tym pewnie będę mówił przez cały podcast. Mieszkam w Warszawie, niedaleko stacji metro Służew nad Dolinką, całkiem uroczej okolicy, a gdzieś długofalowo myślę o powrocie do Trójmiasta.

Vladimir:
Powiedziałeś że lubisz czytać. Co ostatnio czytałeś i jakie wnioski wyciągnąłeś z tej lektury?

Filip:
Kiedy pada to pytanie, to zawsze rozbijam to na dwie osobne sfery. Po pierwsze, prywatnie dużo czytam science fiction, fantastyki, teraz czytam Dzieci Diuny Herberta. Jestem fanem Herberta, bardzo mi się podobały dwa pierwsze tomy, więc trzeci też czytam z zainteresowaniem. A z kolei, jeżeli chodzi o książki samorozwojowe, to czytałem niedawno tę samą książkę, którą czytał Piotr i polecał w ostatnim odcinku – Thinking fast and slow (Pułapki myślenia). Ale książkę wcześniej, która na pewno jest warta polecenia, Bena Horowitza The Hard Thing About Hard Things, z pewnością mogę polecić. Jest to trudna lektura, wniosków z niej mam kilka kartek A4, a książka mówi o różnych trudnościach związanych z prowadzeniem biznesu, biznesu który też szybko rośnie, więc myślę że może być bardzo ciekawa dla odbiorców podcastu.

Vladimir:
Basia Fusińska, która była właśnie przed Piotrem, też polecała tą książkę.

Filip:
No nie… To teraz muszę polecić jeszcze coś innego. W takim razie na pewno mogę polecić, z takich książek, które wywarły duży wpływ na mój rozwój, The power of habit (Siła nawyku), to jest klasyka, ale jeżeli ktoś nie czytał, to na pewno…

Vladimir:
Dobrze, myślę że możemy zaliczyć tę trzecią książkę The power of habit. Naprawde jest mocna, też ją polecam. Jeżeli ktoś nie miał okazji jej przeczytać, to bardzo gorąco zachęcamy.

Wiem, że uczestniczyłeś w międzynarodowym konkursie Global Management Challenge. Powiedz słuchaczom więcej, co to jest za konkurs. Kto i w jakiej ilości bierze tam udział. Które miejsce tam zajęliście i jak ten konkurs wpłynął na Twoje życie?

Filip:
W tym konkursie braliśmy udział jako zespół, którego kapitanem byłem kilka lat temu. Jest to symulacja biznesowa w której zarządza się spółką na wirtualnym rynku i konkuruje się z innymi firmami, które zaczynają grę w dokładnie takiej samej sytuacji, produkują takie same produkty.

Generalnie co kwartał, podejmuję się bardzo dużo decyzji biznesowych od marketingu, ceny aż po konserwację maszyn czy pensje pracowników. Wszystko to następnie jest przetwarzane i dostaje się raport za kwartał oraz wyniki swojej firmy. Celem gry jest osiągniecie jak największego wyniku giełdowego i pokonanie konkurencji. W konkursie startują pool’y menedżerskie z całego świata, konkurs jest międzynarodowy. W Polsce są to różne firmy od Orange, KGHM, KPMG, lista dokładna jest na stronie konkursu, ale są to duże firmy.

Jeśli chodzi o ekipy studenckie, to one też mogą startować, warunkiem jest to aby znalazły firmę, która wybierze ich zespół i będzie ich sponsorowała. Podeszliśmy do zagadnienia bardziej analitycznie niż biznesowo i skupiliśmy się na modelowaniu rynku, modelowaniu działania naszej firmy na podstawie raportów kwartalnych. W ten sposób budowaliśmy różne modele, od mniejszych modeli dotyczących, na przykład, zapotrzebowania na serwery w internecie czy potrzebnej konserwacji dla maszyn,  po bardziej skomplikowane modele popytu i tego jak marketing i nasze ceny będą wpływały na popyt.

Udało nam się na giełdzie papierów wartościowych wygrać polskie finały, a później zdobyć wicemistrzostwo Świata ustępując drużynie Ukrainy, ale pokonując takie zespoły jak Stany Zjednoczone, Rosja, Brazylia, Chiny. Było to bardzo ciekawe doświadczenie. Później odezwały się do nas firmy zarówno z Polski jak i z zagranicy, chcące zoptymalizować swoje procesy biznesowe.

Faktycznie, ten konkurs i doświadczenie które tam zbudowaliśmy procentuje do dziś, ponieważ kiedy modelujemy, budujemy modele czy predykcyjne czy nawet jakieś systemy optymalizacyjne, to pozwala nam efektywnie je łączyć w całość i bardziej myśleć o całej firmie jako jednym mechanizmie, którego wynik chcemy poprawić.

Vladimir:
Super wynik, nie wiem jak dawno to było, ale teraz już jesteś CEO Appsilon Data Science… mimo tego, że pracujecie z Polski, to nadal jesteście bardziej znane za granicą. Powiedź więcej o firmie, czym się zajmujecie, jak problemy rozwiązujecie i w jaki sposób?

Filip:
Jako firma zajmujemy się data science czyli analizą danych, co oczywiście jest bardzo szerokim hasłem. Pomagamy naszym klientom, którzy pochodzą z bardzo wielu branż. Współpracujemy z klientami z branży finansowej, energetycznej, z branży transportowej, liniami lotniczymi, z branżą morską, robiliśmy projekt dla portów, aż po tradycyjne projekty retail czy projekty e-commerce’owe. Jest to bardzo duży przekrój i te zagadnienia też są duże, ale wszystkie orbitują wokół danych. Lubię myśleć o projektach w czterech obszarach, które układają się w chronologicznym porządku.

Pierwszy rodzaj projektów jest związany z tak zwanym data acquisition czyli pozyskaniem danych. Te dane mogą być zarówno u klienta jak i w zewnętrznych systemach. Pomagamy klientom pobrać je i wyczyścić dane z tak zwanego open data, czyli jakichś danych publicznie dostępnych, danych rządowych, używaniu ich później w jakichś ich analizach. Tutaj na pewno jest bardzo ważne zadbanie o wysoką jakość tych danych. Często, niestety, nawet u dużych firm okazuje się że jest potrzebna praca aby jeszcze coś poprawić i aby te dane były takiej jakości jak jest to niezbędne aby budować skuteczne modele.

I tak naturalnym tokiem przechodzimy do drugiej działki czyli budowania modeli. Tutaj stosujemy w pracy bardzo różne modele w zależności od potrzeb klienta, ponieważ czasami nawet model liniowy może przynieść rezultaty. Czasami są to modele bardziej skomplikowane, to mogą być metody uczenia maszynowego aż po uczenie głębokie, które w praktyce jest potrzebne jednak dosyć rzadko, z naszego doświadczenia, ponieważ jest najdroższym sposobem, który faktycznie przynosi bardzo dobre rezultaty, często najlepsze, ale ta różnica i ten tradeoff nie jest aż tak duży aby opłacało się inwestować w takie rozwiązania.

Trzeci rodzaj projektów to jest warstwa platformy i sprawiania aby te projekty były realizowane solidnie, w szególności to znaczy, aby wyniki, które są uzyskiwane były powtarzalne i aby poprawy skuteczności można było obserwować w czasie. Abyśmy mogli łatwo stwierdzić że jakiś model trzy lata temu albo trzy miesiące temu działał o tyle i tyle gorzej niż model który mamy obecnie. Jest to bardzo ważne ponieważ w takich pracach analitycznych często osoby które są w takich zespołach nie mają aż tak solidnego wykształcenia programistycznego i nie przykładają aż tak dużej wagi do powtarzalności przez co do takich projektów może wkradać się chaos. Czasami nie do końca wiadomo na jakich danych model powstał albo dane się zmieniły od tego czasu, a nie wiemy które dane doszły a które zostały usunięte lub nawet z jakimi parametrami model został zbudowany.

Czwarta i ostatnia część to jest warstwa tak zwanego interfejsu, czyli komunikacji pomiędzy tymi elementami analitycznymi a jakimiś innymi systemami. To mogą być systemy komputerowe ale często to też są ludzie. W zależności od tego, to może być API, które jest używane przez aplikację webową czy aplikację mobilną i odpytuje nasz system o jakieś wartości.

Przykładowo, jeżeli to będzie system antyfraudowy, to takie API może spytać – jakie jest prawdopodobieństwo że ta transakcja to fraud. I takie API odpowie – prawdopodobieństwo że jest to fraud wynosi 87%, i ten zewnętrzny system już sobie jakoś tą informacje przetworzy.

Druga rzecz, czyli dashboard’y, a dokładniej – systemy wspierania decyzji, jest czymś w co my w Appsilonie głęboko wierzymy. Jest to bardzo skuteczna metoda wsparcia biznesu, ponieważ jest to krok pośredni pomiędzy manualnym podejmowanie decyzji a pełną automatyzacją. I taki krok jest potrzebny ze względu na to że do decyzji, podejmowanych przez modele czy sugerowanych przez modele, również biznes musi nabrać zaufania, musi zobaczyć że one są skuteczne zanim dojdzie do pełnej automatyzacji. Po za tym, również modele, które są uczone, czasami się mylą i wtedy taki ludzki pierwiastek, który przeanalizuje te informacje z systemu i być może je poprawi, może być bardzo cenny.

Vladimir:
Bardzo fajnie że podzieliłeś to na takie cztery kroki i powiedziałeś co robicie w każdym z nich. Będę dopytywać, bo jest wiele ciekawych rzeczy, których pewnie słuchacze chcą się dowiedzieć. Ale najpierw zapytam o takie dość fundamentalne pytanie.

Mimo tego że jesteście w Polsce, jak to doskonale wiesz, jak na razie jeszcze mało firm z Polski dostrzega potencjał w uczeniu maszynowym i tematach powiązanych. Nas słuchają przedsiębiorcy i pewnie większość z Polski. Co możesz powiedzieć przekonującego w kontekście “dlaczego warto”. Ewentualnie co się stanie z firmami za 10 czy nawet za 5 lat jeżeli  temat uczenia maszynowego, analizy danych nadal będzie ignorowany?

Filip:
Po pierwsze, mam wrażenie że jednak ta świadomość rośnie. Nawet do nas, gdzie aktywnie nie poszukujemy klientów na polskim rynku, zgłasza się coraz więcej polskich firm z zapytaniami o projekt, więc jest to dosyć optymistyczny sygnał. Ale najlepiej zobrazuje nam spojrzenie na to, co się dzieje na zachodzie. W zeszłym tygodniu wróciłem z San Francisco z konferencji EARL, gdzie miałem okazję być prelegentem i rozmawiałem z różnymi osobami z bardzo wielu firm.

Działy data science, które te firmy posiadają, liczą już po 100-150-200 osób. Są to gigantyczne zespoły czy nawet grupy zespołów, działy w firmie, które analizują dane w celu poprawienia i zoptymalizowania działania tej firmy. Oczywiście, taki dział na ten moment dla firmy musi być  bardzo kosztowny, ale to znaczy że optymalizacje, które zespół robi cały czas, i tak dają bardzo pozytywne rezultaty.

Jeśli taka firma na zachodzie optymalizuje swoje działanie w tak szybkim tempie, to z roku na rok będzie zyskiwała przewagę. Gdyby faktycznie na rynku istniały firmy, które  nie będą tego robiły wcale albo będą robiły to dużo wolniej, to prawdopodobnie mocno ryzykują tym że ich konkurencja zyska dużą przewagę konkurencyjną. Z każdym rokiem coraz większą.

Vladimir:
Zgadzam sie z tym, że w chwili obecnej to nie jest nawet wybór, to nie jest opcjonalne czy firma może się zainteresować tematem data science czy nie, to raczej jest naturalnym krokiem postępu. Jeżeli firma się tym nie zainteresuje – to przegra. To jest coś podobnego jak z komputerami. Teraz nikogo nie dziwi, że raczej każda firma albo większość firm jednak ma komputery, posługuje się bazą danych i podobnymi rzeczami.

Przechodzimy teraz do tych czterech punktów, o których mówiłeś wcześniej, bo są bardzo ciekawe. Pierwszy punkt dotyczył danych, więc porozmawiajmy trochę o tym.

Dane – to surowiec naszego stulecia.

Myślę, że warto podkreślić, że jednak to wymaga dużego wysiłku, żeby faktycznie dane stały się skarbem.

Po pierwsze to dane same w sobie powinny być wartościowe (trzeba przemyśleć jakie dane są potrzebne). Po drugie, załóżmy że mamy przemyślany proces i zbieramy wartościowe dane, to jednak jeszcze trzeba zadbać o ciągłą weryfikację danych. Czym większe człowiek ma doświadczenie praktyczne, tym mniej go dziwią rzeczy które czasem się dzieją dookoła.

Zaczynając od słynnego żartu z panią sprzątaczką… która miała wyłączyć na chwilę maszynę, żeby wytrzeć kurz :). Ciągła weryfikacja prawidłowości danych często nazywają “data healthcheck”. Jesteś praktykiem i miałeś okazję współpracować z różnymi firmami i projektami. Proszę podaj przykład z życia, który jest w stanie pokazać dlaczego weryfikacja danych jest ważnym elementem całego procesu. I co się dzieje, jeżeli to pominąć.

Filip:
W najlepszym przypadku projekt znacznie się opóźni, to jest najlepsze co może się wydarzyć. W najgorszym wypadku będą podejmowane złe decyzje, albo co gorsza, stwierdzimy że jakiś model nie działa mimo że tak naprawdę mógł działać. I firma nie wykorzysta przewagi, którą mogła zyskać, gdyby dane które byłyby wprowadzone do modelu były poprawne.

Popełnimy podwójną pomyłkę. Kierunek w którym chcieliśmy pójść był dobry, ale przez to że spojrzeliśmy na zły drogowskaz, stwierdziliśmy że tam nie idziemy. To jest chyba najgorsze co mogę sobie wyobrazić. Oczywiście, mogą się zdarzyć sytuacje przepuszczalne, w których system zostanie przez to źle zaprojektowany i wdrożony na produkcję i firma poniesie przez to jakieś straty, również finansowe. Ale to raczej świadczyłoby o większej ilości problemów, o źle przeprowadzonych testach, o problemach związanych z procesem walidacji danych na różnych krokach, i w praktyce, ciężko mi wyobrazić żeby doszło do takich sytuacji w jakimś projekcie komercyjnym.

Vladimir:
Reasumując, dane są bardzo ważnym elementem. Zbieranie danych, przechowanie danych, robienie backupów (kopii zapasowych) i podobnych rzeczy – to jest ważne, ale nie jest wystarczające żeby faktycznie ten projekt zaczął przynosić korzyści, bo jednak po drodze może się coś popsuć, jakieś pole będzie puste, ktoś zapomniał wklepać jakąś wartość. Jak nie ma którejś wartości, to nie wiadomo jak nasz model będzie się zachowywał. Albo jeszcze co gorzej, jak będzie wadliwa wartość, to wtedy samy oszukujemy nasz model, dostajemy zły wynik.

Filip:
Dokładnie. Tutaj dodam tylko to, że jeśli faktycznie chcemy do tego doprowadzić to walidacja danych w praktyce (jeśli nie robimy czegoś jednorazowo), powinna dziać się automatycznie. Inaczej, jeżeli będziemy próbować walidować dane manualnie, co z resztą i tak jest możliwe w przypadku jeśli danych jest niewiele, to za każdym razem to będzie zajmować nam czas i w konsekwencji doprowadzi do tego, że przestaniemy to robić.

Dlatego tak ważna jest automatyzacja i robienie healthcheck’ów, po to, abyśmy w sposób automatyczny wiedzieli że wszystko jest OK, albo bardzo szybko dowiadywali się że coś jest nie tak i co dokładnie jest nie tak.

Vladimir:
Na jednej ze swoich prezentacji zwróciłeś szczególną uwagę na powtarzalność wyników. Są różne definicję które próbują wyjaśnić co kryje się pod tą frazą. Podziel się swoim doświadczeniem, co to dla Ciebie oznacza i dlaczego to jest tak ważne? Jakie problemy będą, jeżeli pominąć ten ważny aspekt?

Filip:
Może zacznę od problemów. Jeżeli nie będziemy w stanie powtarzać wyników, to nie będziemy mieli do nich zaufania. Przykładowo, będziemy na spotkaniu, w firmie lub w jakiejś innej organizacji, zastanawiać się nad wynikami które uzyskiwaliśmy w zeszłych miesiącach.

Ważne jest abyśmy w ogóle wiedzieli jakie to wyniki były miesiąc temu, trzy miesiące temu czy sześć miesięcy temu. Dzięki temu będziemy widzieć czy idziemy do przodu czy nie. Równie ważne jest to abyśmy im ufali, a to oznacza że byśmy mogli je powtórzyć. Jeżeli mamy jakąś metrykę i ktoś nam mówi że ta skuteczność sześć miesięcy temu wynosiła 82%, ale nie jesteśmy w stanie dzisiaj tego powtórzyć, to nie ma to dla nas najmniejszego znaczenia, bo dzisiaj ten model na tych danych i z tymi parametrami osiąga tylko 75%. I to jest problem. Jak osiągnąć taką powtarzalność?! Może jeszcze uzasadnię co dokładnie pod tym rozumiem, tak jak pytałeś.

Dla mnie powtarzalność oznacza, że dla każdego modelu, który trenujemy, wiemy na jakim zbiorze danych został wytrenowany, jakie parametry zostały użyte, jaki kod źródłowy jaki system operacyjny został użyty czyli jaka infrastruktura została użyta. Te wszystkie rzeczy mogą mieć wpływ na finalny wynik tego modelu. Jeżeli dane się zmienią, to oczywiście wynik może się zmienić, jeżeli kod źródłowy się zmienił, jeżeli parametry się zmienią, to oczywiście wynik może się zmienić.

Co więcej, jeżeli wersje bibliotek, pakietów czy nawet jakichś zależności systemowych się zmienią, to również wynik może się zmienić. Zarówno we wszystkich językach programowania, służących do analizy danych, zdarzają się przypadki, że API jakiejś biblioteki czy pakietu zostaje zmienione i logika pod spodem jest inna. Dlatego tak ważne jest, abyśmy mogli dokładnie odtworzyć identyczny stan wszystkich parametrów, które mają znaczenie, jeśli chodzi o to, jak ten model później działa.

Jak to uzyskać? Na pewno jest kilka sposobów. Używamy w Appsilonie tak zwane kontenery, to jest bardzo ważny składnik. W takim kontenerze mamy zapisaną informację o tym pełnym systemie, o wszystkich pakietach, które zostały użyte. Wiemy dokładnie na jakiej rewizji kodu taki model zostaje wytrenowany. Dużo większym problemem czasami bywają dane. Tutaj z pomocą przychodzi, w szczególności w przypadku dużych zbiorów danych, hash’owanie. Wtedy, w szczególności czasami, możemy nie wiedzieć co dokładnie się zmieniło, ale przynajmniej możemy wiedzieć że coś się zmieniło, jeżeli chodzi o zbiór danych wejściowych.

Druga rzecz, która jest bardzo ważna, to tak zwane immutable data sets czyli niezmienne zbiory danych. To oznacza, że jeżeli coś trafia do naszej bazy danych czy HDFSa big data, jakkolwiek dane przechowujemy, do naszego zbioru, to już stamtąd nigdy nie wylatuje. To jest innowacja wdrożona między innymi przez Airbnb, ale również przez wiele innych firm, i jest skuteczną metodą na zachowanie powtarzalności eksperymentów analitycznych.

Vladimir:
Bardzo fajnie to ująłeś. Cieszę że o tym mówisz, ponieważ to bardzo praktyczna i pragmatyczna wiedza. Z mojego doświadczenia, z tego co obserwuje co się dzieje na rynku, fajnie że ludzie już wiedzą, że powtarzalność to jest coś, co powinno być. Natomiast często są w błędzie, czym jest ta powtarzalność.

Z tego co obserwuję – widzę, że powtarzalność, to jest zbiór bibliotek, a nawet nie bibliotek, tylko kod źródłowy, który buduje ten model. I to jest pierwszy poziom powtarzalności. Ewentualnie ktoś pamięta wersje bibliotek na których to było uruchamiane. Ale bardzo rzadko widziałem, żeby ktoś się martwił o wersjonowanie danych, żeby faktycznie mógł powtórzyć ten sam eksperyment na tych samych danych, a to jest bardzo ważne.

Tak jak powiedziałeś, jeżeli nie mamy tej powtarzalności, to mamy takiego “kota w worku”, odpalamy model i mamy zupełnie inny wyniki. Czy to jest dobrze czy źle? Nie wiadomo jak to traktować :).

Filip:
Oczywiście, to co wytłumaczyłem, jest podejściem bardzo skomplikowanym, też wierzę że najbardziej profesjonalnym. Nie zawsze aż taką maszynerię trzeba wyciągać do prostego projektu. Mogą się zdarzyć projekty, gdzie wersjonowanie kodu, parametrów, wersji bibliotek będzie w zupełności wystarczające. Chcemy zapewniać najwyższy poziom dokładności i pełna wiedze o tym, co się wydarzyło w takim eksperymencie.

Vladimir:
Przechodzimy teraz do kolejnego tematu, właściwie o czwartym obszarze, o którym wspomniałeś. Jednym z podpunktów tego obszaru były dashboardy. Nie wiem, czy wszyscy wiedzą czym jest dashboard. Bardzo proszę, na początek, wyjaśnij co to jest i jakie są korzyści dla biznesu? Jakiego rodzaju problemy może rozwiązywać?

Filip:
Tak, niestety to jest też słowo, które ulega pewnym hype’om, jest wykorzystywane przez bardzo różne osoby, podmioty i tak dalej, więc nie jest to jasne. Istnieje bardzo wiele dashboardów analitycznych i pierwszy, który przychodzi mi do głowy, to pewnie Google Analytics, który pokazuje nam jakieś informacje, w miare przystępnej formie i pozwala nam coś przeanalizować.

Istnieją narzędzia klasy business intelligence, które pozwalają nam takie dashboardy tworzyć i tutaj oczywiście jest Tableau, QlikView, Power BI i szereg innych narzędzi. One są świetnymi narzędziami analitycznymi dla niektórych rodzajów problemów, ale nie są to dashboardy o których mówię. Ponieważ te, o których mówię ja, bardziej przypominają pełne aplikacje webowe, które mają zasady nie tylko prezentować dane, tak jak w przypadku wcześniejszych, ale również, na przykład, je pobierać.

W niektórych systemach wspierania decyzji, które budujemy, osoba, która współpracuje z dashboardem, podejmuje finalną decyzje i ta decyzja gdzieś jest zapisywana. Co więcej, później ona może zostać użyta do przeuczenia modelu i poprawienia skuteczności tego modelu. W takich dashboardach analitycznych też możemy pozwolić na, na przykład, kolaboracje i tego, aby kilka osób analizowało jakieś zjawisko jednocześnie lub widziało, że ktoś inny otagował już jakieś transakcje lub inne elementy.

To jest podstawowa różnica pomiędzy dashboardem a systemem wspierania decyzji, który jest bardziej skomplikowany, czyli ten odczyt, zapis i większa siła wyrazu. To znaczy że, taki dashboard, stworzony, na przykład, w Shiny w R, pozwala używać wszystkich rzeczy, które są dostępne w językach programowania. Czyli w szczególności bardzo łatwo możemy dodać jakiś całkowicie wyjątkowy wykres, który nie pojawiał się nigdzie indziej czy zbudować workflow (tł. przepływ danych), w którym przechodzi się przez pewien proces w wielu krokach i podejmuje jakieś decyzje.

W takich narzędziach BI’owych będzie to trudne albo wręcz niemożliwe. Oni też nie mają kodu źródłowego i to jest chyba najważniejsza różnica. Można w nich osadzać kawałki kodu, ale ten kod, który tam osadzamy, nie może być w repozytorium, nie może podlegać kontroli wersji, nie będzie przechodził procesu code review (tł. przegląd kodu), nie będzie testowany automatycznie, więc istnieją liczne problemy, które z takim kodem źródłowym osadzonym w takiej aplikacji te problemy będą nam doskwierać.

Vladimir:
Myślę że teraz już wchodzisz trochę w szczegóły techniczne i nie wiem czy wszyscy to zrozumieją. Natomiast, wydaje mi się że bardzo istotnym i ważnym będzie powiedzieć jak wygląda proces przygotowania tego dashboardu. Załóżmy że jest firma, która chce zamówić taki dashboard, co ona powinna mieć, jakie są wymogi.

Filip:
Jeżeli firma chce stworzyć taki dashboard, to bardzo często istnieją jakieś narzędzia, które były używane do zaspokojenia tej potrzeby biznesowej wcześniej. Nierzadko są to, stety niestety, arkusze excelowe. Takie arkusze oczywiście mają liczne problemy, są wysyłane mailami, w dziesiątkach wersji, które zaczynają wyglądać kompletnie inaczej, mają inne dane w środku i nie wiadomo który został ostatecznie użyty do podjęcia decyzji. W praktyce bardzo często spotykamy się z tym, że firmy toną w arkuszach.

Pierwszym krokiem jest zrozumienie tego, jak ten arkusz jest używany, kto finalnie podejmuje jakieś decyzje, jakie dane powinien on widzieć, aby jak najszybciej podejmować decyzje, które ma podjąć. I kiedy zostanie stworzony taki zbiór wymagań można pomyśleć nad tym, jak zbudować interface. On może być przeniesiony w miarę podobnie do tego, co istniało w arkuszu albo może być kompletnie inny.

Z naszego doświadczenia, spotykaliśmy oba przypadki, też z tego powodu, że w arkuszu niektóre komponenty jest trudno osadzać, a niektóre rzeczy można mocno uprościć w aplikacji, ponieważ nie wszyscy w firmach są świetnymi programistami VBA, czasami te arkusze muszą korzystać z pewnych uproszczeń. Więc wtedy w takich dashboardach można to faktycznie fajnie rozwinąć i pokazać, na przykład, informacje na mapie, pozwolić wybrać coś na mapie i dla tego obszaru wyświetlić wykres. Następnie wprowadzić jakieś dane, na przykład, o proponowanych cenach lub o proponowanych nakładach na marketing, co więcej, te dane mogą zostać zapisane w bazie danych pod spodem i wyświetlone w zupełnie innym miejscu, nawet, być może, w zupełnie innym dashboardzie dla osoby z działu produkcji, która dzięki temu będzie wiedziała ile jakiegoś produktu należy stworzyć.

Vladimir:
Jak zacząłeś mówić o arkuszach, od razu mi się przypomina nazwa pliku “final final FINAL wersja 10” i myślę, że każda osoba, która pracowała w nieco większej firmie i używała takiego procesu, widziała to na własne oczy, a to jest bardzo męczące.

Zapytam Cię jeszcze o taką dość ciekawą i ważną rzecz, na jak dużych zasobach danych takie dashboardy potrafią pracować? Również wspomniałeś, że kilka osób może mieć dostęp do takich dashboardów, stąd pytanie czy to jest kilka osób, kilkaset, kilka tysięcy, jak to się skaluje?

Filip:
Dla naszych klientów komercyjnych tworzymy dashboardy do których mają dostęp setki, a nawet potencjalnie tysiące ludzi. Nie zawsze to jest potrzebne, bo nie są to aplikacje, które są dawane, na przykład, konsumentom końcowych, w tym nie tworzy się Facebooka. Ale, na przykład, działy sprzedaży w filiach na całym świecie korzystają z takiego dashboardu i on działa bez zarzutu. Więc jest możliwość skalowania i one skalują się dobrze.

Oczywiście, istnieje też możliwość przepisania je na jeszcze inne technologie, które skalowały by się jeszcze lepiej, tak jak Facebook. I to też jest możliwe, tylko wymagałoby istotnie więcej pracy. Ponieważ to, co jest ważne – te dashboardy, które tworzymy, powstają bardzo, bardzo szybko. W niektórych przypadkach dostarczamy coś w miesiąc, bardziej skomplikowany dashboard w dwa miesiące, może trzy, ale to i tak jest dużo szybciej, niż tradycyjne aplikacje webowe. Biorąc pod uwagę to, jak bardzo skomplikowany jest taki dashboard i jak wiele rzeczy w trakcie jeszcze jest dostosowywanych.

Jeśli chodzi o ilość danych, to tutaj największa zagwozdka jest po stronie serwera, który przetwarza te dane. Na pewno możemy w dashboardzie zlecić wykonanie jakichś obliczeń przez jakieś zaprzyjaźnione API, które świetnie nam przeskaluje obliczenia na jakiejś architekturze i dostarczy te wyniki albo zapisze je w bazie danych. Wtedy, tak naprawdę, dane nie stanowią większego problemu. Jeżeli skupimy się na takim przykładzie jak Shiny, to tutaj w praktyce, aby taki dashboard powstał tak szybko jak mówię, to te dane będą musiały się zmieścić w pamięci RAM, co na pierwszy rzut oka może się wydawać problemem, ale obecnie bez problemu możemy uruchomić na chmurze Amazona maszynę, która ma 2 terabajty (TB).

W mojej karierze zawodowej, ilość projektów, które przekraczały rozmiar 2 TB, stanowiły bardzo niewielki procent wszystkich projektów. Więc dla drastycznej ilości firm, taka maszyna z 2 TB RAMu w zupełności wystarczy aby coś w pamięci działało. Oczywiście, to może być i tak za drogie i tak może opłacać się przeliczenie tego równolegle i zapisanie do bazy danych, co w większości przypadków jest najlepszym rozwiązaniem.

Vladimir:
Bardzo fajnie, że wspomniałeś o tej maszynę z 2 TB. Wydaje mi się, że jeszcze często ludzie mylą, że jeśli danych jest więcej niż, załóżmy, 50 GB, to już jest „big data”. Ale teraz już w pamięci potrafimy trzymać 2 TB danych, przy czym każdy może taką maszynę sobie wykupić. Może nie jest to do końca różowe, bo dostępnych takich maszyn raczej jest niedużo i może też być za drogo, ale ciekawostką jest to, że technicznie to jest już możliwe.

Przejdziemy teraz trochę do innego tematu… Jakie są największe wyzwania lub trudności które spotkałeś na swojej drodze w tematach związanych z uczeniem maszynowym, data science, analizą danych?

Filip:
Obawiam się, że o tych najciekawszych wyzwaniach nie mogę za dużo mówić obecnie. Na pewno bardzo dużym wyzwaniem jest zarządzanie zespołem w takich projektach, zarządzanie również oczekiwaniami klienta, ponieważ te projekty często mają charakter researchowy.

My w przeciwieństwie do firm, które tworzą, na przykład, bardziej tradycyjne oprogramowanie, jak strony internetowe czy aplikacje mobilne, czasami nie możemy zagwarantować efektu końcowego. Możemy powiedzieć, że spróbujemy metod, które stanowią state of the art, czyli są najlepszymi metodami, które ogólnie wiadomo, że możemy zastosować do tej klasy problemów. Ale to może być na tyle innowacyjne, że nie możemy zagwarantować, że projekt się powiedzie. I to na pewno jest wyzwanie.

Jeśli chodzi o wyzwania intelektualne, to wydaje mi się, że w branży uczenia maszynowego, obecnie, najciekawszą działką są zagadnienia związane z Reinforcement Learning.

To są wszelkie zagadnienia, obecnie popychane do przodu przez zespół Open AI Elona Muska. Miałem okazje, podczas mojego wizytu w San Francisco, odwiedzić ich siedzibę, zobaczyć prototypy nad którymi pracują. Jest to na pewno niezwykle interesujący element, związany ze sztuczną inteligencją.

Vladimir:
Elon Musk stworzył wiele ciekawych firm, o których mówi się bardzo dużo, między innymi Neuralink, ale Open AI, o której wspomniałeś, faktycznie, prawie co tydzień coś publikują na swoim blogu, jakieś kolejne rozwiązania, których każdy może użyć. Niesamowite jest to, że ta wiedza nie jest zamykana w pudełku, tylko każdy może przeczytać blog, znaleźć kod i odpalić to samodzielnie.

Oczywiście, to wymaga pewnego rozumienia co robisz, natomiast nie jest ta wiedza chowana. Dla mnie to jest bardzo fajne podejście.

Filip:
Tak, aczkolwiek to jest taki czysty research. Wydaje się, że jeżeli chodzi o biznes, to te rzeczy, którymi, między innymi, my się zajmujemy, ale też w wielu firmach są używane, to są bardziej tradycyjne metody uczenia maszynowego, które po prostu szybko przenoszą bardzo dobre rezultaty.

Vladimir:
Teraz zmienię temat w trochę innym kierunku. Jak myślisz dokąd dąży rozwój technologiczny i czego, my jako ludzkość możemy się spodziewać za jakieś 10-20 lat?

Filip:
To jest bardzo ciekawe pytanie. Wydaje mi się, że przyszłość będzie dosyć niespodziewana. Kiedy myślę o tym, co się wydarzyło przez ostatnie 15 lat, to w niektórych obszarach wydarzyły się rzeczy całkowicie niespodziewane, a w innych ta innowacja idzie stosunkowo powoli do przodu. To znaczy, ciągle nie mieszkamy w szklanych domach, ale chodzimy z telefonami i mamy dostęp do dowolnej informacji, która chcemy pozyskać w dowolnym miejscu na świecie. I to jest coś niesamowitego. Na pewno nie jestem jedną z osób, która wierzy, że postęp pozyskania ogólnej sztucznej inteligencji czy AGI nastąpi niebawem.

Raczej skłaniam się ku temu, że obecnie jesteśmy, pod względem myślenia o sztucznej inteligencji, w podobnym hypie, który istniał, kiedy naukowcy pracowali nad prologiem. Ponieważ różne struktury, które powstają, są bardziej skomplikowane, mamy mocniejsze komputery, mamy trochę lepsze modele abstrakcji analizy tych danych, ale brakuje, przynajmniej moim zdaniem, jeszcze kilku ważnych elementów, być może związanych z reprezentacją wiedzy, bardziej w obszarze, być może, ontologii, to są tylko jakieś intuicje, nic sprecyzowanego.

Ale mam wrażenie,  że jednak ta innowacja w zakresie AI, będzie postępować bardziej wertykalnie, niż horyzontalnie i będziemy widzieć wiele automatyzacji następujących w bardzo wyspecjalizowanych zadaniach. Być może z czasem coraz mniej, ale jednak wyspecjalizowanych, gdzie maszyny będą lepsze od ludzi.

W związku z tym, zresztą podobnie jak słyszałem w poprzednim odcinku, będzie dochodziło do mechanizmów, związanych z rewolucją przemysłową. Czyli niektóre zawody  prawdopodobnie będą wypierane przez technologie. I wtedy mogą się wydarzyć różne ciekawe rzeczy. Oczywiście, mogą się wydarzyć protesty, ale prawdopodobnie będą się pojawiały nowe zawody.

Podejrzewam, że 20 lat temu nikt nie myślało tym, że powstanie taki zawód jak osoba projektująca interface’y i zajmująca się user experience na cały etat. A obecnie, dzięki temu, że tak bardzo rozwinęły się technologie związane z rozwojem internetu, te zawody powstały. Dlatego wydaje mi się, że w przyszłości powstaną jeszcze kolejne zawody o których teraz nawet nie możemy pomyśleć. I być może, nawet nie będzie potrzeby tworzenia podstawowego wynagrodzenia bazowego, o którym też chyba rozmawialiście ostatnio.

Vladimir:
Próbuje zrozumieć czy jesteś bardziej optymista czy pesymistą, jeśli chodzi o te postępy rozwoju? Czy jednak widzisz w tym korzyść, że ludzkość ma takie narzędzie jak uczenie maszynowe i coraz bardziej sprawnie potrafi to używać?

Filip:
Tak, absolutnie. Jeśli chodzi o ten aspekt, to jestem optymistą. Uważam że to jest wspaniałe, że są takie metody i pozwalają nam różne rzeczy robić szybciej i sprawniej, być może taniej, to stworzy też nowe możliwości, które będą musiały zostać w odpowiedni sposób wykorzystane. I być może, właśnie, powstaną nowe zawody, ludzie będą mogli się rozwijać.

To będzie też bardzo duża odpowiedzialność społeczeństwa na to, aby pomóc niektórym ludziom się przekwalifikować i zdobyć nowe umiejętności. To może też wiązać się z tym, że będą potrzebne bardziej drastyczne kroki związane z edukacją. Więc dużo rzeczy może zadziać się bardzo szybko.

A jeśli jestem pesymista, to tylko w obszarze tego, jak szybko będziemy reagować na zmiany, które mogą się pojawiać. Mam nadzieję że nie będziemy reagować za wolno. Jestem pesymistą odnośnie tego, jak szybko pojawi się AGI czyli ta ogólna sztuczna inteligencja porównywalna lub lepsza od człowieka. Wydaje mi się że to zajmie jeszcze dużo czasu.

Vladimir:
Teraz pozwól zapytać o przyszłość, którą chciałbyś osiągnąć. Podziel się swoimi planami na przyszłość? Co chciałbyś osiągnąć w najbliższe kilka czy nawet 5 lat?

Filip:
Oczywiście. Pierwsza rzecz, nad którą pracujemy, to to, aby stworzyć w Polsce jedną, mam nadzieje, z wielu firm, w których będziemy mogli z Polski rozwiązywać bardzo ciekawe problemy analityczne. To jest rzecz, w którą wkładam olbrzymi wysiłek i którą z roku na rok realizujemy i, mam nadzieję, że będziemy realizować je nadal. Kolejna rzecz którą realizujemy, to poznawanie świata i uczenie się o bardzo wielu firmach, ponieważ jest to niesamowicie ciekawe.

Myślę że z samego tego faktu będę to robił dalej, a jednocześnie, zachowując przy tym zdrowy balan, udowadniamy sobie, że jesteśmy w stanie pracować z Polski, zdalnie, z zagranicznymi klientami.

Chciałbym doprowadzić do rozkwitu, chciałbym abyśmy mogli sprawiać że najlepsi ludzie będą mieli wybór, czy chcą wyjechać zagranicę czy chcą zostać tutaj i pracować nad projektami z Polski.

Vladimir:
Masz bardzo ambitne i wspaniałe plany, więc trzymam kciuki, żeby Ci faktycznie to się udało.

Już ostatnie pytanie na dzisiaj, jeżeli ktoś będzie chciał się z tobą skontaktować, to jak to można zrobić?

Filip:
Tutaj bez problemu. Generalnie, jeżeli ktoś odezwie się do mnie na LinkedIn i napiszę miarę sensowną wiadomość, to zawsze staram się zaakceptować, porozmawiać. Też, na ile pozwala mi kalendarz, możemy umówić się na spotkanie, więc to nie powinno stanowić problemu.

Vladimir:
Bardzo dziękuję Ci, Filip, za rozmowę, za twój czas.

Filip:
Dzięki serdecznie i wszystkiego dobrego.

Co myślisz o tym co powiedział Filip? Proszę podziel się swoją opinią w najbardziej wygodny sposób dla Ciebie.

Podziękowania

Na itunes już pojawiło się 7 głosów i każdy ma pięć gwiazdek oraz nowa opinia. Mariusz Stachowisz napisał:

Bardzo dziękuję Mariuszu i będę dalej starał się mówić językiem prostym o trudnych rzeczach.

Pojawiło się sporo nowych komentarzy na stronie biznesmysli.pl. Pozwolę sobie przeczytać osobę którę znalezli chwilę i podzielili się swoją opinią, to jest Patryk Wójcik, Adam, Rafał Bieleniewicz, Bogusz Pękalski. W szczególności Kamila Szafrańska, która napisała wiele komentarzy, a jeden z nich naprawdę był wielkością porównywalny do artykułu. Dziękuję Wam za wyrażanie swoich opinii, to dla mnie jest cenne i motywujące.

Również zapraszam Ciebie do podzielenia się swoją opinią. Dla Ciebie to chwila czasu. Tym samym możesz wpłynąć na to co będzie dalej się pojawiać, sprostować któryś temat lub po prostu wyrazić swoją opinię.

Ogłoszenie

Oprócz podcastu Biznes Myśli, prowadzę warsztaty dla osób technicznych pod nazwą DataWorkshop.eu.

Na dzień dzisiejszy udało się już zorganizować 9 warsztatów w których uczestniczyło ponad 250 osób. Jest sporo pozytywnych informacji od uczestników – co mnie bardzo cieszy.

Prawdopodobnie nadal będę organizować warsztaty na żywo, ale to podejście bardzo trudno skaluje się (maksymalnie 30 osób) i raczej jest dość drogie dla uczestników. Bo są spore opłaty logistyczne.

Tak pojawił się pomysł uruchomić warsztaty przez internet. Już zacząłem nad tym aktywnie pracować i mam plan uruchomić go na jesień tego roku.

Dobra nowość dla Ciebie, że koszt warsztatu przez internet będzie znacznie tańszy (niż spotkanie na żywo), bardziej elastyczny (po Twojej stronie jest decyzja o której godziny w ciągu tygodnia chcesz się uczyć) i rozciągnięty w czasie (żeby mieć czas na przyswojenia wiedzy). Kolejna dobra nowość dla Ciebie to możliwość uzyskania 10% zniżki, która będzie dostępna dla słuchaczy podcastu Biznes Myśli. Dlatego gorąco polecam zapisać się na newsletter.

Warsztat jest skierowany dla osób technicznych które mają chociażby minimalne doświadczenie w programowaniu. Dlatego jeżeli chcesz przeszkolić swój zespół lub wybranych osób z IT, myślę, że warto wziąć udział. Podczas warsztatu, duży nacisk będzie kładziony na rozwiązywanie realnych problemów, niż bawienia się w technologię.

Szczerze mówiąc, pięć lata temu sam borykałem się ze zrozumieniem wielu tematów związanych z uczeniem maszynowym, a potem okazało się, że teoria dość często mało skupia się na tym, jak rozwiązać realny problem. Dlatego, ten kurs kupiłbym osobiście, kilka lat temu i tym samym zaoszczędziłbym sporo swego czasu.

W najbliższym miesiącu będzie więcej informacji na ten temat. Gorąca Cię zachęcam podzielić się swoją opinią na ten temat oraz jakiego typu problemy warto było rozwiązać podczas szkolenia.

Tyle na dzisiaj. Dziękuję za poświęcony czas i Twoją energię. Życzę dobrego samopuczucia i do usłyszenia w kolejnym odcinku.

Książki polecana przez gościa

Artykuł Filip Stachura, CEO Appsilon Data Science, o sztucznej inteligencji pochodzi z serwisu Biznes Myśli.

Jesteśmy po kolejnej rocznej konferencji przygotowana przez dużego gracza – tym razem Apple. Pewnie jak spodziewasz się również  tam było o machine learning. Na przykład pojawił się nowy produkt Apple HomePod (zintegrowany z Siri) który podobnie ma konkurować z Amazon Echo czy Google Home. Siri będzie działać jeszcze lepiej.

W iOS11, to jest system operacyjny dla iphone, który ma pojawić się we wrześniu 2017, będzie wbudowany Core ML umożliwiający uruchomienie modeli na telefonie. Apple stawia na to, żeby taki model był uruchamiany na komórce. Dlaczego to jest ważne? Chodzi o dane, pamiętasz, że dane to jest nowoczesny surowiec. Wysłanie ich na zewnątrz zawsze wiąże się z ryzykiem.

Na końcu podcastu polecam miejsca gdzie możesz posłuchać więcej na ten temat.

Sztuczna inteligencja w IBM

Już nie przedłużam i przechodzimy do dzisiejszego tematu. Piotr Pietrzak który jest CTO w IBM zgodził się podzielić się swoim doświadczeniem.  Dowiesz się więcej o słynnej grze kiedy maszyna wygrały w szachy Garry Kasparov’ego, o zwycięstwu Watson w grze Jeopardy i wele innych tematów. Gorąco zapraszam.

Vladimir:
Cześć Piotr. Przedstaw się słuchaczom… Kim jesteś, czym się zajmujesz, gdzie mieszkasz?

Piotr:
Cześć Vladimir. Witam wszystkich słuchaczy. Nazywam się Piotr Pietrzak, na co dzień jestem dyrektorem do spraw technologii i innowacji w firmie IBM. Na co dzień mieszkam w Legionowie, sympatycznej podwarszawskiej miejscowości. Cały czas chce zakładać że jestem człowiekiem nieco cyborgiem,  na pewno jestem komputerowym geekiem i chyba w skrócie tyle.

Vladimir:
Co ostatnio czytałeś i czego nauczyłeś z tej książki?

Piotr:
Ostatnio wróciłem do książki, która nauczyła mnie jak bardzo skomplikowany jest nasz umysł czyli pułapek myślenia. Książka, którą bardzo serdecznie polecam wszystkim którzy chcą otworzyć się na to jak łatwo można zmanipulować nasz mózg, jak łatwo można zmanipulować sposób naszego myślenia czyli pułapki myślenia. To jest książka napisana przez Daniela Kahnemana, który jest noblistą. Z tej serii jest również kilka innych książek, które wyjaśniają pewnego rodzaju zjawiska nad którymi na co dzień nie zastanawiamy.

Vladimir:
Pracujesz w IBM jako techniczny dyrektor albo po angielski to brzmi CTO. Jak wygląda Twoja praca? Jakiego typu problemy rozwiązujesz i w jaki sposób?

Piotr:
Niestety odpowiedź na to pytanie nie jest prosta. Dlatego że zajmuję się stosunkowo szerokim spektrum rzeczy i rozwiązań. Począwszy od wsparcia lokalnego firmy w jaki sposób dostarczać, marketingować nowe rozwiązania, produkty czy technologie do polskiego rynku. Czyli w jaki sposób z technologii czy z konkretnego produktu zrobić rozwiązanie, które będzie akceptowalne bądź chętne do nabywania przez naszych klientów, ale żeby oni chcieli to nabywać, musi być zbudowana pewna ścieżka wartości dla nich. Czyli co tak naprawdę mają z tej technologii i co technologia im pozwala rozwiązać w codziennym życiu biznesowym. I to jest jeden obszar czyli coś co możemy nazwać strategią.

Drugim obszarem jest działanie bezpośrednie, współpraca z klientami w projektach. W chwili obecnej głównie koncentruję się na cloud computingu na rozwiązaniach typu watson i sztucznej inteligencji ewentualnie można to nazywać czymś co w chwili obecnej nazywane jest cognitive computing. Ja, przyznam szczerze, nie lubię tłumaczenia na język polski słowa cognitive, bo to oznacza poznawczy. Poznawczy system komputerowy brzmi trochę sztywno, przyznam szczerze, więc tutaj angielskie nazewnictwo bardziej mi przypada do gustu, przynajmniej z punktu widzenia osoby technicznej. Pewnie dla osób, które nie są związane z technologią może to być mniej sympatyczne do zaakceptowania czy absorbcji. Tutaj przede wszystkim koncentruję się nad tym w jaki sposób nowe technologie, po pierwsze, pomagają wnieść nową wartość biznesową klientowi do jego biznesu, bądź też jakie nowe usługi i produkty dana firma może wypuścić na rynek, niezależnie czy to w kanale “business to business” czy “business to consumer” (czyli klient indywidualny) z użyciem nowych technologii. To jest niesamowicie ciekawy obszar, chyba najbardziej pasjonujący dla mnie, mimo wszystko, dlatego że widzimy bardzo wyraźnie przenikanie się branż.

Wyobraź sobie, mam na co dzień okazję bycia członkiem komisji innowacyjności Polskiej Izby Przemysłu Chemicznego. Czy ja wiem coś o chemii – kompletnie nie. Czy ja wiem coś o EIoT – bardzo dużo. Czy ja wiem coś o systemach informatycznych – chce wierzyć, że sporo. I w związku z tym, że następuje we wszystkich branżach przenikanie się rozwiązań, w komisji innowacyjności jestem w stanie podpowiadać jakie rozwiązania techniczne mogą rozwiązać jakie problemy.

Na przykład, na instalacji chemicznej, w procesie wytwórczym czy przetwórczym ropy naftowej, jakimi rozwiązaniami może nas zaskoczyć za chwile na rynku firma produkująca nawozy sztuczne albo środki ochrony roślin. Albo w jaki sposób nowe technologie mogą przyśpieszyć i obniżyć koszty, na przykład, prac nad nawozami płynnymi. I to są rzeczy, które z punktu widzenia przetwarzania informacji, przetwarzania i budowy nowych rozwiązań są moją kompetencją. Po drugiej stronie mam partnerów, których główną kompetencją jest wiedza branżowa, czyli z czego jest zbudowany dany związek chemiczny, co musi być spełnione żeby on działał, wszystkie te rzeczy związane z branżą. I to są chyba najbardziej ciekawe rozwiązania, którymi się zajmuję.

A trzeci obszar to jest oczywiście reprezentacja firmy IBM w obszarze, z jednej strony wszelkiego rodzaju konferencji branżowych, mówienia o naszych najnowszych technologiach, ale również taki obszar który bardzo często przez wiele osób nie jest dostrzegany, chociaż jest coraz bardziej popularny w Polsce – to współpraca z funduszami inwestycyjnymi, inkubatorami oraz akceleratorami przedsiębiorczości na terenie kraju.

Czyli takie trzy głównych filary.

Vladimir:
Powiedziałeś kilka ciekawych rzeczy, będę pytał o nie później.

Myślę, każdy się zgodzi że IBM jest bardzo słynną firmą w temacie sztucznej inteligencji. I są ku temu powody. Większość prezentacji która mówi o sztucznej inteligencji, zwłaszcza z tak zwanej wąskiej lub słabej sztucznej inteligencji, która w uproszczeniu oznacza, że komputer jest lepszy niż człowiek w pewnym obszarze – zwykle zaczyna się  od przykładu gry w szachy. Słynna gra pomiędzy Garri Kasparowem i Deep Blue w maju 1997.

To były początki, ale ciekawe jest co było pod spodem, dlaczego Deep Blue był lepszy? I przy okazji zapytam, bo Deep Learning jest bardzo gorącym tematem.  Teraz gdy pojawia się słowo Deep to automatycznie wiąże się z Deep Learning. Jeżeli nie używano Deep Learning pod spodem (bo to pojęcie pojawiło się trochę później), to czemu Deep? Co autorzy mieli na myśli czy być może to zbieg okoliczności?

Piotr:
Po pierwsze, nie uważam i nie utożsamiam komputera Deep Blue ze sztuczną inteligencją. To znaczy, jezeli coś jest bardzo wydajną maszyną obliczeniową niekoniecznie spełnia paradygmat tego czym określamy sztuczną inteligencję. To, że komputer wygrywa z komputerem w gry, nie oznacza że jest inteligentniejszy od komputera. To oznacza że umie lepiej rozwiązywać pewien problem postawiony w danej grze. Wynika to z bardzo prostej rzeczy – z ewolucji. Dlatego że komputery, które rozwiązują problemy chociażby optymalizacyjne zostały zaprogramowane w celu wygrania w szachy, rozwiązania problemów komiwojażera albo przynajmniej ich mocnego optymalizowania albo przynajmniej wygranie w grę go.

Człowiek w trakcie swojej ewolucji nie ewoluował po to, żeby być mistrzem w rozwiązywaniu zagadek matematycznych, czy grania w szachy czy gry w go. Więc pewne obszary nie wymagają, nazwijmy to, sztucznej inteligencji żeby być w tym dobrym jak komputer. Czyli wymagają dużej mocy obliczeniowej, która umożliwia, po pierwsze, z wyprzedzeniem wykonywanie pewnych kalkulacji, natomiast na ile to ma związek ze sztuczną inteligencją, przyznam szczerze, zebym bardzo polemizował.

Deep Blue wydaje mi się bardziej był przykładem maszyny, nazwijmy to 32 węzłowego klastra obliczeniowego, zbudowanego na maszynach typu RS/6000 bazujących na procesorach IBM Power w architekturze RISC, które dysponowały dużą mocą obliczeniową, dzięki czemu mogły przewidzieć wiele kombinacji ruchów do przodu. Z tyłu – bazę danych, która była zgromadzoną  informacją o dotychczasowych partiach szachowych, na to nałożony model analityczny, który mógł z jednej strony przeliczać wiele różnych kombinacji i robić wiele symulacji versus to co się dzieje w danym momencie na szachownicy. Jeżeli popatrzymy na możliwości obliczeniowe ówczesnego Deep Blue który, z tego co pamiętam, zachował się w teście LINPACK z wydajnością około 11 czy 12 gigaflopów.

I popatrzymy na to z czym mamy do czynienia w chwili obecnej, gdzie konsola do gier, którą mam w domu, ma moc obliczeniową na poziomie 1,2 teraflopa w górę, to znaczy że przez 20 lat przeskoczyliśmy pewną przepaść między tym co mogliśmy kiedyś, a tym co mamy teraz.

Zapytałeś również o nazwę. Ta nazwa nie była przypadkowa. Deep Blue nie miał nic wspólnego, jeżeli chodzi o nazwę, z Deep Learningiem, natomiast Deep Blue był nazwą zaczerpniętą przez twórcę i projektanta tego rozwiązania z ksiązki, gdzie nazwa komputera pochodzi od fikcyjnego komputera, który był przytaczany w książce pod tytułem Autostopem przez Galaktykę. Tamten komputer nazywał się Deep Thought czyli “głębokie myślenie”, i nazwa, zaczerpnięta z książki, została zmodyfikowana na Deep Blue czyli “głęboki niebieski”.

Vladimir:
Ciekawa opinia. Z twoich słów bardziej brzmi, że wygrały w szachy nie dlatego że maszyna była inteligentna, tylko posiadała bardzo dużą moc obliczeniową.

Piotr:
Tak, żeby móc przekalkulować duże ilości ruchów do przodu. Ale również mieć z tyłu bazę danych, która umożliwia analizę, związaną z tym jaki ruch czy jakie kombinacje będą optymalne jako następne. Nie powiedziałbym że zagadnienia optymalizacyjne dotyczą bezpośrednio zagadnień związanych z samouczeniem się.

Vladimir:
Ciekawy jestem Twojej opinii o drugim przykładzie – komputerze IBM Watson i grze Jeopardy (którego polskim odpowiednikiem był Va banque). Co się stało w lutym 2011 i dlaczego ten przykład jest tak słynny. Co zmieniło się po tej grze?

Również ciekawy jestem czy w IBM Watson był bardziej inteligentny byt czy nadal moc obliczeniowa.

Piotr:
Jak najbardziej już inteligentny byt. Deep Blue możemy oczywiście podciągać pod obszary sztucznej inteligencji, logiki i tak dalej i tak dalej. Wybacz że to powiem, ale zakładam coś takiego w informatyce, że jeżeli znasz historię informatyki, bo miałem kiedyś prowadzony taki przedmiot,  gdzie zaczynasz rozumieć informatykę i pamiętasz informatykę od poziomu krosno Jacquarda (maszyna żakardowa), jak implementowały się pewne algorytmy, jak budowało się roboty, to nagle dochodzisz do wniosku, że to co się dzieje teraz – to jest coś, co już kiedyś wymyślono, teraz następują tylko i wyłącznie implementacje tego co już było.

Na początku naszej rozmowy zwróciłeś uwagę na to, że algorytmy dotyczące sieci neuronowych, przynajmniej podstawa matematyczna sieci neuronowych to jest stara rzecz, to nie jest nic nowego. To są rzeczy wymyślone w latach 50-ych jeżeli nie wcześniej XX wieku w dodatek. Natomiast teraz mamy możliwości technologiczne, które umożliwiają implementację tych rozwiązań na szeroką skalę. I to nie dotyczy tylko sztucznej inteligencji, to dotyczy komputerów kwantowych, dotyczy praktycznie każdej dziedziny wiedzy, której się dotkniemy, która została w sposób matematyczny zbudowana 100-150 czy 200 lat temu.

To jest pasjonujące moim zdaniem, że w chwili obecnej mamy techniczne możliwości do implementacji rozwiązań które były dawno temu wymyślone. To jest coś co nakręca zarówno przemysł technologiczny, rozwiązania, pomysły na biznes, te całe historie dotyczące pewnych zjawisk, które zmieniają realnie branże. I w pewien sposób Watson jest następstwem tych wszystkich zdarzeń. Dlatego że przez ostatnie 20 lat od czasu Deep Blue, wiedza na temat budowania i sposobów budowania optymalnych baz danych i optymalizowania baz danych  poszła niesamowicie do przodu. Przetwarzanie tekstu naturalnego, nazwijmy to natural language processing, poszło niesamowicie do przodu. Udało się  zaimplementować algorytmy samouczące, bazujące między innymi na sieciach neuronowych. Skomasowanie tych wszystkich cech, umożliwiło zbudowanie systemu, który ma cechy sztucznej inteligencji, dlatego że rozumie dane, jest w stanie na ich podstawie stawiać pewne tezy, te tezy popierać dowodami, oceniać dowody versus tezy z pewną trafnością i dowodzić pewnych pojęć. I to jest sztuczna inteligencja.

Vladimir:
Na początku, gdy zacząłem nagrywać swój podcast, robiłem wprowadzenie do sztucznej inteligencji. Wtedy powiedziałem że zbiegły się razem trzy czynniki czyli dane, algorytmy i moc obliczeniowa. Dzięki czemu teraz uczenie maszynowe jest tak napędzane. Ciekawy jestem Twojej opinii i czy mógłbyś wyróżnić któryś z tych czynników albo dodać coś.

Piotr:
Myślę że podsumowałeś to idealnie. Duże próbki danych dostępne w jednym centralnym miejscu, dostępne dla konkretnego systemu komputerowego niezależnie jak duży on jest. Druga rzecz – moc obliczeniowa, która jest w stanie równolegle przetwarzać dane, wnioskować na nich i ten proces powtarzać i udoskonalać. Trzecia rzecz, o której wspomniałeś, to algorytmy, które dzięki tej mocy obliczeniowej dużej próbce danych mogły być zaimplementowane i sprawdzone na dużej skali.

Miałem rozmowę, dotyczącą trenowania jednego z dosyć ciekawych komponentów, które udostępniamy jako IBM przez naszą chmurę o nazwie Bluemix czyli Watson visual recognition, komponent który umożliwia rozpoznanie i wyszukiwanie obiektów na zdjęciach bądź trenowanie tego systemu w oparciu o własne próbki zdjęć. Zgłosiła się do mnie firma, która mówi, że “trenujemy komponent na bazie 150 zdjęć, jest super, ale jeszcze trzeba by było udoskonalić znajdowanie tego, tego i tego”.

https://www.youtube.com/watch?v=-s5EpR0eRXY

Popatrzyłem na sposób w jaki oni ten komponent trenują, jak wygląda model, czego poszukują i mówię że “musicie trenować ten model na bazie 1000 czy 2000 zdjęć, wówczas trenujecie go z dobrą dokładnością, a nie na bazie 150 stosunkowo prostych do rozpoznania obiektów”. I właśnie dzięki temu że mamy możliwości zebrania takich ilości danych w bardzo krótkim czasie, mamy algorytmy zaimplementowane i mamy pod spodem dużą moc obliczeniową, możemy to fizycznie robić.

Myślę że kolejnym krokiem w ewolucji tych rozwiązań, zwłaszcza po stronie nie tylko firm które nad tym pracują i dostarczają te rozwiązania, ale zwłaszcza po stronie ich końcowych odbiorców, jest to w jaki sposób możńa konsumować sztuczną inteligencję chmurą obliczeniową. To będzie pisanie aplikacji bazujących na nowym paradygmacie czyli oderwanie programistów, po pierwsze, od infrastruktury i ograniczeń związanych z jej skalowalnością.

Czyli idealna aplikacja wykorzystująca zarówno cechy chmury i sztucznej inteligencji będzie aplikacją która będzie mogła skalować się od zera do nieskończoności, czyli praktycznie obsłużyć dowolny ruch, który do niej przychodzi, bazując  na oderwaniu się od infrastruktury. Czyli nowy paradygmat pisania i tworzenia aplikacji, które wykorzystują mikroserwisy, wykorzystują platformy chmurowe, które są pod nimi zapewniając moc obliczeniową.

Programista już nie powinien więcej myśleć o tym, że ma ograniczenie do dwóch, trzech, czterech procesorów w jakiejś maszynie w obszarze jakiegoś klastra obliczeniowego. Nie, on powinien powiedzieć co chce zrobić, jakie obiekty chce powołać do życia i to już kompletnie inna warstwa powinna mu to zapewnić. To będzie kolejny duży krok na przód.

Vladimir:
Wróćmy jeszcze do przykładu z IBM Watson, kiedy była gra. Pytanie jest nieco dziwne, ale zapytam, bo pewnie wiele osób myli się, myśląc, że IBM Watson jest wyszukiwarką, która szybko wyszukuje informacje w dużej ilości dokumentów, powiedzmy całej Wikipedii czy innych źródłach wiedzy. Jaka jest różnica pomiędzy wyszukiwarką i IBM Watson, mam na myśli tę implementacje, która wygrała w Jeopardy.

Piotr:
Pierwszą podstawową różnica jest to, że nie bazujemy na czymś co się nazywa keyword. Jest zbudowany cały potok przetwarzania w Watsonie, który mówi w jaki sposób działamy z informacją. Dla nas najważniejsze jest to, żeby użytkownik, po pierwsze, mógł zadać to pytanie i żebyśmy nie szukali dokumentu bazując na tym w jaki sposób i ile słów kluczowych w nim występuje, jak wysoko były oceniane. Tylko żeby w modelu wytrenowanym do rozumienia danego języka czy zbioru wiedzy bazującego na semantyce i ontologii, módz wyłuskać informacje które są potrzebne i przedstawić je użytkownikowi.

Czyli każda wyszukiwarka z którą najczęściej się spotykamy, wyszukuję konkretny dokument i mówi: “Drogi użytkowniku, tu masz listę dokumentów”, tworzy listę rankingową i wyświetla ją w kolejności. W Watsonie to działa kompletnie inaczej. Watson nie koncentruję się na wynalezieniu konkretnego dokumentu, Watson chcę znaleźć odpowiedź na zadane pytanie poprzez rozkład semantyczny tego pytania, zmapowanie go na swoją bazę wiedzy i model, następnie wyłuskać odpowiedź, która wskazuję na to pytanie i podeprzeć ją dokumentami dzięki którym podaje tę odpowiedź z pewna trafnością.

Możemy sobie założyć, że w momencie kiedy Watson przetwarza informację, w pewnym momencie buduje jakiś zestaw odpowiedzi, gdzie każda z tych odpowiedzi posiada jakiś indeks poprawności czy pewności, z którą ta odpowiedź jest udzielana. I Watson pokazuje nam te odpowiedzi, pokazując również ten poziom trafności z którym on twierdzi że odpowiada.

To może być 60% czy 80%, to może być 99,9%. I następnie w modelu trenowania Watsona musi być ekspert, który powie: “ok, ta odpowiedź jest dobra”. Ten sposób rozumowania, dojścia do tej odpowiedzi, ten flow i dokumenty, czyli fakty, które wskazują na udzielenie tej informacji są poprawne. W momencie kiedy nie zgadzamy się z podsumowaniem czy odpowiedzią udzieloną przez Watsona wówczas modyfikujemy zestaw dokumentów który wpłynęły na jego rozumowanie.

I w ten sposób z jednej strony modyfikujemy model wnioskowania, z drugiej – zmieniamy dokumenty, które wpływają na sposób jego trenowania. Czyli do trenowania modelu zawsze jest potrzebny ekspert, to jest pierwsze podstawowe założenie, a druga rzecz taka, że ekspert ma możliwość zmiany sposobu rozumowania systemu. To jest główna różnica między Watsonem czy systemem kognitywnym i podstawową wyszukiwarką bazującą nadal w dużej mierze na keywords’ach, statystyce, popularności.

Vladimir:
Na dzień dzisiejszy IBM Watson ma wiele zastosowań w różnych branżach, takie jak Connie która pracuje jako concierge w hotelu Hilton albo  ROSS – robo-prawnik zatrudniony przez kancelarie Baker & Hostetler. Proszę podaj swoje trzy a może pięć przykładów, gdzie IBM Watson został użyty i daje korzyści z punktu widzenia biznesowego (np. możesz podać po przykłady z branży).

Piotr:
Po pierwsze, musimy zrozumieć jak podzielone są te rozwiązania w Watsonie. Część rozwiązań bazujących na technologiach dookoła Watsona są to rozwiązania dedykowane do danej branży. Nie chcę powiedzieć, że są monolitycznymi rozwiązaniami, ale są rozwiązaniami dedykującymi pewne konkretne problemy.

Drugi obszar rozwiązań, to są moduły, nazwijmy to API. To są interfejsy które umożliwiają programistom zasilenie systemu w dane, przetwarzanie tych danych i otrzymanie pewnych rezultatów. To działa w obszarze rozwiązania chmurowego o nazwie IBM Bluemix i nazywa się Watson Services on Bluemix. Tam są dostępne rozwiązania dotyczące przetwarzania tekstu, przetwarzanie mowy, przetwarzanie obrazów, przetwarzanie dokumentów, konwersji dokumentów i wiele innych.

Jest trzeci obszar, który często jest nazywany Watson’om. Też to mogą być składowe komponenty które wchodzą w skład do innych rozwiązań. To jest oprogramowanie które możemy zainstalować na infrastrukturze klienta, możemy budować docelowe rozwiązanie. To są takie rzeczy jak Watson Explorer, narzędzie statystyczne pochodzące z rodziny SPS, narzędzie do rozwiązywania problemów optymalizacyjnych.

Czwartą grupą stanowią, nie chcę powiedzieć – gadżety, ale stanowią przykłady rozwiązań, tak jak  przytoczyłeś na przykład concierge, które sa w stanie zwykłym ludziom, którzy nie zajmują się na co dzień technologią i sztuczną inteligencją, pokazać co można za pomocą tych rozwiązań uzyskać.

Jest takie rozwiązanie jak Watson Chef. To jest rozwiązanie, które jest dostępne w internecie i można w popularnych wyszukiwarkach je wyszukać. To jest system, który został stworzony po to, żeby pokazać ludziom w jaki sposób na przykładzie kuchni i składników różnych potraw można budować potrawy do których normalnie nie są przyzwyczajeni. Czyli, na przykład, jak system komputerowy jest w stanie zasugerować człowiekowi zrobienie czekoladowego burrito, które okazuje się być pyszne, ale nie koniecznie sami byśmy na nie wpadli. W sklepach internetowych dostępne są książki kucharskie, gdzie można znaleźć ponad 60 przepisów wygenerowanych przez Watsona, są dosyć ciekawe, są dość abstrakcyjne, ale przede wszystkim smaczne.

Więc mamy cztery grupy rozwiązań. Mamy rozwiązania dla konkretnych branż, rozwiązania dla branży medycznej, chemicznej, dla branży która zajmuje się rozwojem nowych leków, branży budowlanej. I to są rozwiązania dedykowane. O tych rozwiązaniach, które spotyka końcowy użytkownik jako przykład sztucznej inteligencji czy implementacji tego typu rozwiązań, już powiedzieliśmy.

I jest ta cała część pośrodku, adresowana przez programistów, takich jak ty, ja czy nasi koledzy, którzy w pewnym momencie mogą dojść do wniosku i powiedzieć: “a ja bym chciał, żeby moja aplikacja, na przykład, mogła rozpoznawać obraz albo chciałbym, żeby mogła budować behawioralny obraz człowieka, bazując na tym, co pisze w internecie.” I czy jest to możliwe? Jest. Można to zbudować samemu od podstaw, tracąc dużo czasu i pieniędzy, albo można skorzystać z dostępnej usługi, którą integrujemy do swojej aplikacji. Nie ma ograniczeń.

Vladimir:
Wspomniałeś o IBM API. Specajlnie przed wywiadem sprawdziłem, w tej chwilę jest dostępne 19 usług. Większośc z nich jest związane z tekstem, np. jak analiza, rozumienie, tłumaczenie itd. Pierwsze co nasuwa się, jakie języki są wspierany i czy jest plan wspierać polski?

Piotr:
Języki które są wspierane zależą bardzo od usługi. Nie wszystkie usługi wymagają do działania jakiegokolwiek języka. Pomyślmy chociażby o rozpoznaniu obrazów, tam język w ogóle nie jest potrzebny,  pomyślijmy o tym w jaki sposób możemy uczyć model predykcyjny, który bazuje na danych pogodowych, tam też nie.

W chwili obecnej w tych usługach, które są dostępne u nas w chmurze które dotyczą języka, język polski nie jest językiem wspieranym. Wspierany jest język angielski, hiszpański, w niektórych z usług jest wspierany język japoński. Implementacja języka polskiego jest w planach. To co możemy robić w chwili obecnej dookoła języka polskiego jest zgromadzenie dookoła tych trzech innych typów rozwiązań. Rozwiązań, które możemy zbudować na życzenie klienta u niego, bazując na tym oprogramowaniu, o którym wcześniej wspominałem, bądź też w obszarze gadżetowym “szytym na miarę”. Natomiast z punktu widzenia dostępnych rozwiązań w języku polskim na chmurze Bluemix, w chwili obecnej nie są dostępne.

Vladimir:
Ciekawy jestem na ile taki zwykły programista, który zdecyduje się użyć IBM API, jest w stanie zbudować odpowiednik, żeby wygrać w Jeopardy. Czy na tym poziomie już możemy operować, czy są ograniczenia, jak na przykład mocy obliczeniowej?

Piotr:
To jest na pewno ograniczenie mocy obliczeniowej, z drugiej strony – zakresu danych, które posiadamy. Przygotowanie Watsona żeby wygrał w Jeopardy trwało prawie rok. System w trakcie gry był odłączony od internetu, czyli nie był zasilany z zewnętrznych źródeł danych poza tymi które zostały do niego wciśnięte.

Kolejna ciekawa rzecz którą można powiedzieć o tej rozgrywce w Jeopardy jest taka, że system komputerowy miał podawane pytania wówczas w wersji tekstowej. Czyli to co czytał zapowiadający, w momencie kiedy skończył, system komputerowy otrzymywał w formie tekstowej i taką treść przedstawiał w drugą stronę, nastąpiła oczywiście detalizacja mowy. Jest dość sporo ciekawych filmików między innymi na YouTube z tego wydarzenia, gdzie Watson jest pokazany troszeczkę od kuchni.

Pokazane są algorytmy, które pokazywały i badały pewność i trafność udzielanej odpowiedzi, które modyfikowały to. Bardzo serdecznie zachęcam do zapoznania się z tym. Sukces Watsona, który wygrywał w Jeopardy w 2011 roku, zachęcił IBM do stworzenia całego pionu biznesowego o nazwie Watson i uruchomieniu produktów oraz całej grupy rozwiązań bazujących na projektach badawczo-rozwojowych, które pojawiły się  przy okazji tej gry.

Vladimir:
Na jednej Twojej prezentacji, miałeś slajd który był podzielony na dwie części, z lewej strony było to co człowiek potrafi najlepiej takie jak. zdrowy rozsądek, wyobraźnia, moralność, współczucie, abstrakcyjne myślenie, dylematy ), po prawej stronie to co maszyna potrafi najlepiej, a mianowicie: lokalizacja wiedzy, znajdowanie połączeń, rozumienie języka naturalnego, uczenia mszynowe, obiektywna ocena, skalowalność. Tytuł slajdu brzmiał “Systemy kognitywne stworzą nowy rodzaj współpracy między człowiekiem,a komputerem”. Podziel się swoją opinią, jak taka współpraca może wyglądać i tak naprawdę do czego to dąży?

Piotr:
Systemy które jesteśmy w stanie w tej chwili budować, dzięki cechom które przytoczyłeś, dają nam możliwość obserwowania bardzo objektywnego zjawiska. Dane pomagają je interpretować nie wnosząc w nie czynnika ludzkiego. I to moim zdaniem jest niesamowita wartość, dlatego że te systemy nigdy się nie męczą, są zawsze obiektywne, zawsze wskazują decyzje właściwą, która nie niesie ze sobą całego bagażu człowieka. Dopiero człowiek bazując na tej, nazwijmy to, suchej opinii może podjąć końcową decyzje. Wydaje mi się rozdzielenie tych dwóch obszarów w pewien sposób pozwala zachować dobry balans między trafnością, a konsekwencjami późniejszych następstw podjętych decyzji. I to są dwie niezależne drogi.

Oczywiście ten slajd ma pokazywać to rozdzielenie celowo, dlatego że dość dużo osób utożsamia rozwój sztucznej inteligencji, bo wierzy że jesteśmy na początku drogi, z filmami zagłady, science fiction. I to jest myślenie, wydaje mi się, które powinno nie mieć miejsca. Myślenie pod tytułem “mam młotek w sklepie, i ten młotek jest bardzo groźny”. Nie. Młotek nie jest narzędziem groźnym, młotek stworzony po to żeby wykonywać konkretną pracę. Do czego zostanie zastosowany – to już kwestia człowieka. I ten slajd pokazuje to rozdzielenie, czyli sztuczna inteligencja jest pewnego rodzaju młotkiem. Młotek uderzy z odpowiednią siła przyłożoną, wbije ten gwóźdź w miejsce które przyłożymy, pozwoli zbudować wiele różnych ciekawych rozwiązań. Ale również jeżeli przełożymy do niego cechy z prawej strony slajdu, całą ludzką otoczkę, to może nas doprowadzić do zaskakujących, często niepożądanych rzeczy.

Rozdzielenie tych dwóch obszarów ma głęboki sens, dlatego że bazując na twardych danych jesteśmy w stanie podejmować lepsze decyzje już okraszone całością tego co możemy uznać za człowieczeństwo.

Vladimir:
My jako ludzkość w najbliższym czasie będziemy stać przed dużym wyzwaniem, jak zarządzać ryzykiem kiedy maszyna podejmuje pewną decyzje, kto tak naprawdę będzie winny jeżeli ta decyzja była złą. To co usłyszałem w twojej wypowiedzi, brzmi że człowiek może być ostatnim elementem, który będzie nieco minimalizować to. Czy dobrze to usłyszałem czy miałeś coś innego na myśli?

Piotr:
Troszeczkę coś innego, bo patrzę przez pryzmat technologii jako coś co daje nam nowe możliwości. Czy systemy komputerowe podejmują za człowieka decyzje? Oczywiście że tak. Jeżeli jedziemy samochodem i naciskamy przycisk hamulca, to system ABS, który jest niczym innym jak fragmentem oprogramowania w układzie elektronicznym, decyduje z jaką siłą i kiedy hamujemy. Człowiek nie ma na to wpływu, człowiek tylko uruchamia go, żeby zahamować. Został stworzony do tego żeby pomóc człowiekowi ominąć błędy i ograniczenia jego samego.

I nikt się nie zastanawia w chwili obecnej nad tym, czy systemy ABS w samochodach są potrzebne. One tam fizycznie są – wysoko wyspecjalizowane systemy.

Mamy systemy autonomicznego czy automatycznego parkowania w samochodzie, również w standardowych modelach. Jeżeli naciskam przycisk parkowania i proszę komputer, a tak naprawdę kod oprogramowania, współdziałający i zarządzający jakimiś procesami, to czy człowiek decyduje jak ten komputer będzie parkował, no i na koniec dnia bierze za to odpowiedzialność. Ale ten komputer w wielu przypadkach już teraz zaparkuje dużo lepiej, dużo szybciej, dużo sprawniej niż człowiek.

I teraz jest pytanie czy te technologie się upowszechniają i upowszechnią? Tak, i my nawet nie zauważymy kiedy. Dlatego że one dla nas będą coraz bardziej normalne i oczywiste. Również dlatego, że absorpcja tych technologii będzie postępowała w ramach tego, jak  perfekcyjne zaczynają się stawać.

Często przytaczam taki przykład z zestawem głośnomówiącym w samochodzie. Wiele osób nie używa interfejsu głosowego w komórce do wybierania numerów, do sprawdzania maila, do dyktowania treści smsa. Dlatego że 20 czy 10 czy 5 lat temu zetknęli się po raz pierwszy z rozwiązaniami które nie działały w sposób dla nich intuicyjny. W chwili obecnej nawet nie próbują ich użyć, bo 5 czy 10 lat temu użyli tych rozwiązań i one nie działały, więc w głowie ekstrapolują że one nadal nie będą działały tak jak oni chcą.

Drugi obszar jest taki, że jako pokolenie które wyrośliśmy przy komputerze z którym bardzo często komunikujemy się przy pomocy klawiatury, to że klawiatura jest naturalnym interfejsem. Nie, klawiatura nie jest naturalnym interfejsem interakcji z systemem komputerowym. Człowiek z systemem komputerem powinien wchodzić w interakcje, tak jak z innym człowiekiem. I w momencie kiedy te bariery zostaną zatarte, będziemy mogli powiedzieć że zaczynamy z takich rozwiązań w pełni korzystać.

Trend, który widać dookoła urządzeń, które mamy w domu, do których możemy mówić, które mogą na polecenie głosowe włączyć światło, sprawdzić pogodę, ustawić ulubioną muzykę, zapytać co słychać, te urządzenia otwierają nas na interakcję z technologią w normalny sposób. I teraz różnica jest taka, że rzeczy które były możliwe na filmach science fiction, robionych w latach 60., w chwili obecnej zaczynają być możliwe na co dzień.

Pamiętam mojego dziadka, który fascynował się Star Trekiem z lat 60., gdzie kapitan Picard mówił do znaczka w klapie i się komunikował. W chwili obecnej jak nie mam komórki  w swoim zasięgu, to rozmowę telefoniczną mogę odebrać na komputerze albo na zegarku i rozmawiać przez zegarek. Przeszliśmy olbrzymią drogę i to co nas ogranicza to przyzwyczajenia ludzkie do tego co robiliśmy 5, 10 lat temu.

Zobaczmy co się dzieje w samochodach, które są powszechnie dostępne i używane. Coraz więcej powierzchni, takich które służą do operowania i zarządzania funkcjami, przechodzi w obszar materiałów elektroprzewodzących czy elektro obojętnych, gdzie na koniec dnia cieszymy się z tego rozwiązania, bo wygląda ono nowocześnie, ale z drugiej strony obniża nam koszty produkcji.

Wyobraźcie sobie że schowek samochodowy, który można dotknąć i on się otworzy, jest dużo tańszy w produkcji i serwisowaniu, niż schowek samochodowy złożony z 10-12 elementów, z których każdy osobno trzeba zawieźć i przetestować. Wchodzimy w pewną erę technologiczną w której rozwiązania, o których kiedyś oglądaliśmy filmy,  są już możliwe do implementacji, ale z drugiej strony nasze przyzwyczajenia ograniczyły nas, jako zwykłego użytkownika (nie mówię o technologicznych geekach).

Vladimir:
Poruszyłeś bardzo ciekawy temat interfejsu pomiędzy człowiekiem a komputerem, a właśnie przez to, że używając klawiatury, bardzo wolno przekazujemy dane do komputera. I chciałbym zapytać o twojej opinii o Elonie Musku, a bardziej o firmie którą założył pod nazwą Neurolink. I on ma taki pomysł żeby zintegrować komputer czy maszynę z mózgiem. Wspomniałeś, że w pewnym sensie komórka, jako przykład czegoś mądrego w naszej ręce, jest częścią naszego ciała. Natomiast nie ma, przynajmniej publicznie udostępnionych, integracji pomiędzy komputerem a mózgiem. Co o tym myślisz i kiedy twoim zdaniem to będzie możliwe?

https://www.youtube.com/watch?v=y6rqNLDnO94

Piotr:
Myślę że to będzie możliwe szybciej niż nam się to wydaje, dlatego że takie rozwiązania powstają już od wielu lat. Nazwijmy to rozwiązania, które bazując na pewnych odkryciach i cechach zachowań fal mózgowych i naszych reakcjach elektrycznych w mózgu, chociażby w trakcie badania EEG, pozwalają sterować obiektami, przesuwać je. I tego typu rozwiązania już istnieją. Od tego teoretycznie jest bardzo krótka droga do wykonywania bardziej skomplikowanych czynności.

Co jest ciekawe w tych rozwiązaniach? To to, że korzystają z nanotechnologii. To będzie kolejny olbrzymi trend, jeżeli chodzi o wearable devices czyli wszelkiego rodzaju urządzenia, które nosimy na sobie, a za chwile będziemy nosić w sobie lub na sobie, ale w zupełnie innej postaci. Zauważmy, że coś co się zaczęło od różnego rodzaju gadżetów fitnessowych w chwili obecnej przeradza się w trend bardzo związany ze zdalną opieką i diagnostyką medyczną.

Obserwujemy,że jeżeli chodzi o miniaturyzację wszelkiego rodzaju czujników, a wraz z miniaturyzacją i zwiększaniem się mocy obliczeniowej w pojedynczym układzie tranzystorowym, możliwa jest wstępna analiza danych już na poziomie samego urządzenia. Są bardzo mocno zaawansowane prace nad soczewkami, które pozwalają wyświetlać rzeczywistość rozszerzoną.

Pamiętam, jak zaczynałem swoją pracę w IBM, firma Polcont prowadziła konferencje w Polsce dotyczącą nowych technologii i już ponad 10 lat temu pokazywaliśmy tam ekrany HUD dla żołnierza przyszłości. W chwili obecnej w różnych firmach trwają prace nad tym, żeby ekrany HUD integrować z soczewką wkładaną do oka, więc postęp w tej dziedzinie jest niesamowity.

Pytanie jest tylko takie, czy jesteśmy w stanie znależć realna wartość biznesową czy realną wartość dla naszego życia codziennego, płynącą z takich rozwiązań. I to jest bardzo często dyskusyjne, bo wiele rzeczy da się zrobić nawet w sposób optymalny kosztowo, a druga rzecz – pokazać użytkownikom że oni tego tak naprawde potrzebują.

Vladimir:
Nas słuchają osoby decyzyjne, ludzie z biznesu, które chcą zacząć używać uczenie maszynowe w praktyce. Jakie praktyczne rady możesz im dać, na co należy zwracać szczególną uwagę? Jak użyć uczenia maszynowego w sposób optymalny?

Piotr:
Możno podejść do tego na dwa sposoby. Pierwszy sposób – to korzystać z usług partnerów, którzy już coś zrobili, gdzieś zaimplementowali i mogą to pokazać. Może to być zrobione w obszarze naszej branży, tego co nasza firma robi. A z drugiej strony, jeżeli naprawdę chcemy zmieniać pewnego rodzaju branżę i budować swoją przewagę konkurencyjną, to musimy mieć pewnego rodzaju zwiększoną chęć do ponoszenia ryzyka.

Pamiętajmy, że wszelkiego rodzaju nowe technologie i rozwiązania, nawet jeżeli wygląda na to, że biznes kejsy wychodzą pozytywnie, niosą ze sobą odpowiednie ryzyko, że założone cele mogą się nie sprawdzić albo nie zadziałać. Dlatego zachęcam przede wszystkim do budowania prototypów, do sprawdzania koncepcji, do tego żeby nie brnąć w olbrzymie monolityczne projekty, które mają być realizowane przez rok, dwa, trzy. Tylko podchodzić do nich w taki sposób, żeby wymyślać w jakim obszarze może być wniesiona wartość, sprawdzić czy ta wartość ma szansę być wniesiona, a następnie podjąć ryzyko jej implementacji. Bo to jest jedyny sposób na wyprzedzenie konkurencji naszej branży.

Jeżeli będziemy bezczynnie czekali tylko i wyłącznie na to, żeby współpracować i budować rozwiązania, które ktoś już zaimplementował na rynku i z sukcesem, to znaczy że nigdy nie będziemy tymi, którzy na tym rynku będą wygrywali dzięki technologii. Zawsze będziemy podążającym za kimś i być może z czasem zrobimy to rozwiązanie nawet lepiej niż nasza konkurencja, ale nadal to nie my będziemy tymi innowacyjnymi, zmieniającymi oblicze branży i o których będa mówili na prezentacjach.

W momencie kiedy mamy do czynienia z nowymi pomysłami i technologiami, musimy zaakceptować pewnego rodzaju ryzyko, chyba że przenosimy dokładnie jeden do jednego rozwiązanie, które już przez kogoś zostało zaimplementowane.

Vladimir:
Jeżeli chcemy być liderami, nie możemy się bać, a tylko eksperymentować. Natomiast musi być zdrowy rozsądek. Muszą to być bardzo tanie eksperymenty, szybka informacja zwrotna, ale jeżeli nam na tym nie zależy zawsze będziemy krok do tyłu.

Piotr:
Tak i osoby które do tej pory nie spotkały się z metodykami zwinnymi prowadzenia projektów i mają bardzo często problem z akceptacją tego bądź definicją tego, co może być uznane za proof of technology czy proof of concept. I bardzo często dążą do tego, żeby swoją wizje świata idealnego przenosić na wymagania na proof of concept. I to się nigdy nie sprawdzi.

Pamiętam jak w Polsce zaczynał kiełkować trend Cloud Computingu czy usług chmurowych. Wiele firm postanowiło że chcą mieć takie infrastruktury, zbudowane u siebie. Zaczęło budować specyfikacje tego co chcą, specyfikacje które wysyłali do dostawców opisywały rozwiązania, które może zaistnieją na rynku za 5-6 lat, firmom którzy w tym się specjalizują. I taki sposób nigdy nie zadziała.

Vladimir:
Powiedziałeś kiedyś, że “Kluczową kompetencją staje się zdolność adaptacji do przemian oraz wykorzystania trendów.” Z jednej strony nic nowego, bo w biznesie zawsze chodziło o zmiany. Wydaje się, że jednak w Twojej frazie jest głębszy sens. Człowiek zdecydowanie wolnej adaptuje się do zmian, niż technologia. Przez technologie zmiany będą napędzane jeszcze szybciej. Proszę podziel się swoją opinią na ten temat… I dokąd to wszystko pędzi? Gdzie będziemy za 20 czy nawet 10 lat?

Piotr:
Pierwsza rzecz jest taka, że największym stoperem rozwoju technologii i implementacji technologii na koniec dnia, są ludzie, nasze obawy i brak otwartości.

Wyobraźmy sobie bardzo prosty przykład. Mam sieć sklepów czy hurtowni (załóżmy na terenie całego kraju), chcę zwiększyć profitowość sprzedaży, chcę obniżyć koszty magazynowania, chce zoptymalizować logistykę. Dlaczego nie wykorzystać w modelu planowania, przewidywanie i prognozowanie pogody. Dane które są dostępne, które firmy w wielu miejscach świata używają czy testują. Co nas przed tym powstrzymuje? Wstrzymuje niechęć do podejmowania ryzyka i niechęć do zmiany. Pomimo tego, że podświadomie (w tym przykładzie) wszyscy czują że informacja dwa tygodnie wcześniej o tym, że na przykład w wakacje polskie wybrzeże będzie nie słoneczne i warto tam dostarczyć parasole, powinna być zautomatyzowana. Dlatego że wtedy siadają koszty operacyjne i podnosi się nasza wydajność. Dzięki temu, na przykład w skali sieci sklepów, obniżają się koszty logistyki, podnosi się marżowość produktu, podnosi się wielkość pojedynczego koszyka.

To jest jeden przykład z życia jakiejś bardzo konkretnej branży, która mogłaby wykorzystać pewnego rodzaju dane pogodowe do usprawnienia swoich wewnętrznych procesów, optymalizacji sprzedaży i zarządzania asortymentem.

W którą stronę to idzie. Dosyć ciekawie to opisują w książce Race Against the Machine profesorowie z MIT. Którzy pokazują tezę taką, że idziemy w stronę świata w którym w pewnym momencie będziemy musieli ludziom płacić za nie robienie niczego. Nastąpi taki poziom automatyzacji, taki poziom zastąpienia ludzi, że albo całe branże i całe grupy zawodowe będą się transformowały, albo będą powstawały grupy zawodowe ,którym trzeba będzie płacić wynagrodzenie za nie robienie niczego. I to jest bardzo ciekawie opisane w książce Race Against the Machine którą bardzo serdecznie polecam.

Na pewno stoimy w perspektywie czasu przed wyzwaniami nie stricte technologicznymi, ale przed wyzwaniami stricte socjologicznymi i to pewnie będzie obszar do zagospodarowania przez wielu badaczy i wiele firm.

Trochę powtarzamy czasy rewolucji przemysłowej. Pamiętajmy, że historia lubi się powtarzać, tak jak przeszliśmy z epoki kamienia w epokę koła, później przez wiele innych etapów do rewolucji przemysłowej, która też miała wiele zmienić. Weszły maszyne parowe, które też zmieniły sposób w jaki ludzie pracowali i wytwarzali dobra. W chwili obecnej żyjemy w świecie rewolucji bardzo mocno cyfrowej, gdzie zmienił się tylko obszar, który napędza tę rewolucję z pary na dane. Co nam to przyniesie…zobaczymy! Zakładam że samo dobro.

Vladimir:
Czyli jesteś nastawiony optymistycznie…

Piotr:
Bardzo. Inaczej nie byłoby postępu.

Vladimir:
Zapytałem o przyszłość technologiczną, teraz zapytam o przyszłość prywatną. Może zdradzisz trochę o planach które masz, zwłaszcza związane z tematem uczenia maszynowego czy sztucznej inteligencji?

Piotr:
Bardzo trudne pytanie. Na pewno chcę uczestniczyć w jak największej ilości projektów w których uczenie maszynowe przekuwa się na realną wartość dla końcowego klienta.

Na pewno chciałbym uczestniczyć w projektach, które łączą uczenie maszynowe z daleko posuniętą robotyzacją. Bardzo ciekawym obszarem rozwiązań są powstające egzoszkielety, wsparcie ich sztuczną inteligencją, opomiarowanie. To są rzeczy, które mogą przynieść w perspektywie niedalekiego czasu niesamowity postęp, zwłaszcza w obszarze rehabilitacji osób niepełnosprawnych, po wypadkach, przykutych do łóżka. To są rzeczy, które będą zmieniały naszą rzeczywistość i otwierały nowe możliwości przed ludźmi, którzy do tej pory tych możliwości nie mieli. Chciałbym być częścią takich zmian. Traktuje to jako podróż w nieznane, ale jestem gotowy ją odbyć.

Vladimir:
Ostatnie pytanie na dzisiaj. Czy w razie potrzeby słuchacze mogą kontaktować się z Tobą i jeżeli tak, to jak mogą to zrobić? Czy jesteś otwarty na takie kontakty?

Piotr:
Jak najbardziej. Najszybciej można się ze mną skontaktować przez Twitter. Mój nickname po prostu PiotrPietrzak.

Vladimir:
Dziękuję Ci bardzo za twój czas.

Podsumowanie

Rozmowa z Piotrem mogła jeszcze trwać co najmniej godzinę… Jest to człowiek pasji i dość rzadko spotyka się osobę, która pracuje w tak dużej firmie na wysokim stanowisku i jest tak otwarty w rozmowie (również już po nagraniu podcastu). Spędziliśmy jeszcze jakiś czas na omówieniu różnych tematów i wyzwań które są obecnie.

Ciekaw jestem Twojej opinii. Podziel się na itunes zastawiając komentarz, czy na stronie biznesmysli.pl albo na facebook. Będę bardzo za to wdzięczny.

Już dostaję od słuchaczy pytania na różne tematy związane z uczeniem maszynowym. Jeżeli również masz jakieś – to pisz śmiało do mnie, na stronie kontakt znajdziesz formularz. Również, jeżeli zależy Ci bardzo, żebym skupił się nad którymś tematem bardziej, to proszę daj mi tym znać, zbieram takie głosy i to pomaga mi ustalić dalsze priorytety. W najbliższym czasie mam już plan szeregu wywiadów z ciekawymi ludźmi z branży. Z drugiej strony, myślę, że warto robić tematy gdzie skupiam się nad pewnym zagadnieniem, jak to było w kilku pierwszych odcinkach. Co o tym myślisz?

Podziękowania

Tomasz Wóźniak zostawił recenzję na itunes z pięciu gwiazdkami. Dzięki wielkie Tomku :).

Patryk Wójcik również dziękuję Tobie za Twoją aktywność, udzielanie komentarze na blogu, facebook.

Dziękuję również za like, tweety, polubienia – bardzo mi miło, że to co robię ma odzew :).

Ogłoszenia
Zacząłem ten odcinek od konferencji zorganizowanej przez Apple. Jeżeli chcesz posłuchać więcej detali po polsku to polecam odcinek #13, podcastu Szymona Drejewicza  – Data Science po polsku. Szymon bardziej skupia się na procesie, również ten podcast może być bardzo ciekawy jeżeli rozważasz zrobić swoją karierę jako “data scientist”.

Miałem okazję być gościem podcastu “Lepiej Teraz” który prowadzi Radosław Budnicki. Jeżeli jeszcze nie słuchałeś tego podcastu – to gorąco polecam. Radek jest coachem na co dzień i ma talent do znajdowania ciekawych i inspirujących ludzi, których zaprasza na rozmowę. Mój wywiad jest w odcinku nr. 59, gdzie między innymi dowiesz się więcej o mnie. Zapraszam do posłuchania podcastu “Lepiej Teraz”.

W sobotę, 17 czerwca odbyła się konferencja dla podcasterów i słuchaczy podcastów – Polcaster 2017. Miałem okazję również opowiedzieć o trudnościach jakie miałem, kiedy zaczynałem Biznes Myśli i jak je pokonywałem.

Podcast ma dopiero trzy miesiące i staje się coraz bardziej popularny. Już był w TOP 20 wszystkich podcastów i TOP 2 w kategorii biznes.

To jest super… ale często nie widać jakie trudności są pomiędzy. Wyjścia ze strefy komfortu, wątpliwości i wiele innych emocji. Chciałem opowiedzieć swoją historię i podzielić się tym jak to przeżywałem i  radziłem sobie z tymi wyzwaniami. Mało tam jest o moim bohaterstwie, ale dużo o tym jak małymi krokami i wsparciu właściwych osób możesz osiągnąć wszystko co tylko chcesz. Tego bardzo Ci życzę… żeby w Twoim otoczeniu znalazły się osoby które pomogą Ci rozwinąć Twoje skrzydła.

Bardzo polecam obejrzeć to osobam które wychdozą ze strefy komfortu i mają dużo wątpliwości.

27 czerwca, w Krakowie będę miał przyjemność powiedzieć więcej na temat sztucznej inteligencji, a mianowicie o ryzyku i możliwościach które nam daje. Również będzie na VR – wirtualnej rzeczywistości. Jeżeli będziesz w Krakowie w tym czasie, chcesz posłuchać tych tematów a może spotkać się ze mną, to gorąco zapraszam.

To tyle na dzisiaj. Dziękuję za Twój czas, Twoją energię i do usłyszenia w następnym odcinku.

Artykuł Sztuczna inteligencja i IBM – rozmowa z Piotrem Pietrzakiem – CTO w IBM pochodzi z serwisu Biznes Myśli.