Biznes Myśli

Agenci AI to przyszłość, ale czy na pewno rozumiesz, o co w tym wszystkim chodzi? Co Agenci AI mają wspólnego z SaaS, BigData oraz mikroserwisami? O tym i więcej jest w tym odcinku.🎯 Główne myśli:- Firmy niewdrażające AI do 2025 roku mogą stracić konkurencyjność- Kluczowe jest zrozumienie różnicy między LLM a klasycznym ML- Agenci AI to potencjalnie przyszłość, ale wymaga przemyślanego podejścia- Software 3.0 łączy tradycyjny kod z możliwościami AI🔔 Subskrybuj i włącz powiadomienia - Twoja droga do praktycznego ML zaczyna się od jednego kliknięcia: https://www.youtube.com/@DataWorkshop?sub_confirmation=1👍 Zostaw like, bo więcej lajków = więcej praktycznych treści dla Ciebie!💬 Co o tym myślisz? Zostaw komentarz! Masz pytanie? Zadaj je - chętnie odpowiem.🤝 Poznajmy się lepiej! Zaproś mnie do swojej sieci na LinkedIn:  https://www.linkedin.com/in/vladimiralekseichenko/🔊 Zainicjuj rozmowę o ML w firmie, polecając ten podcast. Zainspiruj zespół do wdrażania ML!Partnerem podcastu jest DataWorkshop.⏰ Skrót:02:08 Przyszłość rozwiązań AI02:32 Kontrowersje wokół Agentów AI05:34 Ewolucja firm i adaptacja do zmian11:51 Od SaaS do Agentów AI17:20 Lekcje z ery Big Data23:09 Mikroserwisy vs Agenci AI31:12 LLM vs klasyczne uczenie maszynowe33:58 Software 3.0 i structured approach38:14 RAG i Agenci AI w praktyce43:52 Hierarchia rozwoju systemów AI48:56 Biznesowe zastosowania AI54:23 Znaczenie krytycznego myśleniaChcesz więcej? Zapisz się listę chętnych kursu praktyczny LLM.  Naucz się krok po kroku, jak budować i wdrażać rozwiązania, które robią różnicę:👉  https://bit.ly/4gT5C9ZOgładaj na Youtube: https://youtu.be/ZGX_t5mZHWI🎧 Słuchaj BM wygodnie na Spotify, Apple Podcasts lub Google Podcasts:📌 https://open.spotify.com/show/3ZUaHommHHZU6b4WJiyV2I📌 https://podcastaddict.com/podcast/biznes-mysli/3028512📌 https://podcasts.apple.com/us/podcast/biznes-myśli/id1215290277📌 https://music.youtube.com/playlist?list=PLWOCRT27Z94XZzwcRI9-ExMyUXeBrF3W_ #AI #SztucznaInteligencja #AgenciAI #PrzyszłośćAI #TrendyTechnologiczne #ArtificialIntelligence #BusinessStrategy #AI2025 #TechnologyTrends

🎙️ ML bez magii: Jak inżynieria i praktyczne podejście prowadzą do sukcesu?Większość projektów ML nie spełnia oczekiwań firm – dlaczego? Nierealistyczne oczekiwania i przekonanie, że ML to magiczne rozwiązanie, a nie narzędzie wymagające systematycznej pracy. Klucz do sukcesu? Precyzyjne metryki i świadome zarządzanie błędami.Opowiadam o pułapkach wdrożeń ML, które często spotykają firmy – od ignorowania reguł biznesowych po zbyt szybkie zmiany procesów. Dzielę się przykładami z mojego doświadczenia, które regularnie się powtarzają, więc szansa, że znajdziesz coś, co dotyczy właśnie Ciebie, jest bardzo wysoka. Dowiesz się, dlaczego nawet potężne LLM potrzebują jasnych celów i praktycznych testów.  Kluczem do sukcesu jest połączenie wizji biznesowej z inżynierskim podejściem, ciągła iteracja i zbieranie informacji zwrotnej.Chcesz zrozumieć, jak realnie wykorzystać potencjał ML w swoim biznesie i uniknąć rozczarowań? Ten odcinek jest dla Ciebie. Zapraszam!Generalnie, wzór na sukces w ML: wizja biznesowa + inżynierskie podejście + ciągła iteracja + feedback = sukces.Partnerem podcastu jest DataWorkshop.🔔 Subskrybuj i włącz powiadomienia - Twoja droga do praktycznego ML zaczyna się od jednego kliknięcia: https://www.youtube.com/@DataWorkshop?sub_confirmation=1👍 Zostaw like, bo więcej lajków = więcej praktycznych treści dla Ciebie!💬 Co o tym myślisz? Zostaw komentarz! Masz pytanie? Zadaj je - chętnie odpowiem.🤝 Poznajmy się lepiej! Zaproś mnie do swojej sieci na LinkedIn:  https://www.linkedin.com/in/vladimiralekseichenko/🔊 Zainicjuj rozmowę o ML w firmie, polecając ten podcast. Zainspiruj zespół do wdrażania ML!Oto, czego się dowiesz:✅ Dlaczego ML to narzędzie inżynieryjne, a nie magia?✅ Jakie błędy najczęściej popełnia biznes podczas wdrażania modeli?✅ Jak precyzyjnie określić metryki sukcesu i zarządzać kompromisem między błędami a wartością?✅ Dlaczego jakość danych to fundament sukcesu, a nie tylko "miły dodatek"?✅ Jak iteracyjne podejście wygrywa z tradycyjnym modelem waterfall w ML?✅ Jak łączyć wizję biznesową z podejściem inżynieryjnym?💡 Zrozumiesz, że ML to proces systematyczny: od pozyskiwania danych, przez testowanie, aż po wdrożenie modeli w produkcji. Nie zabraknie również przykładów na to, jak dobrze skonstruowane modele mogą przynieść realną wartość biznesową – pod warunkiem, że są odpowiednio zaprojektowane i skalibrowane.🎯 Dla kogo?Dla liderów biznesu, inżynierów danych, analityków oraz wszystkich, którzy chcą unikać mitów i wdrażać ML w sposób przemyślany i skuteczny.

Czy agenci AI zrewolucjonizują biznes? Odkryj prawdę za hype'em! W tym odcinku zagłębiamy się w fascynujący świat agentów AI, analizując ich potencjał i pułapki w kontekście biznesowym. Dowiedz się, jak odróżnić realne możliwości od marketingowych obietnic i jak skutecznie wykorzystać AI w swojej firmie już dziś!🔔 Subskrybuj i włącz powiadomienia - Twoja droga do praktycznego ML zaczyna się od jednego kliknięcia: https://www.youtube.com/@DataWorkshop?sub_confirmation=1👍 Zostaw like, bo więcej lajków = więcej praktycznych treści dla Ciebie!💬 Co o tym myślisz? Zostaw komentarz! Masz pytanie? Zadaj je - chętnie odpowiem.🤝 Poznajmy się lepiej! Zaproś mnie do swojej sieci na LinkedIn:  https://www.linkedin.com/in/vladimiralekseichenko/🔊 Zainicjuj rozmowę o ML w firmie, polecając ten podcast. Zainspiruj zespół do wdrażania ML!Partnerem podcastu jest DataWorkshop.Oglądaj na Youtube: https://youtu.be/ltsh1QAuWos W tym odcinku podcastu poruszyłem temat agentów AI, ich możliwości, ale też pułapek i praktycznego zastosowania w biznesie. Zauważyłem, że obecny szum medialny wokół AI, często napędzany przez inwestorów, nie zawsze odzwierciedla rzeczywisty potencjał tej technologii. Dlatego chciałem skupić się na tym, co AI może zaoferować dziś, a nie na obietnicach związanych z odległą przyszłością. Jeśli chodzi o biznes, przestrzegam przed nadmiernym fascynowaniem się autonomią agentów AI. W biznesie liczą się konkretne wyniki, a wdrożenie niedojrzałej technologii może być ryzykowne. Zamiast gonić za medialnym hype'm, warto skupić się na praktycznym wykorzystaniu dostępnych narzędzi AI do rozwiązywania realnych problemów.Timecode:0:01:30 - Wprowadzenie do agentów AI i trendy w rozwoju sztucznej inteligencji0:07:24 - Rola technologii w zmieniającym się świecie biznesu0:15:55 - Wyzwania związane z wdrażaniem i utrzymaniem systemów AI0:27:14 - Praktyczne zastosowania agentów AI w HR i marketingu0:38:59 - Różnica między szumem a praktyczną wartością AI0:49:48 - Ewolucja AI w biznesie i znaczenie konkretnych rozwiązań1:00:40 - Rola człowieka w nadzorowaniu algorytmów AI1:06:51 - Proces wdrażania inteligentnych agentów w firmachPodziel się swoimi przemyśleniami w komentarzach - jak widzisz rolę AI w swojej branży?Chcesz więcej? Zajrzyj do moich kursów online i ucz się ML i analizy danych w praktyce!👉 DS/ML od podstaw - https://dataworkshop.eu/pl/practical-machine-learning👉 Python - https://dataworkshop.eu/pl/intro-python👉 Statystyka - https://dataworkshop.eu/statistics👉 SQL - https://dataworkshop.eu/pl/sql👉 Time Series - https://dataworkshop.eu/pl/time-series👉 NLP - https://dataworkshop.eu/pl/nlp🎧 Słuchaj BM wygodnie na Spotify, Apple Podcasts lub Google Podcasts:📌 https://open.spotify.com/show/3ZUaHommHHZU6b4WJiyV2I📌 https://podcastaddict.com/podcast/biznes-mysli/3028512📌 https://podcasts.apple.com/us/podcast/biznes-myśli/id1215290277📌 https://music.youtube.com/playlist?list=PLWOCRT27Z94XZzwcRI9-ExMyUXeBrF3W_

Czy duże modele językowe (LLM) to rewolucja, czy zagrożenie dla prawników? W tym odcinku przybliżam możliwości dużych modeli językowych (LLM) w automatyzacji procesów prawnych, tworzeniu dokumentów, tłumaczeniach prawniczych i compliance. To, co wydaje się przyszłością, dzieje się już teraz – ale czy to na pewno oznacza koniec klasycznego prawa?Partnerem podcastu jest DataWorkshop.🎯 W tym odcinku dowiesz się:- Jak LLM może wspierać pracę prawników- Jakie są praktyczne zastosowania AI w prawie- Dlaczego człowiek pozostanie kluczowym elementem procesu- Jak wdrażać rozwiązania AI w sposób bezpieczny i kontrolowanyOglądaj na YouTube:  https://youtu.be/adQj3bth4XA🌐 Odwiedź naszą stronę: https://biznesmysli.pl/llm-i-prawo-mozliwosci-wyzwania-narzedzia🔔 Subskrybuj i włącz powiadomienia - Twoja droga do praktycznego ML zaczyna się od jednego kliknięcia: https://www.youtube.com/@DataWorkshop?sub_confirmation=1👍 Zostaw like, bo więcej lajków = więcej praktycznych treści dla Ciebie!💬 Co o tym myślisz? Zostaw komentarz! Masz pytanie? Zadaj je - chętnie odpowiem.🤝 Poznajmy się lepiej! Zaproś mnie do swojej sieci na LinkedIn:  https://www.linkedin.com/in/vladimiralekseichenko/🔊 Zainicjuj rozmowę o ML w firmie, polecając ten podcast. Zainspiruj zespół do wdrażania ML!🕒 Co znajdziesz w tym odcinku:00:01:09 - Wprowadzenie: LLM jako narzędzie dla prawników[00:02:28] Praktyczne zastosowania LLM: umowy, dotacje UE, compliance[00:06:02] Wpływ AI na rynek pracy prawników[00:11:54] Automatyzacja umów i szablony[00:15:06] Audytowalność i działanie LLM[00:18:54] Człowiek w centrum zarządzania LLM[00:23:31] Wdrażanie ML i anonimowość danych[00:28:39] Mapa wiedzy - instrukcje do umów[00:34:04] Zaufanie i transparentność LLM[00:43:40] Modułowe podejście do umów[00:46:20] Compliance I LLM[00:52:54] LLM, efektywność i koszty[00:55:56] Mapy wiedzy - przewaga konkurencyjna[00:57:40] AI Act i dokumenty AIW trakcie tego odcinka poznasz trzy konkretne przykłady, jak sztuczna inteligencja może wspierać prawników w codziennych zadaniach. Omawiam też, dlaczego technologia AI powinna być wspierana ludzkim nadzorem i jak dzięki audytowalności możemy zwiększyć jej efektywność. Co więcej, poruszam temat automatyzacji tworzenia dokumentów i budowania "mapy wiedzy", które mogą wspierać prawników w szybszym przygotowywaniu dokumentów i zwiększaniu wydajności.Zdobądź praktyczną wiedzę na temat:- Wykorzystania LLM w prawie: automatyzacja, tworzenie umów, wnioski o granty, compliance- Wpływu AI na rynek pracy prawników: zagrożenia i szanse- Budowania efektywnych map wiedzy: klucz do sukcesu w pracy z LLM- AI Act i jego konsekwencji: przygotuj się na zmiany w 2025 roku🔖 Tagi:#llm #legaltech  #legal  #ai #prawo #genai #biznes #usecase #podcast 📢 Podzielcie się tym odcinkiem z osobami, które mogą być zainteresowane tematyką AI i prawem!Chcesz więcej? Zajrzyj do moich kursów online i ucz się ML i analizy danych w praktyce!👉 DS/ML od podstaw - https://dataworkshop.eu/pl/practical-machine-learning👉 Python - https://dataworkshop.eu/pl/intro-python👉 Statystyka - https://dataworkshop.eu/statistics👉 SQL - https://dataworkshop.eu/pl/sql👉 Time Series - https://dataworkshop.eu/pl/time-series👉 NLP - https://dataworkshop.eu/pl/nlp🎧 Słuchaj BM wygodnie na Spotify, Apple Podcasts lub Google Podcasts:📌 https://open.spotify.com/show/3ZUaHommHHZU6b4WJiyV2I📌 https://podcastaddict.com/podcast/biznes-mysli/3028512📌 https://podcasts.apple.com/us/podcast/biznes-myśli/id1215290277📌 https://music.youtube.com/playlist?list=PLWOCRT27Z94XZzwcRI9-ExMyUXeBrF3W_Dziękuję, że jesteście z nami! Do usłyszenia w kolejnym odcinku! 🎧

Czy cały szum wokół LLM to tylko marketingowa bańka? 🤔  Choć szum wokół LLM powoli cichnie, ich prawdziwy potencjał  LLM dopiero się ujawnia. Kluczem do sukcesu nie jest ślepe podążanie za trendami, ale świadome i ustrukturyzowane podejście, oparte na zrozumieniu zarówno możliwości, jak i ograniczeń tych modeli. W tym odcinku podcastu Biznes Myśli kontynuję wątek o praktycznym zastosowania LLM w biznesie.Partnerem podcastu jest DataWorkshop.Dowiesz się:- Czym różni się myślenie specjalisty od ML od programisty i dlaczego to kluczowe w pracy z LLM?- Jakie są największe wyzwania związane z wdrażaniem LLM na produkcję i jak je pokonać?- 7 kroków do stworzenia solidnego rozwiązania LLM, któremu możesz zaufać i które przyniesie realne korzyści.- "Mapa wiedzy" - nowatorskie podejście do LLM, o którym raczej nie wiesz :)🔔 Subskrybuj i włącz powiadomienia - Twoja droga do praktycznego ML zaczyna się od jednego kliknięcia: https://www.youtube.com/@DataWorkshop?sub_confirmation=1👍 Zostaw like, bo więcej lajków = więcej praktycznych treści dla Ciebie!💬 Co o tym myślisz? Zostaw komentarz! Masz pytanie? Zadaj je - chętnie odpowiem.🤝 Poznajmy się lepiej! Zaproś mnie do swojej sieci na LinkedIn:  https://www.linkedin.com/in/vladimiralekseichenko/🔊 Zainicjuj rozmowę o ML w firmie, polecając ten podcast. Zainspiruj zespół do wdrażania ML!🕒 Spis treści:00:01:42 - Wprowadzenie do praktycznego LLM00:03:06 - Statystyki popularności ChatGPT00:07:45 - Oczekiwania biznesu wobec AI00:09:50 - Ewolucja programowania i ML00:12:36 - Krytyka podejścia no-code00:14:37 - Dlaczego kod jest ważny w biznesie00:18:28 - Nieprzewidywalność ML i zarządzanie błędami00:20:50 - Wyzwania w praktycznym zastosowaniu LLM00:27:00 - Kluczowe role w komunikacji z LLM00:28:34 - Koncepcja "design by contract"00:33:34 - Strukturyzacja danych w pracy z LLM00:39:58 - Testowanie etapów pracy z LLM00:41:08 - Tworzenie własnych leaderboardów00:46:40 - Mapy wiedzy w LLM00:47:44 - Integracja klasycznego ML z LLM00:54:30 - Koncepcja kursu "Praktyczny LLM"00:55:30 - Programista 3.0 - nowe podejście do AIPoczytać możesz tutaj:  https://biznesmysli.pl/praktyczny-llm/Tu możesz oglądać video: https://youtu.be/hJVD876wDyAPamiętaj, że LLM to nadal ML! Niepewność i błędy to nieodłączna część uczenia maszynowego. Zamiast oczekiwać cudów, skup się na zarządzaniu ryzykiem, weryfikacji wyników i budowaniu mechanizmów kontroli.Skoncentruj się na strukturze i kontroli. Definiuj precyzyjne schematy wejścia i wyjścia dla swoich modeli, korzystaj ze "structured output" i waliduj każdy etap procesu. Traktuj LLM jak element większego systemu, który wymaga odpowiedniego zaprojektowania i nadzoru.Nie ufaj ślepo leaderboardom. To, co sprawdza się w testach, nie zawsze przekłada się na realne problemy. Twórz własne benchmarki, dostosowane do specyfiki Twoich zastosowań.Chcesz więcej? Zajrzyj do moich kursów online i ucz się ML i analizy danych w praktyce!👉 DS/ML od podstaw - https://dataworkshop.eu/pl/practical-machine-learning👉 Python - https://dataworkshop.eu/pl/intro-python👉 Statystyka - https://dataworkshop.eu/statistics👉 SQL - https://dataworkshop.eu/pl/sql👉 Time Series - https://dataworkshop.eu/pl/time-series👉 NLP - https://dataworkshop.eu/pl/nlp🎧 Słuchaj BM wygodnie na Spotify, Apple Podcasts lub Google Podcasts:📌 https://open.spotify.com/show/3ZUaHommHHZU6b4WJiyV2I📌 https://podcastaddict.com/podcast/biznes-mysli/3028512📌 https://podcasts.apple.com/us/podcast/biznes-myśli/id1215290277📌 https://music.youtube.com/playlist?list=PLWOCRT27Z94XZzwcRI9-ExMyUXeBrF3W_#llm #genai #ai #production #ml

Dzisiaj skupimy się na wdrażaniu AI na produkcję. Omówię trzy kluczowe kwestie:1️⃣ Paradoks danych, zwykle zgadzamy się, że dane są ważne, ale często nie poświęcamy im tyle uwagi, ile potrzebują.2️⃣ Przesadna koncentracja na narzędziach, owszem narzędzia są ważne, ale nie najważniejsze.3️⃣ Cechy dobrego projektu na produkcję. Powinien być wiarygodny, kontrolowany, audytowalny i łatwy w naprawie błędów.Partnerem podcastu jest DataWorkshop - gdzie zajmują się praktycznym ML/AI.Na koniec odcinka też odpowiadam na pytania:Jakie są najczęstsze błędy firm, które próbują wdrożyć AI (główny mit)?Jakie są największe wyzwania związane z modelami LLM przy wdrażaniu je na produkcję?Jakie praktyczne wskazówki mam dla Ciebie, aby wdrożyć AI w swojej firmie? Najważniejszym elementem udanego wdrożenia AI jest odpowiednie przygotowanie danych. To właśnie na poziomie danych wykonuje się 50-80% całej pracy. Kluczowe jest zadbanie o:Jakość danychOdpowiednią strukturyzację (np. w bazie danych lub systemie plików)Łatwość wyszukiwania potrzebnych informacjiMożliwość aktualizacji danychZarządzanie dostępami i uprawnieniamiPowiem Ci trzy historie (projekty LLM), co najmniej trzy, będzie pewnie ich więcej, ale takie trzy przypadki użycia, w których wprost jako DataWorkshop jesteśmy teraz zaangażowani. Myślę, że to pobudzi Twoją wyobraźnię i lepiej zrozumiesz, co jest ważniejsze. Bo pamiętaj, że w większości przypadków są różne szacunki, 80%, 90%, nawet jeśli 50%, zwykle ML nie działa. Historia pierwsza - "Mentor"Organizacja zajmuje się mentoringiem w obszarze IT, skupiając się na wiedzy organizacyjnej, menedżerskiej i liderskiej. Obecnie zapraszani są eksperci, którzy prowadzą warsztaty. Są pewne wyzwania: ciężko jest to uspójnić, bo różni eksperci prezentują wiedzę w inny sposób i co jeszcze jest Trudności ze znalezieniem praktyków, bo znalezienie i zaangażowanie zapracowanych ekspertów jest trudne.Pojawił się pomysł, aby ocyfrować wiedzę i częściowo zautomatyzować mentoring przy pomocy AI. Czy to w ogóle możliwe?Historia druga - "Egzamin"Drugi projekt nazwijmy "Egzamin". W szkole zawodowej uczniowie zdają egzaminy, aby zdobyć kwalifikacje. Celem projektu jest stworzenie asystenta AI, który zdałby ten egzamin. Dlaczego to istotne? Zdając egzamin, asystent udowodniłby, że rozumie daną branżę. Można go by potem rozwijać, aby podpowiadał i prognozował. Klasyczne uczenie maszynowe i LLM mogą tu współdziałać. LLM może posiadać ogólną wiedzę zdobytą w procesie uczenia, a klasyczne algorytmy ML mogą prognozować wartości, np. popyt.Historia trzecia - "Helpdesk"Trzecia projekt nazwijmy "Helpdesk", projekt, w którym zachowanie poufności jest kluczowe. Nie mogę zdradzać szczegółów branży. W skrócie, chodzi o wykorzystanie LLM do stworzenia chatbota obsługującego bazę wiedzy i odpowiadającego na pytania użytkowników.Co znajdziesz w tym odcinku?1️⃣ Paradoks danych – mówimy o ich znaczeniu, ale często zaniedbujemy realne działania na rzecz ich jakości.2️⃣ Dlaczego 80-90% projektów ML nie trafia na produkcję? Poznaj najczęstsze błędy.3️⃣ Trzy inspirujące przykłady z życia – mentoring z AI, egzamin z udziałem LLM oraz obsługa klienta wspomagana przez AI.4️⃣ Kontrola i audytowalność – jak stworzyć projekt, który będzie skalowalny, zaufany i gotowy do poprawy błędów.5️⃣ LLM i klasyczne ML – współpraca, a nie konkurencja.6️⃣ Zadbaj o to, co naprawdę ważne! 7️⃣ Jeśli chcesz lepiej zrozumieć, jak skutecznie wdrażać modele ML w Twojej organizacji, nie przegap tego odcinka! 🎧🔔 Subskrybuj i włącz powiadomienia - Twoja droga do praktycznego ML zaczyna się od jednego kliknięcia: YouTube https://www.youtube.com/@DataWorkshop?sub_confirmation=1👍 Zostaw like, bo więcej lajków = więcej praktycznych treści dla Ciebie!💬 Co o tym myślisz? Zostaw komentarz! Masz pytanie? Zadaj je - chętnie odpowiem.🤝 Poznajmy się lepiej! Zaproś mnie do swojej sieci na LinkedIn: https://www.linkedin.com/in/vladimiralekseichenko/🔊 Zainicjuj rozmowę o ML w firmie, polecając ten podcast. Zainspiruj zespół do wdrażania ML! Tu możesz:pooglądać: https://youtu.be/7SWnHtGgDw8poczytać: https://biznesmysli.pl/langchain-i-wektorowe-bazy-ciemna-strona-prototypowania-ai/Chcesz więcej? Zajrzyj do moich kursów online i ucz się ML i analizy danych w praktyce!👉 DS/ML od podstaw - https://bit.ly/47ZRf0w👉 Python - https://bit.ly/47ZRbOk👉 Statystyka - https://bit.ly/4dCPkQQ👉 SQL - https://bit.ly/4ezPtpr👉 Time Series - https://bit.ly/4ex0isc👉 NLP - https://bit.ly/3Y0RWSA🎧 Słuchaj BM wygodnie na Spotify, Apple Podcasts lub Google Podcasts:📌 https://open.spotify.com/show/3ZUaHommHHZU6b4WJiyV2I📌 https://podcasts.apple.com/us/podcast/biznes-myśli/id1215290277📌 https://music.youtube.com/playlist?list=PLWOCRT27Z94XZzwcRI9-ExMyUXeBrF3W_#llm #rag #langchain #embedding #ai #ml #genai #podcast

Chcesz uruchomić modele LLM (np. Llama, Mistral czy Bielika) na własnych warunkach? W tym odcinku dowiesz się o sprzęcie, oprogramowaniu i trikach, które to ułatwią. Konkretna i praktyczna wiedza, która Ci się przyda. Oglądaj na YouTube: https://youtu.be/_OKLzmaSmg0🔔 Subskrybuj i włącz powiadomienia - Twoja droga do praktycznego ML zaczyna się od jednego kliknięcia: https://www.youtube.com/@DataWorkshop?sub_confirmation=1👍 Zostaw like, bo więcej lajków = więcej praktycznych treści dla Ciebie!💬 Co o tym myślisz? Zostaw komentarz! Masz pytanie? Zadaj je - chętnie odpowiem.🤝 Poznajmy się lepiej! Zaproś mnie do swojej sieci na LinkedIn:  https://www.linkedin.com/in/vladimiralekseichenko/🔊 Zainicjuj rozmowę o ML w firmie, polecając ten podcast. Zainspiruj zespół do wdrażania ML!Poruszam też wątek GPT-4o: czy to rewolucja, czy ewolucja? I dlaczego OpenAI w tym modelu postawiło na inferencję oraz jak to jest powiązane z "rozważaniem". Podaję analogię, aby pobudzić Twoją wyobraźnię :).Do tego opowiadam jeszcze historię o Elon Musku, jak zorganizował serwerownię z 100 tysiącami kart H100 (+50 tysięcy) w około 4 miesiące, gdzie normalnie zajęłoby to co najmniej rok, i jakie napotkali wyzwania, poza samym zakupem kart GPU (wydał na nie ponad kilka miliardów dolarów). Dla porównania w Polsce na wszystkich uczelniach łącznie jest ok. 1 tys. H100.Pracując nad tym odcinkiem zrobiłem ​mapę myśli​, aby lepiej ustrektyryzwaoć wiedzę. Tu możesz je znaleźć. Łap! :) Można powiększać i klikać (część linków zostawiłem, chociaż przyznam, że to długi proces, ale uznałem, że może być wartościowy dla Ciebie). 🔥 https://mm.tt/app/map/3441826029?t=XESxGmZdR8 Pytania, na które znajdziesz odpowiedzi w tym odcinku:- Czym jest inferencja modeli LLM i jakie są kluczowe wymagania sprzętowe do jej przeprowadzenia?Jakie są dostępne opcje dostępu do mocy obliczeniowej potrzebnej do uruchamiania modeli AI i jakie są ich zalety oraz wady?- Jakie są główne różnice między zamkniętymi a otwartymi modelami AI i którzy są kluczowi gracze w tej dziedzinie?- Ile RAMu potrzebuje DUŻY model językowy i czy Twój komputer da radę?- Ile GPU trzeba mieć aby uruchomić Llame 8B, 70B czy nawet 400B?Jakie są najważniejsze parametry GPU i co one oznaczają w praktyce (tak po ludzku)?- Czy NVIDIA to JEDYNY wybór dla sprzętu? Poznaj alternatywy!- Czym jest kwantyzacja modeli LLM i jak wpływa na ich wydajność oraz precyzję?Partnerem podcastu jest DataWorkshop.Chcesz więcej? Zajrzyj do moich kursów online i ucz się ML i analizy danych w praktyce!👉 DS/ML od podstaw - https://dataworkshop.eu/pl/practical-machine-learning👉 Python - https://dataworkshop.eu/pl/intro-python👉 Statystyka - https://dataworkshop.eu/statistics👉 SQL - https://dataworkshop.eu/pl/sql👉 Time Series - https://dataworkshop.eu/pl/time-series👉 NLP - https://dataworkshop.eu/pl/nlp🎧 Słuchaj BM wygodnie na Spotify, Apple Podcasts lub Google Podcasts:📌 https://open.spotify.com/show/3ZUaHommHHZU6b4WJiyV2I📌 https://podcasts.apple.com/us/podcast/biznes-myśli/id1215290277📌 https://music.youtube.com/playlist?list=PLWOCRT27Z94XZzwcRI9-ExMyUXeBrF3W_

Czy sztuczna inteligencja zastąpi klasyczne uczenie maszynowe? Dowiedz się, jak skutecznie wykorzystać obie technologie w biznesie!✔ Subskrybuj kanał: / https://www.youtube.com/@DataWorkshop?sub_confirmation=1👍 Zostaw like!❗Obserwuj mnie na LinkedIn https://www.linkedin.com/in/vladimiralekseichenko📢 Poleć ten podcast znajomym zainteresowanym praktycznym wykorzystaniem AI w biznesie! Przedstawiam różne perspektywy, dzieli się osobistymi doświadczeniami i analizuję, jak te technologie mogą wspierać decyzje biznesowe. W tym odcinku dowiesz się:• Jakie są kluczowe różnice między LLM a klasycznym ML?• Kiedy warto inwestować w LLM, a kiedy lepiej stosować tradycyjne podejście?• Jak łączyć obie technologie dla uzyskania najlepszych rezultatów?• Jakie są praktyczne zastosowania LLM w biznesie?Najważniejsze tematy:1. LLM (Large Language Models) i klasyczne uczenie maszynowe (ML) mają różne zastosowania i zalety - wybór między nimi powinien zależeć od charakteru problemu i dostępnych danych.2. Klasyczne ML nadal wytwarza większą wartość w biznesie, szczególnie dla danych tabelarycznych, oferując lepszą jakość, szybkość i interpretowalność wyników.3. LLM są przydatne do pracy z nieustrukturyzowanym tekstem, tworzenia baz wiedzy i wspomagania komunikacji między zespołami technicznymi a biznesowymi.4. Najlepszym podejściem jest często łączenie klasycznego ML z LLM, wykorzystując zalety obu metod.5. Wdrażanie i utrzymanie rozwiązań opartych na klasycznym ML jest zwykle prostsze i tańsze niż w przypadku LLM.6. LLM nie zastępują całkowicie zespołu data science, ale mogą być cennym narzędziem wspomagającym, np. w generowaniu kodu czy dokumentacji.7. Przy projektowaniu rozwiązań AI kluczowe jest zrozumienie problemu, skupienie się na stabilności i przewidywalności, a nie tylko na najnowszych narzędziach.Subskrybuj teraz i włącz dzwonek powiadomień, aby być dostawać praktyczną wiedzę o uczeniu maszynowym.Ten podcast to KONIECZNIE POZYCJA dla każdego, kto:- Interesuje się sztuczną inteligencją i jej zastosowaniami w biznesie- Rozważa wdrożenie LLM-ów lub klasycznego ML w swojej firmie- Chce być na bieżąco z najnowszymi trendami w AIOglądaj na Youtube: https://youtu.be/TPDvcFeuoZ4Autorskie kursy Vladimira:👉 DS/ML od podstaw - https://dataworkshop.eu/pl/practical-machine-learning👉 Python - https://dataworkshop.eu/pl/intro-python👉 Statystyka - https://dataworkshop.eu/statistics👉 SQL - https://dataworkshop.eu/pl/sql👉 Time Series - https://dataworkshop.eu/pl/time-series👉 NLP - https://dataworkshop.eu/pl/nlp🔥 Chcesz uczyć się ML/DS w DataWorkshop?  Zarezerwuj indywidualną konsultację, aby doradzić najlepszą opcję dla Ciebie.https://dataworkshop.typeform.com/to/YCBMn37hLinki do podcastu:📌  https://youtu.be/4pfEZuw3dtE📌 https://biznesmysli.pl📌 Apple Podcasts: https://podcasts.apple.com/us/podcast/biznes-myśli/id1215290277📌 https://open.spotify.com/show/3ZUaHommHHZU6b4WJiyV2I📌 Google Podcasts https://music.youtube.com/playlist?list=PLWOCRT27Z94XZzwcRI9-ExMyUXeBrF3W_📌 Spreaker: https://www.spreaker.com/podcast/biznes-mysli--2214604#machinelearning #datascience #genai #llm #ml #ai

Odkryj potęgę lokalnych modeli AI!  Uruchom je na swoim laptopie lub serwerze.Czytaj:  https://biznesmysli.pl/lokalne-modele-ai-twoje-dane-twoje-zasady❗Obserwuj mnie na LinkedIn https://www.linkedin.com/in/vladimiralekseichenko✔ Subskrybuj kanał:   / @DataWorkshop  👍 Zostaw like! 📢 Poleć ten podcast znajomym zainteresowanym praktycznym wykorzystaniem AI w biznesie!🔑 Dowiesz się:- Jakie są zalety i wady korzystania z ChatGPT przez stronę internetową vs. API OpenAI lub chmury Azure.- Czym są modele lokalne, self-hosted, open source i offline oraz jakie dają możliwości.- Jakie narzędzia ułatwiają uruchamianie i dostosowywanie lokalnych modeli, np. Ollama, LM Studio, Jan.ai, llama.cpp, OpenWebUI.- Jak lokalne modele językowe wpływają na bezpieczeństwo i prywatność danych.- Jak wykorzystać lokalne modele do transkrypcji audio, analizy obrazu i innych zadań biznesowych.- Jakie są wyzwania i ograniczenia związane z korzystaniem z lokalnych modeli.🔗 Wspomniane narzędzia- Ollama: https://ollama.com- LM Studio: https://lmstudio.ai- Jan.ai: https://jan.ai- OpenWebUI: https://openwebui.com- llama.cpp: https://github.com/ggerganov/llama.cpp- whisper.cpp: https://github.com/ggerganov/whisper.cpp💬 Podziel się w komentarzach swoimi doświadczeniami z lokalnymi modelami AI. Jakie widzisz zastosowania w swoim biznesie?Słuchaj/czytaj na innych platformach:📌 Spotify: https://open.spotify.com/show/3ZUaHommHHZU6b4WJiyV2I📌 Google Podcasts https://music.youtube.com/playlist?list=PLWOCRT27Z94XZzwcRI9-ExMyUXeBrF3W_📌 Apple Podcasts https://podcasts.apple.com/us/podcast/biznes-myśli/id1215290277📌 Spreker: https://www.spreaker.com/podcast/biznes-mysli--2214604#llm #ai #machinelearning #llama #datascience #genai 🎙️ W tym odcinku:0:32 - Wprowadzenie do świata LLM i ich biznesowego potencjału5:48 - Publiczny ChatGPT vs bezpieczeństwo danych firmowych11:46 - Rewolucja open source: modele Llama dorównują komercyjnym rozwiązaniom17:15 - Ollama i LM Studio: narzędzia do lokalnego uruchamiania AI24:51 - Jan.ai i trend małych modeli językowych29:32 - Korzyści z lokalnych modeli AI: zgodność z GDPR i EU AI Act35:35 - Whisper CPP: lokalna transkrypcja audio bez kompromisów44:44 - Kontrola nad modelami AI: klucz do sukcesu w biznesie49:08 - Phi 3.5 od Microsoft: mały model, wielkie możliwości

RAG w LLM: Dlaczego popularne rozwiązania to droga donikąd?Problem: Tradycyjne podejście do RAG (Retrieval-Augmented Generation) w dużych modelach językowych (LLM), choć obiecujące w teorii, często zawodzi w praktyce. Sztuczne dzielenie danych na fragmenty (chunki) prowadzi do utraty kontekstu i generowania niespójnych, a nawet błędnych odpowiedzi.Przyczyny:-- Mechaniczne dzielenie tekstu: Tradycyjne metody dzielą dane na chunki na podstawie liczby znaków, ignorując semantykę i kontekst. To prowadzi do utraty sensu i generowania chaotycznych odpowiedzi.- Nadmierne poleganie na embeddingu: Choć embedding jest potężnym narzędziem, nie jest rozwiązaniem idealnym. Nadmierne poleganie na nim prowadzi do wybierania fragmentów tekstu podobnych semantycznie, ale niekoniecznie istotnych dla danego zapytania.- Zaniedbanie jakości danych i struktury: Skupienie się na zaawansowanych algorytmach i bazach wektorowych odciąga uwagę od kluczowej kwestii - jakości i struktury danych.Skutki:- Niska dokładność i spójność odpowiedzi: Modele LLM generują różne odpowiedzi na to samo pytanie, a użytkownicy nie mają pewności co do ich poprawności.- Brak transparentności i audytowalności: Trudno jest prześledzić proces generowania odpowiedzi i zweryfikować, skąd pochodzą konkretne informacje.- Wysokie koszty implementacji i utrzymania: Zastosowanie złożonych architektur i modeli zwiększa koszty, a problemy z jakością danych prowadzą do ciągłych poprawek i reindeksowania.🕒 Kluczowe momenty:0:00 Wprowadzenie: RAG w LLM-ach3:48 Generowanie trafnych odpowiedzi przez LLM-y13:43 Odpowiedzialność za dane wejściowe20:44 Problemy z mechanicznym podziałem tekstu26:20 Osadzenie wektorowe i podobieństwo semantyczne37:51 Alternatywne podejście do RAG45:30 Ostrzeżenie przed nadmiernym komplikowaniem AI53:00 Podsumowanie i alternatywne podejście🧠 Dowiesz się:- Dlaczego klasyczne podejście do RAG często zawodzi- Jak LLM-y interpretują dostarczony kontekst- Jakie są pułapki przy implementacji RAG- Co to jest "mapa wiedzy" i jak może zrewolucjonizować AIRozwiązanie:Należy odejść od mechanicznego podejścia do RAG i skupić się na:Głębokim zrozumieniu problemu biznesowego: Zdefiniowanie, co chcemy osiągnąć i jakie informacje są potrzebne do rozwiązania danego problemu.Manualnym zaprojektowaniu struktury danych: Ustalenie, w jaki sposób przechowywać dane, aby zachować ich sens i kontekst.Użyciu embeddingu jako narzędzia pomocniczego: Embedding powinien wspierać, a nie zastępować klasyczne metody wyszukiwania.Skoncentrowaniu się na jakości i aktualności danych: Zapewnienie, że dane są wiarygodne, aktualne i odpowiednio zabezpieczone.Korzyści:- Zwiększenie dokładności i spójności odpowiedzi.- Poprawa transparentności i audytowalności.- Obniżenie kosztów implementacji i utrzymania.- Spełnienie wymogów prawnych (GDPR, EU AI Act).Zamiast ślepo podążać za modnymi rozwiązaniami, należy skupić się na fundamentach - jakości danych, strukturze i zrozumieniu problemu biznesowego. Tylko takie podejście pozwoli wykorzystać pełen potencjał RAG i zbudować systemy oparte na LLM, które będą nie tylko efektowne, ale przede wszystkim efektywne.Jeśli interesujesz się przyszłością AI i jej praktycznym zastosowaniem w biznesie, ten odcinek jest obowiązkowy!👍 Polub ten odcinek i podziel się przynajmniej z jedną osobą (poleć, warto).🔗 Linki:https://biznesmysli.pl/rag-w-llm-dlaczego-popularne-rozwiazania-to-droga-donikad/ Obserwuj mi na LinkedIn (wysyłaj też śmiało zaproszenie):https://www.linkedin.com/in/vladimiralekseichenko/📢 Podziel się tym odcinkiem z kolegami i znajomymi zainteresowanymi AI i machine learning!Przydatne publikacji:- https://arxiv.org/pdf/2005.11401- https://arxiv.org/pdf/2407.01219- https://arxiv.org/pdf/2406.04369- https://arxiv.org/pdf/2305.14283- https://arxiv.org/pdf/2007.01282Tagi:#ai #machinelearning #datascience #nlp #rag #llm #search #bestpractice

🎙️ Gościem dzisiejszego odcinka jest Cezary Kujek, Product Manager w dziale Machine Learning Research w Allegro, specjalista od modeli generatywnych.Jedna z głównych myśli to, że umiejętność efektywnej komunikacji z modelami AI (prompt engineering) stanie się jedną z kluczowych kompetencji zawodowych, porównywalną do znajomości pakietu Office czy umiejętności posługiwania się mailem. Zwróć uwagę, że osobny zawód prompt engineering nie przetrwa na rynku biznesowym, ponieważ specjaliści w tej dziedzinie często nie posiadają wystarczającej wiedzy domenowej. Częściej bardziej opłaca się douczyć kogoś na miejscu do rozmowy z AI, niż w drugą stronę. Jest to efektywniejsze. Co ciekawe, korzystanie z AI nie sprawia, że człowiek przestaje myśleć (są też takie mity) - wręcz przeciwnie, uczy się nowych rzeczy i poszerza swoją wiedzę. AI to narzędzie, które pozwala nam szybciej się rozwijać i osiągać cele. Dlatego, ta umiejetność również dotyczy Ciebie!🔥 Zapisz się na listę chętnych szkolenia: "Jak rozmawiać ze sztuczną inteligencją? Praktyczne podejście". Zdobądź nową praktyczną umiejętność:  https://bit.ly/3YqH2HD💡 Dowiedz się:- Jak tworzyć efektywne prompty dla modeli AI- Jakie są kluczowe parametry modeli generatywnych- Jak oszacować koszty i czas wykorzystania AI w biznesie- Dlaczego prompt engineering to nowa kluczowa umiejętność zawodowa🕒 Timecode:0:00 - Wprowadzenie i przedstawienie gościa5:02 - Jak rozmawiać ze sztuczną inteligencją?13:44 - Kluczowe elementy dobrego prompta17:18 - Tokeny i ich znaczenie w modelach AI27:53 - Trójkąt tokenów: koszt, czas, rezultat34:30 - Szacowanie kosztów wykorzystania AI w biznesie40:34 - Parametry modeli AI - temperatura i topP49:27 - Praktyczne zastosowania AI w codziennej pracy55:21 - Dlaczego umiejętność korzystania z AI staje się kluczowa?1:02:54 - Podsumowanie i pożegnanie🔗 Przydatne linkiCzytać: https://biznesmysli.pl/jak-rozmawiac-ze-sztuczna-inteligencja/LinkedIn:- Vladimir: https://www.linkedin.com/in/vladimiralekseichenko- Cezary: https://www.linkedin.com/in/cezary-kuik- PublikacjaRAG Does Not Work for Enterprises: https://arxiv.org/pdf/2406.04369O czym jeszcze rozmawialiśmy:- Modele AI mają zdolność zamieniania nieustrukturyzowanych danych w ustrukturyzowane, co jest przydatne np. przy tworzeniu notatek ze spotkań.- AI może pomagać w upraszczaniu skomplikowanych tekstów technicznych na bardziej zrozumiałe.- Modele generatywne mogą wcielać się w różne role (np. prezesa firmy), zadając krytyczne pytania i pomagając ulepszyć dokumenty biznesowe.- Korzystanie z AI do generowania pomysłów i pytań może znacząco podnieść jakość pracy i dokumentów.- Modele generatywne AI, takie jak ChatGPT czy Claude, stały się niezbędnym narzędziem w codziennej pracy dla wielu osób.📢 Poleć ten podcast znajomym, którzy interesują się AI i jej zastosowaniem w praktyce!#ai #sztucznainteligencja #promptengineering #genai #generativeai #machinelearning

Modeli LLM to aktualnie gorący temat. Aby efektywnie wdrożyć te modele w swojej firmie, konieczne jest stworzenie własnego leaderboardu, dopasowanego do konkretnych potrzeb biznesowych. Podpowiadam jak to zrobić, czyli od czego można zacząć (3 proste kroki). Choć istnieją zewnętrzne rozwiązania, to nie dają one pełnej kontroli i gwarancji trafności oceny. Warto czerpać z doświadczeń tradycyjnego ML, pamiętając jednak o zwiększonej złożoności procesu oceny LLM.✅ Dlaczego wszystkie modele AI są błędne i jak to wpływa na biznes? 🤔✅ Dlaczego też nie ma idealnych modeli LLM i jak wybrać ten "wystarczająco dobry" do swoich potrzeb?✅ Jak ewoluowały benchmarki i metryki oceny modeli NLP?✅ Dlaczego tak popularne metryki, np. takie jak MMLU, tracą na znaczeniu?✅ Czym jest ChatbotArena i Hard Arena - innowacyjne podejścia do oceny AI?✅Jakie pułapki kryją się w korzystaniu z gotowych leaderboardów i na co uważać?✅ Dlaczego warto stworzyć własny leaderboard  dopasowany do Twoich potrzeb biznesowych i jak to zrobić w 3 prostych krokach?✅ Dodatkowe wskazówek i narzędzi, które ułatwią Ci ocenianie modeli LLM.Ten odcinek dostarczy Ci praktycznej wiedzy o tym, jak skutecznie oceniać i wybierać modele AI w praktyce.Tu możesz czytać: https://biznesmysli.pl/jaki-model-ai-wybrac-wyzwania-i-rozwiazania/Zapraszam też LinkedIn: https://www.linkedin.com/in/vladimiralekseichenko/Partnerem podcastu jest DataWorkshop.Zapraszam też na YouTube: https://youtu.be/eUIP2i0kxHo👍 Polubić ten film💬 Zostawić komentarz📢 Udostępnić go znajomym, którzy mogą być zainteresowaniSubskrybuj kanał "DataWorksohp", aby być na bieżąco z praktycznym ML/AI! 🔔#ai #ml #leaderboard #benchmark #arena #llm #biznesmysli

🎙️ Czy zdarza Ci się zastanawiać, jak powstają zaawansowane modele AI, takie jak ChatGPT? Czy wiesz, że trening takiego modelu może kosztować tyle, co luksusowy apartament w Warszawie (a w skali GPT nawet znacznie więcej)? A może ciekawi Cię, ile czasu zajmuje przygotowanie dużego modelu językowego? No właśnie! Tym zajmiemy się w 123. odcinku podcastu "Biznes Myśli", gdzie zgłębiamy tajniki fine-tuningu modeli LLM! Ale przejdziemy krok po kroku, aby dojść do etapu fine-tuning. Gościem dzisiejszego odcinka jest Remigiusz Kinas, ekspert AI i członek core teamu projektu SpeakLeash. Rozmawiamy o faktach i mitach związanych z treningiem modeli językowych. Kawał wiedzy dla Ciebie.W tym odcinku koncentrujemy się na wyjaśnieniu kluczowych etapów trenowania modeli LLM, takich jak pre-training, fine-tuning oraz alignment, oraz na omówieniu ich zastosowań i wyzwań.Dowiesz się:Jak wygląda proces trenowania dużych modeli językowych od podstaw?Czym jest fine-tuning i kiedy warto go stosować? Jakie są kluczowe etapy tworzenia modeli AI i dlaczego dane są tak ważne? Jakie superkomputery są używane do trenowania AI i ile to kosztuje? Jak wygląda praca nad polskim modelem językowym Bielik 2.0?Zapraszam!🕒 Najważniejsze fragmenty:00:01:52 - Remigiusz Kinas przedstawia się i opowiada o swoim doświadczeniu z ML/AI00:08:57 - Wyjaśnienie czym jest fine-tuning modeli na przykładzie Computer Vision00:14:23 - Omówienie różnych rodzajów modeli językowych (pre-trained, instruct, fine-tuned)00:30:00 - Czym jest T? Trilion czy bilion?00:31:05 - Ile danych potrzebujemy?00:43:53 - Cyfronet Helios, czyli na czym był trenowany Bielik? 00:47:15 - Ile kart GPU ma Meta (Facebook)?00:27:34 - Dlaczego dane są najważniejsze w procesie trenowania modeli AI 00:53:00 - Ile kosztuje wytrenować model LLM?00:58:32 - Czy warto robić fine-tuning? 01:09:07 - Co nowego w Bieliku 2?01:24:42 - PodsumowanieCzytać: https://biznesmysli.pl/fine-tuning-llm-fakty-i-mity/YouTube (ogłądać video): https://youtu.be/Kf55mex40-oLinkedIn:https://www.linkedin.com/in/remigiusz-kinas/https://www.linkedin.com/in/vladimiralekseichenko/Inne linki:https://ai.meta.com/blog/meta-llama-3/https://opencsg.com/datasets/AIWizards/Alpaca-CoThttps://top500.org/lists/green500/list/2024/06/https://github.com/meta-llama/llama/blob/main/MODEL_CARD.mdhttps://github.com/NVIDIA/Megatron-LM https://github.com/hiyouga/LLaMA-Factoryhttps://arxiv.org/pdf/2406.06608https://github.com/vllm-project/vllmW podcaście omówiono:Rodzaje modeli LLM:- Model bazowy (pre-trained): Posiada ogromną wiedzę, ale nie potrafi prowadzić konwersacji - służy do przewidywania następnego słowa.- Model instrukcyjny (instruct): Potrafi wykonywać polecenia i prowadzić konwersacje. Powstaje poprzez fine-tuning modelu bazowego.- Model po alignmencie: Model instrukcyjny dodatkowo "wygładzony" i dostosowany do preferowanego stylu konwersacji.Fazy trenowania modelu:- Pre-training: Najważniejsza faza, w której model nabywa wiedzę. Wymaga ogromnych zbiorów danych i jest bardzo kosztowna (rzędu setek tysięcy dolarów).- Fine-tuning: Dostrajanie modelu do konkretnych zadań. Wymaga mniejszych zbiorów danych i jest tańszy od pre-trainu.- Alignment: Dopasowanie stylu i sposobu odpowiedzi modelu. Wymaga najmniej danych i jest najtańszy.Dane:- Pre-training: Dane tekstowe w ogromnej ilości (terabajty), im więcej, tym lepiej. Ważna jest jakość danych.- Fine-tuning: Instrukcje dla modelu (polecenia i przykładowe odpowiedzi) w ilości od tysięcy do milionów.- Alignment: Pary odpowiedzi (preferowana i odrzucona) w ilości kilku tysięcy.Koszty:- Pre-training: Bardzo wysokie, porównywalne z ceną mieszkania w Warszawie.- Fine-tuning: Znacznie niższe od pre-trainu.- Alignment: Niskie, możliwe do przeprowadzenia na lokalnej maszynie.Mit fine-tuningu jako rozwiązania na wszystko:- W większości przypadków fine-tuning nie jest konieczny.- Lepiej skupić się na promptowaniu (zadawaniu precyzyjnych pytań) i technikach RAG (Retrieval Augmented Generation - wzbogacanie odpowiedzi o dane z zewnętrznych źródeł).- Fine-tuning może być przydatny w wąskich dziedzinach, dla specyficznych formatów odpowiedzi lub w celu zapewnienia bezpieczeństwa danych.Bielik 2.0: Nowa wersja polskiego modelu językowego.- Większy model (11 miliardów parametrów).- Dłuższy kontekst wejściowy (32 tysiące tokenów).- Wsparcie dla Function Calling (beta).- Uczenie wzmacniane (RLHF).- Więcej wersji kwantyzacyjnych.- Wsparcie dla VLLM.- Test na inteligencję emocjonalną (EQ Bench).- Planowana wersja multimodalna (tekst i obraz).#ai #genai #llm #podcast #machinelearning #datascience #finetuning

Tym razem będzie o mitach w AI. O mitach już nagrywałem ok. 4 lat temu w 55. odcinku podcastu Biznes Myśli, opublikowanym dokładnie w kwietniu 2019 roku, wtedy poruszyłem temat 10 mitów dotyczących sztucznej inteligencji, które w dużej mierze pozostają aktualne do dziś.I co znów o mitach? Tak, nawarstwiły się nowe. Tym razem skupimy się na mitach związanych z dużymi modelami językowymi (LLM - Large Language Models)https://biznesmysli.pl/7-mitow-o-sztucznej-inteligencji/Dlaczego warto posłuchać?Dowiesz się, jakie mity krążą na temat dużych modeli językowych (LLM) i dlaczego ChatGPT to nie jedyny gracz na rynku.Zrozumiesz różnicę między prototypem LLM a rozwiązaniem gotowym do wdrożenia - to kluczowe przy tworzeniu rozwiązań AI!Poznasz mechanikę halucynacji w LLM i jak sobie z nimi radzić. Nie uwierzysz, jak fascynujące jest to zjawisko!Odkryjesz, jakie wyzwania wiążą się z długimi oknami kontekstowymi i dlaczego więcej nie zawsze znaczy lepiej.Zrozumiesz, że reprezentacja wektorowa (embedding) nie jest idealna. Ma zalety, ale też ograniczenia.Dowiesz się, jak AI wpłynie na rynek pracy i dlaczego warto traktować je jako narzędzie, a nie zagrożenie.Zainspiruje Cię (mam nadzieje) do ciągłego rozwoju i wyprzedzania zmian w świecie, który ewoluuje w zawrotnym tempie!Podam, jak zwykle, konkretne przykłady lub analogii. I staram się tłumaczyć zawiłości techniczne prostym językiem.Najważniejsze tematy poruszone w tym odcinku:00:04:50 - Powtórka i umówienie 10 mitów na temat AI (odcinek BM55)00:05:55 - Porównanie trendów ChatGPT i AI, ChatGPT przyrównywane do AI00:10:34 - Otwarty nie zawsze znaczy możliwy do komercyjnego wykorzystania00:37:17 - Ryzyko związane z fine-tuningiem modeli00:43:12 - Ostrożne podejście do dostrajania modeli00:48:11 - Ograniczenia reprezentacji wektorowej (embedding)01:03:13 - Czym naprawdę jest halucynacja w kontekście LLM?01:04:47 - Wpływ AI na rynek pracy01:05:59 - Filozoficzne rozważania o świadomości AI i człowieka

Czy wiesz, że obecna technologia osiągnęła już poziom 9-9,5 na 10 w obszarze odpowiadania na pytania? W dzisiejszym odcinku zagłębiamy się w świat question answering, czyli technologii, która pozwala maszynom rozumieć pytania i udzielać na nie trafnych odpowiedzi. Gościem jest Piotr Rybak. W rozmowie z Vladimirem Alekseichenko omowiają kluczowe aspekty rozwoju systemów odpowiadających na pytania oraz jakie wyzwania stoją przed twórcami tych rozwiązań.Dowiesz się m.in.:1. Jakie rewolucyjne zmiany zaszły w ostatnich latach w wyszukiwaniu dokumentów i wyciąganiu odpowiedzi 2. Jaką rolę odgrywają duże modele językowe (LLM) w question answering?3. Dlaczego jakość i ilość danych treningowych ma kluczowe znaczenie?4. Jakie są kluczowe etapy budowy systemu question answering?5. Z jakich kluczowych komponentów składa się system question answering? 6. Jak dobrać odpowiednie dokumenty źródłowe i zadbać o kwestie dostępu i poufności 7. Jakie triki można zastosować przy generowaniu finalnej odpowiedzi z dużego kontekstu?W trakcie rozmowy poruszamy:Przemiany, jakie zaszły w technologii question answering, to wynik zastosowania nowoczesnych sieci neuronowych i generatywnych modeli językowych. Dzisiejsze systemy są niezwykle skuteczne, umożliwiając użytkownikom szybkie uzyskanie odpowiedzi na pytania bez konieczności przeszukiwania setek dokumentów.Jakość danych treningowych ma ogromne znaczenie. Im lepsze dane, tym bardziej precyzyjne odpowiedzi generuje system. Kluczowe jest też odpowiednie przygotowanie i przetworzenie tych danych, co wpływa na efektywność całego procesu.Rozmowa dotyczy również praktycznych aspektów budowy systemów question answering - od wyboru odpowiednich dokumentów źródłowych, przez ekstrakcję i preprocessing danych, aż po wybór modelu wyszukiwania i generowania odpowiedzi. Istotne jest, aby systemy te były użyteczne nawet przy niepełnej dokładności, co może znacząco zaoszczędzić czas użytkowników.Mimo rozwoju LLM, kluczowe kompetencje w budowaniu systemów AI pozostają takie same - liczy się dobranie odpowiednich narzędzi do realizacji celów i myślenie produktowe. Na koniec, Piotr i Vladimir omawiają znaczenie precyzyjnego zdefiniowania celów i wymagań przed rozpoczęciem budowy systemu. Bez tego, nawet najlepsze technologie mogą nie przynieść oczekiwanych rezultatów.Subskrybuj kanał, aby być na bieżąco z najnowszymi trendami w świecie technologii i sztucznej inteligencji! Postaw też dobrą ocenę :).🔔

🎙️ Witaj w 120 odcinku podcastu "Biznes Myśli"! Dzisiaj zagłębiamy się w temat wytrenowania własnych modeli LLM, czyli dużych modeli językowych, pod własnym dachem. Gościem odcinka jest Marek Kozłowski, ekspert od NLP (Natural Language Processing) i machine learning, pracujący w AI Labie w OPI (Ośrodku Przetwarzania i Informacji, Państwowy Instytut Badawczy).W tym odcinku rozmawiamy o:Dlaczego trenowanie własnych modeli LLM jest tak ważne dla rozwoju Polski? Marek wyjaśnia, dlaczego własne modele LLM mogą być kluczem do rozwoju nowoczesnej gospodarki, innowacyjności i kompetencji.Jak wygląda proces trenowania modeli LLM? Marek krok po kroku omawia poszczególne etapy uczenia, od pre-trainingu, przez fine-tuning, aż do procesu ewaluacji i walidacji. - Jakie są konkretne wyzwania i możliwości związane z budową ekosystemu modeli LLM w Polsce? Marek omawia inicjatywy takie jak konsorcjum PLLuM i stowarzyszenie Speaklish, a także dzieli się swoimi przemyśleniami na temat potencjału rozwoju modeli LLM w naszym kraju.Kluczowe punkty odcinka:LLM to coś w rodzaju nowoczesnej waluty: posiadanie własnego modelu LLM może dać przewagę konkurencyjną i wpłynąć na rozwój gospodarki i innowacyjności.Dane to klucz: jakość i ilość danych są kluczowymi elementami determinującymi jakość modeli LLM.Ekosystem jest ważniejszy niż pojedynczy model: budowanie ekosystemu modeli LLM, z odpowiednim zestawem danych, narzędzi i kompetencji, jest niezbędne do osiągnięcia sukcesu.Dodatkowo:Marek opowiada o doświadczeniach i projektach realizowanych w AI Labie w OPI, w tym o systemie antyplagiatowym JSA i modelach Qra i MMLW.Podnosi kwestię otwartości modeli LLM i podkreśla, że kluczowe jest tworzenie modeli dostępnych dla wszystkich.Zapraszam do wysłuchania tego inspirującego odcinka!Spis treści:00:00:00 - Wprowadzenie00:01:35 - Kim jest Marek Kozłowski?00:03:35 - OPI i AI Lab - co to jest i czym się zajmuje?00:10:40 - Historia deep learningu i NLP w Polsce00:12:40 - Jakie książki Marek ostatnio czytał?00:16:10 - OPI - software house I laboratoria00:20:00 - Projekty zrealizowane przez AI Lab w OPI00:25:00 - Dane i ich znaczenie dla budowy modeli LLM00:30:10 - Definicja modeli LLM00:33:00 - Reprezentacyjne i generatywne modele LLM 00:37:00 - OpenAI i Google - historia sukcesu i porażki 00:40:00 - Dane jako klucz do sukcesu00:41:35 - Etapy uczenia modeli LLM 00:53:00 - Dlaczego warto budować modele LLM pod własnym dachem?00:56:00 - Konsorcjum PLLuM 01:06:00 - Ekosystem usług oparty o AI01:14:00 - Racją stanu01:16:00 - Przyszłość AI w Polsce01:17:00 - Otwartość modeli LLM 01:17:40 - Podsumowanie i zaproszenie do kolejnych odcinkówPamiętaj o:Subskrybowaniu kanału!Komentarzach i ocenie odcinka.Udostępnieniu podcastu innym!Do zobaczenia w kolejnym odcinku Biznes Myśli!LinkedIn:Marek Kozłowski: https://www.linkedin.com/in/marek-kozłowski-phd-97a20945/Vladimir Alekseichenko: https://www.linkedin.com/in/vladimiralekseichenko/Link: https://biznesmysli.pl/sztuczna-inteligencja-pod-wlasnym-dachemNewsletter: https://biznesmysli.pl/newsletterModele:https://huggingface.co/core42/jais-13bhttps://huggingface.co/OPI-PG/Qra-13b https://huggingface.co/speakleash/Bielik-7B-v0.1Benchmarks:KLEJ: https://klejbenchmark.com/leaderboard/MTEB: https://huggingface.co/spaces/mteb/leaderboard

W tym odcinku porozmawiamy sobie o rolach i kompetencjach w projektach z uczeniem maszynowym w roli głównej. Temat zwykle zamyka się na “Data Scientist” lub “ML Engineer”, ale jednak na tym nie kończą się kompetencje potrzebne, aby projekt z sukcesem zacząć, przeprowadzić i co najważniejsze zakończyć. Dlatego porozmawiamy o tym: 1. Kogo potrzebujesz w projekcie ML, aby iść do przodu - wprowadzenie 2. Kto łączy DS / ML z biznesem? 3. Jakie kompetencje są potrzebne, aby wystartować? 4. Czego potrzebujesz, aby rozpędzić się z ML w Twojej firmie?

Witaj w kolejnym odcinku serii: “Machine Learning - od pomysłu do wdrożenia” W tym odcinku porozmawiamy o tym, co i jak warto mierzyć w projektach ML. Postaram się odpowiedzieć na pytania: 1. Co to są metryki sukcesu i dlaczego są podstępne? 2. Dlaczego biznesowe metryki sukcesu są takie ważne w projektach ML?3. Jak biznesowe metryki sukcesu wpływają na techniczne?4. Jakie pytania warto zadać rozmawiając o metrykach?5. O częstych błędach popełnianych na tym etapie i ich wpływie na cały projekt?

Seria: Machine Learning - od pomysłu do wdrożenia Pytania, na które będziemy szukać odpowiedzi w ciągu najbliższej godziny: 1) Co potrafi ML, a czego nie potrafi?2) Jakie wartości może przynieść ML w Twojej firmie?3) W jakich branżach ML daje przewagę?4) Jak szukać obszarów w Twojej firmie, gdzie uczenie maszynowe może pomóc? 5) Jak postawić pierwszy krok, aby zbadać potencjał, czy ML daje wartość? Wysłuchaj od początku do końca tego odcinka, aby dowiedzieć się, jak walidować swoje pomysły na ML, poznasz 7 podstawowych filtrów, które pomogą Ci uniknąć problemów na starcie. W następnych odcinkach tej serii będziemy stawiać kolejne kroki, które pozwolą Ci poznać lepiej ważne momenty i zagadnienia projektu ML. Bądź z nami do końca, aby zdobyć ogromną dawkę wiedzy i inspiracji.

Podcast Biznes Myśli po przerwie wraca w nowej odsłonie. Odsłuchaj tego odcinka i dowiedz się, jaką nową serię przygotowaliśmy dla Ciebie.

Czy zastanawiasz się, jak zmieni się Data Science i Machine Learning w ciągu najbliższego roku, 5 czy 10 lat? Czy uda się nam wejść na kolejny poziom, który dokona rewolucji? Jaki mamy potencjał i marzenia?A najważniejsze pytanie, czy to wpłynie na Twoją branżę i karierę zawodową?Dziś zapraszam Cię do swego rodzaju podsumowania roku 2021 i refleksji, co może wydarzyć się w przyszłości. Posłuchaj 5 wypowiedzi ekspertów podcastu Biznes Myśli z 2021 i dowiedz się, co przewidują, jakie widzą możliwości i potencjały w najbliższych latach.

Uczenie maszynowe nie jest skierowane do jednego konkretnego zawodu. To warstwa, która przecina wiele, o ile nie wszystkie, dziedziny w mniejszym lub większym stopniu. To również będzie dotyczyć Ciebie.Dzisiaj zebrałem trzy opinie moich świeżo upieczonych absolwentów kursu „Praktyczne uczenie maszynowe od podstaw”, aby pokazać Ci, jak różne profile mają te osoby, ale każdy znalazł coś wartościowego dla siebie w tym kursie. Dzielę się tutaj opiniami kursantów, aby pokazać ich perspektywę, ich historie oraz wrażenia. Może zainspirują kogoś, by samemu spróbować swoich sił w uczeniu maszynowym.

Co musisz wiedzieć na temat transformacji cyfrowej? Jakich błędów nie popełniać na początku? Im więcej danych tym lepiej, czy ilość nie ma znaczenia? Jakie dane warto digitalizować? Na te i inne pytania znajdziesz odpowiedź w tym odcinku podcastu.

Gościem odcinka jest Konrad Banachewicz, który od 18 lat mieszka w Holandii, a pochodzi z Polski. Jeżeli zajmujesz się Uczeniem Maszynowym, Data Science, posłuchaj! Myślę, że będziesz mógł sobie zaoszczędzić miesiące, a może nawet lata. Dowiesz się m.in. dlaczego ludzie zakochują się w Deep Learning i jak nieodwzajemniona może być ta miłość. Porozmawiamy także o jakości danych i wielu innych tematach z praktycznej strony.

Dane zawierają w sobie ogrom informacji, jednak kluczem do tego jest ich właściwa interpretacja. Pomocna temu będzie wizualizacja danych i to jest właśnie temat mojej rozmowy z Anną Kozak. Z jednej strony jest wykładowcą, skończyła Politechnikę na kierunku matematyka stosowana. Z drugiej strony pracuje jako Data Scientist, więc jest w zawodzie. Z trzeciej strony angażuje się w przeróżne inicjatywy, aby szerzyć wiedzę. Wykonuje sporo różnych rzeczy, ale jedna, która się bardzo wyróżnia, to wizualizacja. Jest wielką entuzjastką wizualizacji. Ania zajmuje się również dziedziną XAI albo interpretowalność modeli czy sztucznej inteligencji. O tym postaram się nagrać osobny odcinek. Nie chciałem się za bardzo rozdrabniać, bo to jest wątek nieco szerszy, który zasługuje co najmniej na własny odcinek. Dzisiaj natomiast porozmawiamy o tym, czym jest zły wykres, jak zrobić poprawny oraz czy można robić Data Science na wysokim poziomie bez wizualizacji.

Jak wygląda praca Product Managera w zespole AI? Na to i wiele innych pytań odpowie gość tej rozmowy - Ola Możejko. Historia Oli jest bardzo ciekawa - skończyła studia matematyczne, później pracowała jako Machine Learning Engineer, Data Scientist i niedawno zdecydowała się zmienić tę ścieżkę kariery i zostać Product Managerem. Porozmawiamy o tym, skąd pomysł na taką zmianę, ale także o sztuce zarządzania projektami, roli Product Managera w zespole AI i nie tylko. Zaczynamy!

Ile eksperymentów w tygodniu udaje Ci się przeprowadzić? W tym odcinku porozważamy o eksperymentowaniu i o tym, dlaczego odgrywa ono kluczową rolę w Machine Learning. Dodatkowo dowiesz się, jakie prowadzę własne eksperymenty, jak może Ci to pomóc. Mam też dla Ciebie pracę domową i przydatne punkty, które pomogą Ci zarządzać eksperymentami. Zaczniemy filozoficznie, ale jak zwykle skończymy praktycznie ;)

Dzisiejszym gościem jest Mirosław Mamczur. Mirek już kiedyś był w odcinku, ale to była króciutka wypowiedź tuż po kursie, bo Mirek jest absolwentem kursu "Praktyczne uczenie maszynowe od podstaw". To była pierwsza edycja. Dla mnie, dla DataWorkshop i dla Mirka był to pierwszy kurs, w którym wziął udział. Opowiadał, że się wahał czy warto, czy nie, ale potem zdecydował się i na tym wiele skorzystał. Dziś porozmawiamy o temacie ML & Cyber Security i rozwoju od analityka danych do Data Scientist na konkretnym przykładzie. Poznaj historię Mirka!

Będziemy rozmawiać o nieruchomościach. Dzisiejszym gościem jest Filip Finfando, który pracuje w SonarHome jako Lead ML Engineer. Co to jest za firma? Jeżeli słuchasz podcastu Biznes Myśli od samego początku to był czwarty odcinek, gdzie opowiadałem różne przypadki i jednym z nich był właśnie Opendoor. To jest firma w Stanach Zjednoczonych, która wystartowała najpierw w Arizonie. Oferowali oni usługę, dzięki której możesz szybko kupować nieruchomości. Zdejmowali cały ciężar z osób, które to nabyły. Wtedy powiedziałem, że nie kojarzę ani jednej firmy, która w Polsce zrobiłaby coś podobnego. Już jest, posłuchaj :)

Tym razem mam dla Ciebie nieco inny podcast niż zazwyczaj. Jest to pewien eksperyment. Polega on na tym, że Kajetan Duszyński, który prowadzi podcast Backend na froncie, zaprosił mnie do swojego podcastu, a ja pomyślałem, że warto również opublikować to u mnie. Dotychczas miałem dwie możliwości: albo głównie ja zadaje pytania, albo prowadzę monolog. Pomyślałem, że fajnie byłoby, żeby ktoś, kto ma trochę inne doświadczenie (programisty), wyciągnął tym razem ze mnie może nieco mniej oczywiste tematy i opinie. Człowiek jest bardzo subiektywny. Dzięki takim eksperymentom będę w stanie wyciągnąć więcej ukrytych warstw. Ten odcinek będzie bardzo przydatny przede wszystkim dla programistów. W szczególności jeżeli mówimy o programistach .NET, C#, bo Kajetan właśnie w tym się specjalizuje.

Jak nazywać rzeczy i dlaczego to jest istotne w projektach Machine Learning? Jakie są dobre praktyki w ML i czego można się nauczyć w chińskiej firmie? Gościem odcinka jest Marcina Możejko. To jest bardzo ciekawy, pozytywny człowiek. Marcin ma bogate doświadczenie zawodowe – z jednej strony twarde, wiedza matematyczna, z drugiej strony programistyczne, a z trzeciej strony to wszystko jeszcze łączy Data Science jako inżynier i próbuje być na krawędzi tych światów, które wcale nie jest tak łatwo połączyć.

Gościem dzisiejszego odcinka jest Kamil Krzyk - Machine Learning Engineer, który podzieli się z nami swoimi przemyśleniami z codzienności specjalisty od Machine Learning. Trafne spostrzeżenia Kamila ukazują szereg wyzwań i możliwości, które dziś stoją przed osobami, które już rozwijają się bądź chcą stawiać zawodowe kroki w branży Data Science & Machine Learning.

W uczeniu maszynowym istnieje wiele różnych rozwiązań i są grube książki, które opisują je wszystkie, ale z grubsza rzecz ujmując jest kilka rzeczy, które trzeba poznać. Jedną z nich jest na pewno Performance i Transformery, który zostały stworzone z myślą o usprawnieniach NLP, czyli dziedziny nauki i technologii poświęconej przetwarzaniu języka naturalnego, ale w tej chwili ich wykorzystanie jest znacznie szersze. Moim gościem jest Krzysztof Choromański, który zrobił doktorat na Uniwersytecie w Kolumbii. Pracuje już od 7 lat w Google Brain Robotics. Jest autorem ciekawych publikacji naukowych i ma wiele wartościowego do powiedzenia w temacie dzisiejszego odcinka.

Dziś poznasz 3 różne perspektywy osób, które przerobiły mój autorski kurs “Data Science & Machine Learning w praktyce”. Po każdej edycji nagrywam taki odcinek. Dlaczego? Chcę pokazać Ci, kim są moi absolwenci, jakie są ich motywacje i plany. Te osoby są na początku swojej drogi w DS, ale ich motywacja do rozwoju może okazać się dla Ciebie inspirująca. Może i Tobie uda się przekonać, czy też zweryfikować, dzięki temu podcastowi, czy chcesz rozwijać się w obszarze ML i DS także od strony praktycznej.

Jednym z coraz częściej poruszanych tematów w obszarze AI jest AutoML, który według wielu działa lepiej niż człowiek. To stwierdzenie jest poniekąd prawdziwe, ale jest także bardzo mylące - w szczególności dla osób, które nie do końca rozumieją kontekst. To wszystko zależy od tego, kto to mówi i w jakim kontekście. Dzisiaj spróbujemy postawić kropkę nad i, aby uspójnić i ustrukturyzować Twoją wiedzę w tym temacie. Moim gościem w tej rozmowie jest Piotr Płoński, twórca MLJAR - popularnego na całym świecie i rozwijającego się w Polsce narzędzia AutoML.

Czy zbliża się kolejna zima AI, a może jednak wiosna? Czym właściwie jest zima w tym kontekście? Na kogo to wpływa i jak? Skąd bierze się natura tego zjawiska? Czy jest się czego bać? Jakiego rozwoju AI możemy się spodziewać? Na te i wiele innych pytań znajdziesz odpowiedzi w 100 odcinku podcastu Biznes Myśli. Dowiesz się o trendach w branży AI oraz przemyśleniach Vladimira, które prowokują do krytycznego myślenia i zadawania kolejnych pytań.

Dlaczego większość projektów Machine Learning nie odnosi sukcesu lub wręcz upada?Jakie role są kluczowe, aby projekt miał szansę przeżyć i przynieść wymierne korzyści?Posłuchaj tego odcinka podcastu, aby odpowiedzieć na te i wiele innych pytań, które zwiększają szansę na powodzenie projektów klasy R&D w branży Data Science i Machine Learning.

Ten odcinek poświęcony jest podsumowaniu roku 2020, w którym dzielimy się z Tobą przemyśleniami dotyczącymi efektywności, ale także wynikami ankiety, która niedawno było przeprowadzona na łamach Biznes Myśli. Pojawiły się także dwa konkursy, które mogą Ci się spodobać :)

Stabilność modeli to bardzo ważny temat. Z jednej strony pojawia się coraz więcej algorytmów, które przynoszą całkiem fajne wyniki, choć z drugiej strony może to być złudne. Mam na myśli to, że jak wdrożymy model na produkcję, to może nas zaskoczyć. W których miejscach mogą być potencjalne kłopoty? O tym dzisiaj będę rozmawiać z Adamem, który bardzo się inspiruje tymi tematami pod różnym względem. Innym ciekawym kierunkiem rozmowy są potencjalne cyberataki, które mogą się wydarzyć i zepsuć model.

W tym odcinku poznasz 3 krótkie historie ambitnych osób, które zaczęły się efektywnie rozwijać w obszarze Machine Learning. Niech to będzie wskazówka i inspiracja. Dowiesz się także o konkretnych przykładach zastosowania narzędzi ML w biznesie, które mogą przynieść korzyść.

Z tego odcinka dowiesz się, czym jest DataWorkshop Foundation, jaki był cel jej powstania i w którą stronę zmierza. Posłuchaj trójki gości, którzy są zaangażowani w działanie i rozwój fundacji, która koncentruje się na uczeniu maszynowym.

Gościem najnowszego odcinka jest Staszek Paśko - Senior Principal Software Engineer w Amazon, który pracuje nad rozwojem serwisu głosowego Alexa. Porozmawialiśmy z nim o tym, czym są technologie przetwarzania i syntezy mowy oraz jak rozwija się to pole badań i działań, jakie role spełnia i może spełniać Alexa, kto jest odbiorcą tego typu rozwiązań i jak może wyglądać przyszłość branży.

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, opinii.

Odcinek #91 dotyczy naszego zdrowia i tego bez czego nie możemy żyć, czyli oddechu. Gościem jest Jan Szwagierczak, Data Scientist, który mieszka i pracuje w Kopenhadze. A nad czym pracuje? No właśnie nad tym, aby żyło i oddychało nam się lepiej.

W tym odcinku wyjątkowo to Vladimir został przepytany. Dzielimy się rozmową, którą przeprowadził Jędrzej Paulus z Developer-Wannabe Podcast, na temat tego, co uczenie maszynowe może dać programistom. Nie zabrakło ważnych, filozoficznych pytań "dlaczego Python", a także tych związanych z koncepcyjnym podejściem do modnych słów takich jak AI. Ponadto dowiesz się: ✅ Dlaczego warto zainteresować się językiem Python? ✅Jak należy interpretować modne słowa Data Science, Machine Learning, AI?✅ Czym jest ML/DS, tak po ludzku dla programisty?✅ Dlaczego programiście warto zainteresować się ML/DS?✅ Od czego zacząć i jak sprawdzić, czy to dla mnie (i czy dam rady)?✅Jak wygląda rynek pracy w Polsce i jakie są zarobki w tej branże?

Gościem tego wywiadu jest Stanisław Jastrzębski, który m.in. teraz dołącza do startupu Molecule.one. Jego zadaniem będzie wspieranie procesów wykorzystując nowoczesne narzędzia. Ma pewne przemyślenia, że niektóre zmiany mogą nastąpić znacznie szybciej, niż może się wydawać. Ciężko jest określić, co oznaczają te zmiany, bo można je różnie zdefiniować, ale pod koniec poznasz na to odpowiedź. Zapraszam do przeczytania całej rozmowy, żeby znaleźć odpowiedzi. Padły też bardzo fajne dyskusje na tematy dookoła: co to oznacza prowadzić projekty R&D? Jak oni sobie radzą z ryzykiem, które w tym przypadku występuje dość duże? Jakie są narzędzia, by nie wpadać w „czarne dziury” i efektywnie prowadzić projekty R&D?

Gościem tej rozmowy jest Daniel Kornaś, który opowie o swoich doświadczeniach w branży IT, w szczególności w testowaniu software’u. W pewnym momencie swojego życia stwierdził, że w klasycznym testowaniu czegoś mu brakuje, nie jest to wystarczająco efektywne. Zaczął eksperymentować, inspirować się dostępnymi technologiami, narzędziami i m.in. wprowadził automatyzację. Później poznał uczenie maszynowe i w ten sposób zaczął rozwijać projekty. Jest to bardzo ciekawa i inspirująca historia. Gdy zaczął pracę w Nokii, to brakowało pewnego elementu, który właśnie on dodał - uczenie maszynowe oraz tzw. sztuczna inteligencja. Daniel opowie o całej ścieżce, którą przeszedł od pomysłu do wdrożenia, trudnościach po drodze oraz innych ciekawostkach.

Pewnie zastanawiasz się czasem, co zrobić, aby otrzymać więcej wartości mniejszym kosztem. Czy znana jest zasada Pareto - 20/80? Czy w projektach uczenia maszynowego i pracy z danymi również można niewielkim wysiłkiem osiągnąć dużą wartość biznesową?Jak ta zasada może wyglądać w praktyce, kiedy i jak można ją stosować omawiamy w tym odcinku.

Projekty, które wymagają podejścia analitycznego takie jak np. projekty Machine Learning zastawiają wiele pułapek. Jak w nie nie wpaść lub wyjść z nich obronną ręką? W tym odcinku poznasz 5 etapów, których realizacja pomaga usprawnić proces w wielu projektach, ale przede wszystkich przydaje się w tych natury niepewnej, obarczonych ryzykiem, eksperymentalnych. Ułożenie procesu w 5 kluczowych faz pomaga podejść bardziej efektywnie i analitycznie do wielu problemów, które chcemy rozwiązać, nawet jeśli jest to kupienie prezentu dla żony...