Czy zwinność wszędzie pasuje i co ma wspólnego z Big Data i AI?

Rozmawiają: Marek Wyszyński, Marek Hobler
Przewrotna rozmowa dwóch Marków, Wyszyńskiego i Hoblera o zwinności, Big Data i AI. Pojawia się również wątek szpiegowski i pytanie czy nasze rozmowy są podsłuchiwane w czasie rzeczywistym.
Obejrzyj na YT
Zapis rozmowy
Marek Wyszyński: Cześć, Marku! Cześć, Marku!
Marek Wyszyński: No i to jest fajny skład dwóch Marków. Mamy przed sobą drugi odcinek Zwinnej Kawy Podcast. Zwinnej Kawy Podcastu. W sumie jeszcze nie wiem, jak to odmieniać, bo nazwę mamy stosunkowo od niedawna, więc jeszcze trzeba się zastanowić, jak będziemy to dokładnie nazywać i odmieniać. Będziemy dzisiaj sobie gadać o zwinności. No chyba o podcaście Zwinnej Kawy. O, to chyba faktycznie tak. Podcaście Zwinnej Kawy. Będziemy dzisiaj sobie rozmawiać o zwinności, ale trochę przewrotnie. Albo może inaczej. Mam nadzieję, że trochę przewrotnie, bo będziemy sobie gadać o tym, czy ta zwinność wszędzie pasuje. Albo czy pasuje do tej konkretnej sytuacji, o której będziemy gadali. I mam nadzieję, że przez czas trwania tego odcinka dojdziemy do jakiegoś wniosku, do jakiegoś konsensusu i będziemy wiedzieć, czy tę zwinność można zaaplikować w określonych sytuacjach i jak.
Marek Hobler: I to chyba nie tylko dlatego, że jest tylko jedna słuszna odpowiedź, tak?
Marek Wyszyński: Tak, tak, tak, tak. Jak najbardziej, bo odpowiedź będzie pewnie “to zależy”, tak? Jakby najlepsza odpowiedź, jaką można komukolwiek dać w biznesie. Będziemy sobie rozmawiać o zespołach data science’owych i o sztucznych zespołach data science’owych i AI. Ale na sam początek chciałem cię, Marku, poprosić, żebyś może powiedział trochę o sobie. Jakie jest twoje, jaki jest twój background? Kim ty jesteś? Dobra, kim jestem?
Kim jest Marek Hobler?
Marek Hobler: Jestem Marek. I dlaczego masz ochotę porozmawiać o data science? Jestem Marek. Jestem tatą dwójki dzieci, szczęśliwym mężem, majsterkowiczem, a zawodowo to na studiach byłem na takich bardzo teoretycznych studiach informatycznych i w pewnym momencie zacząłem mieć własny biznes i wyszedł z tego startup. W wyniku tego, że był startup, to moje studia trwały prawie 7 lat, ale to były świetne studia i to był świetny startup. I taka szkoła życia, jeżeli chodzi o biznes. I w pewnym momencie udało się sprzedać startup. Potem pracowałem trochę, cały czas pracowałem w IT, czyli startup był o monitoringu IT. Potem pracowałem w firmie zajmującej się optymalizacją sieci telekomunikacyjnych, takich GSM-owych. Mega ciekawa sprawa, bo jak się migrowali z sieci 3G na LTE, to musieli zarządzać licencjami, certyfikatami na częstotliwości. Wiadomo, częstotliwości to jest najdroższe, co mają telekomy. Więc pomagaliśmy im w tym. I potem miałem taką przygodę, że byłem, nie pamiętam stanowiska, nazwijmy to szefem developmentu w firmie zajmującej się AI-em i pomagaliśmy tam i bankom, i ubezpieczalniom, i wielu różnym takim, może nie tak betonowym firmom, w optymalizacji ich biznesów poprzez wykorzystywanie AI-ów. I to były kwestie związane z AI-em wizyjnym. Nie wiem, wyobraźmy sobie kopalnię, w której sprawdzamy, czy wykorzystują kaski, i firmy bankowe, które pytają się, czy temu panu chcemy udzielić kredytu.
Marek Hobler: Tak.
Marek Wyszyński: Chciałem cię właśnie poprosić o to lekkie dodefiniowanie AI. Bo jak mówimy AI, to od razu myślimy sobie, nie wiem, mówisz o Matrixie, tak? Nie wiem, kurczę, Gwiezdnych Wojnach, gdzie mamy myślące droidy i tak dalej, i tak dalej. Ale tutaj to wygląda trochę inaczej, tak? Bo mówimy o tym AI-u, ale nie o myślących, tak jakby nam się wydawało, czy nie po ludzku maszynach, tylko tak naprawdę o obrabianiu danych. Bardzo konkretnych danych i w bardzo konkretny sposób, nie? Jakbyś mógł dodefiniować w ogóle, co rozumiemy przez AI, czy praca nad data science, to już można powiedzieć, że pracujemy przy, w cudzysłowie, sztucznej inteligencji, czy ja to upraszczam w tym momencie okrutnie?
Czym jest AI i data science?
Marek Hobler: Mhm. Wiesz co? Myślę sobie, że to jest kwestia mody. Tak jak zazwyczaj zaczyna się od mody. Że jeszcze 10 lat temu mieliśmy modę na big data, tak? I nagle wszyscy byli w big data. Jak pojechałeś na dowolne targi, to nawet sprzedawcy lodów byli w big data, bo tam coś sobie analizowali.
Marek Hobler: I potem mamy okazję, że obecnie, nie wiem, taką już wysyłkową albo szczytową modę na AI, czy sztuczną inteligencję. Mhm.
Marek Hobler: I pamiętam, ostatnio pracowałem w firmie z kolegą, który mówił: “Ja AI się zajmuję od 30 lat”, tak? I okej, to znaczy, że ten AI musiał już wtedy istnieć, tak? Tylko wtedy to tak naprawdę była obróbka danych z banku czy firmy ubezpieczeniowej. Nikt nie nazywał tego AI, ani sztuczną inteligencją. Po prostu były modele analityczne, tak?
Marek Wyszyński: Mhm.
Marek Wyszyński: Okej. No właśnie, gdybyś mógł powiedzieć, po co to komu? Po co komu te analizy? Jakie są te takie, nie wiem, może najbardziej popularne, najbardziej, mówiąc brzydko, pospolite zastosowania, takie, z których wiele firm korzysta?
Marek Wyszyński: Obróbka dużej ilości danych, nie? W konkretnym celu.
Marek Hobler: No właśnie, więc jesteśmy świeżo po modzie na big data, tak? Czyli generalnie wszyscy mają zebrane tak dużo danych, jak tylko byli w stanie udźwignąć, składować na dyskach i potem RODO im nie kazało tylko skasować.
Marek Hobler: I okazuje się, że w tych danych jest jakaś wartość. W takim sensie, że możemy z tego wyciągać coś, co powoduje, że nasz biznes jest bardziej efektywny, bardziej optymalny. I…
Praktyczne zastosowania AI w biznesie
Marek Hobler: Może jakiś przykład. Na przykład, jak masz właśnie dane bankowe, to pamiętam, współpracowaliśmy z taką firmą, która udzielała faktoringu. Nazwijmy to kredytem.
Marek Hobler: Łatwiej sobie wyobrazić, że to jest kredyt. Więc ktoś wysyłał im fakturę, mówiąc o tym, że… Tak naprawdę skan faktury. Mówiąc o tym, czy ja… Jeszcze mi nie zapłacono za tę fakturę, ale wkrótce zapłacą. Czy ja na podstawie tego mogę dostać przelew, czyli rodzaj kredytu. I oni… I był taki AI, czyli nazwijmy to takie czarne pudełko, gdzie z jednej strony wkładałeś fakturę, a z drugiej strony wychodziła odpowiedź. Dać kredyt, nie dać kredytu. Dać faktoring, nie dać kredytu.
Marek Hobler: Więc najczęściej myślimy o AI-u jako o takim czarnym pudełku, do którego wchodzą dane i wychodzą wyniki.
Marek Hobler: I teraz co siedzi w środku, w takim czarnym pudełku, to jest cała wiedza. Ale tak naprawdę to, co możemy włożyć do takich pudełek, to, czego możemy takich pudełek nauczyć, to nie są tylko, że tak brzydko powiem, Excele. To nie są tylko dane, kto kiedy zatankował, czy kto kiedy zadzwonił gdzieś telefonem. To też są dane wizyjne. Możemy na przykład analizować wideo. Na przykład ten przykład z kopalni. Czyli mamy kamery monitoringu i jest takie czarne pudełko, które na żywo, patrząc na ten feed, który leci z kamer, stwierdza, o, idzie człowiek bez kasku. Nie wiem. Zadzwonimy do oficera bezpieczeństwa. Te czarne pudełka też potrafią analizować sygnał audio.
Marek Hobler: Jestem przekonany, że spokojnie znajdziemy teraz w internecie ileś aplikacji, które powodują, że twój głos brzmi jak Darth Vader albo jakaś znana piosenkarka.
Marek Wyszyński: A od razu mi przyszło do głowy, jak powiedziałeś o tym, powiedzmy, zbieraniu danych audio. Tyle się słyszy o tym, że wiele z naszych rozmów jest podsłuchiwanych, monitorowanych w czasie rzeczywistym. W Stanach nawet się chyba z tym nie kryli w związku z zapobieganiem przestępczości. To też będzie AI? To też będzie analiza big data? Czy to byłoby coś innego?
Marek Wyszyński: To mi się przypomniało, bo bardzo dużo się mówiło o takich projektach, nawet stworzonych scrumowo, do czego sobie za chwilę dojdziemy.
Marek Hobler: Już zdradzasz.
Marek Hobler: Jak sobie poczytasz książki szpiegowskie, to się okazuje, że już 10, 15, 20 lat temu Stany Zjednoczone miały podsłuchy na światłowodach oceanicznych i sobie na bieżąco wyłapywały słowa kluczowe. Wtedy nikt nie nazywał tego AI, tylko były takie drobne programiki, które, że tak powiem, serią ifów, zupełnie technicznie, starały się wykryć słowa, które ich interesowały. Wtedy to jeszcze niekoniecznie były sieci neuronowe, to jeszcze niekoniecznie były takie zaawansowane rozwiązania, jak na dzisiaj mamy. To wynika ze sprzętu. Kiedyś po prostu nie mieliśmy tak szybkiego sprzętu, jak teraz, żeby móc robić tak skomplikowane modele, jak mamy teraz.
Marek Hobler: Ale tak naprawdę… Teraz jak myślę, że w kieszeni masz takiego AI-a, wyjmiesz telefon z dowolnym asystentem, czy to jest Android, czy iPhone, powiesz, nie wiem, hej Alexa, czy powiesz hej Google i… O, mój telefon już zaczął się zapalać. I twój telefon podsłuchuje cię na bieżąco i szuka tego słowa kluczowego. Tak naprawdę tam jest taki mały moduł sztucznej inteligencji, który wykrywa ten moment. O, było hasło.
Marek Wyszyński: Mhm.
Marek Wyszyński: Wspomniałeś przed chwilą o sieciach neuronowych i to, co mi się kojarzy z sieciami neuronowymi. Ja jestem totalnym laikiem. Ja kończyłem mechanikę, czy mechatronikę, więc jakby tu mnie miałeś z takimi rzeczami w styczności. Ale pamiętam, że kumple mówili mi o sieciach neuronowych, o uczeniu neuronów. Właśnie, bo to jest mechanizm, który się w jakiś sposób uczy, nie? On się uczy analizy tych danych i on te dane powinien analizować coraz efektywniej. Mógłbyś to może jakoś przybliżyć? Mówię, naprawdę. Spróbujmy. Ja nie mam zielonego pojęcia poza tym, co gdzieś słyszałem w PKS-ie, dojeżdżając na studia od kumpla.
Jak działają sieci neuronowe?
Marek Hobler: Dobra. Sieci neuronowe. I teraz ja zupełnie odjeżdżam do takiej teoretycznej, prawdziwej definicji, jak to powinno być. Zastanawiam się, gdybyś był pięciolatkiem, to jak ci to wytłumaczyć, tak? O, idealnie. No. To jak dla mnie sieć neuronowa to jest takie dziecko. Ja jestem ojcem, więc jakby dla mnie to przemawia. To jest takie dziecko, któremu ileś razy pokazujesz coś. Zapytajmy sobie sieć, którą uczysz, jak znajdować koty na zdjęciu. Pokazujesz mu jedno zdjęcie, mówisz na tym zdjęciu jest kot. Pokazujesz mu drugie zdjęcie, mówisz na tym zdjęciu jest kot. Na trzecim zdjęciu kota nie ma, na czwartym znowu jest kot. I jak pokażesz mu odpowiednio dużo kotów, zdjęć z kotami, to w pewnym momencie możesz stwierdzić, już pewnie sieć neuronowa się wystarczająco dobrze nauczyła. I teraz pokazujesz mu nowe zdjęcie, którego sieć neuronowa nigdy wcześniej nie widziała i pytasz się, czy tam jest kot. I w zależności od tego, jak uczyłeś sieci neuronową wcześniej, to masz różny stopień sukcesu, tak?
Marek Hobler: I trochę tak jak z dzieckiem. W pewnym momencie, jak pokażesz temu dziecko, cały czas pokazywałeś mu koty w lesie, bądź brak kotów w lesie, i nagle pokażesz mu zdjęcie, nie wiem, talerza naleśników, to sieć neuronowa może zupełnie zgłupieć i powiedzieć, na tym zdjęciu jest kot, albo może powiedzieć, że go tam nie ma, tak?
Marek Hobler: Więc trochę to znowu traktujemy, jak takie czarne pudełko. Nawet czegoś go nauczyłeś i potem ono ci będzie zwracało wyniki dla rzeczy, których nigdy wcześniej nie widziało.
Marek Wyszyński: Powiem ci, że ja z samą ideą big data, czy data science, AI, to zetknąłem się w pracy trochę później. Bo ty powiedziałeś, że to już powiedzmy 10 lat temu był boom. Ja mam wrażenie, że do mnie to dotarło troszeczkę później.
Marek Wyszyński: I mam wrażenie, że, nie wiem, czy moja firma, czy rynek może był trochę nieprzystępny i nieprzygotowany do tego. Chodzi mi o to, że tak jak mówiłeś, wcześniej było jakieś tam podsłuchiwanie, powiedzmy, rozmów, tak? Na światłowodach, seria ifów, czyli no, powiedzmy, dość prosta konstrukcja programistyczna. Oczywiście, no, upraszczamy to w tym momencie strasznie, ale ja mam wrażenie, że właśnie to, że teraz pracujemy na tych ogromnych ilościach danych, że chcemy, żeby pewne rzeczy były zautomatyzowane, żeby istniała ta sztuczna inteligencja, trochę wymusiły wręcz powstanie nowego zawodu. W naszej branży, tak? Bo do tej pory mieliśmy bardzo często tak zwanych inżynierów oprogramowania. W tej chwili bardzo dużo ogłoszeń, cały czas i jeszcze pewnie przez lata będziemy mieli ogłoszeń na data scientists, tak? Czyli ludzi, którzy konkretnie zajmują się tą obróbką danych. I do tego, czy rynek jest gotowy na to, czy nie to sobie jeszcze dojdziemy, ale wspominałeś, że już miałeś styczność z czymś takim. Ty pracowałeś właśnie, pracowałeś już z data scientistami? Tak, zdecydowanie. Byli programiści, bo mówię, to dla mnie to był lekki szok, że to jest inny zawód. To już jest jednak inny zawód trochę.
Kim są data scientist i jak ich rekrutować?
Marek Hobler: Tak. Wiesz co, ja może nie mam zbyt dużej próbki, tak? Pracowałem w jednej firmie, może z dwoma innymi gdzieś rozmawialiśmy i byliśmy bliżej, ale takim stereotypem trochę jest to, że to są zupełnie inni ludzie. I może tak samo są nerdowcy jak programiści, tak? Tak samo będziemy się śmiali, że chodzą w kraciastych koszulach, ale prawda jest taka, że zazwyczaj ci ludzie to nie są informatycy, tylko to są matematycy. To są matematycy, którzy mieli szczęście, którzy podczas studiów ktoś ich nauczył programować.
Marek Hobler: Czyli pamiętam, ja skończyłem informatykę, więc taki naturalny krok jest, że obok nas byli matematycy i jakoś musieliśmy się odróżniać, to z matematyków się zawsze śmialiśmy, że oni dostają budżet tylko na ołówki i czasem na gumkę. Podczas kiedy informatycy musieli mieć jakieś super komputery. I trochę tak jest, że matematycy, znaczy, że to statystycy, matematycy po studiach przekształcali się w data inżynierów. Więc to jest zupełnie nowy zawód i tam rekrutujesz innych ludzi. Więc jak budujesz zespół data scientistów czy ludzi od AI, to masz zespół matematyków. I to jest trochę świeży zawód, tak jak powiedziałeś. Kiedyś tego zupełnie nie było i nie było w takiej skali. Jak mówiłem o tym koledze, który już, nie wiem, 20, 30, 40 lat już pisze AI, tylko to wtedy było niszowo. On był wtedy jednym z niewielu w Polsce. Teraz wejdziesz na, nie wiem, pracuj.pl, dowolny portal, znajdziesz mnóstwo ogłoszeń.
Marek Wyszyński: No właśnie, to czego szukać w takich ludziach? Jakich umiejętności? Kiedy prowadzisz rekrutację, wiesz, że potrzebujesz tych data inżynierów, a jednak jesteś skrzywiony w stronę programistów. Ja jestem totalnie, bo 13 lat pracuję tylko z programistami. Dla mnie obcowanie z inżynierami danych to jest naprawdę mega świeża sprawa, więc nawet nie wiedziałbym, jak sprawdzić, czy to jest dobra osoba na to stanowisko, jak taką osobę prowadzić później, jako na przykład przełożony, mentor, manager, jak ją oceniać.
Marek Hobler: Ojej, to nie jest łatwy temat. No dobra, ale nie jesteśmy tu, żeby gadać o prostych sprawach, nie? Dokładnie. Myślę, że… Ja trochę ułatwiłem sprawę, mówiąc o tym czarnym pudełku. Tak naprawdę to nie jest takie proste, że karmisz się danymi i on ci od razu wypluwa wyniki. Tam jest wymagana olbrzymia praca statystyczna i matematyczna. Czasami trzeba budować całe modele i trzeba przygotować wcześniej dane. I czasami jest tak, że to pudełko zwraca ci nie takie wyniki, jak byś chciał. I jak się na tym nie znasz, to nie wiesz dlaczego, ani co trzeba poprawić. Więc potrzebujesz wykształcenia teoretycznego tutaj. Czyli jeżeli budujesz zestaw, w przypadku data scientistów, to proponowałbym ci wziąć ludzi, którzy się naprawdę dobrze znają na matematyce, czyli, nie wiem, statystycy, matematycy. I to jest kwestia wykształcenia. Problem jest taki, że tak zupełnie stereotypowo to matematycy siedzą w swojej wieży i piszą sobie na kartkach papieru nowe twierdzenia i raz na jakiś czas mają publikację. To się wiąże z tym, że niekoniecznie tradycyjnie postrzegani matematycy są przygotowani do pracy zespołowej.
Marek Wyszyński: Mhm. No właśnie, znaczy może nie wybiegasz, ale pięknie przechodzisz do tematu właśnie, o którym mamy dzisiaj rozmawiać. O tej pracy zespołowej. No właśnie, bo tak naprawdę to ci przerwałem, ale gdybyś mógł dokończyć ten aspekt pracy zespołowej, która w zwinności, jaka by ona nie była, jest jednak kluczowa.
Marek Hobler: Tak. Znaczy, jak masz, jak wracając do programistów, jest takie pojęcie dziesięciokrotnego programisty. Czyli programista, który jest tak dobrym specjalistą, że, nie wiem, pracuje tak szybko jak dziesięciu innych. Czy takie dobre wyniki daje. I moje wrażenie, moje doświadczenie z zespołami programistów jest takie, że zamiast mieć jedną taką gwiazdę, lepiej mieć dziesięciu albo pięciu programistów średnich, którzy się dobrze dogadują. Bo wtedy mamy efekt synergii i oni wyłapują wzajemnie swoje błędy. No właśnie, bo to jest lepiej. Mam wrażenie, że
Marek Wyszyński: Tak, tak, bo tu chciałem się wtrącić. Może mnie za to zlinczują, ale ja mam wrażenie, że w bardzo wielu organizacjach jest takie silne parcie na te właśnie gwiazdy rocka. Patrz, jaka ona, on jest wspaniały, niesamowity, zajebisty, mówiąc brzydko. To się najwyżej ocenzuruje. Takich ludzi trzeba promować, takich, którzy są świetni, mają parcie na szkło, pracują za trzech, tylko, kurde, nie tacy ludzie dostarczają nam wyniki finalnie. To jest właśnie tych ośmiu, mówiąc brzydko, średnich, przy czym, no, to są wszystko mega zdolni ludzie. Ale to oni dostarczają nam wyniki. Taka gwiazda rocka może wpadnie na jakieś fajne rozwiązanie, ale później trzeba to dostarczyć. Trzeba to dostarczyć, trzeba to utrzymać i my potrzebujemy właśnie tych takich ciężko pracujących, dobrych ludzi, a nie samych gwiazd rocka, bo gdybym miał taką firmę, to byłbym pewien, że prawdopodobnie nic nie dostarczymy. To jest może temat już na inne nagranie, ale już doświadczenie mnie nauczyło, że to ci dobrzy, solidni ludzie przede wszystkim dostarczają tę wartość i na nich się firma opiera, nie na tych odstających.
Marek Wyszyński: To z inżynierami danych jest inaczej.
Marek Hobler: Ja właśnie chciałem pokazać, że to jest bardzo podobnie, że jeżeli chcesz zbudować z punktu widzenia biznesowego, chcesz sensownie zarządzać ryzykiem, chcesz, żeby ten zespół performował i żeby osiągnąć wynik ten, którego potrzebujesz, to potrzebujesz ludzi, którzy są matematykami, którzy rozumieją te teoretyczne podstawy działania, jednocześnie potrafią pracować w zespole. Nie szukasz takiej jednej gwiazdy, która będzie świeciła i będzie problem, jak ją autobus przyjedzie. Zespół bus factor równy jeden. I jednocześnie szukasz ludzi, którzy potrafią programować. I to też jest nieczęste, ponieważ na takich studiach czysto teoretycznych to programowanie jest, nazwijmy to, dobrowolne.
Marek Wyszyński: Mhm.
Marek Wyszyński: Ja pamiętam, jak kończyłem liceum, to był 2004 rok, i nawet chyba wcześniej, pamiętam, że ktoś mnie namawiał bardzo mocno, żeby iść na matematykę stosowaną. Bo właśnie to nie była czysta teoria, tylko faktycznie to było to ujęcie takie data science’owe, statystyczne, ale jednak z dość dużym układem programowania. Przynajmniej tak było mi to sprzedawane. Finalnie się zdecydowałem na coś innego, ale pamiętam, że tak przez długi czas było mi to sprzedawane. Tylko matematyka stosowana, tam są najbardziej lepsi ludzie, po tym będzie najlepsza praca, najlepsza kasa, i tak dalej, i tak dalej. To parę lat temu było, ale mocne parcie na tę matematykę stosowaną wtedy było. No kto wie, może byłbym dzisiaj inżynierem danych, a nie podcasterem, gdybym się wtedy zdecydował.
Marek Hobler: Tak, tak. To są dobrzy kandydaci. Tam można ich szukać. Przy czym, wiesz, to trochę jest tak, że programowania każdego jesteś w stanie nauczyć. To jest rzemiosło, każdy jest w stanie zrozumieć. Podstaw teoretycznych matematyki też każdego jesteś w stanie nauczyć. A umiejętności miękkich, to jest bardzo, bardzo ciężka praca. Ja nie chcę powiedzieć, że się nie da. To jest zamykanie komuś drzwi przed nosem, ale to jest chyba najważniejsze, jeżeli rekrutujesz.
Marek Wyszyński: Czyli osoba, która powinna być świetnym matematykiem, matematyczką, potrafić nieźle programować, i dodatkowo być jeszcze ogarniętą osobą pod kątem tak zwanych miękkich skilli.
Marek Hobler: Z tym programowaniem spokojnie, to wystarczą podstawy programowania. Żeby ktoś się nie przestraszył, że musi programować. Trochę jest taki stereotyp, że matematycy nie muszą programować. Tak było 15 lat temu, kiedy byłem bliżej studiów. Mam nadzieję, że teraz się to zmieniało.
Marek Wyszyński: No właśnie, ale to mi się od razu przychodzi na myśl, że ciężko jest znaleźć takie osoby. Znowu, to będzie mega krzywdzący stereotyp, ale to jest taki stereotyp, który krąży, że w tej naszej branży, w IT, w ogóle dużo ludzi chciałoby tylko programować i znalezienie ludzi, którzy mają te soft skille, albo chcą je rozwijać, jest trudne. Więc jak tutaj sobie dokładamy jeszcze jeden element układanki, i to ten taki najbardziej wyśrubowany, czyli świetne podejście matematyczne, to mam wrażenie, że rekrutacja takich ludzi nie należy do najłatwiejszych. Jest pieruńsko trudna.
Marek Hobler: Wiesz, ja przez ileś lat zatrudniałem w IT. Zatrudnianie programistów też jest trudne, ale zatrudnianie rokujących data scientistów jest jeszcze cięższe. Nie ukrywajmy, jest mniej tych specjalistów na rynku i trudno jest ich znaleźć.
Marek Wyszyński: Mhm. I tak mnie od razu przychodzi na myśl, że staże dla programistów są, dla testerów, dla
Marek Wyszyński: Devopsów, dla HR-ów. No jakby, wiesz, idę sobie przez, powiedzmy, te role, które u mnie w każdej firmie, w której byłem, były. Stażu na inżyniera danych jeszcze nie widziałem. Może mam słabe rozeznanie? Ale mam wrażenie, że jest ciężko, bo wtedy miałbyś faktycznie tę osobę, która jest dobra dla mnie. Dla programowania może się właśnie nauczyć na takim stażu, no bo na studiach pisała programy. Okej, już może nie w Turbo Pascalu, bo chyba tego już się nie robi. Mhm. No ale jakieś takie podstawy. I może faktycznie to jest jakiś kierunek. Chyba że takie rzeczy są — ale są staże.
Marek Hobler: Spokojnie są, znajdziesz staże. Nie chcemy się teraz googlać, żeby pokazać ci jakieś trendy, ale ja będąc w branży spokojnie widziałem takie staże i mieliśmy stażystów w firmie. Super — ludzi, którzy przychodzili popracować. Problem jest trochę większy z tym, że o ile masz stażystów na programistów, to mówisz im: słuchajcie, chcielibyśmy mieć taki program — nie wiem — wypożyczalnię książek czy coś tam do firmy; weźcie napiszcie. W zasadzie dajesz im komputer i oni nic nie muszą więcej dostać — tylko jakiś dobry mentoring i kogoś kto im przyjdzie i pokieruje ich. W przypadku data scientistów tam są te dane.
Marek Hobler: No i ta firma data AI-owa sama sobie tych danych nie wymyśla; skądś dane musi wziąć. Zazwyczaj pracujemy na danych klientów. I teraz jeżeli pracujesz na danych klientów — nie wiem — dużego telekomu gdzie masz lokalizację wszystkich ludzi w Polsce w czasie no to nie możesz dać temu stażyście czegoś takiego bo boisz się że ci wyniesie? No tak a kary NDA są milionowe więc tutaj jest ten problem z danymi; wciągnięcie stażystów na pokład jest trudniejsze.
Marek Wyszyński: Tak bo dane musiałyby być sztuczne wtedy? Żeby… no to znowu nie chodzi o rozwiązywanie totalnie abstrakcyjnych problemów! To jest rzecz o którą chciałem cię też zapytać: właśnie ta różnica między problemami które rozwiązujemy no bo cały czas chodzi o to żeby rozwiązywać czyjeś problemy albo nasze własne albo naszych klientów; rozwiązywanie problemów które dają komuś jakąś wartość! Jaka jest ta różnica? No bo tak jak mówiłeś tu mam jakiś program do napisania czy to będzie… no upraszczam znowu sklep internetowy czy kurczę no nie wiem linia lotnicza i obsługa zakupów biletów chociaż tam już wchodzi dość duża analiza danych ale mimo wszystko powiedzmy frontend do tego nie wymaga znowu tego data engineeringu! Właśnie te problemy z którymi mierzą się bardzo często inżynierowie danych to jak byś to pokrótce sklasyfikował ze swojego doświadczenia?
Wyzwania w pracy data scientistów
Marek Hobler: Myślę że klasyfikacja tych problemów jest taka sama; sensie tak samo jak programowaniu mamy czynienia rzeczami które bardzo złożone bardzo nieprzewidywalne chaotyczne po prostu rzeczy trudne jakiekolwiek estymacje tutaj niczego nadają często tak że estymujesz program przebijesz razy trzy budżet cieszysz mało więc same trudne patrząc robi data scientist AI-owiec człowiek sztucznej inteligencji pracuje danych czyli najpierw dostaje od klienta mówimy albo takich nagranie audio żeby wykrywać kto powiedział Osama bin Laden albo logi Telecoma mówią kto kiedy gdzie połączył transakcje bankowe sporo różnych dostajesz połowa pracy obróbka często dostaniesz przykład fakturach jednego roku potem drugiego zapomnieli powiedzieć międzyczasie przestali VAT-owcami wszystkie ceny zmieniły 23% więc połowa pracy obróbka normalizacja wspólny mianownik czasem korzystali jednego systemu potem przeszli inny część część
Marek Hobler: Czasami dane są łączone z różnych systemów w różny sposób. Bo są dwie księgowe i każda ma swój sposób na zapisywanie tych danych. Więc połowa pracy to jest obróbka danych.
Marek Hobler: Przygotowywanie skryptów, które na bieżąco te dane będą normalizować, analizować. I kiedy już masz taki złoty set danych, który już jest znormalizowany, wiesz, że tam nic nie ma,
Marek Hobler: to dopiero potem możesz zacząć tworzyć jakiś model. Czyli albo korzystasz z sieci neuronowych, albo piszesz jakąś taką funkcję matematyczną, która mówi, że jeżeli cena faktury była powyżej 30 złotych, a data płatności była poniżej czegoś tam, a dotychczasowa spłacalność dłużnika wynosiła ileś procent, to zaakceptuj. Więc czasami robisz takie po prostu funkcje, jak powiedzieliśmy przed chwilą, seria ifów. Czasami piszesz to ręcznie, czasami bierzesz sztuczną inteligencję i mówisz: tak było dobrze, tak było źle, a teraz masz coś nowego, powiedz mi, co z tym zrobić.
Marek Hobler: I to jest drugi etap. Potem pytanie, na którym etapie byłeś. Czy tworzyłeś model tylko po to, żeby pokazać klientowi, że się da, to pewnie jakiś raport napiszesz i pokażesz piękne wykresy, że dla dziewięćdziesięciu procent przypadków zadziałało, a dla tych, dla których nie zadziałało, straty wynosiłyby tyle.
Marek Hobler: Jak masz trochę dojrzalszego klienta i dojrzalszy przypadek, to wtedy zaczyna być ciekawie, bo to, że taki data scientist przygotował model, to jest kawałek, taka czarna skrzyneczka. I żeby klient miał z tego korzyść, to trzeba to jakoś oprogramować. I tak naprawdę wtedy taki data scientist idzie do zespołu deweloperów i mówi: teraz doróbcie do tego frontend, żeby miało interfejs graficzny, pewnie jakoś się musi komunikować sieciowo z jakimś serwerem, więc doróbcie backend. I zaczyna być ciekawie, bo tacy ludzie od sztucznej inteligencji muszą pracować z prawdziwymi zespołami programistów i się z nimi zsynchronizować, z ich wydaniami, z ich potrzebami.
Marek Wyszyński: To też jest przeżycie. Bardzo fajnie, że o tym mówisz, bo chciałem teraz właśnie dojść do tej współpracy, czy do tej pracy w ogóle tak naprawdę z zespołami.
Marek Wyszyński: Podcast ma być o zwinności. I chciałem cię teraz właśnie podpytać o to, jak ta zwinność tutaj pasuje. Upraszczając maksymalnie, mamy Scruma, który jest, mówiąc bardzo szybko, bardzo brzydko, frameworkiem do dostarczania produktów, który ma nam pomóc w dostarczaniu produktów. Jakie my produkty mamy w przypadku data science? Czy produktem zawsze będzie to, co wyplują, powiedzmy, ci programiści, a ten data scientist będzie im tylko dostarczał danych? Czy w ogóle możemy mówić o jakichś produktach, nie wiem, taki model byłby? Bo chodzi o to, jak tę zwinność można w ogóle zamapować na pracę tego typu ludzi.
Czy Scrum sprawdzi się w data science?
Marek Hobler: Wiesz co, to jest bardzo kontrowersyjne pytanie. Jak wpiszesz „data science w Scrumie” w Google albo zaczniesz rozmawiać z ludźmi, którzy robią data science, to często w kuluarach mówią: słuchajcie, tego się nie da zrobić. Próbowaliśmy, nie da się. Albo to jest niekompatybilne.
Marek Hobler: Dlaczego się nie da? Wiesz, jak powiesz ludziom, że trzeba programować w Scrumie, to jeszcze 10 czy 15 lat temu też by powiedzieli, że się nie da.
Marek Hobler: Więc mam trochę takie przeczucie, że to jeszcze nie jest tak naprawdę pewność, że się nie da, tylko jeszcze się nie nauczyliśmy jak. Jako społeczeństwo. Może nie jako społeczeństwo, jako branża przemysłowa. Ja lubię myśleć o programistach jako o rzemieślnikach i data scientists to też są tacy rzemieślnicy. Też mają swój proces, swoją sztukę i trzeba wytworzyć narzędzia, procesy ku temu, żeby dało się robić data science w Scrumie.
Marek Wyszyński: Ale wspomniałeś już, że ludzie bardzo często mówią, że się nie da. Padają jakieś konkretne przykłady albo konkretne argumenty, dlaczego się nie da? Bo problemem jest ta praca zespołowa, problemem jest brak produktu, problemem są spotkania. Okej, spotkania są zawsze problemem, nieważne z kim pracujemy. Ale gdzie są te największe przeszkody w przypadku próby implementacji zwinności czy Scruma konkretnie w tego typu zawodzie?
Marek Hobler: To może zacznijmy od tych najłatwiejszych problemów. Tak? Oczywiście, że problemem są spotkania. Jest ich zawsze za dużo. Po co robić retro? Po co robić cokolwiek innego, skoro w tym czasie moglibyśmy siedzieć i poprawiać nasz model, żeby był lepszy? No ale to ja myślę, że z tego wyrośniemy. Nic nowego.
Marek Hobler: Problemem raczej nie jest produkt. Produkt dla data scientistów jest prosty. To jest model. Tak? Czyli takie czarne pudełko, które w jakiś sposób coś robi. I myślę, że to jest jasne.
Marek Hobler: Problemem kolejnym, może trochę trudniejszym, jest komunikacja z klientem. Czyli zamiast pisać pracę naukową, w której mamy jakiś zestaw danych, pracujemy na prawdziwych danych od klienta. I na tym pierwszym etapie, kiedy przygotowujesz dane, to najtrudniejsza część jest taka, że jak już wyłapiesz to, że dane są niespójne, czyli była jakaś zmiana i ty nie wiesz dlaczego i czy ona rzeczywiście była, musisz wrócić do klienta, pójść na spotkanie, odezwać się do człowieka, mówiąc brutalnie, którego nie znasz i porozmawiać z panią Krysią, czy tam może były jakieś zmiany, czy może ktoś był na urlopie i ktoś coś innego robił, a może zmieniliście maszynę, a może zmieniliście coś tam. Tam jest bardzo dużo pracy z ludźmi.
Marek Wyszyński: Aha, ok. Chodzi o pracę z ludźmi. Nie o zmieniające się okoliczności, tylko konkretnie o pracę z ludźmi, tak?
Marek Hobler: Wiesz, bo jak już sobie narysujesz wykres na tych danych i zobaczysz, że tam są jakieś uskoki, to już wiesz, że coś jest niespójne. Teraz musisz tylko porozmawiać z ludźmi i dowiedzieć się od nich, co jest nie tak. I to są… kontakt z klientem, nie? I wydaje mi się, że najpoważniejszym problemem jest trochę inny proces. Jak myślimy sobie o programistach, to oni programują i nie wiem, po pierwszym dniu ich programowania masz już jakiś szczątek interfejsu, jest jeden guzik, który działa, następnego dnia dwa guziki będą działać, potem coś będzie działało więcej. Czyli mamy taką… Nauczyliśmy się u programistów mieć iteracyjność. Czyli kiedyś było tak, że oni programowali, programowali, programowali, po roku przychodzili i pokazywali ci aplikację. Ty mówiłeś: no fajnie, fajnie, tylko… Ty mówiłeś, że to nie to, tak? Fajnie, fajnie, tylko że chciałem coś innego, nie?
Marek Hobler: I nasi programiści już są na tyle wyedukowani, już na tyle doświadczeni, że nauczyli się tej iteracyjności. Więc spotykasz się z nimi co tydzień, oni ci pokazują, że zrobili kolejny guzik, ty im mówisz, że to jest fajne, to nie jest fajne, a może być bardziej niebieski. Data scientistci produkują model i trochę jest taka pokusa, żeby siedzieć w swojej piwnicy do ostatniego momentu, do tego momentu, kiedy jest deadline i ten model dopieszczać. Tak? Czyli, nie wiem, w zeszłym tygodniu miałem skuteczność rozpoznawania kota 94%, dzisiaj udało mi się 1% i mam już 95%. Model jest lepszy. I tak naprawdę data scientistci mają wyznaczone… Najczęściej mają jakiś deadline wyznaczony i będą siedzieć tak do ostatniego dnia i jeszcze w ostatniej chwili coś poprawią. Każdy procent chcą urwać.
Marek Hobler: I to myślę… I to jest to, co w kuluarach się mówi o największej przeszkodzie, tak? Czyli praca z deadlinem zamiast iteracji.
Marek Wyszyński: Mhm. A myślisz, że się da? Myślisz, że w ogóle to jest możliwe, żeby zaaplikować taką iteracyjność w takiej pracy? No bo okej, no sama ta iteracyjność może być… No okej, no teraz mam 92%, w kolejnej iteracji może będzie 93%, co prawda znowu, cały czas pracujemy na tym samym, nie mamy tego takiego naturalnego przyrostu, tak? Bo to jest dłubanina i może będzie lepiej, tak? Nie mamy czegoś takiego w miarę… Tego, do czego przyzwyczaił nas już Scrum, bo mówię, dla nas to jest naturalne, bo pracujemy w tym od lat, tak? Ale jest też wiele ludzi, którzy mogliby się w tym nie odnaleźć. Myślisz, że to by się dało w ten sposób zamapować, czy już płynę w tym momencie?
Iteracyjność i praca zespołowa w AI
Marek Hobler: Wiesz co, ja jestem chyba zbyt wielkim optymistą, ja jestem pewien, że się da. Już nawet nie tylko sądzę, jestem pewien. Pamiętam, byłem w takim projekcie, w którym właśnie ludzie od sztucznej inteligencji robili jakiś model i potem trzeba było go połączyć z
Marek Hobler: aplikacją, tak? Czyli taki skomplikowany projekt, który miał już korzyść biznesową i wydaje mi się, że po dwóch tygodniach dogadaliśmy się z data scientistami, okej, dajcie nam model, który zwraca losowy wynik. Tak? Czyli pewność 50% co do tego, czy ten kod sam jest, czy go nie ma. I dla pani, wiesz, machali rękami, mówili, okej, ale po co ci taki model? Ale tak naprawdę to było najważniejsze przy integracji. Dzięki temu już po pierwszym Sprincie udało się włożyć ten model do jakiegoś kontenera, połączyć go z interfejsem i backendem i co z tego, że on tak naprawdę losował, czy to jest kod, czy to nie jest kod. To już mieliśmy pierwszą interakcję, już można było pójść do klienta, pokazać mu, słuchaj, mamy coś. I to się udało. I potem ci ludzie od sztucznej inteligencji pracowali wraz z całym zespołem, znaczy trochę niezależnie, bo to były osobne zespoły, ale dopracowywali ten model i pułapkowe było to, że wraz z rozwojem tego modelu oni mówili, ok, ale potrzebujemy dodatkowych danych. I w tamtym przykładzie to były prognozy pogody. Czyli oni poza tymi danymi, nie wiem, to nie chodziło o aplikację o kotach, ale wyobraźmy sobie, że mamy tę aplikację o kotach, to oni nie tylko chcieli w danych źródłowych mieć zdjęcie kota, ale też chcieli mieć pogodę, prognozę pogody, żeby dowiedzieć się, czy wtedy padało, czy nie, bo mokre koty się inaczej wykrywają niż suche koty. I tak było, że to znowu zepsuła się integracja, czyli jak oni zmienili model, który zaczął wymagać innych danych, to trzeba było przepisać testy, trzeba było poprawić integrację, trzeba było dorobić nowe źródła danych w backendzie, ale dzięki temu, że robiliśmy to iteracyjnie, to pod koniec się wszystko nie wysypało.
Marek Wyszyński: Ale tu cały czas opisujesz taki scenariusz, gdzie inżynierowie danych będą się niejako wpasowywać w istniejące już zespoły Scrumowe, które dostarczają produkty, tak? No bo oni będą tylko, no nie wiem, uproszczę to znowu okrutnie, takimi analitykami, którzy mają im dostarczyć coś, czy będą, albo nawet nie, to będzie jakaś, mówiąc ładnie po polsku, third party dependency, tak? Można to wręcz tak rozpatrywać. Po prostu my jako programiści tutaj, czy jako zespół Scrumowy dostarczamy konkretny produkt i no, oni muszą nam coś dostarczyć, tak? I po prostu czekamy na to, co oni nam dostarczą, wepniemy to sobie w nasz produkt i tyle, tak? Więc tutaj jakby jest ten Scrum, a data scientist jest w ogóle obok i on w którymś momencie tylko mówi, dobra, tu macie na dyskietce przynośniki, idzie sobie dalej robić swoje. Ale czy my możemy mówić o takiej innej pracy w przypadku nie wiem, grupy inżynierów danych, czy w ogóle takie grupy są, które wspólnie pracują nad pewnego rodzaju modelami? No zakładam, że tak. Byłoby dziwne, gdyby to zawsze była jednoosobowa robota. Czy mamy takie grupy i jeśli tak, to czy właśnie tu się da? Bo tak jak mówiłeś, to bardzo często są osoby, które lubią pracować samodzielnie, lubią samodzielnie dłubać, cały czas dostrajać jakby te parametry, a jednak mogą być czasami zmuszeni do pracy w zespole. Czy tu się da Scruma lub jego elementy w jakikolwiek sposób zaaplikować?
Marek Hobler: Wiesz co, się trochę śmieję, bo jak się rozmawia z firmami AI-owymi, to często wychodzi na to, że oni robią projekty właśnie w ten sposób, że sobie dzielą tak pionowo projekty na poszczególne moduły i każdy człowiek dostaje jeden moduł. Więc oni jeszcze nie korzystają z tej synergii zespołowej. I myślę, że to jest to osiągnięcie, które jak odblokują, to znacznie poprawi im się ekonomia. Monetyzacja projektów, tak? No tak. Myślę, że to jest to wyzwanie, przed którym stoi ta branża. Nauczyć się pracować zespołowo. Nauczyć się wiesz, coś w stylu pair programming. Widziałem taki pair programming robiony na AI-u i on rzeczywiście dobrze działa. Bo wtedy ci ludzie, wiesz, jeden siedzi przy klawiaturze, drugi mówi mu co robić i wzajemnie się sprawdzają i wzajemnie wzrasta im kreatywność.
Marek Wyszyński: Mhm. Ale to na zasadzie jeden koduje, a drugi wychodzi z pomysłami matematycznymi? To jest na takiej zasadzie? Czy obaj jakby pracują jednak nad tym modelem?
Marek Hobler: Zdecydowanie. Pracują nad extreme programming nad jednym modelem, tak? Czyli masz dwóch scientistów, którzy siedzą i robią jeden model. Tylko, że dzięki temu, że
Marek Hobler: Są ograniczeni trochę, tak? Czyli ten, co ma obecnie ideę, to nie może zabrać mu klawiatury i zaprogramować tego kodu, który napisze model, czy tam czegoś poprawić. To muszą się do siebie dogadywać i robi się taka burza mózgów przy tablicy suchościeralnej, nie? I nagle jeden plus jeden daje trzy. I pamiętam takie u nas w firmie, ten moment, w którym to się udało.
Marek Hobler: I nagle były wielkie oczy, bo się okazało, że idziesz szybciej i jakość wzrasta, nie? Bo to też jest ważne. Jeżeli masz tylko jednego człowieka, to się nagle okazuje, że on jest tylko człowiekiem i ma prawo się pomylić.
Marek Wyszyński: Mhm.
Marek Wyszyński: A słuchaj, no bo ja cały czas się kręcę wokół tego Scruma, czy są jakieś, tak jak jest bardzo często w firmie, w momencie, w którym praca, powiedzmy, taka produktowa czy planowana nie jest aż tak obciążająca, ale obciąża nas już bardziej jednak utrzymanie tego, co dostarczyliśmy, no to wtedy zawsze słuchajcie, Scrum jest do dupy, róbmy Kanban, tak? I to jest w każdej firmie, w której byłem, w każdym zespole, w którym byłem, jak Scrum się nie sprawdza, to róbmy Kanban, bo Kanban nas wybawi, tak? O, tak. Oczywiście upraszczam to okrutnie, tak, w tej chwili, no bo wiadomo, że Kanban ma konkretne zastosowania do bardzo konkretnych sytuacji biznesowych. No właśnie, czy na przykład można by trochę tego typu prace za taki, taki kanbanowy, utrzymaniowy sposób, tak? Chociaż, bo to raczej nie są małe taski, powiedzmy w Kanbanie chodzi o takie te w miarę małe taski, które jesteśmy w stanie na bieżąco obrabiać, tylko tu jednak cały czas mówimy o, no pracy w dużej mierze koncepcyjnej, tak? Bo to jest tak samo, jak w przypadku programistów. Większość pracy odbywa się w głowie, tak? Później trzeba tylko napisać kod, tak? Ale no to jest jakby, kod to jest tylko narzędzie, trzeba wykombinować jak. A tu mam wrażenie, że tej pracy takiej typowo koncepcyjnej, to jest pewnie jeszcze ze trzy razy więcej, tak? Niż w przypadku zwykłego, znaczy zwykłego, niż w przypadku programistów, bo tak jak mówisz, najpierw musimy zanalizować te dane. Najpierw w ogóle trzeba je dostać, zobaczyć co w nich jest i je, tak jak mówiłeś, uprościć, tak? Żeby one miały ten wspólny mianownik, żebyśmy byli w stanie nad tym pracować, a dopiero później zacząć myśleć o tych modelach, tak? Coś, co w przypadku programistów wygląda trochę inaczej.
Marek Hobler: Właśnie chyba bym się z tobą pokłócił. O!
Marek Hobler: Na to myślę sobie o tym, jak będą, jak były zużyte tablice suchościeralne, to tej pracy koncepcyjnej było bardzo podobnie, jeżeli chodzi ilościowo, tak? Czyli jak patrzyłem sobie na takiego człowieka sztucznej inteligencji, czy na programistę przez szybę, może nie wiem jak w zoo, ale przez szybę tak najczęściej jest, to oni podobną ilość czasu spędzali pisząc na klawiaturze, co patrząc za okno i myśląc, czy pisząc na notatki. Więc wydaje mi się, że ta praca koncepcyjna to są podobne problemy, podobnie złożone i chciałbym wrócić do Kanbana.
Marek Hobler: Ludzie migrują ze Scruma do Kanbana, bo wydaje się, że Kanban to tak naprawdę są taka tablica korkowa z trzema kolumnami, nie? I post-itami. Tam jest znacznie więcej, tam trzeba różne rzeczy mierzyć.
Marek Wyszyński: No i nie trzeba estymować, nie trzeba się komitować, no po prostu radośnie obrabiamy to, co nam wpadnie, tak? Takie jest bardzo często zrozumienie Kanbana, nie? Że o, będziemy mieli, dobra, bo Kanban jest łatwiejszy, żeby opanować chaos, nie? To tak generalnie wiele ludzi zakłada.
Marek Hobler: Marek, no słuchaj, to ja bym teraz cię wziął za rękę i poprowadził cię w kierunku Scruma i teraz zastanówmy się, czy robienie daily ma sens, jak masz zespół data scientistów. Wydaje mi się, że ma. Tak? Może mieć. Żeby porozmawiać o tym, co nas blokuje. To jest, nie wiem, 15 minut dziennie. To na pewno nas dużo nie kosztuje. Potem zastanawiam się, czy robienie retro ma sens. Czyli raz na jakiś czas spotkajmy się i pomyślmy o tym, co się udało, co się nie udało.
Marek Wyszyński: Mhm.
Marek Hobler: No to wiesz…
Marek Wyszyński: Moje doświadczenie z retro bardzo często jest takie, że przez te wszystkie lata, okej, to nam się nie udało, bo powiedzmy, okej, no tutaj, nie wiem, źle coś założyliśmy, trochę kulała komunikacja w zespole i tak dalej, i tak dalej. Natomiast mam wrażenie, że większość retro, i to może dużo w tym mojej winy, ale wiele retro obracało się wokół tematów, na które zespoły nie miały wpływu. Jeśli można było sobie ponarzekać na inny zespół, od którego zależymy, ponarzekać na szefa czy cokolwiek innego, no to pięknie, to retro było idealne do czegoś takiego, nie? No właśnie, czy retro miałoby sens?
Marek Hobler: No to ja byłem na… No można może ponarzekać na klienta, który nam dostarczył złe dane. No, tylko teraz pytanie, czy to prawdziwe retro masz, tak? No nie, absolutnie, to jest wypaczenie. Czy to jest, wtedy mamy rzeczy prawdziwego Scruma. Wydaje mi się, że jeżeli nie masz wpływu, no to pójdzie temat na parking, albo znajdziecie stakeholdersa, który wam pomoże w tym, tak? Nie wiem, w Scrumie masz Scrum Masterów dla programistów. Pytanie, czy są Scrum Masterzy dla Data Science? Może to jest coś innego, może to jest to samo. Chętnie bym usłyszał, ale no więc wydaje mi się, że retro, nie wiem, może się okazać, że narzędzie, które zastosowaliśmy do analizy danych było do niczego. Poprawiamy, podejmujemy decyzję o tym, że coś warto zainwestować, poprawę, nie?
Marek Wyszyński: Mhm.
Marek Hobler: A Product Owner? Product Owner. No, bardzo chętnie bym kogoś takiego chciał mieć, który przyjdzie i powie, jest taka wizja, tak? Mamy, nie wiem, przyjdzie zespół, powie, że mamy problem, trzeba zrobić model i mamy trzy możliwe podejścia i ktoś, kto pomoże im zanalizować, podejmie decyzję biznesową, to zróbcie trzy podejścia równolegle i sprawdźmy, czy to się uda, nie? Ktoś, kto będzie…
Marek Wyszyński: Chciałem cię podpytać właśnie o to, czy taki Product Owner, no bo często się mówi, że w zespołach programistycznych Product Owner, który sam potrafi kodować, koduje, to może nie jest najszczęśliwsze rozwiązanie, bo jest od razu tendencja do narzucania pewnych rzeczy, tak? No bo pojawia się od razu jakieś pojęcie, nie wiem, władzy i mówię, no to jest bardzo łatwe do nadużyć. No słuchaj, no to jest jedna z typowych patologii Scruma, tak? Product Owner, który się po prostu wtrynia tam, gdzie nie powinien. Jest team leaderem tak naprawdę, tak? Tak, tak, tak. No po prostu to jest taki team lead, tech lead, i tyle. Ale w przypadku takiego zespołu data science’owego ciężko mi jest sobie wyobrazić Product Ownera, który sam nie rozumie dobrze idei problemu, właśnie idei data science. Ale mówię, no właśnie chcę, żebyś mnie wyprowadził w tym momencie z błędu.
Rola Product Ownera i Scrum Mastera
Marek Hobler: Wiesz co? A może utwierdził. I ja widzę w tym olbrzymi potencjał. Bo tak naprawdę jest tak, że ci ludzie od sztucznej inteligencji, oni owszem mają tam swoją zaawansowaną matematykę pod spodem, ale ich celem jest rozwiązywać rzeczywiste problemy. Tak? Więc posiadanie na pokładzie kogoś, kto przyjdzie i powie, słuchajcie, nie wiem, nie obchodzą nas koty syjamskie, bo w rejonie, w którym sprzedajemy naszą aplikację po prostu nie ma, to potrzebujesz kogoś, kto ma spojrzenie biznesowe. Kogoś, kto rozumie twojego klienta. Kogoś, kto rozumie tego, kto ci zapłaci za projekt. Mhm. I będzie ci dawał takie spojrzenie. Więc możesz mieć takie ryzyko, że będziesz miał ludzi technicznych wyłącznie w zespole, którzy tak się ukierunkują, soczewkują na problem techniczny, i na każdy procent, który trzeba poprawić, że odjadą od korzyści biznesowych. Tak? Bo wyobrażam sobie, że może być tak, że możesz mieć aplikację, która już w 70% wykrywa kota. I to już spełnia warunki biznesowe. I nie ma sensu dalej siedzieć w tym systemie i marnować czasu, przepalać pieniędzy, nie? Mhm. Więc głosuję wszystkimi kończynami, jakie mam. Potrzebujesz Product Ownera. I to najlepiej właśnie,
Marek Hobler: niebędącego data scientistą jednocześnie, bo wiesz co? To strasznie kusi. Jak rozumiesz, jak to działa wewnątrz, to zaczynasz się fascynować tą nową technologią, tym, nie wiem, obliczeniami na kartach graficznych czy na czymś tam, a przestajesz myśleć o perspektywie biznesowej. Dlatego w Scrumie masz te dwie osoby, nie? Masz Product Ownera i masz Scrum Mastera. Jeden ma myśleć o czymś, a drugi ma myśleć o czymś innym. I to tarcie pomiędzy nimi, specjalnie zaprojektowane, powoduje, że masz lepszy projekt. Więc jak pomyślisz sobie, że w projektach ze sztuczną inteligencją też możesz mieć takie tarcie, to też dostajesz korzyść.
Marek Wyszyński: Okej. Ciekawe, ciekawe. Dlatego mówię, to jest rzecz, której ja totalnie nie rozumiem i dlatego bardzo chętnie dam się wyprowadzić ze wszystkich moich błędnych założeń. Więc, Marku, przeproszę cię, na chwilę muszę psy na dwór wypuścić, bo mi tu wyją pod drzwiami. Spoko. Ty ich nie słyszysz, ale ja słyszę.
Marek Hobler: Ja sobie zrobię temperaturę wyżej, bo zaczynam zamarzać.
Marek Wyszyński: Dobra, już jestem.
Marek Wyszyński: To ja chciałem cię jeszcze o jedną rzecz zapytać odnośnie, no, cały czas obracamy się wokół Scruma, więc o taki kolejny element Scruma, który jest kluczowy. Wszystkie są kluczowe, oczywiście. Ale to jest demo. No bo okej, w przypadku pracy nad produktem idea jest bardzo prosta. Pokazujemy przyrost gotowego produktu, to, jak się zwiększa ta wartość dla klienta. Najlepiej w sposób, który jest namacalny organoleptycznie, taki, żeby jeszcze klient mógł sam zobaczyć i się tym pobawić. Tu jest chyba trochę trudniej, nie, no bo nie mamy tych produktów, mamy te modele. Okej, możemy pokazać, że faktycznie, no, patrzcie, tu damy 10 zdjęć kotów, on na 11 powie, czy jest kot, czy nie. A tydzień temu musieliśmy mu dać 20 zdjęć kotów, żeby on był w stanie pokazać, tak? No nie wiem, no bo to mówię, upraszczam to sobie cholernie, ale tak próbuję zrozumieć, jak możemy właśnie pokazywać tego typu rozwiązania, zwłaszcza kiedy, tak jak mówiliśmy, czasami to jest, no, pracujemy na, mówię, na modelu matematycznym, nie mamy tego gotowego produktu jeszcze, nie mamy niczego takiego faktycznie, co by się dało, mówiąc brzydko, pomacać.
Marek Hobler: Mhm, dobra, to wiesz co, to są dwa rozwiązania. Jedno rozwiązanie jest takie, że ci ludzie od sztucznej inteligencji nie są zawieszeni w próżni. Oni obok mają zespół programistów, którzy dorabiają im integrację. Wtedy robisz wspólne demo, tak? I klient dostaje ten frontend, dostaje backend z tym modelem z zeszytem w środku i wtedy, wiesz, dajesz klientowi telefon, mówisz: zrób, masz tutaj, nie wiem, dwa pluszowe koty, zrób im zdjęcie, zobaczymy, czy wychodzi. I wtedy zespół chwyta się za głowę, bo się okazuje, że klient wcale nie trzyma telefonu poziomo, tylko trzyma go do góry nogami, bo, nie wiem, tak mu się wygodniej trzyma i nagle wszystko przestaje działać. Tak? To jest jedna opcja. Integrujesz się wraz z zespołem dostarczającym cały produkt klientowi. Czasami jest tak, że produktem rzeczywiście jest sam model. Nie jest oprogramowanie, które coś robi, tam jest sztuczna inteligencja, tylko dostarczasz sam model. Na przykład jesteś Netflixem i kiedyś był milion dolarów nagrody za to, że poprawisz algorytm proponujący kolejny film, który klient mógłby chcieć obejrzeć, tam wydaje mi się o pół procenta czy o procent. I więc takiemu Netflixowi możesz po prostu wysłać nowy model, tak? I w ramach demo oni sobie sami już zmierzą, że ich klienci są bardziej zadowoleni z filmów, które oglądają.
Marek Wyszyński: Okej. Widzisz, to jest coś, o czym totalnie nie pomyślałem, tak? Przecież te rekomendacje Netflixowe to jest nic innego jak data science, tak? Dane, które im sami dostarczamy w ogromnych ilościach, oglądając kolejne odcinki Modern Family, powiedzmy, jeden za drugim i dostajemy te rekomendacje. No to dokładnie w taki sam sposób działa. No nawet nie wiedziałem, że oni jakiś konkurs ogłaszali na poprawę tego algorytmu.
Marek Hobler: Wiesz co, bo to nie jest świeża sprawa. To nie jest świeża sprawa. To jakiś czas temu ogłosili ten, wiesz co, nie chce mi się teraz szukać. Jakiś czas temu, jakiś czas temu ogłosili i potem się z tego wycofali. Nie wiem, czy
Marek Hobler: Ja, będąc użytkownikiem Netflixa od wielu lat, zauważyłem, że kiedyś było tak, że rzeczywiście Netflix mi oferował filmy, które ja bym chciał obejrzeć, a teraz to się zmieniło na to, że Netflix proponuje mi te kategorie, tak? Może zobacz, nie wiem, film akcji i rzuca mi same filmy, które są po prostu filmami akcji, które innym ludziom się podobało. I jak dla mnie to jest porażka. W sensie okazało się, że z punktu — owszem — ludzie chcieliby oglądać filmy, które najbardziej im się podobają, ale z punktu widzenia biznesowego Netflixa oni się z jakiegoś powodu wycofali z tego. Dalej zbierają te dane, ale już te algorytmy są ponoć znacznie prostsze.
Marek Hobler: Może proponują ci filmy, które są wystarczająco dobre, a tantiemy są niskie, nie?
Marek Wyszyński: No właśnie, bo chyba chodziło o to, że to już były zbyt wyspecjalizowane te rekomendacje, faktycznie dostawałeś i oni może, nie wiem, zarabiali mniej, tak? Ja nie wiem, nie wiem, jaki jest do końca ich model biznesowy, czy oni dostają kasę od odtworzenia, czy nie, ale no to faktycznie to mogło być tak, że po prostu wiele rzeczy nie było rekomendowanych bezpośrednio, bo nie wpadały w algorytm, tak? Więc oni płacili cały czas ogromne licencje za to, żeby w ogóle mieć je w swojej bibliotece. No ale to gdybamy sobie w tym momencie.
Marek Hobler: Wycofali się z tego, nie?
Marek Wyszyński: Ale tak, wiesz, no podsumowując krótko, ty jesteś zdania, że jak najbardziej się da — może inaczej — jak najbardziej warto próbować, tak? O to, żeby faktycznie ten Scrum w takich zespołach był. Czy w takim, mówiąc prosto, wyizolowanym zespole data science’owym, czy na takim właśnie, gdzie będzie ta linia styku, tak? Gdzie, powiedzmy, mamy zespół pracujący nad produktem, a dostajemy jednak cały czas ten input ze strony data scientistów.
Marek Hobler: No wiesz, jak najbardziej uważam, że się da. I jestem zdania, że te firmy sztucznej inteligencji, które się tego nauczą już teraz, jak najszybciej, to zdobędą olbrzymią przewagę konkurencyjną. Mhm. Ale wyobrażam sobie o tym, że wkrótce może przestaniemy myśleć o takiej kategorii, jako ludzie od sztucznej inteligencji, ludzie od programowania, wrócimy do tej idei zespołu Scrumowego, w której mamy ludzi od UX-a, mamy ludzi od umów prawnych, możesz prawnika dociągnąć, masz programistów, masz testerów i też będą tacy ludzie od sztucznej inteligencji, które będą ich wspierać. I będziesz miał jeden zespół, który pracuje razem i jeden plus jeden równy trzy.
Marek Wyszyński: Mhm. Przyszła mi do głowy jeszcze jedna rzecz, o którą cię nie zapytałem — domyślam się, powiedzmy, odpowiedzi — jeśli idzie o estymowanie problemów. No właśnie, no bo tu, tak jak mówiłeś, to jest coś, nad czym można pracować absolutnie bez końca, bo model zawsze może być lepszy, więc estymata jest taka, że ile mi resourców dasz, tyle przepalę, że mogę praktycznie bawić się tym, co chcę, nie? Bo to tak jak, właśnie może to też jest coś — ale to znowu moje uproszczenie — że tu cały czas to jest jednak, mówię, jest to zamiłowanie do tej matematyki, do tej statystyki, do tego dłubania i cały czas tuningowania tego, co już mamy, niż myślenia może o tej wartości dla klienta. Znowu, no upraszczam i wiem, że może to jest krzywdzące, ale tak jak mówiłeś, tutaj to jest takie bardzo mocne nastawienie na ten gold plating, chociaż ja w życiu prywatnym — znaczy w życiu prywatnym, w zespołach czysto programistycznych, czy keywayowych, czy devopsowych też to widziałem. Zawsze może być lepiej, nie? Zawsze może być lepiej i nic nie jest nigdy gotowe, nie? I tu jakby no trzeba sobie, wiesz, powiedzieć o tym MVP, o tym good enough i tak dalej, i tak dalej. Trzeba czasami, wiesz, gdzieś tę granicę postawić, co się oczywiście wielu ludziom nie podoba, którzy jednak lubią po prostu faktycznie sobie dłubać i dostarczać coś, czego będą w stu procentach dumni, bo to będzie w ich mniemaniu idealne. To chyba jest dokładnie ten sam problem, nie? Z data scientistami.
Estymacja i wartość biznesowa w AI
Marek Hobler: Ja tutaj się nie będę z tobą kłócił w żaden sposób, zgadzam się z tobą. Wydaje mi się, że każdy z nas ma potrzeby piękna, więc jeżeli mamy czas, to będziemy nasz kod upiększać tak, żeby był jeszcze lepszy, jeszcze więcej czasu abstrakcji, żeby działał jeszcze ładniej. Testerzy będą pisali kolejne testy, żeby wszystko się świeciło na zielono, a data scientisti będą poprawiali procenty wykrywania kota. I to jest, mamy wszyscy potrzeby tego porządku i piękna.
Marek Hobler: Trzeba do tego dołożyć wizję biznesu, że to już jest done. To już jest wystarczające. A jeżeli myślimy o estymacjach, to jest tak samo trudny problem, jak przy programowaniu, czy przy jakimkolwiek innym złożonym procesie.
Marek Hobler: I widziałem takie przypadki w życiu, kiedy pytali, kiedy przychodził klient i mówił, że potrzebuje aplikacji, która rozpoznaje tego kota przynajmniej w 95% i siedli ludzie i napisali na kolanie szybki model, który, nie wiem, był już w 90% dobry, więc ten proof taki plus ich poczucie, że tam jeszcze mają ileś metod, które mogą poprawić to i powinni dojechać do tych, nie wiem, 5% więcej, pozwolił im powiedzieć, OK, możemy wziąć ten kontrakt, zrobimy to. Oczywiście, że mogli się pomylić. Oczywiście, że mogło się okazać, że żadna z tych metod nie zadziała, albo że jedna z tych metod wymaga jeszcze pół roku więcej pracy, niż sądziliśmy. Jak w każdym innym projekcie.
Marek Wyszyński: OK. Wiesz tak, próbuję sobie to poukładać w głowie i się zastanawiam, czy to są w takim razie jakieś różnice? Wiesz, no bo mówimy, że OK, możemy sobie wziąć Scruma i zaaplikować go na zespół produktowy i to robimy już od lat, ale możemy dokładnie zrobić to samo, wziąć zespół data scientistów, zrobić im szkolenie dokładnie takie samo, jak w przypadku inżynierów oprogramowania, oczywiście, no ucząc o wszystkich rolach, o procesach, o całym procesie, o ceremoniach, o artefaktach, jakby Scruma takich ludzi uczylibyśmy dokładnie w taki sam sposób. Czy coś byś jednak tutaj zmienił?
Marek Wyszyński: No bo podstawą Scruma i tak zawsze będzie ten ownership, ta odpowiedzialność, ta praca zespołowa i ta wartość dla klienta. To jakby niezależnie od tego, kto w tym zespole Scrumowym siedzi, chodzi o to samo. Pytanie, czy tu ucząc takie zespoły, takich ludzi, Scruma, w ogóle ma sens robić cokolwiek inaczej?
Marek Hobler: Trochę słyszę twoje pytanie w takim kontekście, czy Scrum dla AI to jest inny Scrum niż Scrum dla developmentu? Albo co należy wyciąć ze Scruma? Tak, ale zawsze jest taka pokusa. Wiesz, w ogóle słyszałem, że są firmy, które produkują samochody w Scrumie. Czyli można wiele rzeczy robić w Scrumie, nie tylko development. Ale wydaje mi się, że nie ma takiej twardej potrzeby, żeby coś zmodyfikować.
Marek Wyszyński: Bardziej chodzi mi o to, czy ty stawiałbyś nacisk może na coś innego. Tak jak mówiłeś, no bo czymś, co gdzieś tam wypłynęło, była ta kooperacja, czy te soft skille, co jest coś takiego, co gdzieś tam może trochę odróżniało data scientistów od deweloperów znowu.
Marek Wyszyński: Aplikuję tutaj model, upraszczam okrutnie, ale mówię, no to jest coś, co gdzieś tam wypłynęło. Czy faktycznie próbując… Mam zespół data science’owy, chcę, żeby pracowali w Scrumie z jakiegokolwiek powodu. Czasami te powody, wiesz, jakby… Powody pracy w Scrumie nie mają sensu. Czasami jest tak, że szefostwo tak chce. Cały czas mam jeszcze wiele firm, które nie pracują zwinnie i dopiero się tego dotyczą, zwłaszcza na naszym rynku. I tak się zastanawiam właśnie, czy gdyby się trafił taki zespół, to czy tu się powinno robić coś inaczej? Wiadomo, no skrypt może sobie przeczytać każdy, ale czy wtedy powinno się kłaść nacisk na jakieś inne elementy, które mogą być bardziej kluczowe w takim zespole, czy jednak nie? No bo w końcu Scrum to Scrum. On jest jeden. Scrum Guide jest jeden i idea jest jedna.
Marek Hobler: Wiesz, to jest pytanie, czy chcesz mieć Scruma dlatego, żeby móc pójść do zarządu i móc pochwalić się, że dzisiaj mamy Scruma, nie? Czasami nie masz wejścia, nie? Ale… Tak. Ja zakładam, że raczej jesteśmy w tym drugim koszyku, w którym chcemy mieć Scruma dlatego, żeby mieć korzyść biznesową. Tak? Więc i nie wiem, załóżmy, że zarząd to już czuje albo mówi się o tym, że takie zmiany, transformacje idą od góry. Tak? Chyba się psuje od głowy. Ponoć też transformacje też idą od góry. I więc jeżeli już wiesz, że chcesz mieć Scruma, a nie tylko dlatego, żeby mieć pieczątkę, że jesteś certyfikowaną firmą Scrumową, tylko rzeczywiście chcesz mieć korzyść biznesową z tego, to wydaje mi się, że powinieneś mieć bardzo mądrego Scrum Mastera. Tak? Bo wydaje… To jest już moje… Trochę pływam po tym, co mi się wydaje.
Marek Hobler: To, co ja bym zrobił na tym miejscu, to wziąłbym bardzo mądrych Scrum Masterów do tych zespołów, bo rzemiosło data science jeszcze jest niedojrzałe. W przypadku rzemiosła programowania wiemy, że muszą być testy jednostkowe, musi być continuous integration.
Marek Hobler: Wiadomo, jakie jest dobre rzemiosło. W przypadku data science jeszcze nie… No tak. I to jest świeże, to jest młoda sprawa. I potrzebujesz mieć Scrum Mastera, który wesprze ten zespół na tyle, żeby był świadomy ten zespół, że musi sobie z tym poradzić. I nie podzielimy pracy tak, że każdy z nas będzie zajmował się swoim puzelkiem, tylko zderzy ich ze sobą, tak? Czyli pójdziemy w zespołowość. Bo to, czy oni będą robili retro, które trwa godzinę, czy w danym tygodniu sobie pominą retro, to jakby ja wierzę, że to jest droga do Scruma, tak? Czyli jak wejdziesz na tę drogę i… Najpierw będziesz robił daily automatycznie i będziesz zadawał sobie dwa pytania, potem dobry Scrum Master ci powie, że może to niekoniecznie jest dobra opcja i zaczniecie rozmawiać o prawdziwych rzeczach. Potem retro, demo i każdy z tych wydarzeń najpierw będzie takim artefaktem. To się o czymś przeczytałeś w książce, a potem zaczniesz rozumieć, dlaczego on jest tak skonstruowany, jak jest. Więc wierzę, że tak samo implementujesz Scruma w sztucznej inteligencji, jak dla programistów.
Marek Wyszyński: No tu się z tobą zgodzę, bo wiesz, chciałem się jakby podpytać o tę twoją perspektywę, bo sam czy wdrażałem, czy pomagałem przy Scrumie, czy współpracowałem z zespołami zarówno programistycznymi, jak i HR-owymi, share-service-owymi i to zawsze był Scrum. I takim elementem, na który się kładło szczególny nacisk był klient, bo bardzo często się o tym kliencie zapomina gdzieś, jakby będąc zagrzebanym w te problemy, tak? Czy faktycznie w te bebechy problemu, a nie to, w ogóle czyj to jest problem i dlaczego ktoś chce, żeby ten problem rozwiązać. I tak jak mówię, chciałem się, wiesz, może upewnić, bo mówię, no ja nigdy nie uczyłem innego Scruma żadnego z tych zespołów, mimo tego, że one się zajmowały totalnie różnymi problemami. Totalnie różnymi, tak? I tutaj no, to jakby ma sens jak najbardziej.
Marek Hobler: Tak, więc myślę, że mądry Scrum Master to jest taki, zamykając pytanie, tak? Mądry Scrum Master, ktoś, kto będzie na tyle odważny, żeby pokierować zespołem, nie tylko pójść w takie standardowe metody, ale zobaczyć, co rzeczywiście działa, to jest klucz do sukcesu w Scrumie, w AI.
Marek Wyszyński: Nawiązując do twojej wypowiedzi gdzieś z początku naszej rozmowy, mówiłeś, że, tak jak gdzieś tam miałeś okazję uczestniczyć w jakichś kuluarowych rozmowach i przysłuchiwać się temu, jak to jest postrzegane, to raczej panuje przeświadczenie, że ciężko, że się nie da zrobić Scruma w takich zespołach. To ja cię teraz pytam, czy myślisz, że udało nam się trochę odeprzeć te argumenty? Że się da? Że warto?
Podsumowanie: Scrum w AI jest możliwy
Marek Hobler: Wiesz, to teraz pewnie okaże się w komentarzach, tak? Ale myślę, że tak. To znaczy, tobie się nie udało przekonać, że się nie da.
Marek Wyszyński: Ale ja się nie próbuję przekonać. Wiesz, ja sam chciałem też się dowiedzieć, czy się da, bo tak jak mówię, ja nie pracowałem nigdy z…
Marek Wyszyński: Tego typu… Znaczy, jak mówię tego typu ludźmi, to zaczyna od razu źle brzmieć, ale to nie o to chodzi. Ale ja z takimi pracownikami miałem w zasadzie znikomą styczność. Jedyne problemy, które gdzieś natrafiłem i to raczej przysłuchując się im, były w momencie, w którym przychodziło do appraisali. Bo wszystkie frameworki w firmie, wszystkie narzędzia są jednak przystosowane do inżynierów. I bardzo często takich ludzi zatrudniało się wręcz jako inżynierów, bo nie istniało stanowisko data scientist, data engineer. No a później ich oceniamy i się okazuje, że… No kurde, to jak ich ocenić? To jak w ogóle… To jak oni w ogóle mogą sprostać oczekiwaniom, skoro nasze oczekiwania na papierze, a czasami są ludzie w organizacjach, którzy bardzo mocno się tego papieru trzymają i tych Exceli, czy innych systemów, które mamy, jeśli idzie o ocenę roczną pracowników, półroczną. I były bardzo długie i ciężkie dyskusje. Jak w ogóle się odnaleźć z takimi ludźmi w firmie? Jak ich dobrze i sprawiedliwie ocenić, skoro ludzie, którzy ich oceniali, też nigdy ani nie byli data scientistami, ani z takimi nie pracowali zbyt długo. I mówię, to była tak naprawdę… To było coś, co mnie zastanawiało. I to, co ja widziałem, że rynek może nie do końca jeszcze dorósł do tego, nie do końca zrozumiał, że mierzy się z pewnego rodzaju nowym zawodem i musi skalibrować wszystkie swoje narzędzia do tego, żeby to ogarnąć. I mówię, to jest na potrzeby bardzo często wielu korporacji, które po prostu muszą mieć systemy i procesy, bo przy pięciu, dziesięciu, stu tysiącach ludzi po prostu musisz upraszczać, inaczej zwariujesz. I mówię, takie wrażenie, że często był jednak z tym problem, że rynek czy pewne firmy jeszcze nie były gotowe na pewne zmiany.
Marek Hobler: Co do samych ocen kwartalnych czy już półrocznych, ja nie jestem ich wielkim zwolennikiem, może tak powiem.
Marek Wyszyński: Nikt nie jest, ale tak jak mówię, pracujesz w wielkim korpo, może ktoś mi wyprowadzi z błędu, ale pracujesz w takim Microsofcie czy Google’u, które jakby bardzo nie chciały iść do przodu, mają takie procedury, bo są po prostu na tyle wielkimi firmami, że muszą.
Marek Hobler: Okej, dałeś mi piękną kartę do ręki, bardzo Ci za to dziękuję, Google’u. Tam oceny pracowników są robione przez oceny ludzi z zespołu i ludźmi wyżej, niżej. Więc jeżeli już musisz oceniać współpracę z data scientistem, to wierzę w to, że to, na ile on jest dobrym matematykiem, sprawdziłeś na rekrutacji. Tak? I to, co potrzebujesz w ocenie okresowej, to niekoniecznie jest to, że jak gościu szybko dodaje, czy jak tam, nie wiem, liczy jakieś całki, tylko potrzebujesz to, na ile zespołowi dobrze się z nim współpracuje. Na ile gościu, czy, przepraszam, na ile ten ktoś, kto to jest… Jest bardzo dużo kobiet w tej branży, nie? W ogóle świetnie. I na ile taka osoba współpracuje z innymi ludźmi, na ile rozumie biznes. Tak? Czy… I to powinno według mnie… Jeżeli już koniecznie chcesz coś mierzyć, to mierz efektywność biznesową, a nie to, jak ktoś szybko liczy całki. A to powinno być… Taka ocena powinna być łatwa do zrobienia, bo każdy ją rozumie.
Marek Wyszyński: Tak. Wiesz, ja się zgadzam z Tobą w stu procentach. Po prostu, tak jak mówiłem, rynek może jeszcze do pewnych rzeczy nie dorósł. Wiesz, no, samo przejście na takie właśnie, to nie wiem, takie to peer review 360, tak? Że faktycznie oceniają Cię wszyscy ludzie, którzy z Tobą pracują, a nie tylko Twoi przełożeni i porównują Cię z innymi ludźmi na tym samym stanowisku. No, co też jest bardzo naturalną praktyką w wielu firmach, tak? No, jak Ty jesteś zatrudniony jako inżynier oprogramowania, a de facto nie jesteś takim inżynierem oprogramowania, to siłą rzeczy wypadasz blado w porównaniu z nimi. I mówię, no, po prostu z takimi rzeczami cieszę się, że spotykałem. Ja się zgadzam, że te oceny powinny wyglądać inaczej, tak? I rynek do tego dorasta, i tak idziemy w tą stronę, żeby jednak opierać się na tym, jaka jest Twoja faktyczna wartość biznesowa, a nie jak wpasujesz się w tą tabelkę, którą ktoś kiedyś napisał i dawno o niej zapomniał. A Ty cały czas korzystasz z tego narzędzia, no, bo ktoś tak chce. Ktoś kiedyś
Marek Hobler: Mądry powiedział, że dostajesz to, co mierzysz, tak? Więc jeżeli będziesz sobie mierzył jakieś takie archaiczne KPI-e, no to masz dużą szansę, że ci najbardziej zdolni data sciencyści pójdą sobie gdzieś indziej.
Marek Wyszyński: Mhm. No, czyli musimy do tego dorastać, dorosnąć w zasadzie cały czas i no i mierzyć się z tym. No to nie problemem, nie wyzwaniem, tak? Bo już ktoś mi kiedyś powiedział, że not a challenge, but an opportunity, tak? Żeby nawet nie używać słowa wyzwanie, tylko po prostu okazja, tak? Mamy okazję stworzyć trochę, no, można powiedzieć nowomniejsze, nowe miejsca na rynku pracy, które jeszcze może, nie wiem, w naszym kraju nie jest aż tak popularne i zrobić to dobrze.
Marek Hobler: Znaczy, wiesz, nie jest tak popularne, na naszym biurze na Placu Solnym mamy naszymi sąsiadami jedne drzwi dalej jest kolejna firma, która zajmuje się sztuczną inteligencją, tak? I robią to w Scrumie. Więc czy to rzeczywiście jest tak, że to jest takie nieczęste? Dowód anegdotyczny Marka mówi o tym, że niekoniecznie.
Marek Wyszyński: Tak samo mój anegdotyczny mógłby być, mógłby mówić, że jest odwrotnie, bo ja po prostu nie miałem styczności z tego typu ludźmi, tak? To tylko, więc mówię, to może, wiesz, moje klapki na oczach trochę tutaj o tym mówią, czy moje doświadczenia, że jeszcze tego trochę brakuje, ale jeśli nie, no to tym lepiej słyszeć, tak? To jest, no, jednak fajnie, że coś nowego się pojawia, tak? Tak jak, no nie wiem, naście lat temu nie mówiło się raczej o DevOpsach, tak? To też było, to też było jakieś takie novum i nie do końca było wiadomo, jak ich ugryźć, co z tym zrobić, tak? Teraz mamy data scientistów, za parę, paręnaście lat znowu będzie ileś zawodów, które dzisiaj nie istnieją i będziemy jakby cały czas, no, mierzyli się z tą okazją, już nie będę mówić o wyzwaniach, ale z tą okazją, żeby jednak dostosować rynek pracy i rynek zatrudnienia do tych nowych, do tych nowych pozycji.
Marek Hobler: Już się zaczyna słyszeć o tym, że są, nowy zawód jest MLOps, Machine Learning Ops, tak? Więc masz kolejne, kolejną ciekawostkę. Więc może za dziesięć lat będziemy ich tak samo szukać, jak teraz DevOpsów.
Marek Wyszyński: No to dobrze. Czyli warto teraz być MLOpsem, znaczy może iść w tę stronę, bo za dziesięć lat będzie, będzie fajna kasa do wzięcia. Tak myślę. Ale…
Marek Hobler: Wiesz, pytanie, czy tu chodzi tylko o kasę, nie? Nie, absolutnie, absolutnie, ale… Zaczęliśmy podcast o tym, że mówiłeś, że ileś lat temu data sciencyści to był najlepszy zawód świata, czy może teraz jest. Ja nie wiem, czy nie wolałbym być barmanem na Hawajach, nie?
Marek Wyszyński: No tak, pewnie troszeczkę przyjemniej, nie? Znaczy wszystko zależy od tego, co kto lubi tak naprawdę. Ale, no ale fakt, no ja jestem na rynku pracy od 2008 roku i kilka takich trendów już miałem okazję zaobserwować. Kiedyś byli tylko Javowcy, później tylko C-Sharpowcy, tylko QA, tylko DevOpsi, teraz tylko data sciencyści może za chwilę, tak? I mówię, to się to jest coś, co się zmienia, tak? I tak naprawdę czasami trzeba po prostu podążać za tym rynkiem i też dostosowywać siebie do tego rynku i patrzeć co, co w tym momencie tam jest najpopularniejsze. O i oczywiście nas to kręci. Bo nie chodzi o to, żeby robić to na siłę. Fajnie, jeśli ciebie to po prostu kręci, tak?
Marek Hobler: Dokładnie tak. Dobra, Marku.
Marek Wyszyński: Zająłem ci już półtorej godziny, także ogromne dzięki za tę rozmowę, ogromne dzięki za otworzenie mi oczu na pewne tematy, czy na to jak wygląda ten rynek data scientistów w naszym kraju, czy w szerszym kontekście i jak można zaaplikować zwinność w tego typu zespołach. Mam nadzieję, że tak jak mówisz, będzie tego coraz więcej.
Marek Hobler: Dzięki, przemiło się z tobą rozmawiało. Fajnie rozmawiać, bo to wtedy się systematyzuje się w głowie. Więc super, bardzo ci dziękuję. Przyjemny wieczór. Nie jest tak gorąco, jak się siedzi przy komputerze.
Marek Wyszyński: I ja siedzę przy zamkniętym oknie, bo u mnie szalała burza i musiałem je zamknąć po prostu ze względu na hałasy na zewnątrz. Także tu jest, mogło być przyjemniej na pewno, ale zaraz zaraz na pewno wyjdę się przewietrzyć. Dobra, to do zobaczenia kiedyś w studio. Dzięki, hej.
Marek Hobler: Oj tak na pewno, hej.
Podziel się wpisem:
Chcesz pójść dalej?
- Professional Scrum Master™ – AI Essentials (PSM-AIE)AI w pracy zespołu: świadomie, a nie dlatego, że ktoś kazał
- Professional Scrum Product Owner™ – AI Essentials (PSPO-AIE)Używasz AI w pracy nad produktem świadomie, a nie na ślepo
- Higiena AI dla liderówKorzystaj z AI tak, żeby się nie sparzyć





