{"id":705981,"date":"2023-03-28T08:48:52","date_gmt":"2023-03-28T08:48:52","guid":{"rendered":"https:\/\/www.capgemini.com\/pl-pl\/?page_id=705981"},"modified":"2025-12-05T14:05:22","modified_gmt":"2025-12-05T14:05:22","slug":"techchatter-odcinek-6-cykl-zycia-danych-w-projektach-ai","status":"publish","type":"page","link":"https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/sezon2-odcinek6\/","title":{"rendered":"Odcinek 6. Cykl \u017cycia danych w Projektach AI"},"content":{"rendered":"\n<div class=\"wp-block-cg-blocks-hero-picture-card undefined  heroPictureCard\"><div class=\"heroPictureCardBgs\"><picture><source srcset=\"https:\/\/www.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png?w=2880&amp;quality=70 1x, https:\/\/www.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png?w=2880&amp;quality=70 2x\" media=\"(min-width: 1500px)\"\/><source srcset=\"https:\/\/www.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png?w=1440&amp;quality=70 1x, https:\/\/www.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png?w=2880&amp;quality=70 2x\" media=\"(min-width: 992px)\"\/><source srcset=\"https:\/\/www.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png?w=1024&amp;quality=70 1x, https:\/\/www.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png?w=1024&amp;quality=70 2x\" media=\"(min-width: 768px)\"\/><source srcset=\"https:\/\/www.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png?w=768&amp;quality=70 1x, https:\/\/www.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png?w=768&amp;quality=70 2x\" media=\"(min-width: 0)\"\/><img decoding=\"async\" src=\"https:\/\/www.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png\" class=\"desktopImage\" alt=\"\" style=\"object-fit:cover;object-position:47% 17%\" loading=\"eager\"\/><\/picture><picture><source srcset=\"https:\/\/www.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png?w=2880&amp;quality=70 1x, https:\/\/www.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png?w=2880&amp;quality=70 2x\" media=\"(min-width: 1500px)\"\/><source srcset=\"https:\/\/www.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png?w=1440&amp;quality=70 1x, https:\/\/www.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png?w=2880&amp;quality=70 2x\" media=\"(min-width: 992px)\"\/><source srcset=\"https:\/\/www.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png?w=1024&amp;quality=70 1x, https:\/\/www.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png?w=1024&amp;quality=70 2x\" media=\"(min-width: 768px)\"\/><source srcset=\"https:\/\/www.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png?w=768&amp;quality=70 1x, https:\/\/www.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png?w=768&amp;quality=70 2x\" media=\"(min-width: 0)\"\/><img decoding=\"async\" src=\"https:\/\/www.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png\" class=\"mobileImage\" alt=\"\" style=\"object-fit:cover;object-position:47% 17%\" loading=\"eager\"\/><\/picture><\/div><div class=\"heroPictureCardHeaderShape\"><\/div><div class=\"container\"><div class=\"row\"><div class=\"col-md-8 col-lg-6\"><div class=\"heroPictureCardBox\"><div class=\"heroPictureCardBoxTitle\"><h1 data-maxlength=\"144\">Podcast TechChatter<br>Odcinek 6<\/h1><\/div><\/div><\/div><\/div><\/div><div class=\"small-device\"><div class=\"brandLogoWrapper\"> <\/div><\/div><\/div>\n\n\n\n<section class=\"wp-block-cg-blocks-group undefined section section--article-content\"><div class=\"article-main-content\"><div class=\"container\"><div class=\"row\"><div class=\"col-12 col-md-11 col-lg-10 offset-md-1 offset-lg-1\"><div class=\"article-text article-quote-text\">\n<h2 class=\"wp-block-heading\" id=\"h-odcinek-6-cykl-zycia-danych-w-projektach-ai\">Odcinek 6. Cykl \u017cycia danych w Projektach AI<\/h2>\n\n\n\n<p>M\u00f3wi\u0105c najpro\u015bciej, sztuczn\u0105 inteligencj\u0105 mo\u017cemy nazwa\u0107 systemy, komputery czy maszyny, kt\u00f3re staraj\u0105 si\u0119 na\u015bladowa\u0107 ludzk\u0105 inteligencj\u0119 w celu wykonywania okre\u015blonych zada\u0144. Systemy sztucznej inteligencji dodatkowo mog\u0105 sukcesywnie usprawnia\u0107 swoje dzia\u0142anie dzi\u0119ki uczeniu maszynowemu, czyli znajdowaniu wzorc\u00f3w i powi\u0105za\u0144 w du\u017cych zbiorach danych oraz podejmowania najlepszych decyzji na podstawie w\u0142asnej analizy tych danych. Brzmi jak magia?<\/p>\n\n\n\n<h4 class=\"wp-block-heading\">Zapraszamy do s\u0142uchania!<\/h4>\n\n\n\n<figure class=\"wp-block-embed is-type-rich is-provider-spotify wp-block-embed-spotify wp-embed-aspect-21-9 wp-has-aspect-ratio\"><div class=\"wp-block-embed__wrapper\">\n<iframe title=\"Spotify Embed: Cykl \u017cycia danych w projektach AI\" style=\"border-radius: 12px\" width=\"100%\" height=\"152\" frameborder=\"0\" allowfullscreen allow=\"autoplay; clipboard-write; encrypted-media; fullscreen; picture-in-picture\" loading=\"lazy\" src=\"https:\/\/open.spotify.com\/embed\/episode\/2thdydiwqmuYA2eOSt7mR9?utm_source=oembed\"><\/iframe>\n<\/div><\/figure>\n\n\n\n<p><\/p>\n\n\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex\">\n<div class=\"wp-block-button is-style-outline is-style-outline--1\"><a class=\"wp-block-button__link wp-element-button\" href=\"https:\/\/open.spotify.com\/episode\/2thdydiwqmuYA2eOSt7mR9\">Spotify<\/a><\/div>\n\n\n\n<div class=\"wp-block-button is-style-outline is-style-outline--2\"><a class=\"wp-block-button__link wp-element-button\" href=\"https:\/\/podcasts.apple.com\/pl\/podcast\/cykl-%C5%BCycia-danych-w-projektach-ai\/id1599140666?i=1000610806923\">Apple Podcast <\/a><\/div>\n<\/div>\n\n\n\n<p><\/p>\n\n\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex\">\n<div class=\"wp-block-button is-style-outline is-style-outline--3\"><a class=\"wp-block-button__link wp-element-button\" href=\"https:\/\/www.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/03\/TechChatter2-Capgemini-S02E06-v3.0-final.mp3\">Pos\u0142uchaj w przegl\u0105darce <\/a><\/div>\n<\/div>\n\n\n\n<p><\/p>\n\n\n\n<p>W tym odcinku nasi eksperci: Jacek, Dawid i Mateusz odczarowuj\u0105 magi\u0119 AI eksploruj\u0105c&nbsp; m.in. obszary:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>gromadzenia danych, ich przetwarzania, oczyszczania i wzbogacania<\/li>\n\n\n\n<li>r\u00f3l data scientista, data modelera i data engineera<\/li>\n\n\n\n<li>narz\u0119dzi deweloperskich i biznesowych korzystaj\u0105cych z funkcjonalno\u015bci AI<\/li>\n\n\n\n<li>trend\u00f3w w technologiach sztucznej inteligencji i uczenia maszynowego<\/li>\n<\/ul>\n\n\n\n<p><strong>Eksperci Capgemini:<\/strong><\/p>\n\n\n\n<p><strong>Jacek Bogocz<\/strong> &#8211; AI &amp; Analytics Senior Consultant, specjalizuje si\u0119 w obszarze data science i wykorzystaniu najnowszych rozwi\u0105za\u0144 chmurowych do rozwi\u0105zywania problem\u00f3w biznesowych. Posiada solidn\u0105 wiedz\u0119 z zakresu programowania, narz\u0119dzi analitycznych oraz metodologii pracy z danymi.<\/p>\n\n\n\n<p>Na co dzie\u0144 zajmuje si\u0119 tworzeniem i implementacj\u0105 modeli AI oraz analiz danych, kt\u00f3re pozwalaj\u0105 automatyzowa\u0107 procesy biznesowe, poprawi\u0107 efektywno\u015b\u0107 i generowa\u0107 nowe mo\u017cliwo\u015bci biznesowe.<\/p>\n\n\n\n<p><strong>Dawid Ulanowski<\/strong> &#8211; Business Intelligence Developer, specjalizuje si\u0119 w analizie danych, raportowaniu oraz wizualizacji danych. W swojej pracy wykorzystuje m.in. MS Excel wraz z dodatkami Power Query, Power Pivot, Power BI oraz narz\u0119dzie Tableau.<\/p>\n\n\n\n<p><strong>Mateusz Ha\u0144czuk<\/strong> &#8211; Lead BI Consultant w Capgemini. Ekspert i entuzjasta technologii, praktyk zwi\u0105zany z przetwarzaniem, transformacj\u0105, analiz\u0105 i wizualizacj\u0105 informacji z ponad 8-letnim do\u015bwiadczeniem.<\/p>\n\n\n\n<p>Wi\u0119cej o pracy w Capgemini:<\/p>\n\n\n\n<p><a href=\"https:\/\/www.capgemini.com\/pl-pl\/kariera\/ \">https:\/\/www.capgemini.com\/pl-pl\/kariera\/ <\/a><\/p>\n\n\n\n<p><strong>Linki do materia\u0142\u00f3w wspomnianych w odcinku:<\/strong><\/p>\n\n\n\n<p><a href=\"https:\/\/lubimyczytac.pl\/ksiazka\/4970877\/machine-learning-python-i-data-science-wprowadzenie\">https:\/\/lubimyczytac.pl\/ksiazka\/4970877\/machine-learning-python-i-data-science-wprowadzenie<\/a><\/p>\n\n\n\n<p><a href=\"https:\/\/lubimyczytac.pl\/ksiazka\/5037723\/deep-learning-uczenie-glebokie-z-jezykiem-python-sztuczna-inteligencja-i-sieci-neuronowe\">https:\/\/lubimyczytac.pl\/ksiazka\/5037723\/deep-learning-uczenie-glebokie-z-jezykiem-python-sztuczna-inteligencja-i-sieci-neuronowe<\/a><\/p>\n\n\n\n<p><a href=\"https:\/\/www.datacamp.com\/\">https:\/\/www.datacamp.com\/<\/a><\/p>\n\n\n\n<p><a href=\"https:\/\/www.freecodecamp.org\/\">https:\/\/www.freecodecamp.org\/<\/a><\/p>\n\n\n\n<p><a href=\"https:\/\/www.udemy.com\/user\/kirilleremenko\/\">https:\/\/www.udemy.com\/user\/kirilleremenko\/<\/a><\/p>\n\n\n\n<p><a href=\"https:\/\/lubimyczytac.pl\/ksiazka\/5037444\/microsoft-power-bi-jak-modelowac-i-wizualizowac-dane-oraz-budowac-narracje-cyfrowe-wydanie-ii\">https:\/\/lubimyczytac.pl\/ksiazka\/5037444\/microsoft-power-bi-jak-modelowac-i-wizualizowac-dane-oraz-budowac-narracje-cyfrowe-wydanie-ii<\/a><\/p>\n\n\n\n<p>Je\u015bli odcinek Ci si\u0119 spodoba\u0142, daj nam o tym zna\u0107 wystawiaj\u0105c ocen\u0119 w Spotify lub Apple Podcasts.<\/p>\n\n\n\n<p><\/p>\n\n\n\n<p><strong>Produkcja<\/strong>: Cleverhearted Showrunners<\/p>\n<\/div><\/div><\/div><\/div><\/div><\/section>\n\n\n\n<section class=\"wp-block-cg-blocks-how-we-do-it section section--howwedoit block-howwedoit\"><div class=\"container\"><div class=\"section-content\">\n<div class=\"wp-block-cg-blocks-card-howwedoit expanders\"><div class=\"box card-regulated-agreements card-howwedoit\"><div class=\"expander-box filter-box tag-active \"><div class=\"expander-title\" tabindex=\"0\" role=\"button\" aria-pressed=\"false\" aria-expanded=\"false\"><h3 class=\"expander-heading-title\">Transkrypcja <\/h3><\/div><div class=\"expander-content\"><p><strong>JACEK BOGOCZ:<\/strong> Witam wszystkich. Nazywam si\u0119 Jacek Bogocz. Jestem w Capgemini AI and analytics Senior Consultantem. Moimi g\u0142\u00f3wnymi obszarami to jest data science. A w technologiach, w kt\u00f3rych na co dzie\u0144 pracuj\u0119 to jest j\u0119zyk python i us\u0142ugi cloudowe.\u00a0<br><strong>DAWID ULANOWSKI:<\/strong> Ja nazywam si\u0119 Dawid Ulanowski. Pracuj\u0119 jako AI analytics Consultant w Capgemini. W projektach pracuj\u0119 w charakterze Business Intelligence Developera. W swojej pracy wykorzystuj\u0119 mi\u0119dzy innymi takie technologie jak Microsoft Excel, wraz z dodatkami Power Query, Power Pivot, Power BI, oraz narz\u0119dzie Tableau.<br><strong>MATEUSZ HA\u0143CZUK:<\/strong> Ja nazywam si\u0119 Mateusz Ha\u0144czuk. Pracuj\u0119 tutaj jak koledzy, jako BI Consultant i najcz\u0119\u015bciej skupiam si\u0119 na budowaniu i projektowaniu architektur danych, big data i produkowaniu w\u0142a\u015bnie rozwi\u0105za\u0144 raportowych stacku technologicznego i draft\u00f3w takich architektur.\u00a0<br><strong>JACEK BOGOCZ:<\/strong> Tematem dzisiejszego podcastu, dzisiejszej rozmowy b\u0119dzie cykl \u017cycia danych w projektach AI. I tutaj warto zacz\u0105\u0107 od zdefiniowania sobie, czym s\u0105 owe projekty AI, czym jest w og\u00f3le sztuczna inteligencja. Pewnie ka\u017cdy z nas rozumie inteligencj\u0119 jako co\u015b, czym charakteryzuj\u0105 si\u0119 ludzie, czyli umiej\u0119tno\u015b\u0107 komunikacji ze sob\u0105. Umiej\u0119tno\u015b\u0107 czytania, rozumowania. I id\u0105c tym tropem przypisujemy inteligencj\u0119 praktycznie ka\u017cdej rzeczy, r\u00f3wnie\u017c software\u2019owi, r\u00f3wnie\u017c maszynom, wi\u0119c gdybym mia\u0142 og\u00f3lnie uj\u0105\u0107, czym charakteryzuje si\u0119 inteligencja, b\u0105d\u017a sztuczna inteligencja, jest to przede wszystkim umiej\u0119tno\u015b\u0107 interakcji z danymi. W drugim kroku, umiej\u0119tno\u015b\u0107 przetwarzania tych danych i trzeci, najwa\u017cniejszy krok, czyli synteza nowych danych w postaci jakiego\u015b wniosku, outputu.\u00a0<br><strong>MATEUSZ HA\u0143CZUK: <\/strong>My\u015bl\u0119, \u017ce z takiego poziomu architektonicznego, a je\u017celi m\u00f3wimy w\u0142a\u015bnie o projektach AI, to mo\u017cemy m\u00f3wi\u0107 na dw\u00f3ch torach. Jednym torem jest w\u0142a\u015bnie produkt dla klienta, czyli rozwi\u0105zania AI wspomagaj\u0105ce to, co klient widzi. R\u00f3\u017cnego typu uczenie maszynowe, sieci neuronowe, kt\u00f3re pomagaj\u0105 w analizie danych i wypluwaj\u0105 odpowiednie wnioski. Pozwalaj\u0105 w\u0142a\u015bnie przewidzie\u0107 pewne rzeczy. Ale my\u015bl\u0119, \u017ce warto te\u017c wspomnie\u0107 o drugim torze, jakim s\u0105 rozwi\u0105zania sztucznej inteligencji pomagaj\u0105ce w\u0142a\u015bnie deweloperom, pomagaj\u0105ce przy profilowaniu danych i pisaniu kodu jako takiego.\u00a0\u00a0<br><strong>DAWID ULANOWSKI:<\/strong> Dla mnie jako, z perspektywy Business Intelligence Analysta m\u00f3wi\u0105c wprost sztuczna inteligencja bada wykorzystanie system\u00f3w komputerowych do na\u015bladowania r\u00f3\u017cnych atrybut\u00f3w ludzkiej inteligencji. Takich jak rozwi\u0105zywanie problem\u00f3w, uczenie si\u0119 i ocena. Firmy zaczynaj\u0105 dostrzega\u0107 ogromny potencja artificial intelligence w rozpoznawaniu mowy, podejmowaniu decyzji i tym podobnie. Z kolei no sam Business Intelligence odnosi si\u0119 do wykorzystania r\u00f3\u017cnych technologii, narz\u0119dzi. Do gromadzenia i analizy danych biznesowych. Dostarcza firmom przydatne informacje i analizy. W ten spos\u00f3b u\u0142atwia im podj\u0119cie decyzji. Modelowanie ludzkiej inteligencji jest jednym z g\u0142\u00f3wnych cel\u00f3w AI, kszta\u0142tuj\u0105c zachowania i procesy my\u015blowe. Sztuczna inteligencja u\u0142atwia uczenie si\u0119 i podejmowanie racjonalnych decyzji. Mo\u017ce umo\u017cliwi\u0107 komputerom samodzielne podejmowanie decyzji biznesowych. Tu jednym z przyk\u0142ad\u00f3w mog\u0105 by\u0107 chatboty. Bez interwencji cz\u0142owieka mog\u0105 odpowiada\u0107 na pytania klient\u00f3w.\u00a0<br><strong>MATEUSZ HA\u0143CZUK:<\/strong> To mo\u017ce, jak ju\u017c m\u00f3wimy o tych w\u0142a\u015bnie rozwi\u0105zaniach sztucznej inteligencji, to zacznijmy od pocz\u0105tku. Czyli od zbierania wymaga\u0144. Wydaje mi si\u0119, \u017ce to jest dosy\u0107 wa\u017cny temat tutaj, gdzie najpierw musimy zrozumie\u0107, co budujemy i po co to budujemy. Czyli zebra\u0107 tak zwane wymagania biznesowe. Czego biznes oczekuje po takim projekcie AI? Co pr\u00f3buje osi\u0105gn\u0105\u0107? Co potem jeste\u015bmy w stanie w\u0142a\u015bnie przeku\u0107 na wymagania funkcyjne, czyli jak u\u017cytkownicy b\u0119d\u0105 korzysta\u0107 z naszego produkty. I z takim setem wymaga\u0144, czyli zrozumieniem po co co\u015b budujemy i jak chcemy tego u\u017cywa\u0107, mo\u017cemy p\u00f3j\u015b\u0107 do naszych deweloper\u00f3w i zebra\u0107 wymagania techniczne. Czyli co powinni\u015bmy technicznie zapewni\u0107 w naszym produkcie, \u017ceby te cele funkcyjne i biznesowe da\u0142o si\u0119 spe\u0142ni\u0107. I Jacek, jak takie zbieranie wymaga\u0144 w\u0142a\u015bnie wygl\u0105da dla data science\u2019tyst\u00f3w?<br><strong>JACEK BOGOCZ:<\/strong> Tutaj poruszy\u0142e\u015b bardzo w\u0142a\u015bnie wa\u017cny punkt, jakim jest etap zbierania danych. Poniewa\u017c ten punkt ju\u017c mo\u017ce nam na samym pocz\u0105tku rozwi\u0105za\u0107 wiele problem\u00f3w, z kt\u00f3rymi p\u00f3\u017aniej najcz\u0119\u015bciej si\u0119 spotykamy. Poniewa\u017c musimy wiedzie\u0107 i to jest najcz\u0119\u015bciej rozmowa w\u0142a\u015bnie z biznesem, jaki rodzaj problemu chc\u0105 rozwi\u0105za\u0107 oraz jakie dane posiadaj\u0105 na wej\u015bciu. Tutaj w tej rozmowie chcia\u0142bym i b\u0119d\u0119 pr\u00f3bowa\u0142 troszk\u0119 odczarowa\u0107 magi\u0119 sztucznej inteligencji na rzecz w\u0142a\u015bnie istotno\u015bci danych, poniewa\u017c dane, tak na dobr\u0105 spraw\u0119, stanowi\u0105 fundament pod wszelkiego rodzaju modele maszyny learningowe czy deep learningowe. Wi\u0119c rozmowa z biznesem na samym pocz\u0105tku sprowadza si\u0119 do typu problemu, kt\u00f3ry chc\u0105 rozwi\u0105za\u0107 oraz rodzaju danych, jakie posiadaj\u0105. Nast\u0119pnym krokiem jest powi\u0105zanie przyczyny ze skutkiem. Czyli je\u017celi chcemy rozwi\u0105za\u0107 problem bridge\u2019owania ticket\u00f3w w systemach, to te\u017c musimy posiada\u0107 odpowiedni\u0105 histori\u0119, kt\u00f3ra dostarczy nam tych informacji na inpucie, kt\u00f3ra r\u00f3wnie\u017c jest, powiedzmy, pr\u00f3bk\u0105 reprezentatywn\u0105. Ja to cz\u0119sto por\u00f3wnuj\u0119 do takiego ucznia, kt\u00f3ry przygotowuje si\u0119 na sprawdzian z historii, ale to jest historia nowo\u017cytna, natomiast my mu podajemy notatki ze staro\u017cytno\u015bci. On oczywi\u015bcie si\u0119 \u015bwietnie nauczy z notatek, kt\u00f3re mu dali\u015bmy, natomiast egzamin pewnie, \u0142atwo si\u0119 mo\u017cna domy\u015ble\u0107, obleje. Poniewa\u017c nie b\u0119dzie mie\u0107 \u017cadnej informacji, \u017cadnej wiedzy, kt\u00f3r\u0105 m\u00f3g\u0142 zbudowa\u0107 na podstawie notatek dostarczanych wcze\u015bniej przez nas. I tak w\u0142a\u015bnie najcz\u0119\u015bciej wyja\u015bniam t\u0119 magi\u0119, kt\u00f3r\u0105 nazywamy sztuczn\u0105 inteligencj\u0105. Wa\u017cnym te\u017c czynnikiem jest interpretacja wynik\u00f3w, poniewa\u017c model, szczeg\u00f3lnie g\u0142\u0119bokie sieci neuronowe, ale te\u017c modele uczenia maszynowego nieliniowe, nie s\u0105 \u0142atwe w interpretacji. Dobrym przyk\u0142adem jest badanie atrycji w\u015br\u00f3d pracownik\u00f3w. W wyniku trenowania modelu dla jednego pracownika te czynniki mog\u0105 by\u0107 zupe\u0142nie inne ni\u017c dla pracownika B. A jak to wygl\u0105da ze strony w\u0142a\u015bnie BI z punktu widzenia wizualizacji, Dawid?<br><strong>DAWID ULANOWSKI:<\/strong> Tak. Tutaj, je\u017celi chodzi\u00a0 etap zbierania wymaga\u0144 biznesowych, z perspektywy BI, jest to przede wszystkim rozmowa z klientem. Zadawanie sporej ilo\u015bci pyta\u0144 na temat tego, czego klient oczekuje z raport\u00f3w, co by chcia\u0142 zobaczy\u0107, w jaki spos\u00f3b, czy w oparciu o oczekiwania klienta, o to, co chce zobaczy\u0107, wa\u017cne jest przystosowanie odpowiedniego rodzaju wizualizacji do tych\u017ce oczekiwa\u0144. Czy tutaj lepiej zastosowa\u0107 raport w postaci tabeli, czy w postaci r\u00f3\u017cnego rodzaju wykres\u00f3w, czy to ko\u0142owy, liniowy, czy s\u0142upkowy, czy mo\u017ce lepiej zastosowa\u0107 po\u0142\u0105czenie wykresu s\u0142upkowego i liniowego. Na tym etapie po zebraniu wymaga\u0144 biznesowych od klienta z mojej strony wa\u017cna jest wsp\u00f3\u0142praca r\u00f3wnie\u017c z Data Modelerem, kt\u00f3ry w oparciu o oczekiwania klienta musi taki model dany stworzy\u0107, dobra\u0107 odpowiednie tabele i kolumny, po\u0142\u0105czy\u0107 je w odpowiedni spos\u00f3b, \u017ceby tylko te niezb\u0119dne dane wykorzysta\u0107 do narz\u0119dzi BI-owych, \u017ceby m\u00f3c stworzy\u0107 tak zwane raporty szyte na miar\u0119. Dostosowane pod k\u0105tem oczekiwa\u0144 klienta. Raporty te musz\u0105 by\u0107 tak skonstruowane, \u017ce je\u017celi ludzie z biznesu spojrz\u0105 na te raporty, b\u0119d\u0105 rozumie\u0107 o co chodzi, jakie ju\u017c decyzje biznesowe podj\u0105\u0107 w oparciu o przedstawione raporty. Po wybraniu wymaga\u0144 te\u017c wa\u017cny jest etap zbierania i integracji tych danych, kt\u00f3re b\u0119d\u0105 potrzebne do raportowania. Jak to wygl\u0105da Mateusz z perspektywy data engineeringu?<br><strong>MATEUSZ HA\u0143CZUK:<\/strong> Opiera si\u0119 to tak naprawd\u0119 te\u017c o to, co poruszyli\u015bcie, czyli zrozumienie danych. Poniewa\u017c, je\u017celi budujemy tak\u0105 architektur\u0119, to pierwsze, co musimy tak naprawd\u0119 zrobi\u0107, to przeanalizowa\u0107 dane, kt\u00f3re do niej wprowadzamy. To jest co\u015b, co czasami jest pomijane w\u0142a\u015bnie przy tych celach biznesowych. Ale tutaj Jacek przedstawi\u0142 w\u0142a\u015bnie przyk\u0142ad [niezrozumia\u0142e 00:09:06]. W momencie, gdy liczymy takie attrition no to musimy mie\u0107 jakie\u015b dane HR-owe. I dostaniemy taki plik z danymi, chcemy go wprowadzi\u0107 w\u0142a\u015bnie do jakiej\u015b architektury chmurowej, do storage\u2019\u00f3w, a tutaj mo\u017ce si\u0119 okaza\u0107, \u017ce cz\u0119\u015b\u0107 z tych danych w og\u00f3le nie powinna tam trafi\u0107. I sztuczna inteligencja mo\u017ce by\u0107 wykorzystywana w\u0142a\u015bnie do takiej wst\u0119pnej pr\u00f3by wyprofilowania informacji. Czy na przyk\u0142ad przez przypadek nie zaci\u0105gniemy czyjego\u015b numeru PESEL, imienia, nazwiska, danych, kt\u00f3re s\u0105 niezgodne w\u0142a\u015bnie z RODO, z GDPR, czy standardami ISO. Sztuczna inteligencja pomaga nam to wcze\u015bnie wykry\u0107 w\u0142a\u015bnie poprzez analiz\u0119, pr\u00f3bkowanie i klasyfikowanie tych danych do r\u00f3\u017cnych poziom\u00f3w bezpiecze\u0144stwa. A poza tym, je\u017celi w\u0142a\u015bnie chodzi o in\u017cyniera danych i zaci\u0105ganie, czyli te wszystkie te data ingestion pipeline\u2019y, musimy zrozumie\u0107, \u017ce to s\u0105 dane, kt\u00f3re chcemy, \u017ce tak powiem, zaci\u0105ga\u0107 co jaki\u015b czas, czy chcemy na przyk\u0142ad na \u017cywo monitorowa\u0107 jakie\u015b narz\u0119dzia, bo to zmienia stag technologiczny. I rola in\u017cyniera danych bardzo cz\u0119sto sprowadza si\u0119 tutaj do napisania kodu, kt\u00f3ry po\u0142\u0105czy si\u0119 ze \u017ar\u00f3d\u0142em, dane, powiedzmy, zassa z systemu \u017ar\u00f3d\u0142owego i zrzuci je na jakie\u015b miejsce, kt\u00f3re jest dost\u0119pne dla kolejnych narz\u0119dzi, kt\u00f3re te dane b\u0119d\u0105 dalej procesowa\u0107. Wi\u0119c poza w\u0142a\u015bnie takim kodem, kt\u00f3ry to zrobi, te\u017c jest tutaj wa\u017cne, \u017ce tak powiem, zabezpieczenie po\u0142\u0105cze\u0144 sieciowych i tych wszystkich element\u00f3w, kt\u00f3re sk\u0142adaj\u0105 si\u0119 w\u0142a\u015bnie na po\u0142\u0105cz si\u0119 z systemem, zapisz cz\u0119\u015b\u0107 informacji, przeanalizuj je, przerzu\u0107 je do odpowiedniego miejsca w naszym data lejku, czy naszej bazie danych.<br><strong>JACEK BOGOCZ:<\/strong> G\u0142adko bym przeszed\u0142 ju\u017c do powi\u0105zanego tematu, z integracji do przetwarzania danych, poniewa\u017c cz\u0119sto s\u0142yszymy, \u017ce data scientists tak na dobr\u0105 spraw\u0119 od 60 do 80 procent swojego czasu sp\u0119dza na przetworzeniu danych, jego wyczyszczeniu i wzbogaceniu. Jednym z najcz\u0119stszych problem\u00f3w, jakie wyst\u0119puj\u0105, z jakimi spotykamy si\u0119 w projektach AI w pracy z danymi jest jako\u015b\u0107. Tutaj mo\u017cna unikn\u0105\u0107 b\u0142\u0119d\u00f3w i poprawi\u0107 jako\u015b\u0107 tych danych w\u0142a\u015bnie na etapie przetwarzania. Tutaj nie ma te\u017c jednoznacznej odpowiedzi. Jest pewien zestaw z\u0142otych regu\u0142, najlepszych praktyk, kt\u00f3rymi si\u0119 pos\u0142ugujemy w swojej pracy, ale te\u017c bardzo wa\u017cna rola jest tego analityka biznesowego, o kt\u00f3rym Mateusz wspomnia\u0142e\u015b na samym pocz\u0105tku, kt\u00f3ry nas poprowadzi i da nam zrozumienie z jakimi danymi korzystamy, bo cz\u0119sto pracujemy z r\u00f3\u017cnymi rodzaju danymi. Finansowymi, chemicznymi, genetycznymi, HR-owymi. I tu mo\u017cna by by\u0142o wymienia\u0107 w niesko\u0144czono\u015b\u0107. Natomiast niestety nie jeste\u015bmy w stanie si\u0119 zna\u0107 na ka\u017cdej z tych bran\u017cy. Te\u017c czas jaki mamy w projekcie cz\u0119sto te\u017c nie pozwala wgry\u017a\u0107 si\u0119 w detale poszczeg\u00f3lnej bran\u017cy, wi\u0119c ta rola SMI danego analityka biznesowego jest kluczowa, poniewa\u017c cz\u0119sto wska\u017ce nam wa\u017cne informacje. Cz\u0119sto nawet nam wska\u017ce pola, kt\u00f3re mog\u0105 mie\u0107 pewn\u0105 przyczynowo\u015b\u0107 i determinowa\u0107 to, co chcemy wykry\u0107 w tych danych. Wspomnia\u0142em o warto\u015bciach pustych, wi\u0119c dla przyk\u0142adu, je\u017celi mamy 30 procent pustych warto\u015bci mo\u017cemy albo dane pole usun\u0105\u0107 b\u0105d\u017a imputowa\u0107. To te\u017c zale\u017cy od tego, ile mamy do dyspozycji pozosta\u0142ych cech, jak mamy du\u017cy zbi\u00f3r danych. W przypadku imputacji warto\u015bci pustych r\u00f3wnie\u017c mamy kilka mo\u017cliwo\u015bci. Od najprostszych, poprzez sta\u0142\u0105, poprzez warto\u015b\u0107 \u015bredni\u0105, najcz\u0119\u015bciej wyst\u0119puj\u0105c\u0105. Mo\u017cemy wykorzysta\u0107 bardziej zaawansowane metody polegaj\u0105ce na u\u017cyciu sieci neuronowych GAN, czy SmootIn, gdzie do syntezy warto\u015bci brakuj\u0105cych wykorzystujemy informacje z pozosta\u0142ych kolumn, kt\u00f3re mog\u0105 to determinowa\u0107. Prosty przyk\u0142ad? Wiek. Mo\u017cemy imputowa\u0107 na podstawie na przyk\u0142ad liczby przepracowanych lat, na podstawie certyfikat\u00f3w, czy nawet te\u017c na podstawie ilo\u015bci dzieci. Kolejnym aspektem jest wzbogacanie danych, czyli tworzenie w istniej\u0105cych ju\u017c informacji nowych kolumn, kt\u00f3re nie s\u0105 oczywiste na pierwszy rzut oka, a istotnie mog\u0105 wp\u0142ywa\u0107 na jako\u015b\u0107 modelu. Pytanie w stronie Dawida, jak to wygl\u0105da w\u0142a\u015bnie z twojego punktu widzenia? Jak obr\u00f3bka i wzbogacanie danych wp\u0142ywa na wizualizacj\u0119?<br><strong>DAWID ULANOWSKI:<\/strong> Z perspektywy BI dewelopera niska jako\u015b\u0107 danych no nie wp\u0142ywa pozytywnie na wygl\u0105d wizualizacji, poniewa\u017c tak jak Jacek wspomnia\u0142e\u015b, du\u017ca ilo\u015b\u0107 pustych wierszy powoduje, \u017ce przy na przyk\u0142adzie jakiego\u015b dashboardu, w kt\u00f3rych filtry s\u0105 umieszczone puste warto\u015bci, b\u0105d\u017a jest mo\u017cliwo\u015b\u0107 wybrania tak zwanego nulla, nie wygl\u0105da to estetycznie dla klienta. Natomiast, je\u017celi hipotetycznie odznacze w filtrze warto\u015bci puste przekszta\u0142ci to wszystkie wizualizacje w dashboardzie w niekorzystny spos\u00f3b i wyniki te w og\u00f3le b\u0119d\u0105 odbiega\u0107 od rzeczywisto\u015bci. I klienci nie b\u0119d\u0105 w stanie na podstawie tych raport\u00f3w podj\u0105\u0107 odpowiednich decyzji biznesowych. Dlatego tutaj na etapie tego przetwarzania danych i integracji po przedstawieniu wst\u0119pnej wizualizacji wa\u017cna jest wsp\u00f3\u0142praca z analitykiem biznesowym, kt\u00f3ry spojrzy na te wst\u0119pne wizualizacje i wyniki tych\u017ce raport\u00f3w i stwierdzi, czy faktycznie wyniki tych raport\u00f3w s\u0105 takie, jak powinny, czy maj\u0105 one sens, czy wygl\u0105dy wizualizacji r\u00f3wnie\u017c s\u0105 zgodne z oczekiwaniami. I dopiero p\u00f3\u017aniej przy przedstawieniu tych wst\u0119pnych wizualizacji bardzo cz\u0119sto dochodzi do sytuacji, w kt\u00f3rych klient uznaje, \u017ce jednak co\u015b chce zobaczy\u0107 w inny spos\u00f3b. Zamiast wykresu, na przyk\u0142ad co\u015b w postaci wykresu ko\u0142owego chce zobaczy\u0107 w postaci wykresu liniowego, b\u0105d\u017a dany raport zamiast w postaci tabeli, chce zobaczy\u0107 w postaci wykresu po\u0142\u0105czonego s\u0142upkowym i liniowym. Te z pozoru proste zmiany mog\u0105 si\u0119 cz\u0119sto wi\u0105za\u0107 z konieczno\u015bci\u0105 zmiany modelu danych. Tutaj na tym etapie, kiedy klient zmienia swoje oczekiwania i w oparciu na te zmiany trzeba zmieni\u0107 wygl\u0105d raport\u00f3w, jest wa\u017cna wsp\u00f3\u0142praca z data modelerem. Bardzo cz\u0119sto okazuje si\u0119, \u017ce \u017ceby zmieni\u0107 spos\u00f3b przedstawienia danych wynik\u00f3w konieczne b\u0119dzie przemodelowanie danych, uwzgl\u0119dnienie innych tabel, innych kolumn, zrobienie kalkulacji w inny spos\u00f3b. Do tego trzeba przemodelowa\u0107 to w taki spos\u00f3b, \u017ceby czas \u0142adowania si\u0119 tych raport\u00f3w nie by\u0142 zbyt d\u0142ugi, poniewa\u017c by to klienta zniech\u0119ci\u0142o. C\u00f3\u017c mog\u0119 wi\u0119cej powiedzie\u0107? Wa\u017cne jest, \u017ceby na bie\u017c\u0105co by\u0107 w kontakcie z klientem i mo\u017cliwie jak najszybciej reagowa\u0107 na zmiany, kt\u00f3re klient wprowadza w swoich oczekiwaniach. My\u015bl\u0119, \u017ce tak to wygl\u0105da z perspektywy BI dewelopera. Nie wiem, czy Mateusz albo Jacek chcieliby\u015bcie jeszcze co\u015b ze swojej strony doda\u0107 w tym temacie?\u00a0\u00a0<br><strong>MATEUSZ HA\u0143CZUK:<\/strong> Chcia\u0142em wtr\u0105ci\u0107 w\u0142a\u015bnie t\u0105 rol\u0119 tego data modelera. Jej wcze\u015bniej nie poruszali\u015bmy w tej dyskusji i to jest osoba, kt\u00f3ra jest odpowiedzialna za to, \u017ceby po analizie i zrozumieniu tych danych i rozumieniu wymaga\u0144 biznesu przygotowa\u0107 tak zwany model danych. I model danych jest zestawem r\u00f3\u017cnych tabel, plik\u00f3w, kt\u00f3re si\u0119 wzajemnie komunikuj\u0105. Data modelera g\u0142\u00f3wna rola polega na tym by w\u0142a\u015bnie okre\u015bli\u0107 w jakiej kolumnie, w jakiej tabeli i jakie dane maj\u0105 si\u0119 znale\u017a\u0107. Czy akceptujemy tam puste warto\u015bci, czy daty, czy tekst, czy elementy numeryczne? Jak te wszystkie elementy b\u0119d\u0105 si\u0119 komunikowa\u0107 ze sob\u0105? Czyli mamy cz\u0142owieka, kt\u00f3ry komunikuje si\u0119 z jakim\u015b projektem, czyli musimy postawi\u0107 jak\u0105\u015b drug\u0105 tabel\u0119, kt\u00f3ra b\u0119dzie nam m\u00f3wi\u0142a co\u015b o projektach, oraz tabel\u0119, kt\u00f3ra b\u0119dzie nam m\u00f3wi\u0142a, jaki cz\u0142owiek jest przypisany do kt\u00f3rego projektu w jakim czasie. Tym w\u0142a\u015bnie data modeler si\u0119 zajmuje. I drug\u0105 rol\u0119 in\u017cyniera danych, potem jak ju\u017c, jak wspomina\u0142em, po\u0142\u0105czy si\u0119 ze \u017ar\u00f3d\u0142em i te dane umie\u015bci w naszej architekturze, jest przygotowanie zestawu kod\u00f3w, kt\u00f3re odpowiednio transmassuj\u0105 te dane, pr\u00f3buj\u0105 je umie\u015bci\u0107 w tym modelu, kt\u00f3ry data modeler okre\u015bli\u0142. I ta cz\u0119\u015b\u0107 transformacyjna jest dosy\u0107 taka zasobo\u017cr\u0105ca, powiedzia\u0142bym. I tutaj s\u0105 r\u00f3\u017cne rozwi\u0105zania, jak to ugry\u017a\u0107. Czy to w\u0142a\u015bnie idziemy w zmian\u0119 modelu przej\u015bcia na architektury, kt\u00f3re s\u0105 dosy\u0107 popularne, jak data vault i data mesh. Teraz s\u0105 chyba najbardziej popularnymi z takich architektur. Czy w\u0142a\u015bnie zmieni\u0107 technologi\u0119, by by\u0142a dopasowana do takich du\u017cych transformacji danych? Popularne cloudowe platformy, jak AWS, Google, czy Azure maj\u0105 swoje zestawy narz\u0119dzi specjalnie do tego dostosowane. Tak, \u017ceby zamkn\u0105\u0107 w\u0142a\u015bnie ten temat modeli danych i powi\u0105za\u0107 go ze sztuczn\u0105 inteligencj\u0105, to model danych jest w\u0142a\u015bnie odpowiedzialny za wyczyszczenie pewnych rzeczy, okre\u015blenie, czy warto\u015bci puste s\u0105 w og\u00f3le dopuszczalne w naszej architekturze na specyficznych kolumnach, oraz mamy dosy\u0107 taki ciekawy zestaw narz\u0119dzi sztucznej inteligencji, kt\u00f3re w tym pomagaj\u0105. Bo raz, \u017ce s\u0105 specjalne narz\u0119dzia dla data modeler\u00f3w, kt\u00f3re pomagaj\u0105 nam zbudowa\u0107 ten model relacyjny, przygotowa\u0107 w\u0142a\u015bnie t\u0105 dokumentacj\u0119 dla in\u017cyniera danych, ale cz\u0119\u015b\u0107 narz\u0119dzi BI-owych, jak na przyk\u0142ad Qlik Sense sama pr\u00f3buje taki model zbudowa\u0107 na podstawie tego, jakie dane do nich wepniemy. Jak ostatni raz sprawdza\u0142em w\u0142a\u015bnie tego Qlik Sense\u2019a , to nie by\u0142o zbyt inteligentne, ale wida\u0107, \u017ce takie pr\u00f3by s\u0105 robione, \u017ceby pr\u00f3bowa\u0107 za pomoc\u0105 sztucznej inteligencji automatyzowa\u0107 w\u0142a\u015bnie t\u0105 cz\u0119\u015b\u0107. Wi\u0119c nie tylko m\u00f3wimy tutaj o w\u0142a\u015bnie klasyfikacji danych, ale te\u017c i o poprawieniu jako\u015bci i pr\u00f3bowaniu znale\u017a\u0107 jakich\u015b wsp\u00f3lnych element\u00f3w, jak te dane b\u0119d\u0105 ze sob\u0105 rozmawia\u0107.\u00a0<br><strong>JACEK BOGOCZ:<\/strong> Bardzo wa\u017cny w\u0142a\u015bnie punkt dotkn\u0105\u0142e\u015b Mateusz. Automatyzacja i usprawnienie pracy, cz\u0119sto powtarzalnej z punktu widzenia data modelera, ale te\u017c i data scientista. Ja tutaj tylko wspomn\u0119, od ostatnich paru lat mamy silny wzrost framework\u00f3w i rozwi\u0105za\u0144 autoemelowych. Gdzie praktycznie osoba bez znajomo\u015bci kodu mo\u017ce stworzy\u0107 ca\u0142y pipeline, pocz\u0105wszy od inputu danych, poprzez w\u0142a\u015bnie transformacje, czyszczenia danych, wzbogacania. A\u017c do budowania modeli, testowania, optymalizacji parametr\u00f3w, serializacji i finalnie deploymentu modelu. Jednym z takich framework\u00f3w jest Pycaret. Jest to biblioteka pythonowa, gdzie praktycznie w kilka linijek kodu stworzymy taki model. Je\u017celi w og\u00f3le nie chcemy dotyka\u0107 kodu, patrz tutaj rozwi\u0105zania cloudowe. Mamy w AWS-ie Amazon Search Maker Canvas, gdzie za pomoc\u0105 drag and drop budujemy sobie pipeline. W przypadku rozwi\u0105za\u0144 microsoftowych mamy Azure Machine Learning Designer. Ten sam approach, to samo rozwi\u0105zanie. Je\u017celi chodzi o sztuczn\u0105 inteligencj\u0119, to r\u00f3wnie\u017c w przypadku rozpoznawania mowy nie b\u0119dziemy trenowa\u0107 naszych w\u0142asnych modeli od zera. B\u0119dziemy przecie\u017c prawdopodobnie wykorzystywa\u0107 modele ju\u017c gotowe. Tak\u0105 bardzo popularn\u0105 baz\u0105 jest Hugging Face, gdzie mo\u017cemy znale\u017a\u0107 bardzo bogaty wachlarz wytrenowanych modeli. Wi\u0119c ze strony data scientista pozostaje pobranie takiego modelu. Ewentualnie dotrenowanie go czy zmienienie jakiej\u015b warstwy w sieci neuronowej i wykorzystanie ju\u017c do swojego projektu. Wspomnia\u0142e\u015b w\u0142a\u015bnie Mateusz o automatyzacji, wykorzystaniu AI w przypadku wzbogacania i przetwarzania danych. Tutaj te\u017c te kroki ze strony data scientista par\u0119 lat temu polega\u0142y na \u017cmudnym kodowaniu z regu\u0142y tych samych jednostek, wi\u0119c generalnie te\u017c frameworki i obecne rozwi\u0105zania pomagaj\u0105 nam to zautomatyzowa\u0107. Dla przyk\u0142adu AWS Data Wrangler. Te\u017c mo\u017cemy tworzy\u0107 pipeline do przetwarzania danych i model sam zaproponuje jaki rodzaj imputacji, jaki rodzaj transformacji u\u017cy\u0107 dla danych. My b\u0119dziemy tylko osob\u0105, kt\u00f3ra decyduje, kt\u00f3r\u0105 form\u0119, kt\u00f3re rozwi\u0105zanie wybra\u0107. W wi\u0119kszo\u015bci przypadk\u00f3w jest to bardzo dobry baseline dla naszego projektu, poniewa\u017c w bardzo kr\u00f3tkim czasie pozwala nam zobaczy\u0107, co si\u0119 w tych danych dzieje. Czy nasz model, czy nasze predykcje s\u0105 randomowe, czy mimo wszystko gdzie\u015b te predykcje maj\u0105 wi\u0119ksz\u0105 istotno\u015b\u0107 statystyczn\u0105 i jeste\u015bmy w stanie p\u00f3\u017aniej, ju\u017c schodz\u0105c na niski poziom, odpowiednio zoptymalizowa\u0107 dany model. Wi\u0119c ja w swojej pracy widz\u0119 wyra\u017an\u0105 popraw\u0119 i wyra\u017ane u\u0142atwienie w\u0142a\u015bnie automatyzacji wykorzystania gotowych framework\u00f3w, auto EMLi, czy gotowych serwis\u00f3w AI. Tutaj znowu mo\u017cna poda\u0107 par\u0119 przyk\u0142ad\u00f3w. W Amazonie mamy Amazon Recognition, w Azure, Azure Cognitive. Do chatbot\u00f3w Lex, w przypadku Azura mamy Louis. Generalnie us\u0142ugi cloudowe wi\u0119kszo\u015b\u0107 rzeczy, kt\u00f3re znajdziemy w AWS-ie mo\u017cemy r\u00f3wnie\u017c znale\u017a\u0107 w Azurze. Aczkolwiek s\u0105 pewne aspekty, w kt\u00f3rych danych provider si\u0119 specjalizuje. AWS zaproponowa\u0142 rozwi\u0105zanie do forecastu i w chwili obecnej jest to tylko jedno rozwi\u0105zanie wyst\u0119puj\u0105ce u tego providera. Nie znajdziemy znowu\u017c tego rozwi\u0105zania w us\u0142ugach microsoftowych. A jak w\u0142a\u015bnie wygl\u0105da ta sytuacja po stronie narz\u0119dzi BI, Dawid?\u00a0<br><strong>DAWID ULANOWSKI:<\/strong> Tutaj w narz\u0119dziach Business Intelligence czo\u0142owe lokaty zajmuj\u0105 takie firmy jak Microsoft, Click i Tablo. Te narz\u0119dzia r\u00f3wnie\u017c maj\u0105 u siebie zastosowane rozwi\u0105zania, kt\u00f3re s\u0105 oparte o sztuczn\u0105 inteligencj\u0119. Na przyk\u0142ad Power BI korzysta z takiej wtyczki, kt\u00f3ra si\u0119 nazywa Microsoft Artificial Intelligence. Wykorzystuj\u0105c t\u0105 \u015bcie\u017ck\u0119 klienci biznesowi korzystaj\u0105cy z raport\u00f3w mog\u0105 w stosunkowo prosty spos\u00f3b przygotowywa\u0107 te dane. Co wi\u0119cej, tworzy\u0107 modele uczenia maszynowego i w oparciu o to wszystko wyci\u0105ga\u0107 wnioski, podejmowa\u0107 decyzje biznesowe. Program Tablo korzysta z takiej funkcjonalno\u015bci jak ask data i explain data. Te funkcjonalno\u015bci, czy wtyczki, wykorzystuj\u0105 przetwarzanie j\u0119zyka naturalnego. Poza tym wykorzystuj\u0105 statystyk\u0119. Wszystko po to, \u017ceby zapewni\u0107 lepszej jako\u015bci analizy. I to zar\u00f3wno u\u017cytkownikom biznesowym i osobom, kt\u00f3re no s\u0105, \u017ce tak powiem, wtajemniczone w szeroko poj\u0119te data science. Na przyk\u0142ad narz\u0119dzie Click posiada tak\u0105 funkcjonalno\u015b\u0107, kt\u00f3ra nazywa si\u0119 cognitive engine i ona wykorzystuje mechanizmy uczenia maszynowego po to, \u017ceby odbiorcom podsuwa\u0107, sugerowa\u0107 wizualizacje, kt\u00f3re b\u0119d\u0105 najbardziej optymalne dla ich oczekiwa\u0144. I to u\u0142atwia u\u017cytkownikom biznesowym analiz\u0119 danych. Jak wida\u0107 sztuczna inteligencja ma bardzo szerokie zastosowanie i pozwala ona ludziom biznesu lepiej zrozumie\u0107 swoich klient\u00f3w. Wszystkie te aplikacje, kt\u00f3re wykorzystuj\u0105 mechanizmy sztucznej inteligencji cz\u0119sto stanowi\u0105 kombinacj\u0119 jednej lub wielu funkcji. Takie funkcje najcz\u0119\u015bciej s\u0105 automatyzacja proces\u00f3w, albo zaanga\u017cowanie i analiza poznawcza. Tak\u017ce te funkcje mog\u0105 w spos\u00f3b automatyczny aktualizowa\u0107 informacje na przyk\u0142ad o swoich klientach. Dzi\u0119ki temu komunikacja z konsumentami jest o wiele \u0142atwiejsza. Te narz\u0119dzia dostarczaj\u0105 te\u017c wskaz\u00f3wki, kt\u00f3re dotycz\u0105 na przyk\u0142ad znormalizowanych dokument\u00f3w r\u00f3\u017cnego rodzaju, um\u00f3w, faktur i tym podobne. Firmy inwestuj\u0105ce w tego typu rozwi\u0105zania, no zwrot z tej inwestycji jest wysoki po czasie.<br><strong>MATEUSZ HA\u0143CZUK:<\/strong> Ja tu mo\u017ce wejd\u0119 w\u0142a\u015bnie od takiej strony mniej zaawansowanej. Je\u017celi u\u017cywamy w\u0142a\u015bnie tych narz\u0119dzi BI czasami s\u0105 dost\u0119pne ju\u017c jakby gotowe rozwi\u0105zania, troszeczk\u0119 oparte o sztuczn\u0105 inteligencj\u0119. I w takim na przyk\u0142ad narz\u0119dziu Power BI od Microsoftu mamy wizualizacj\u0119, kt\u00f3ra si\u0119 nazywa key influencers. I co ta wizualizacja robi? To na podstawie tych danych, kt\u00f3re wprowadzili\u015bmy do Power BI, do aplikacji, jest w stanie okre\u015bli\u0107, co najbardziej wp\u0142ywa na jaki\u015b atrybut, kt\u00f3ry zadali\u015bmy. Z takiego przyk\u0142adowego rozwi\u0105zania, powiedzmy, \u017ce mamy r\u00f3\u017cne konta ksi\u0119gowe, koszty za ubrania, koszty za podr\u00f3\u017ce i tak dalej i zadajemy pytanie, czyli atrybut, co wp\u0142ywa na to, \u017ce mamy wysokie skoki koszt\u00f3w? I key influencers, ta wizualizacja jest w stanie pokaza\u0107 taki wykresik, kt\u00f3ry na przyk\u0142ad m\u00f3wi, no, koszty ubra\u0144 to nie wp\u0142ywaj\u0105 zbyt mocno, za to koszty podr\u00f3\u017cy tak, bo tutaj tam cz\u0119sto skacze. To nie jest jakby sta\u0142a warto\u015b\u0107, kt\u00f3rej si\u0119 spodziewamy. Jest troszeczk\u0119 takich wizualizacji. Nie wiem czy Proces Mining w\u0142a\u015bnie mo\u017cemy pod to podpi\u0105\u0107, czyli to, co Dawid m\u00f3wi\u0142e\u015b o optymalizacji proces\u00f3w, bardzo cz\u0119sto si\u0119 w\u0142a\u015bnie tego u\u017cywa i co Proces Mining robi? On analizuje r\u00f3\u017cne logi, czyli przej\u015bcia, klikni\u0119cia, zmiany grup, kt\u00f3re zajmuj\u0105 si\u0119 naszym zg\u0142oszeniem na infolinii i ile czasu im to zaj\u0119\u0142o, czy to skacze pomi\u0119dzy r\u00f3\u017cnymi grupami ludzi, czy to jest rozwi\u0105zywane bardzo szybko i pr\u00f3buje znale\u017a\u0107 tak\u0105 szcz\u0119\u015bliw\u0105 \u015bcie\u017ck\u0119, bym to nazwa\u0142. To zg\u0142oszenie ze wzgl\u0119du na jego natur\u0119, jak\u0105 powinno przej\u015b\u0107 drog\u0119, czyli przez jakie osoby powinno przej\u015b\u0107, przez jakie grupy, \u017ceby jak najszybciej zosta\u0142o rozwi\u0105zane. I w momencie, w kt\u00f3rym proces mining wykryje w\u0142a\u015bnie tak\u0105 szcz\u0119\u015bliw\u0105 \u015bcie\u017ck\u0119 jeste\u015bmy w stanie przygotowa\u0107 zestaw regu\u0142, jak takie zg\u0142oszenie powinno si\u0119 zachowywa\u0107, kt\u00f3re przekazywane jest potem tym infoliniom w\u0142a\u015bnie na zasadzie takiej mamy problem z Outlookiem, czy jakim\u015b innym identyfikatorem poczty, nie mo\u017ce si\u0119 po\u0142\u0105czy\u0107 z sieci\u0105. I si\u0119 na przyk\u0142ad okazuje, \u017ce najcz\u0119\u015bciej jest to rozwi\u0105zywane poprzez aktualizacj\u0119 has\u0142a u\u017cytkownika. Jak tam klient poczty na przyk\u0142ad zgubi\u0142 jakie jest has\u0142o, u\u017cytkownik te\u017c ju\u017c nie pami\u0119ta i mamy problem, wi\u0119c jeste\u015bmy w stanie przygotowa\u0107 taki artyku\u0142 do bazy wiedzy dla agenta infolinii, hej, je\u017celi dostaniesz tego typu zg\u0142oszenia, to pierwsze co powiniene\u015b sprawdzi\u0107 to to, czy klient w og\u00f3le wie jakie ma has\u0142o do klienta poczty. I w ten spos\u00f3b w\u0142a\u015bnie mo\u017cna fizyczne zobaczy\u0107, jak takie analizy sztucznej inteligencji dostarczaj\u0105 prawdziw\u0105 warto\u015b\u0107.<br><strong>JACEK BOGOCZ:<\/strong> Dok\u0142adnie Mateusz, zupe\u0142nie si\u0119 z tob\u0105 zgadzam. Poruszy\u0142e\u015b w sumie dwie wa\u017cne kwestie. Key influencer, czyli wp\u0142yw najwa\u017cniejszych w\u0142a\u015bnie czynnik\u00f3w. Cz\u0119sto by\u0142 problem z identyfikowaniem tych najwa\u017cniejszych czynnik\u00f3w w g\u0142\u0119bokich sieciach neuronowych, nazwanych black boxem. Dlatego te\u017c mog\u0119 poleci\u0107 framework bibliotek\u0119 Chaplin, kt\u00f3ra w \u0142atwy spos\u00f3b interpretuje, kt\u00f3re czynniki mia\u0142y wp\u0142yw na dane decyzyjne, czy na decyzj\u0119 danego modelu. No tak jak Mateusz w\u0142a\u015bnie m\u00f3wisz, predykcja to jest jedno, ale cz\u0119sto biznes chce wiedzie\u0107, jakie czynniki mia\u0142y wp\u0142yw, \u017ceby zapobiec danym zdarzeniom w przysz\u0142o\u015bci. Je\u017celi chodzi o \u0142\u0105czenie te\u017c sztucznej inteligencji z BI toolem mieli\u015bmy taki przypadek po\u0142\u0105czenia BI toola z serwerem. To by\u0142 Tableau i Tableau Server. Szczeg\u00f3lnie to by\u0142 TabPy. Takie rozszerzenie, kt\u00f3re umo\u017cliwia wysy\u0142anie danych ju\u017c odfiltrowanych na wizualizacji do serwera, a nast\u0119pnie wykonanie na ich podstawie kalkulacji. To si\u0119 przyda\u0142o w momencie, kiedy chcieli\u015bmy u\u017cywa\u0107 sztucznej inteligencji, ale nie a priori, czyli nie w za\u0142o\u017ceni wcze\u015bniej ju\u017c przygotowanej, tylko live. Czyli w momencie, kiedy sobie filtrujemy, w momencie, kiedy chcemy zobaczy\u0107, jak dana wizualizacja, jak dane informacje prezentuj\u0105 si\u0119 po zastosowaniu danych filtr\u00f3w, dopiero wtedy zastosowa\u0107 model sztucznej inteligencji. Takie rozwi\u0105zanie uda\u0142o nam si\u0119 w\u0142a\u015bnie zastosowa\u0107 z wykorzystaniem osobnego serwera, kt\u00f3ry to po otrzymaniu ju\u017c tych informacji odfiltrowanych dokonywa\u0142 trenowania modelu, predykcji i z informacj\u0105 zwrotn\u0105 wraca\u0142 ju\u017c na dashboard. Obawiali\u015bmy si\u0119 tutaj spadku, znacz\u0105cego spadku performance. Aczkolwiek nie by\u0142y to jakie\u015b du\u017ce zbiory danych, wi\u0119c ca\u0142o\u015b\u0107 zajmowa\u0142a od momentu filtracji, a\u017c poprzez zwizualizowanie ju\u017c po\u017c\u0105danych wynik\u00f3w raptem kilkana\u015bcie sekund, wi\u0119c to te\u017c jest co\u015b, co mo\u017ce dziwi\u0107.\u00a0<br><strong>MATEUSZ HA\u0143CZUK: <\/strong>Tutaj fajnie na przyk\u0142ad mo\u017cna powiedzie\u0107, co si\u0119 wybija w takich rozwi\u0105zaniach. No bo przyk\u0142ady przyk\u0142adami, ale na czym\u015b to budowa\u0107 trzeba i tutaj w\u0142a\u015bnie rola architekta cz\u0119sto sprowadza si\u0119 do tego, \u017ceby wybra\u0107 stag technologiczny i najcz\u0119\u015bciej s\u0105 dostosowane do funkcjonalno\u015bci. Na przyk\u0142ad je\u017celi my\u015blimy o proces mining, o tym co wspomina\u0142em wcze\u015bniej, to taki trenduj\u0105cy obecnie jest Celonis. Chocia\u017c ostatnio si\u0119 o nim coraz mniej s\u0142yszy, bo wi\u0119kszo\u015b\u0107 narz\u0119dzi BI-owych ma ju\u017c jakie\u015b pluginy, kt\u00f3re pozwalaj\u0105 robi\u0107 proces mining, nie na tak zaawansowanym etapie jak Celonis, ale w wielu przypadkach u\u017cycia po prostu wystarcza. Do tego w\u0142a\u015bnie dochodzi wyb\u00f3r tej platformy, gdzie te dane b\u0119dziemy trzyma\u0107 i tutaj ostatnio si\u0119, poza takimi architekturami popularnymi, ostatnio si\u0119 wybija ten Concept Labe House. I tu widz\u0119, \u017ce kr\u00f3luje albo data bricks, kt\u00f3ry jest bardzo powi\u0105zany z Microsoftem ostatnimi czasy, albo w\u0142a\u015bnie snowflake. Inne narz\u0119dzie tego typu. I ono troszeczk\u0119 mocniej si\u0119 sk\u0142ada w stron\u0119 AWS-a, z tego, co widz\u0119, wi\u0119c to te\u017c jest ciekawostka. No i jak wspominali\u015bmy w\u0142a\u015bnie o in\u017cynierii danych ostatnio trafi\u0142em na czas GPT, kt\u00f3ry jest takim chatbotem, ale w bardziej w\u0142a\u015bnie skierowanym do deweloper\u00f3w. Czyli jeste\u015bmy w stanie na przyk\u0142ad wklei\u0107 kawa\u0142ek kodu, kt\u00f3ry mamy i zapyta\u0107 chatbota, hej, ten kawa\u0142ek kodu zwraca b\u0142\u0105d, jak ja to mog\u0119 naprawi\u0107? Albo jak napisa\u0107 jeden stan z pryncypi\u00f3w programowania, czyli na przyk\u0142ad observer czy w\u0142a\u015bnie konstruktor klasy. Tego typu pytania, jest w stanie wyrzu\u0107 jakby gotowy kod w j\u0119zyku, w kt\u00f3rym piszemy i w ten spos\u00f3b sobie u\u0142atwi\u0107 prac\u0119 albo pom\u00f3c z pisaniem test\u00f3w jednostkowych. Wi\u0119c to s\u0105 taki fajne ciekawostki technologiczne, na kt\u00f3re warto zwr\u00f3ci\u0107 uwag\u0119. Szczeg\u00f3lnie, je\u017celi kto\u015b na przyk\u0142ad chce si\u0119 spe\u0142nia\u0107 w roli solution architekta, to najcz\u0119\u015bciej w\u0142a\u015bnie solution architekci znaj\u0105 bardzo du\u017co narz\u0119dzi, ale nie wnikaj\u0105 w jakie\u015b tam szczeg\u00f3\u0142owe detale o nich i s\u0105 w stanie dobra\u0107 odpowiednie narz\u0119dzie do funkcji. Wi\u0119c to jest my\u015bl\u0119, \u017ce dobry pomys\u0142, zainteresowa\u0107 si\u0119 przynajmniej jakie tam technologie s\u0105 popularne.\u00a0<br><strong>JACEK BOGOCZ: <\/strong>Tutaj te\u017c w\u0142a\u015bnie zmieniaj\u0105cy si\u0119 trend, o kt\u00f3rym Mateusz wspominasz, coraz wi\u0119ksze w przestrzeni automatyzacji, u\u0142atwiania i redukcji czasu na powtarzaj\u0105ce si\u0119 taski powoduje, \u017ce w roli data scientsta te\u017c coraz bardziej zanika tak jakby skupianie si\u0119 tylko i wy\u0142\u0105cznie na modelowaniu, na trenowaniu. To dostarczane frameworki czy us\u0142ugi praktycznie wykonuj\u0105 wi\u0119kszo\u015b\u0107 roboty za nas. Wobec tego coraz cz\u0119\u015bciej oczekuje si\u0119 od takiej osoby znajomo\u015bci te\u017c pryncypi\u00f3w data engineeringu, znajomo\u015bci clouda, oraz mo\u017cliwo\u015bci pracy z big data. Tutaj m\u00f3g\u0142bym poleci\u0107 w\u0142a\u015bnie te\u017c data Bricksy, ale przede wszystkim Pysparka.<br><strong>MATEUSZ HA\u0143CZUK: <\/strong>To warto wspomnie\u0107, \u017ce i Data Bricksy i Snowflake w\u0142a\u015bnie siedz\u0105 nam na sparkowych, jak Pyspark, Scala, jak najbardziej.\u00a0<br><strong>JACEK BOGOCZ:<\/strong> A opr\u00f3cz tego na Sparku te\u017c mamy biblioteki machine learningowe. Najpopularniejsza to jest MLlib.\u00a0<br><strong>MATEUSZ HA\u0143CZUK: <\/strong>A Dawid co tam si\u0119 w BI wybi\u0142o?<br><strong>DAWID ULANOWSKI: <\/strong>No ja mog\u0119 powiedzie\u0107 tyle, \u017ce je\u017celi kto\u015b chce swoj\u0105 przysz\u0142o\u015b\u0107 wi\u0105za\u0107 z business intelligence, to mog\u0119, uwa\u017cam, \u017ce patrz\u0105c na mo\u017cliwo\u015bci, kt\u00f3re otwieraj\u0105 si\u0119 przed u\u017cytkownikami narz\u0119dzi business intelligence, kt\u00f3re wykorzystuj\u0105 algorytmy uczenia maszynowego, mog\u0119 powiedzie\u0107, \u017ce b\u0119dzie rosn\u0105ce zapotrzebowanie na osoby specjalizuj\u0105ce si\u0119 w business intelligence. Umiej\u0119tno\u015bci no nadal b\u0119d\u0105 konieczne do budowy modeli analitycznych, kt\u00f3re pozwol\u0105 na odpowiednie wykorzystanie ich w nowoczesnych systemach przy wykorzystaniu sztucznej inteligencji. Tak\u017ce tutaj wiedza b\u0119dzie nadal bardzo ceniona w kwestii integracji danych przede wszystkim, kt\u00f3re pochodz\u0105 z r\u00f3\u017cnych \u017ar\u00f3de\u0142, oraz no do budowy bardziej zaawansowanych analitycznych aplikacji. Narz\u0119dzia te, kt\u00f3re wykorzystuj\u0105 wtyczki sztucznej inteligencji no odkrywaj\u0105 coraz to nowsze mo\u017cliwo\u015bci przed osobami ze sfery biznesowej, kt\u00f3re poszukuj\u0105 narz\u0119dzi tych zwi\u0105zanych z business intelligence. Uwa\u017cam, \u017ce nadal jeszcze nie wykorzystujemy ca\u0142ego potencja\u0142u uczenia maszynowego i sztucznej inteligencji. Tak\u017ce tutaj mog\u0119 powiedzie\u0107, \u017ce przysz\u0142o\u015b\u0107 obszaru business intelligence to w\u0142a\u015bnie jest bardzo mocno zwi\u0105zana ze sztuczn\u0105 inteligencj\u0105. Tak\u017ce osoby z tego obszaru wspomnianego business intelligence dysponuj\u0105c coraz to nowszymi narz\u0119dziami b\u0119dziemy w stanie dostarcza\u0107 no lepsze rozwi\u0105zania dla biznesu. Tak\u017ce organizacje, kt\u00f3re stoj\u0105 w obliczu nowych wyzwa\u0144, nowych problem\u00f3w biznesowych, uwa\u017cam, \u017ce inwestycja w narz\u0119dzia BI i sztucznej inteligencji zwr\u00f3c\u0105 si\u0119 bardzo szybko i z ca\u0142\u0105 pewno\u015bci\u0105 wnios\u0105 realn\u0105 warto\u015b\u0107 do biznesu.\u00a0\u00a0<br><strong>JACEK BOGOCZ:<\/strong> Dzi\u0119kuj\u0119 bardzo za rozmow\u0119. Mateusz, Dawid. Bardzo ciekawa rozmowa. My\u015bl\u0119, \u017ce tutaj poruszyli\u015bmy wiele wa\u017cnych aspekt\u00f3w, z kt\u00f3rymi spotkamy si\u0119 w pracy w projektach AI, ale te\u017c troszeczk\u0119 taki rys historyczny i trendy, jak zmienia si\u0119 dany rynek.<br><strong>DAWID ULANOWSKI:<\/strong> To i ja r\u00f3wnie\u017c bardzo chcia\u0142bym podzi\u0119kowa\u0107 tobie Jacek i Mateusz za t\u0105 rozmow\u0119 i r\u00f3wnie\u017c s\u0142uchaczom za to, \u017ce tyle czasu wytrzymali w czasie tej rozmowy, kt\u00f3ra by\u0142a bardzo mocno techniczna. Mam nadziej\u0119 do us\u0142yszenia w nast\u0119pnej serii.<br><strong>MATEUSZ HA\u0143CZUK:<\/strong> Tak. Ja r\u00f3wnie\u017c dzi\u0119kuj\u0119. My\u015bl\u0119, \u017ce poruszyli\u015bmy kilka ciekawych w\u0142a\u015bnie temat\u00f3w odno\u015bnie sztucznej inteligencji, jak nam mo\u017ce pom\u00f3c dla biznesu, ale r\u00f3wnie\u017c dla nas w naszej pracy. Tak\u017ce my\u015bl\u0119, \u017ce bardzo owocna dyskusja.<br><strong>JACEK BOGOCZ:<\/strong> Do dalszej edukacji polecam ksi\u0105\u017cki wydania O&#8217;Reilly dla pythona, \u201cMachine learning, python i data science\u201d, ale te\u017c \u201cDeep learning. Uczenie g\u0142\u0119bokie z u\u017cyciem pythona\u201d. Dla os\u00f3b pocz\u0105tkuj\u0105cych polecam Data Campa, poniewa\u017c ma \u015bwietne \u015bcie\u017cki, w kt\u00f3rych zar\u00f3wno si\u0119 uczymy w postaci kr\u00f3tkich wideo filmik\u00f3w, jak i r\u00f3wnie\u017c \u0107wiczymy w interaktywnym dashboardzie.\u00a0<br><strong>DAWID ULANOWSKI: <\/strong>Ja ze swojej strony dla os\u00f3b, kt\u00f3re chc\u0105 zwi\u0105za\u0107 swoj\u0105 przysz\u0142o\u015b\u0107 z business intelligence mog\u0119 poleci\u0107 stron\u0119 internetow\u0105 freecodecamp.org. Poza tym r\u00f3wnie\u017c warto zainteresowa\u0107 si\u0119 kursami na Udemy, kt\u00f3re prowadzi Kiril Emerenko. Zwi\u0105zane z programem Tableau. Kursy te s\u0105 od poziomu pocz\u0105tkuj\u0105cego do mocno zaawansowanego. Z ksi\u0105\u017cki, kt\u00f3r\u0105 m\u00f3g\u0142bym poleci\u0107 jest ksi\u0105\u017cka wydawnictwa Helion, autorstwa Erina Ostrowskiego pod tytu\u0142em \u201cMicrosoft Power BI. Jak modelowa\u0107 i wizualizowa\u0107 dane oraz budowa\u0107 narracje cyfrowe\u201d.<br><\/p><div class=\"bg-color video-align-right\"><div class=\"container\"><div class=\"row video-align-left\"><div class=\"col-md-12\"><div class=\"video-align-left row box box--4 box--mini\"><div class=\"col-md-3\"><\/div><div class=\"col-md-8 box-img-wrapper\"><div class=\"video-box\"><\/div><\/div><\/div><\/div><\/div><\/div><\/div><div class=\"content-more\"><\/div><\/div><\/div><\/div><\/div>\n<\/div><\/div><\/section>\n","protected":false},"excerpt":{"rendered":"","protected":false},"author":413,"featured_media":0,"parent":700947,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"cg_dt_proposed_to":[],"cg_seo_hreflang_relations":"[]","cg_seo_canonical_relation":"","cg_seo_hreflang_x_default_relation":"{\"uuid\":\"3797bd2a-320c-4236-9923-6ea349610b7b\",\"blogId\":\"\",\"domain\":\"\",\"sitePath\":\"\",\"postLink\":\"\",\"postId\":null,\"isSaved\":true,\"isCrossLink\":false,\"hasCrossLink\":false}","cg_dt_approved_content":true,"cg_dt_mandatory_content":false,"cg_dt_notes":"","cg_dg_source_changed":false,"cg_dt_link_disabled":false,"_yoast_wpseo_primary_brand":"","footnotes":"","featured_focal_points":"","partner_card_description":"","gsap_animation":0},"brand":[],"partner_type":[],"service":[],"industry":[],"partners":[],"page-type":[],"content-group":[],"class_list":["post-705981","page","type-page","status-publish","hentry"],"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v22.8 (Yoast SEO v22.8) - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Odcinek 6. Cykl \u017cycia danych w Projektach AI - Capgemini Poland<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/sezon2-odcinek6\/\" \/>\n<meta property=\"og:locale\" content=\"pl_PL\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Odcinek 6. Cykl \u017cycia danych w Projektach AI\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/sezon2-odcinek6\/\" \/>\n<meta property=\"og:site_name\" content=\"Capgemini Poland\" \/>\n<meta property=\"article:modified_time\" content=\"2025-12-05T14:05:22+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/prod.ucwe.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data1\" content=\"31 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/sezon2-odcinek6\/\",\"url\":\"https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/sezon2-odcinek6\/\",\"name\":\"Odcinek 6. Cykl \u017cycia danych w Projektach AI - Capgemini Poland\",\"isPartOf\":{\"@id\":\"https:\/\/www.capgemini.com\/pl-pl\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/sezon2-odcinek6\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/sezon2-odcinek6\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/www.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png\",\"datePublished\":\"2023-03-28T08:48:52+00:00\",\"dateModified\":\"2025-12-05T14:05:22+00:00\",\"breadcrumb\":{\"@id\":\"https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/sezon2-odcinek6\/#breadcrumb\"},\"inLanguage\":\"pl-PL\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/sezon2-odcinek6\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"pl-PL\",\"@id\":\"https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/sezon2-odcinek6\/#primaryimage\",\"url\":\"https:\/\/www.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png\",\"contentUrl\":\"https:\/\/www.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png\",\"width\":1280,\"height\":720},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/sezon2-odcinek6\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/www.capgemini.com\/pl-pl\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Kariera\",\"item\":\"https:\/\/www.capgemini.com\/pl-pl\/kariera\/\"},{\"@type\":\"ListItem\",\"position\":3,\"name\":\"Podcast techchatter\",\"item\":\"https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/\"},{\"@type\":\"ListItem\",\"position\":4,\"name\":\"Odcinek 6. Cykl \u017cycia danych w Projektach AI\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/www.capgemini.com\/pl-pl\/#website\",\"url\":\"https:\/\/www.capgemini.com\/pl-pl\/\",\"name\":\"Capgemini Polska\",\"description\":\"Capgemini\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/www.capgemini.com\/pl-pl\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"pl-PL\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Odcinek 6. Cykl \u017cycia danych w Projektach AI - Capgemini Poland","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/sezon2-odcinek6\/","og_locale":"pl_PL","og_type":"article","og_title":"Odcinek 6. Cykl \u017cycia danych w Projektach AI","og_url":"https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/sezon2-odcinek6\/","og_site_name":"Capgemini Poland","article_modified_time":"2025-12-05T14:05:22+00:00","og_image":[{"url":"https:\/\/prod.ucwe.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png"}],"twitter_card":"summary_large_image","twitter_misc":{"Est. reading time":"31 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/sezon2-odcinek6\/","url":"https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/sezon2-odcinek6\/","name":"Odcinek 6. Cykl \u017cycia danych w Projektach AI - Capgemini Poland","isPartOf":{"@id":"https:\/\/www.capgemini.com\/pl-pl\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/sezon2-odcinek6\/#primaryimage"},"image":{"@id":"https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/sezon2-odcinek6\/#primaryimage"},"thumbnailUrl":"https:\/\/www.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png","datePublished":"2023-03-28T08:48:52+00:00","dateModified":"2025-12-05T14:05:22+00:00","breadcrumb":{"@id":"https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/sezon2-odcinek6\/#breadcrumb"},"inLanguage":"pl-PL","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/sezon2-odcinek6\/"]}]},{"@type":"ImageObject","inLanguage":"pl-PL","@id":"https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/sezon2-odcinek6\/#primaryimage","url":"https:\/\/www.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png","contentUrl":"https:\/\/www.capgemini.com\/pl-pl\/wp-content\/uploads\/sites\/27\/2023\/04\/zdjecia-1-1.png","width":1280,"height":720},{"@type":"BreadcrumbList","@id":"https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/sezon2-odcinek6\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/www.capgemini.com\/pl-pl\/"},{"@type":"ListItem","position":2,"name":"Kariera","item":"https:\/\/www.capgemini.com\/pl-pl\/kariera\/"},{"@type":"ListItem","position":3,"name":"Podcast techchatter","item":"https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/"},{"@type":"ListItem","position":4,"name":"Odcinek 6. Cykl \u017cycia danych w Projektach AI"}]},{"@type":"WebSite","@id":"https:\/\/www.capgemini.com\/pl-pl\/#website","url":"https:\/\/www.capgemini.com\/pl-pl\/","name":"Capgemini Polska","description":"Capgemini","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.capgemini.com\/pl-pl\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"pl-PL"}]}},"brand_term":[],"parsely":{"version":"1.1.0","canonical_url":"https:\/\/capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/sezon2-odcinek6\/","smart_links":{"inbound":0,"outbound":0},"traffic_boost_suggestions_count":0,"meta":{"@context":"https:\/\/schema.org","@type":"WebPage","headline":"Odcinek 6. Cykl \u017cycia danych w Projektach AI","url":"https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/sezon2-odcinek6\/","mainEntityOfPage":{"@type":"WebPage","@id":"https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/sezon2-odcinek6\/"},"thumbnailUrl":"","image":{"@type":"ImageObject","url":""},"articleSection":"Uncategorized","author":[],"creator":[],"publisher":{"@type":"Organization","name":"Capgemini Poland","logo":""},"keywords":[],"dateCreated":"2023-03-28T08:48:52Z","datePublished":"2023-03-28T08:48:52Z","dateModified":"2025-12-05T14:05:22Z"},"rendered":"<meta name=\"parsely-title\" content=\"Odcinek 6. Cykl \u017cycia danych w Projektach AI\" \/>\n<meta name=\"parsely-link\" content=\"https:\/\/www.capgemini.com\/pl-pl\/kariera\/twoja-kariera\/role-eksperckie-menedzerskie\/podcast-techchatter\/sezon2-odcinek6\/\" \/>\n<meta name=\"parsely-type\" content=\"index\" \/>\n<meta name=\"parsely-pub-date\" content=\"2023-03-28T08:48:52Z\" \/>\n<meta name=\"parsely-section\" content=\"Uncategorized\" \/>","tracker_url":"https:\/\/cdn.parsely.com\/keys\/capgemini.com\/p.js"},"archive_status":false,"featured_image_src":"https:\/\/www.capgemini.com\/pl-pl\/wp-content\/themes\/capgemini2025\/assets\/images\/mockup.png","featured_image_alt":false,"jetpack_sharing_enabled":true,"distributor_meta":false,"distributor_terms":false,"distributor_media":false,"distributor_original_site_name":"Capgemini Poland","distributor_original_site_url":"https:\/\/www.capgemini.com\/pl-pl","push-errors":false,"_links":{"self":[{"href":"https:\/\/www.capgemini.com\/pl-pl\/wp-json\/wp\/v2\/pages\/705981","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.capgemini.com\/pl-pl\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.capgemini.com\/pl-pl\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.capgemini.com\/pl-pl\/wp-json\/wp\/v2\/users\/413"}],"replies":[{"embeddable":true,"href":"https:\/\/www.capgemini.com\/pl-pl\/wp-json\/wp\/v2\/comments?post=705981"}],"version-history":[{"count":12,"href":"https:\/\/www.capgemini.com\/pl-pl\/wp-json\/wp\/v2\/pages\/705981\/revisions"}],"predecessor-version":[{"id":913792,"href":"https:\/\/www.capgemini.com\/pl-pl\/wp-json\/wp\/v2\/pages\/705981\/revisions\/913792"}],"up":[{"embeddable":true,"href":"https:\/\/www.capgemini.com\/pl-pl\/wp-json\/wp\/v2\/pages\/700947"}],"wp:attachment":[{"href":"https:\/\/www.capgemini.com\/pl-pl\/wp-json\/wp\/v2\/media?parent=705981"}],"wp:term":[{"taxonomy":"brand","embeddable":true,"href":"https:\/\/www.capgemini.com\/pl-pl\/wp-json\/wp\/v2\/brand?post=705981"},{"taxonomy":"partner_type","embeddable":true,"href":"https:\/\/www.capgemini.com\/pl-pl\/wp-json\/wp\/v2\/partner_type?post=705981"},{"taxonomy":"service","embeddable":true,"href":"https:\/\/www.capgemini.com\/pl-pl\/wp-json\/wp\/v2\/service?post=705981"},{"taxonomy":"industry","embeddable":true,"href":"https:\/\/www.capgemini.com\/pl-pl\/wp-json\/wp\/v2\/industry?post=705981"},{"taxonomy":"partners","embeddable":true,"href":"https:\/\/www.capgemini.com\/pl-pl\/wp-json\/wp\/v2\/partners?post=705981"},{"taxonomy":"page-type","embeddable":true,"href":"https:\/\/www.capgemini.com\/pl-pl\/wp-json\/wp\/v2\/page-type?post=705981"},{"taxonomy":"content-group","embeddable":true,"href":"https:\/\/www.capgemini.com\/pl-pl\/wp-json\/wp\/v2\/content-group?post=705981"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}