Edukacja,  Podcast

W którym kierunku rozwijamy podcast?

Cześć, to już 92 odcinek podcastu BM, za mną ponad 3 lata nagrań, 90h rozmów,  wiele inspirujących spotkań z ludźmi zajmującymi się uczeniem maszynowym, AI i innymi obszarami powiązanymi,  a także wiele przemyśleń, którymi mogłem się z Wami podzielić. W ciągu tych wszystkich odcinków padło wiele odpowiedzi na nurtujące  pytania, ale jedno wciąż jest dla mnie zagadką. Dlatego dziś zadaję wyjątkowo pytania Tobie i ciekaw jestem Twojej odpowiedzi lub opinii.




Poprzez podcast Biznes Myśli udało mi się poznać wielu interesujących ludzi – gości odcinków, ale nie udało mi się poznać Ciebie – słuchaczy i czytelników. Był plan, aby się spotkać i wspólnie obchodzić 3 urodziny podcastu, ale coronavirus popsuł plany wszystkim, ale być może uda nam się to nadrobić chociaż trochę w inny sposób.

Zbliża się 100 odcinek podcastu, a to skłania do refleksji – podsumowań i zadania sobie pytania, w którym kierunku dalej zmierzać i czy w ogóle zmierzać. Dlatego bardzo liczę na Twoją opinię, pomysł, feedback. Chciałbym, aby słuchacze i czytelnicy mieli wpływ na rozwój Biznes Myśli, bo przecież powstaje on dla Ciebie.




Robię to z czystej chęci dzielenia się wiedzą i choć czasu jest coraz mniej, to wciąż coś w głębi serca podpowiada, że warto… Ale fajnie byłoby to potwierdzić mając jakieś  dane od Ciebie 😉


W którym kierunku rozwijamy podcast Biznes Myśli?



Dlatego bardzo cenne będzie poznanie, kim jesteś, jakie są Twoje potrzeby i co pomaga, inspiruje, motywuje Cię najbardziej. Cenne będzie dla mnie i wszystkich osób zaangażowanych w produkcję podcastów i artykułów w ramach Biznes Myśli, jak pomożesz wyznaczyć nam kierunek działań, który odpowiada na potrzeby i pomaga rozwiązywać problemy, zaspokaja głód wiedzy i ma sens.


Tych sensów może być wiele, grunt, aby jakiś był 🙂 Jeśli uważasz, że nie ma sensu dalsze nagrywanie podcastów i kontynuowanie tego, co robiłem przez ostatnie 3 lata, to również daj znać. Dodaj dlaczego tak myślisz.



Zanim powiem, jak  można podzielić się opinią, to pokażę szerszy kontekst działań BM. Otóż ponad 3 lata temu mocno się wahałem, czy zakładać podcast. Chciałem, ale jak to zwykle bywa, druga siła napędzała obawę przed czymś. W końcu powstały pierwsze odcinki, pojawiali się gości, dzieliłem się także swoimi monologami.




Zawsze działałem w przypadku podcastu intuicyjnie i kierowałem się własną ciekawością. Dlatego podcast jest tak zróżnicowany – na przestrzeni  tych ponad 90 odcinków pojawiły się przeróżne tematy, zostało poruszonych wiele obszarów ML takich jak NLP, Computer Vision, Time Series, różne obszary deep learning i inne metody, które pozwalają nam dziś tworzyć inteligentne rozwiązania i automatyzacje.





Pojawiały się osoby związane z konkretnymi firmami (takie jak: Google, DeepMind, IBM, Uber, PZU, Nokia, czy też mniejsze firmy, które robią ciekawe rzeczy związane z ML – Obido, Tooplox, SkySnap, Leapcfrat i wiele innych polskich i niepolskich startupów). Elementem wspólnym w tym wypadku były implementacje rozwiązań opartych o uczenie maszynowe, którymi można się inspirować zarówno od strony biznesowej i technologicznej. 



Wywiad z CEO firmy Obido



Dosyć często pojawiali się także reprezentanci świata nauki – osoby zajmujące się researchem w znanych jednostkach naukowych na całym świecie (Stanford University, Oxford czy inne znane uczelnie lub ośrodki, również polskie), gdzie rozmawialiśmy o najnowszych odkryciach – tak zwanym state of the art dziedziny


Dlaczego pojawiło się aż takie zróżnicowanie?
Wynika ono z czystej ciekawości poznania właśnie tych osób i zgłębienia tych tematów, które zostały poruszone, ale też z chęci pokazania Ci jak najpełniejszego obrazu dziedziny uczenia maszynowego. Warto uczyć się i czerpać informacje z różnych dziedzin i korzystać na swój sposób różnych poglądów i wizji.  Każda perspektywa ma swoje mocne strony, które można transferować wtedy, kiedy potrzebujemy.

Na przykład czasem pojawiały się trudniejsze tematy, czy też bardziej abstrakcyjne, związane z researchem, który kojarzy się z zaawansowaną matematyką, wzorami i skomplikowanym językiem.



I faktycznie tak jest, że badania naukowe rządzą się swoimi prawami i stanowią trochę zamknięty i niedostępny “zwykłym śmiertelnikom świat”, z którego czasem przeciskają się szczątki informacji do opinii publicznej, ale tak nie musi być. O skomplikowanych rzeczach można mówić prostym językiem, tak aby ktoś, kto nie zajmuje się nauką też mógł to zrozumieć – zrozumieć jedną z najważniejszych rzeczy, dokąd zmierzamy?



W którym kierunku może poprowadzić nas technologia? Oczywiście to duże uproszczenie, uczelnie zdecydowanie nie wyznaczają trendów, ale często można spotkać tam ciekawych ludzi, którzy mają wizję i posłuchać ciekawych teorii.



Wtedy zawsze kusi, aby zderzyć je z praktyką i sprowokować do poszukiwania odpowiedzi na pytanie: ale co Twoje badania, Twoja praca rzeczywiście wnosi? Jaki ma wpływ i na co konkretnie? W zasadzie polecam takie pytania zadawać każdemu, a przede wszystkim sobie 😉


Jest też kilka rzeczy, których  na pewno mogą się nauczyć inżynierowie, czy wszyscy inni nie będący naukowcami od naukowców, a jest to chęć eksperymentowania wpisana w zawód naukowca – researchera. Przynajmniej tak jest w teorii 😉






Ciągłe poszukiwanie i eksperymentowanie w uczeniu maszynowym jest bardzo ważne. Nawet jeśli robisz prosty projekt, to i tak musisz wykonać serię eksperymentów. Być może ich poziom jest czasem trywialny, ale to, że musisz zmienić swój sposób myślenia, że poszukujesz odpowiedzi, szukasz, kwestionujesz, już nie jest takie trywialne, jak  się okazuje.



Moje doświadczenie współpracy z osobami uczącymi się ML pokazuje mi, że nie zawsze jest to oczywiste, że uczenie maszynowe to przede wszystkim seria eksperymentów. Tutaj nie ma gotowych i  uniwersalnych rozwiązań, musisz je znaleźć, aby rozwiązać swój problem / czy firmy z którą współpracujesz. Gdyby wszystko było podane na tacy, to nie byłoby zabawy, prawda?


Pojawiło się też wiele odcinków, które dotyczyły wdrażanych i praktycznych  rozwiązań ML’wowych i być może nie były to zawsze zaawansowane rozwiązania z punktu widzenia technologii, ale spełniały swoją rolę i to jest najważniejsze.


Zawsze mnie cieszy i inspiruje, jak słyszę, że udaje się komuś wprowadzić nawet prosty mechanizm – prosty model, który przynosi ogromne korzyści. Zasada Pareto – czyli pozyskiwanie 80% wartości wkładając 20% wysiłku sprawdza się w prawdziwym życiu, tylko trzeba ugryźć problem od właściwej strony. Zresztą nagrałem nawet o tym osobny podcast – odcinek 87, więc możesz przesłuchać, jeśli Cię ominął 🙂





Poza tym, kiedy słuchasz historii wdrożeń modeli uczenia maszynowego na produkcję w przypadku, kiedy takie rozwiązanie pomaga np. chronić zdrowie czy pomagać zwykłym ludziom na innym polu, to pojawia się podwójna wartość i radość, tak jak np. w wypadku historii aplikacji “Streams” rozwijanej przez DeepMind, o czym rozmawialiśmy w 83 odcinku, czy też świeży przykład – odcinek 91, w którym rozmawiałem z gościem o tym, jak znaleźć równowagę pomiędzy dobrym, zdrowym klimatem w budynkach, a optymalnym zużyciem energii i optymalizacją kosztów utrzymania i jak tutaj pomaga ML / data science.




Często moimi gośćmi były także osoby decyzyjne, związane bardziej ze stroną biznesową, z którymi mogłem porozmawiać o tym, dlaczego decydują się na wdrażanie uczenia maszynowe, jak udaje im się podnieść biznes na kolejny poziom dzięki temu i jaka stoi za tym strategia, a także wizja przyszłości konkretnych branży.




Te rozmowy dążyły w wielu kierunkach i cel był zróżnicowany, ale często chciałem pokazać Ci, jak może wyglądać wprowadzenie uczenia maszynowego do Twojej organizacji i wskazać od czego zacząć,  a także jaką dużą zmianę może przynieść pod warunkiem, że wprowadzi się te rozwiązania we właściwy sposób.



Poświęciłem też zagadnieniom biznesowym kilka monologów, gdzie opowiadam na podstawie mojego doświadczenia pracy z różnymi firmami przy projektach z uczeniem maszynowym w roli głównej, jakie często błędy są popełniane, jak można tracić czas, jakie pytania zadawać, aby go nie stracić 😉 


Możesz o tym posłuchać np. w odcinku 85 – “Uczenie maszynowe w Twojej firmie – mity” lub w odcinku 86 – “Projekty Machine Learning – 5 etapów efektywnego procesu”. Nie zliczę, ile razy wspominałem o edukacji związanej z ML… Powstawały także osobne odcinki na ten temat, jak i serię wywiadów z absolwentami moich autorskich kursów online np. odcinek 73 czy 84





Pojawiało się też kilka odcinków niezwiązanych wprost z uczeniem maszynowym, a z innymi technologiami, które mogą w przyszłości połączyć się z ML i zrewolucjonizować kilka branż, a także kilka tematów bardziej natury filozoficznej, ponieważ była jakaś wewnętrzna potrzeba, aby je poruszyć. Często te tematy płynące z serca okazywały się dosyć kontrowersyjne, szczególnie wtedy, kiedy poruszyły temat wychowania i edukacji dzieci 😉 


Jak widzisz przekrój tego, co wydarzyło się w ramach tych ponad 90 odcinków Biznes Myśli jest spory i ujmuje zagadnienie uczenia maszynowego i tak zwanej sztucznej inteligencji z różnych stron. Zastanawiam się, który z tych kierunków jest dla Ciebie najbardziej wartościowy? A może warto rozwinąć nowy?


Czy warto skupić się na jednym kierunku np. bardziej biznesowym czy też technicznym? A może warto poświęcić więcej uwagi zagadnieniom filozoficznym? 😉 Czy może potrzebna jest różnorodność? Które odcinki przemawiają do Ciebie i dlaczego?  Co powinno się stać, abyś słuchał / słuchała podcastu?


Przy okazji będę chciał także zapytać o to, co myślisz na temat wprowadzenia co jakiś czas podcastu w języku angielskim lub całej serii podcastów w języku angielskim w przyszłości. To otwiera fajne możliwości poznania, co w trawie piszczy na większym podwórku 😉 Natomiast warto zastanowić się, czy jest taka potrzeba.


Rozmyślam także na optymalną  formę i tutaj pojawia się kilka wymiarów.
Czy wywiady z gośćmi  do Ciebie przemawiają, czy może lepiej skupić na krótkich monologach, które będę ujmowały pewien temat, aby można było  to przyswoić jak najlepiej.



Czy może warto pomieszać wszystko jak teraz, tylko jakoś lepiej skategoryzować, aby łatwiej było się w tym odnaleźć i np. robić serię  wywiadów na określone tematy, ale opracować też serię podcastów – monologów, które będę opisywały zwięźle jakieś zagadnienia i pokazywały, jak to może zadziałać w biznesie.



Możliwych ścieżek jest wiele. Pytanie tylko, która będzie w stanie Ci dostarczyć wartościową dawkę wiedzy w efektywny sposób.  Być może jest coś, czego nie wymieniłem.


Przy okazji formy warto poruszyć inny wymiar –  długość.
To zwykle wychodziło różnie. Starałem się mieścić w 60 minutach, czasem wychodziło szybciej, a czasem dłużej, bo tyle dodatkowych rzeczy chce się przekazać, które wydają się wartościowe…



Rozmowy z ciekawymi ludźmi mogą pochłonąć  i ciężko czasem przerwać ciekawy wywód :)) Pytanie tylko, czy Ciebie też pochłaniają i słuchasz do końca, czy wolisz, jak podcasty są krótsze. 



Daj znać proszę także jaka forma wchłaniania wiedzy  jest dla Ciebie wartościowa i jakie tematy sprawią, że nie będziesz mógł / mogła doczekać się kolejnego odcinka 😉

Poza nagrywaniem głosu jest jeszcze co najmniej kilka innych możliwości dzielenia się wiedzą, także liczę na Twój kreatywny feedback. Być może jest coś, co zostało pominięte i warto np. rozpocząć serię webinarów na konkretny temat, wideo, animacji lub tekstów pisanych, które pomogą Ci rozwijać się. Być może są osoby i tematy, których szczególnie chętnie byś posłuchał / posłuchała.


Wypełnij proszę ankietę i daj znać, jakie są Twoje potrzeby. Jeśli chcesz podzielić się opinią ze wszystkimi, to zawsze możesz zostawić komentarz pod podcastem na stronie 🙂 Wypełniając ankietę dostajesz od nas prezent – komplet nagrań wraz z prezentacjami z naszej ostatniej konferencji DWCC2019 🙂


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

Dodaj komentarz

Twój adres e-mail nie zostanie opublikowany. Wymagane pola są oznaczone *