Prosiliście o case studies. Dzisiaj odcinek, w którym właśnie rozmawiamy o wdrożeniach. O obszarach zastosowania #AI w biznesie. O metodyce. O rezultatach.
Moim i Waszym gościem jest Jan Grzybowski Chef Delivery Officer w Neurons Lab – spółce realizującej wdrożenia z klientami na całym świecie.
Pozdrawiam Was serdecznie, dziękuję za Wasz czas i uwagę! I wiadomości, które mi wysyłacie – pisząc o Waszych wnioskach, pomysłach, które pojawiają się po odsłuchaniu odcinków.
Dobrego dnia! Posłuchaj podcastu i podziel się nim z innymi!
Tradycyjnie wielka prośba – jeżeli jeszcze nie wystawiłaś lub nie wystawiłeś oceny 99 Twarzom AI na Spotify lub Apple podcast – pomóż mi proszę z dotarciem do nowych słuchaczy. To zabierze Ci tylko 2 minuty. Z góry serdeczne dzięki!
Dobrego dnia i niech #AI będzie z Wami wszystkimi!
Notatki
Co czyta, czego słucha Jan?
„Z dobrych książek polecam Życie 3.0. Człowiek w erze sztucznej inteligencji Maxa Tegmarka. Myślę, że jest sporo dobrych podcastów na YT i innych ale ja wolę inne formaty. Incydentalnie słucham Agile State of Mind, Diary of the CEO, i Lenny’s.”
Transkrypcja rozmowy
Disclaimer. Droga Czytelniczko, Drogi Czytelniku – mała uwaga dotycząca transkrypcji rozmowy. Jak się pewnie domyślasz – transkrypcja została przygotowana z wykorzystaniem magii LLM. Proszę o wyrozumiałość, gdyby pojawiły się w niej niewielkie błędy, literówki, etc. Żeby mieć pewność co do wszystkich wypowiedzi – polecam posłuchać, zamiast czytać. Ukłony.
Karol Stryja: Janie, witam Cię serdecznie w 99 Stwarzy EI. Kolejna twarz sztucznej inteligencji w Polsce. Jest mi ogromnie przyjemnie, że przyjąłeś zaproszenie i będziemy mogli porozmawiać o tym, co robisz, co Cię kręci w całej technologii.
Jan Grzybowski: Bardzo dziękuję za zaproszenie. Również jest mi bardzo miło, że będę mógł tutaj opowiedzieć o swojej perspektywie na EI..
Karol: Historia naszego spotkania jest taka, że jakiś czas temu napisałem post na LinkedInie i zapytałem o to, czego ludzie chcieliby słuchać, o czym chcieliby się dowiedzieć w kontekście sztucznej inteligencji i tego, co się dzieje obecnie, bo jest ogrom hype’u, a okazało się, że ludzie chcieliby słuchać o realnych wdrożeniach i mam nadzieję, że o tych realnych wdrożeniach, o tych use case’ach, które wykraczają poza czata GPT, będziemy mogli porozmawiać.
Jan: Jak najbardziej. Ja właśnie widzę, że ta taka można powiedzieć nadmierna, nadmierny wręcz hype i proliferacja tego jaja, które wyskakuje wręcz z lodówki za każdym razem, powoduje, że może część ludzi, którzy by chcieli skorzystać z jaja, nie mówię tutaj o osobach takich, którzy indywidualnie korzystają z szata GPT, z innych narzędzi, ale z firm, że to de facto trochę powoduje większe zagubienie. Więc być może taka perspektywa, do czego można de facto wykorzystać AI w firmie, oprócz tego, że możesz skorzystać z strategii P&T, może będzie dla kogoś wartościowa..
Karol: I moja prośba, próbujmy rozmawiać językiem zrozumiałym dla ludzi, którzy nawet nie są z technologii.
Jan: Ja nie jestem z technologii w ogóle. Jestem menedżerem i mam co prawda background technologiczny. Przez wiele lat pracowałem jako programista i też mam czasami takie chwile w swoim życiu, że chciałbym wrócić do kodowania i coś porobić, ale de facto zajmuję się obszarem głównie delivery, kanałem partnerskim i taką trochę perspektywą powiedzmy zarządczą, jeżeli chodzi o prowadzenie projektów dla dla Enterprise’ów, dla różnych firm, ale oczywiście tutaj taki może disclaimer mały, nie można prowadzić portfela czy zarządzać portfelem projektów nie wiedząc w ogóle, nie znając się na technologii, więc tutaj po prostu z uwagi na to, że ten komponent techniczny jest bardzo istotny z punktu widzenia sukcesu projektu, to ja też muszę się uczyć codziennie i się upskillować..
Karol: Opowiesz o tej twojej ścieżce?
Jan: Ja w ogóle jestem pasjonatem, można powiedzieć, informatycznym i zanim w ogóle pracowałem zawodowo, no to już tam gdzieś w szóstej, siódmej klasie zaczynałem pisać pierwsze programy. Robiłem ludziom, którzy na studiach mieli jakieś zaliczenia z programowania w scenę, to ja będąc takim dzieciakiem, to tam różne rzeczy im pisałem na zaliczenie. Przeszedłem przez różne takie właśnie ówcześnie popularne języki programowania, Turbo Pascal, Python, Pascal, Pascal, Python, Python, no to jeszcze w ogóle nawet nie wiem, czy się twórca Pythona urodził jeszcze..
Karol: Ja pamiętam, też jestem z czasów Pascala właśnie, tylko moja historia jest taka, że jak zobaczyłem Pascala, to się zagubiłem całkowicie.
Jan: No widzisz, no to ja, to w ogóle było bardzo fajne, bo wtedy musiałeś być samoukiem, nie było kogo spytać, nie było wiedzy, nie było internetu, nie było nic, więc to jest fajne. No i później jakoś tak oportunistycznie w zasadzie, bo to… Jakby w Polsce nie ma czegoś takiego, że ktoś ci doradzi, gdzie tam pójść z tą swoją karierą i zainteresowaniami. No więc ja później poszedłem na MatFis w Warszawie, później poszedłem na informatykę, no i później poszedłem do pracy jako programista. I to tak trochę życie za mnie zdecydowało. To nie jest jakaś taka super świadomość ciężka, że ja zawsze chciałem być w informatyce i tak kreowałem wizję jakiejkolwiek swojej kariery, gdzieś nie bardzo przodu. I później z tej informatyki, jak już byłem tym programistą, no to mnie zaczęło trochę nosić. Może bym porobił jeszcze coś innego. Chciałbym też zrozumieć tę perspektywę zarządczą. Przez jakiś tam czas byłem analitykiem. Później poszedłem w project management. Z project managementu trochę przeskoczyłem do sprzedaży. I tak bardzo, jak gdyby tutaj chciałem w telegryficznym skrócie, no może to powiedzieć. Przez 3 lat miałem swoją firmę, która robiła takie custom development w dotnecie. Później miałem jeszcze trochę takich epizodów, że zarządzałem różnymi strukturami delivery, no i ostatecznie trafiłem tutaj do Neurons Lab, gdzie zajmuję się delivery w AI..
Karol: No dobrze, no i na czym polega ta specyfika prowadzenia projektów delivery, jeżeli chodzi o AI?
Jan: Wiesz co, w ogóle mi się wydawało, że po tych latach to, że to będzie łatwiej po prostu, wiesz, że tu przychodzisz i już masz jakieś takie nawyki, rozumiesz po prostu jak konstruować jakąś taką, nie wiem, wspólną perspektywę, jak robić raportowanie, co klienci tam uważają, takie typowe, nie wiem, jakieś ryzyka na przykład, które się powtarzają i się okazało, że tutaj no to jednak trzeba było się dużo rzeczy oduczyć, nie. I co są takie rzeczy, które są specyficzne dla projektów AI-owych, bo Jak spojrzysz w ogóle na biznes, taka firma jak nasza, czyli taki AI Engineering Services, to można powiedzieć, że to jest firma taka, która dostarcza usługi IT. Tak jak trochę jest tam inżynieria software’u, czy transformacja cyfrowa, to model biznesowy jest ten sam. My uzgadniamy jakiś scope i coś tam robimy..
Karol: Jest problem i go rozwiązujecie..
Jan: Jest problem, jest jakiś tam, nawet czasami może wydaje nam się, że jest problem i też próbujemy go rozwiązać. I tu też powiem o czym właśnie, jaka tutaj widzę pewną taką specyfikę. Co jest jak gdyby takiego bardzo specyficznego w branży projektów AI-owej. Z punktu widzenia na przykład takiej współpracy w relacji z klientami, no to jeżeli na przykład ty jesteś, masz firmę, która robi aplikacje, no to na koniec zawsze coś powstaje, jakiś taki fizyczny produkt. Jest coś takiego tangible, coś działa, coś jest takiego, co możesz dotknąć. W dziedzinie AI-owej ten produkt, który powstaje jest bardzo amorficzny, jest taki bezpostaciowy. Część w ogóle naszych projektów to są takie projekty doradcze, można powiedzieć, żeby pokazać firmom jak w ogóle zacząć z AI, jak się do tego przygotować. A jeżeli chodzi o projekty inżynieryjne, to na koniec Ci powstaje jakiś model. Oczywiście są jakieś delivery, jest kod, jest wszystko, ale z punktu widzenia takiej osoby, która gdzieś tam na poziomie biznesu za to płaci, to pokażcie mi, gdzie jest w ogóle taki rezultat z projektu AI-owego..
Karol: Ale tym rezultatem jest albo informacja, albo rozwiązanie problemu..
Jan: No tym rezultatem jest informacja albo rozwiązanie problemu, ale na poziomie takim, kiedy ty zaczynasz w ogóle rozmowę z klientami, no to może dla ciebie to jest jak gdyby oczywiste, ale z punktu widzenia takiego business executive, no to nie zawsze to jest jak gdyby takie proste skojarzenie, że okej, ja za pomocą tego rozwiążę problem, tylko że to jest, no ja bym chciał coś dostać, nie wiem, kawałek jakiegoś UI albo czegoś. No i tutaj w AI czasami tego nie ma i to powoduje problem. z naszego punktu widzenia takie może na problemy w pokazaniu tej wartości, że to faktycznie coś możesz rozwiązać, jakiś problem, że możesz komuś czymś pomóc, bo jest ta bezpostaciowość..
Karol: To jak edukować biznes, żeby podchodził inaczej.
Jan: Wiesz co, bo tutaj właśnie jest taka rzecz, której my też się przez lata nauczyliśmy, że zanim w ogóle zaczniesz inżynierkę, no to musisz zrobić taki, nie wiem jak to nazwać po polsku, enablement, albo przede wszystkim się dogadać na to, jak wy definiujecie i rozumiecie problem. To jest jedna rzecz, żeby go właściwie zidentyfikować. A druga rzecz, jeżeli już zdecydujemy się, że AI, i to też mógłbym tutaj zrobić parę takich dodatkowych dygresji, że AI jest najlepszym rozwiązaniem, to wtedy jest kwestia tego, w jaki sposób my określamy, że osiągamy sukces. Dlatego, że to, co powiedziałem na samym początku, to taka, wiesz, nadmierna proliferacja i taka, można powiedzieć, trochę oczekiwanie, że ja jestem panem na wszystkie problemy biznesowe, powoduje, że klienci bardzo często startują z pułapem oczekiwań w zakresie projektu, wiesz, doradczego i inżynieryjnego, że ich experience takiego projektu będzie dokładnie taki sam jak z Chata GPT. I rozwiąże wszystkie problemy. Tak, że to rozwiąże po prostu wszystko i dużo też jest takich rozmów na samym starcie, zanim wrócę do tego jeszcze tego konsultingu, że klienci czasami nazywają takie case’y, które w ogóle nie są case’ami typowo AI’owymi, tylko teraz już wszystko jest AI’em, teraz prosta automatyzacja jest AI’em, integracja aplikacji jest AI’em.
No to nie wiem, 10 lat temu to był blockchain, coś takiego. No to teraz jest w AI, no więc dużo czasu musi spędzać na tym, żeby ustalić przede wszystkim, co jest problemem, czy AI jest właściwym narzędziem do rozwiązania problemu i później jak mierzymy ten sukces. Bo inaczej to paradoksalnie można powiedzieć tak, łatwo jest pozyskać klienta teraz, dlatego że firmy oczekują, że AI dużo wniesie wartości. Nawet tutaj mam taką, proszę Ciebie, notatkę z raportu McKinsey’a, wynika, że AI wniesie mniej więcej 4 tryliony dolarów do globalnej ekonomii, cokolwiek by to miało oznaczać, ale to buduje pewne oczekiwania. No i teraz jak przychodzisz do jakiegoś tam executive’a, to oni mówią, my chcemy robić AI, róbmy AI. No więc można powiedzieć, klient idealny, no bo możemy zacząć projekt. inżynierowie, data science, tak, budujemy zespół, no a to jest tak, że po jakichś dwóch, trzech miesiącach może być takie, wiesz, rozczarowanie, no ale gdzie jest ta wartość, tak, gdzie są te pieniądze, gdzie jest, nie wiem, zadowoleni klienci, jakoś tam tego typu rzeczy, więc wracając do tego, co powiedziałem na początku, no krytyczne jest jak gdyby to określenie tej przestrzeni problemu, no i też pewnych metryk sukcesu, które możemy sobie po prostu określić jako tak, jak są spełnione, to jest sukces..
Karol: Ale to będzie tylko możliwe wtedy, kiedy będzie świadomość i też znajomość już specyfiki tematu..
Jan: No i właśnie dlatego, tak dokładnie, dlatego tak jak chyba zacząłem o tym mówić, że kiedyś te projekty my prowadziliśmy na tej zasadzie, że chcieliśmy jak najszybciej zacząć taką inżynierkę, bo nie wiem, trenowanie modeli, jakiś deployment, coś zrobić, żeby był jakiś techniczny, takie artefakty, żeby powstały z tego projektu. No a teraz nasze projekty polegają właśnie na budowaniu świadomości. To jest pierwszy etap. My mamy taką własną swoją, można powiedzieć, metodykę, która się opiera o Design Sprint Google’a, gdzie my po prostu przechodzimy z klientem przez jego biznes, zrozumienie tego, w jakich on ograniczeniach działa, jakie są ryzyka, jakie są otoczenia prawne, jakie są najbardziej dla jego branży obiecujące case studies, z których może być największa wartość..
Karol: A masz w głowie, mógłbyś opowiedzieć o jakimś takim case’ie, o projekcie, który realizowałeś właśnie od takiego szerokiego wyobrażenia na temat tego, co AI może zrobić i jak potem to zrealizowaliście, jak edukowaliście zarząd, team, który potem robi delivery cały i tak dalej..
Jan: Właściwie to jest trochę, bym powiedział, może ta odpowiedź może być trochę paradoksalna. My de facto to, co z klientami często robimy, to my może budujemy taką realistyczną świadomość i z racji tego, że tak jak powiedziałem, część tych projektów zaczyna się takim konsultingiem, to bardzo często jest tak, że my mówimy, słuchajcie, to nie jest case na AI, nie chcemy Wam polecać, żebyście zaczęli z nami budowanie jakiegoś modelu, dlatego że to się skończy tylko tym, że Wy stracicie mnóstwo pieniędzy i nie będziecie z tego mieli produktu ani żadnej wartości biznesowej. Mieliśmy teraz takiego klienta, gdzie właśnie dokładnie tak to się potoczyło. Był to klient, który jest z kancelarią prawną ze Stanów i oni bardzo chcieli mieć AI takiego do wszystkiego..
Karol: Swoją drogą mam znajomego notariusza, któremu bardzo zależałoby na przykład na tym, żeby mieć asystenta, który analizuje jego wszystkie dokumenty, wiesz, kilkadziesiąt tysięcy dokumentów..
Jan: Tak. No to taki ten IDP, czyli ten Intelligent Document Processing to jest według mnie jedna z takich, można powiedzieć, case czy tam przypadków użycia, gdzie akurat można pokazać, nie wiem, wartość z LLM-ów. Jeżeli masz odpowiednio oczywiście dane, odpowiednio tam skonstruujesz sobie, nie wiem, to co chcesz jak gdyby z tego osiągnąć, to tutaj według mnie można pokazać wartość, nie. Ale jeszcze wracając do tego naszego klienta ze Stanów, no to tam był, wiesz, przekrój, spektrum jak gdyby tych oczekiwań było takie bardzo duże, od integracji aplikacji, poprzez jakieś tam właśnie inteligentnego asystenta, analizę dokumentów, jakieś rekomendowanie, powiedzmy, sposobu procedowania.
No to była firma, która się zajmuje takim obszarem tak zwanym personal damage, czyli ofiary na przykład różnego postępowania medycznego, tak, no to tam To i był jeden bardzo fajny, bardzo fajny był tam taki pomysł, zrobienie czegoś, co się nazywa takiej symulacja ławy przysięgłych. Tak, tak, tak, to było super w ogóle. No i teraz właśnie Ci powiem, jaki to jest, wiesz, taki typowy nasz problem, z jakim my się mierzymy i klienci też. że to w ogóle miało tak działać, że my tam byśmy definiowali w ramach tego modelu różne persony z różnymi poglądami na świat i tak dalej i moglibyśmy wrzucić taki przypadek, taką sprawę i ten model by generował z siebie jakieś takie właśnie oczekiwane na podstawie takiej psychometrii w ogóle określonych tych person, by generował z siebie jak ta ława przysięgłych może może, jaki może wydać werdykt.
No tylko, że i co. No i klient powiedział, słuchajcie, ja bym to chciał zrobić a ja jem, bo my robimy już coś takiego, tylko my to robimy na ludziach. My zapraszamy ludzi, my oczywiście mamy jakieś tam zanonimizowane te nasze, mamy zanonimizowane nasze postępowania, no i teraz, ponieważ to jest, tak dużo nas to kosztuje, tam jakiś koszt był jednego takiego posiedzenia, tam parędziesiąt tysięcy dolarów, no to jakbyśmy tutaj teraz zrobili dżene jaja, czy jakiegoś tam innego jaja, No to wtedy zarobimy. Ale jak my zaczęliśmy sobie kalkulować ile będzie kosztowało w ogóle zbudowanie modelu danych i tak dalej i trening i to wszystko to się okazało, że to w ogóle jakiś ROI z tego będzie 3-4 lata do przodu. To jest perspektywa dla firmy to już to jest po prostu jest bez sensu. Często jak gdyby to nasza praca polega na tym, Żeby powiedzieć słuchajcie jest jeszcze za wcześnie albo nie ma sensu tego robić. No właśnie, więc tak widzisz, będąc uczciwym też w tym biznesie trzeba też trochę, może nie trzeba, ale trochę działasz wbrew własnym interesom, bo dla mnie to byłoby fajnie zrobić projekt, ale z drugiej strony ja wiem, że jak ja zacznę to nie dowiozę tej wartości..
Karol: Ale z drugiej strony taki klient wróci do ciebie za rok, dwa, jeżeli będzie potrzebował..
Jan: Na to liczę, tak, na to liczymy. I my trochę, wiesz, biorąc pod uwagę takie zamieszanie i powiedzmy ten rosnący, można powiedzieć, zasób tych informacji o Gen AI i ekspertów, firm, narzędzi i tak dalej, że trochę nasz fokus się przeniesie z takiej inżynierki na trochę właśnie jak pomagać firmom nawigować w tym morzu informacji na temat tego, jak korzystać ze sztucznej inteligencji. Bo teraz zobacz, że tam też w tej branży siedzisz, no to w ogóle z jakichś powodów zapomnieliśmy o takich problemach, które są typowymi problemowymi do rozwiązania AI. Analiza predykcyjna, analiza dyskrypcyjna, jakaś hyperpersonalizacja, diagnostyka obrazowa, gdzie jest mnóstwo po prostu, gdzie to jak gdyby ewoluuje, ale nie jest spektakularne. Bo dla firm spektakularne, czy tam takie może co jest bardzo łatwe do uchwycenia, są LLM-y, bo w zasadzie to jest tak jakbyś rozmawiał z drugim człowiekiem. No więc tutaj z tego akurat ten Gen AI jakoś tak się teraz bardzo mocno brzeje. Tak jak mówię, my chcemy trochę mimo wszystko budować takich usług i pomagać klientom nawigować w tym morzu informacji..
Karol: Czyli realne podejście to jest jedno, a jakie są jeszcze inne czynniki sukcesów i porażek takich projektów, wdrożeń w firmach, z którymi pracujesz.
Jan: Wiesz co, no właśnie myślę, że ten taki nadmierny oportunizm, no bo jak pracujesz z taką firmą dość powiedzmy dużą, która ma nie wiem, gdzieś tam akcjonariat jakiś i radę nadzorczą, no to Można powiedzieć, że ta fala informacji, to oczekiwanie, że AI wygeneruje jakąś nieprawdopodobną wartość powoduje, że zarządy firm mają też taką presję. Przychodzi do nich Rada Nadzorcza i mówi weź Janek zrób coś z tym AI, bo my po prostu za chwilę wypadniemy z rynku. No i taki przychodzi właśnie wiesz. prezes czy zarząd z takim nastawieniem i to nawet jeżeli czasami próbujesz w jakiś sposób to zracjonalizować, to nie zawsze jest tak, bo zawsze się znajdzie ktoś, kto powie dobra, dobra, my coś tam zrobimy, zawsze gdzieś tam wytrenujemy. Co jeszcze może być takiego specyficznego, czy też może być czynnikiem sukcesu, porażki. Zdecydowanie architektura danych w organizacji.
Więc jeżeli nie masz po prostu odpowiedniego zestawu danych, jeżeli nie masz też odpowiednich takich, chociażby minimalnych, nawet jak jesteś mniejszą firmą, jakiegoś zarysu działań data governance, no to zbudujesz model, który Ci będzie generował akuracji na poziomie 50%, więc sobie możesz siedzieć i rzucać monetą i na tej podstawie po prostu podejmować decyzje biznesowe. O, to jest może ciekawe, tak z punktu widzenia, co dla mnie było zupełnie takim nowym, no bo ja pracowałem w inżynierii oprogramowania, no to projekt się obiektywnie kończy sukcesem, jak jest na końcu aplikacja, system, aplikacja, coś jest dowiezione.
A tutaj może być tak, i często też rozmawiamy z klientami, że my rozmawiamy o jakimś POC najczęściej i celem POC, teraz chciałbym jakoś tak może to w prosty sposób wytłumaczyć, my de facto weryfikujemy pewną hipotezę. Bo większość projektów AI-owych polega na tym, że ty robisz pewien bet, że uważasz, że taki model na takich danych będzie w ten sposób działał i to spowoduje nam taki i taki wygeneruje wartość w firmie. Ale dopóki tego nie zrobisz na produkcji i nie wepniesz tego w taki organizm firmowy już żyjący, to nie wiesz de facto. Mieliśmy takiego klienta, który, to też mogę o tym opowiedzieć, bo to bardzo fajny projekt, to jest firma Penpot.
Penpot jest firmą, która produkuje takie oprogramowanie do projektowania interfejsów. Takie to jest coś jak Figma i tak dalej, tego typu rozwiązanie. No i my tam w ramach tej platformy Penpot Chcieliśmy dołożyć taki LLM, który by pozwolił designerom na podstawie command zadowanych językiem naturalnym wykonywać masowe operacje na tych interfejsach. No ale PenPod miał różne takie, powiedzmy, bardzo specyficzne ograniczenia, jak na przykład to, że może wykorzystać tylko i wyłącznie modele open source i tam parę jeszcze innych różnych rzeczy typu otwarte standardy opisu tego UI-a, co spowodowało, że nie byliśmy w stanie skutecznie, jak gdyby mieliśmy od początku tą wątpliwość, czy my będziemy w stanie wytrenować ten model na tyle, żeby ten inference time był po prostu akceptowalny, czyli czas odpowiedzi z modelu, tak jak to w ile czat GPT odpowiada. Czy będzie w stanie to zaakceptować i czy to będzie miało sens. I my powiedzieliśmy do CEO, słuchaj, według mnie to jest hipoteza, Być może się uda, ale może się nie udać. Ale musimy zrobić dwumiesięczny projekt, żeby sprawdzić, czy to ma sens. No i powiedziałem okej. Jak poszedł POC. No nie, nie udało się. W sensie zrobiliśmy, jak gdyby przetestowaliśmy bardzo wiele różnych modelów, nie wchodząc w te rzeczy techniczne. No ale generalnie czas odpowiedzi z tego modelu był tak długi, mimo tego, że próbowaliśmy bardzo różnych konfiguracji, że to odpowiadał model 40 sekund, na przykład 30. No więc z punktu widzenia tego, co chciał osiągnąć firma, czyli przyspieszenie operacji w pracy tej osoby, to oczywiście to było bez sensu. No i zrobiliśmy projekt, powiedzieliśmy to jest POC, POC się nie udało, robimy coś innego..
Karol: A jakiś inny takeaway z tego projektu, z tego POC wyszedł, który wykorzystaliście?
Jan: No może, wiesz co, chyba nie kojarzę w tej chwili, żeby coś takiego było, jakiegoś super specyficznego..
Karol: Wiesz co, bo trochę to było moje takie pytanie z oczekiwaną odpowiedzią, że powiesz mi, że jedno nie wyszło, ale nauczyliśmy się czegoś innego i znalazliśmy rozwiązanie innego problemu..
Jan: Nie, no niestety nie, nie nauczyliśmy się. No to może tylko wiemy, że akurat… Do pewnych gam zastosowań po prostu na przykład modele, które tam wykorzystywaliśmy po prostu się nie będą nadawały i możemy klientowi to powiedzieć od razu, ale czy to jakieś tutaj zbudowaliśmy jakąś super wiedzę, no to po prostu nie..
Karol: A jakie są priorytetowe kierunki wdrożeń w firmach, z którymi pracujesz teraz?
Jan: Wiesz co, zaraz jeszcze tak z tych, że oprócz, żeby tutaj nie powielać tego, o czym Ci powiedziałem, bardzo dużo tak z perspektywy patrząc na portfel w ogóle, nie tylko tego, co robimy, ale też projektów, które jak gdyby wchodzą do firmy, bo ja się dość interesuję tymi rzeczami, które sprzedajemy, o które klienci pytają. no to jest dużo rzeczy wokół marketingu i sprzedaży.
I takie typowe przypadki użycia, typowe scenariusze, no to jest generacja kontentu w marketingu, do tego GNI się bardzo dobrze nadaje. W zakresie sprzedaży, no to takim tematem wiodącym teraz jest hyperpersonalizacja, czyli takie super indywidualne doświadczenie użytkownika, że w zasadzie to może tak jakby to przełożyć na taki bardziej zrozumiałe, nie wiem, przykład, no to jeżeli kupujesz jakąś tam odzież w sklepie, nie wiem, czy możemy o markach mówić za Lando, załóżmy tak, no to hyperpersonalizacja to daje ci to, że w oparciu o jakieś twoje zadane kryteria, nie wiem, jakąś psychometrię, czy przeszłe zakupy nawet w najprostszym, no to ci daje, wiesz, takie spersonalizowane jakieś stylówy, które sobie możesz kupić. No to jest taki przykład, tak.
No oczywiście tych rzeczy takich hyperpersonalizacji może być dużo więcej. Co jeszcze jest. Na pewno identyfikacja różnych takich trendów rynkowych, czyli jakieś takie próby uchwycenia korelacji. Mamy jeden teraz taki projekt, to jest naprawdę mega rzecz ciekawa i niestety nie mogę opowiedzieć, jaka to jest firma, aczkolwiek w Polsce jest znana. Jest to sieć taka handlowa, duża, która handluje sprzętem sportowym. Więc to już może być jakieś takie może kierujące, ale o co tutaj chodzi w projekcie. Ta firma ma swoje takie prawdziwe produktowe R&D. Oni z całego świata zbierają informacje o różnych trendach społecznych, sportach, wszystkim. No i to robią, gromadzą te dane. No i teraz to, co my będziemy z nimi robić, to jest zaprojektowanie modelu, który będzie im pokazywał w oparciu o jakieś tam, nie wiem, korelacje, informacje zgromadzone w tych repozytoriach, badaniach, użytkownikach. jakie mogą sporty być popularne, jakie aktywności i jak to może wpływać na to, jakie produkty oni powinni projektować. Więc to jest takie uważam bardzo ciekawe..
Karol: Mega ciekawe, a skąd czerpać dane, które o tych trendach mówią w sposób, wiesz, rzeczywiście odzwierciedlający rzeczywistość?
Jan: No oni mają, oni mają swój, wiesz, takie mają swoje R&D produktowe, gdzie pracuje mnóstwo ludzi, no i to jest po prostu taki trochę, jak to się mówi ładnie, data scraping, nie. Szukają informacji i w jakiejś tam, nie wiem, prasie branżowej, w gazetach analizują, wiesz, w szerokim spektrum to, co się dzieje na świecie, ale oni też robią swoje badania konsumenckie, więc no i przede wszystkim, co jeszcze, no mają swoje olbrzymie repozytoria danych, no bo mają, tutaj cały czas się jak gdyby grycę w język, żeby nie powiedzieć, co to jest za firma, mają swoje, mają swój system centralny, gdzie mają dane o wszystkich produktach, które klienci w Europie kupują, więc robiąc pewną korelację, analizując pewne spółbieżności pomiędzy tymi trzema rzeczami, możesz próbować coś tam zidentyfikować, że będzie na topie. Albo wręcz próbować kreować trend..
Karol: Mam takie wrażenie, że kwestia trendów jest teraz niezwykle w osi zainteresowania firm, ludzi, przedsiębiorców, dużych korporacji. Wszyscy patrzą, gdzie będzie kierowana uwaga, bo Zobacz, że będzie powstawało mnóstwo nowych produktów, mnóstwo nowych rozwiązań, tylko pytania, które będą popularne..
Jan: No ale to chcielibyśmy wierzyć, że AI na to pytanie nam odpowie, ale wiesz jak to jest. AI, ci modele produkcyjne, czyli te, które teoretycznie na podstawie danych historycznych przepowiadają ci przyszłość, działają na podstawie tylko i wyłącznie danych historycznych. Rynek jest zmienny, biznes cały czas się zmienia, nie ma żadnego, nie ma takich wiesz, AI to nie jest kryształowa kula, nie dostaniesz tej wiedzy..
Karol: Właśnie do tego zbierzałem, że wiele osób myli tutaj właśnie tą funkcjonalność AI, zakładając, że AI jest tą kryształową kulą..
Jan: Ja bym to postrzegał bardziej jako na taką wartość trochę czego na pewno nie robić, że to może być trochę bardziej takie próba uchwycenia takich rzeczy, które na pewno nie prowadzą do wyników niż takie, które pozwalają ci wygrać na rynku..
Karol: To pójdźmy w tym kierunku. Czego nie robić?
Jan: Jakbym wiedział czego nie robić. Że sam bym był podcasterem, ale to może inaczej. Wydaje mi się, że większą wartość, jeżeli chodzi o, weźmiesz firmę handlową załóżmy, że większość wartości ma uchwycenie pewnych takich korelacji negatywnych, gdzie jakieś tam działania, wprowadzenie produktu wpływa negatywnie na sprzedaż. że to będzie miało większe przełożenie na to, co możesz zrobić w przyszłości, bo widzisz, że te rzeczy po prostu nie działają, niż jest możliwe wymyślenie czegoś, nie wiem, czy to ma sens, to co mówię teraz, ale że łatwiej, jak gdyby większą wartość ma taka korelacja negatywna, niż jest możliwe w ogóle przewidzenie tego, co należy robić w przyszłości, w jaki sposób, nie wiem, inwestować, czy jakie produkty wypuszczać na rynek,.
Karol: No bo tu masz większe, masz jak gdyby… Słuchaj, myślę, że jest w tym wartość, wiem czego nie robić..
Jan: No właśnie, no to może tak, a czy będziemy w stanie wiesz kiedyś na takim, bo teraz jest oczywiście kolejny hype, to jest sztuczna inteligencja, ta taka, jak się po polsku mówi, czyli ta inteligencja na najwyższego poziomu. AGI. AGI, tak. to może AGI będzie. Oczywiście teraz mówię przekąsem, bo to wiadomo, że z tym AGI to jeszcze jest bardzo, bardzo daleko. Ale chodzi mi o to, że być może te modele będą bardziej zaawansowane na jakimś tam pewnym etapie i będzie możliwość może ciekawszego, bardziej takiego, nie wiem, korelacji większej liczby danych, czy po prostu będzie można bardziej zaufać takim narzędziom, które będą ci podpowiadały, jakie decyzje podejmować..
Karol: Tak, ale zobacz, że nieważne jak modele będą mądre, to niezwykle ważne będzie to, czy potrafimy odpowiednio je pytać i zadawać odpowiednie pytania..
Jan: I myśleć w odpowiednim kierunku. Zgadzam się z tobą całkowicie. To jedna rzecz, a druga, bo wiesz, modele też odzwierciedlają naszą, jak gdyby, percepcję, nie. I modele też odzwierciedlają nasze błędy poznawcze. Więc jeżeli my projektujemy jakieś dane, no to one, to co tam wpisujesz do tych danych, no to też odzwierciedla naszą wiedzę, nie. Obecnej doświadczenia. Więc jeżeli my to w tych modelach też nasze, powiedzmy, jakieś błędy, nie wiem, irracjonalności i te bajasy… no to w tym momencie masz to, co masz na końcu..
Karol: Dlatego zobacz, że chyba w takim razie optymalnym połączeniem kompetencji jest świadomość potrzeb i umiejętność formułowania potrzeby, wizji, jakość danych i chyba kreatywność i umiejętność myślenia, takiego trochę out-of-the-box thinking..
Jan: No myślę, że zdecydowanie, ale też trochę takie krytyczne myślenie i znajomość ograniczenia narzędzi i też może we własnym zakresie jakimś takim generowania wniosków, czyli nie delegowania po prostu całkowicie jakiegoś swojego procesu koncepcyjnego do jakiegokolwiek narzędzia. Jakkolwiek by, nie wiem, to co powstaje z czata GPT i perpleksji czy jakichś innych tam modeli, no wygląda super, ale to… Gdzieś na koniec też my musimy decyzję podejmować i brać odpowiedzialność..
Karol: Mieliśmy porozmawiać o ciekawych use case’ach, zgodnie z prośbą naszych słuchaczy. Możemy opowiedzieć o kilku przykładach?
Jan: No pewnie, pewnie. Mam tutaj trochę takich rzeczy przygotowanych. Ja się posipukuję tutaj notatkami, ale coś Cię konkretnie interesuje. Jakaś branża. .
Karol: Słuchaj, wiem, że masz tych case’ów sporo, więc liczę na Ciebie. Słuchaj, z takich projektów bardzo uważam fajnych, gdzie… Przepraszam, chodzi o to, żebyśmy trochę wyszli out of the box, jeżeli chodzi o generowanie samego contentu, tylko pokazać, że AI i to, co się teraz rozwija najbardziej, to nie tylko w chat GPT..
Jan: No jasne, spoko. To akurat pierwszy case, który przyszedł do głowy, to był z LLM-u, ale to może opowiem o takim projekcie, który już był robiony ze trzy lata temu. I to jest właśnie, jeszcze wracając do tej rozmowy, co pytałeś mnie, jakie są kryteria sukcesu. o czym firmy myślą i jak w ogóle zmaksymalizować szansę, że wygenerujesz wartość z tego projektu ajowego, to jeszcze może taka dygresja, że ten próg wejścia w zdefiniowanie takiego projektu jest bardzo wysoki. żeby określić to ROI, zrobić jakiś tam zakres do POC, ale potencjał taki finansowy jest ogromny, czyli jeżeli jesteś w stanie dobrze określić problem i to jest dobry problem dla jaja, to możesz naprawdę wygenerować ogromną wartość. No i to jest może takie w stosunku do tego, co IT dawało, czyli aplikacji i tak dalej, no to to jest na pewno taka rzecz dla jaja specyficzna..
Karol: Wiesz co, przepraszam, że ci wejdę w słowo, ale przychodzi mi do głowy teraz książka Simona Sinka, Why.
Jan: Tak, klasyka. Mam na liście do przeczytania jeszcze. Teraz akurat, bo się to dygresja przygotowuje się tam na Koźmińskim, będę miał zajęcia takie, no taki krótki bootcamp dla menadżerów, właśnie jak zacząć budować… strategię w AI w swojej firmie, jak jesteś na poziomie executive, nie jesteś osobą techniczną. No i właśnie teraz przeróżną literaturę po prostu pochłaniam dużo tych książek, żeby coś polecić po prostu studentom, co będzie dla nich wartościowe takiego, żeby z punktu widzenia menadżera mogli się zapoznać ze światem AI..
Karol: Swoją drogą, jeżeli miałbyś kilka ciekawych pozycji do polecenia, to możemy umieścić je w notatkach do tego odcinka..
Jan: Dobra, to jak skończymy, to ja tam, bo to też z obowiązku ja też monitoruję rynek, co jest wydawane, więc na pewno coś będę w stanie polecić i to może być też zaskakujące, bo część tych książek to nie są książki o technologii, to są książki o filozofii, co jest przed nami. Jakie problemy. Trochę Jest tam o takim o menedżmencie i tak dalej, ale bardziej jest to, bym powiedział, dużo tej fajnej literatury jest taka inspiracyjna, a nie o tym, jak się modeluje, nie wiem, pipeline..
Karol: Bo zobacz, że technologia to tak naprawdę tylko i wyłącznie narzędzie, a do odniesienia sukcesu i do zmiany potrzeba dużo więcej niż samego narzędzia. Świadomość, umiejętności, komunikacja, o tym też mieliśmy porozmawiać, o realizacji projektów w rozproszonych zespołach..
Jan: Tak, zgadzam się. No i właśnie dlatego, jeżeli twoi słuchacze, chociaż z pewnością jest to tutaj grupa uświadomiona dużo bardziej niż powiedzmy takie osoby, które w ogóle z AI nie mają do czynienia, no to to, co mówisz, że AI jest jakimś tam wycinkiem, częścią sukcesu i może wygenerować korzyści, no to jak gdyby to, że jest to tylko kawałek w tym równaniu, czyli jedna powiedzmy ze zmiennych, no to powoduje, że ja absolutnie jestem z żal jeżeli chodzi o kwestię tego, czy zastąpi w jakimś tam skończonym czasie..
Karol: Wiesz co, ciekawa perspektywa, już kiedyś o tym mówiłem, zrobiłem kiedyś taką ankietę na ulicach Warszawy, próba oczywiście niereprezentatywna, ale zdecydowana większość ludzi była w obawie, czy AI zabierze im pracę, czy będą mieli co robić i tak dalej. To byli zazwyczaj ludzie, wiesz, nie wiem, po czterdziestce, po pięćdziesiątce, a z drugiej strony prowadziłem rozmowę ze studentami z Fundacji Teen Crunch i ich perspektywa była całkowicie inna. Hej, AI to tylko narzędzie. I w ogóle nie było takiego myślenia na zasadzie zabierze mi pracę, nie będę miał co robić i tak dalej..
Jan: Ja jak gdyby to rozumiem i wydaje mi się, że dla takich osób też jak ja, nie wiem ty, no to też trochę powinniśmy czuć się w obowiązku, żeby mając tą wiedzę też poprostując powszechnie, żeby ludziom też pomagać, co to dla nich może jak gdyby wnieść, no bo i też dla osób takich indywidualnych to ma bardzo, bardzo dużo korzyści, tak.
Czy GPT, czy tam jakieś, nie wiem, runaway, czy stability, czy jakieś takie rzeczy. No możesz po prostu jakość życia sobie tam ułatwiać sobie. Czekaj, by się trochę zakręciłem z tego, bo przyszliśmy…
Mieliśmy rozmawiać o case’ach. Taki fajny projekt, który mi się bardzo podobał, jest taki heavy industry, jest taka firma Magalan, ona jest w Singapurze, to akurat jest publiczne case study, to mogę Ci później to, jak będziesz chciał, to Ci mogę wysłać i to jest firma, która zajmuje się analityką, proszę Ciebie, takich frachtowców. Różne rzeczy analizuje, właśnie w infrastrukturze tam Internet of Things, gromadzi dżany z różnych czujników, które są na tych statkach poumieszczane, No i to był taki właśnie jeden z przykładów bardzo fajnych problemów do rozwiązania w AI, bo oni mieli bardzo dużo danych właśnie z silników, tam z różnych, to nawet już jest takie heavy industry, że ja nawet nie jestem w stanie może tych wszystkich terminów technicznych przywołać. Ale generalnie o co im chodziło. Oni chcieli po pierwsze dwie rzeczy w takiej firmie, która zajmuje się frachtem morskim. No to jest takie centra kosztów. To jest paliwo, diesel, no to te tankowce palą po prostu, wiesz, niesamowite. No i koszty serwisu. No i my właśnie zrobiliśmy, i to jest też taka specyfika projektów AI-owych, że tu masz nie tylko takich inżynierów, programistów czy tam data science, ale my też do tego projektu zaprosiliśmy fizyków, którzy się zajmowali silnikami diesla i robiliśmy takie modele predykcyjne, które po pierwsze pozwalały optymalizować zużycie paliwa, a po drugie właśnie na podstawie informacji z tych czujników i kontrolek takie, które tam są wpięte do tego statku, no to też generować takie sygnały, że hej, może tutaj by trzeba było wymienić jakąś, nie wiem, część albo na wcześniejszy przegląd, no bo z tym na przykład silnikiem na tym i takim frachtowcu coś się dzieje nie tak. I to są ogromne oszczędności, bo sam projekt to było trzy miesiące, a naprawa silnika gdzieś tam na pełnym oceanie, nawet nie wiem ile to jest, ale to podejrzewam, że setki tysięcy..
Karol: To mogą być setki tysięcy albo i miliony..
Jan: Tak, tak. No to to jest taki właśnie typowy przykład, który może teraz o takich rzeczach się nie mówi, bo to nie jest projekt generatywny taki, że tam się coś robi w LLM-ie, no tylko to są takie klasyczne… Analiza danych i produkcja. Tak, to są klasyczne problemy związane z analizą i korelacją danych, czyli de facto takich koncepcji, które w sztucznej inteligencji, jeżeli chodzi o ten… tą część teoretyczną, to one są znane od lat sześćdziesiątych, siedemdziesiątych. Tylko w tej chwili już o tym nie mówi, bo co innego jest na hype..
Karol: Coś jeszcze? Mówiłeś wcześniej, jak rozmawialiśmy o chatbocie do obsługi turnieju.
Jan: Ale nie chciałeś o chatbotach..
Karol: Słuchaj, przejdźmy przez wszystko, co mamy..
Jan: Dobra, okej. No to mamy, mieliśmy turniej tenisowy, który to niestety jest to pod NDM i tutaj nawet jeszcze w tym tygodniu rozmawialiśmy, czy to może być public case study, więc niestety nie mogę powiedzieć. No i tutaj operator tego turnieju tenisowego jest właścicielem też kilku innych turniejów, nie tylko tenisowego, ale tam przeróżnych dyscyplin sportowych i No i oni chcieli po prostu zoptymalizować ruch na call center i też zapewnić… Obsługę klienta. Tak, call center i takiej obsługi klienta, ale też dać ludziom możliwość, jak gdyby poza godzinami na przykład działania tych, nie wiem, okienek czy kas czy czegoś. Tam zrobiliśmy takiego LLM-a, jeszcze z dodatkową bazą danych o tym turnieju, która na bieżąco była aktualizowana, tak że osoby, które nie były w trakcie tego widowiska to mogły się dowiedzieć wcześniej. Kto gdzie gra, na jakim korcie, jakie są wyniki na żywo, czy na przykład wchodząc na jeden bilet to mogą wejść gdzie indziej. No i tutaj może taki trochę, tak się odsłonię, tutaj też taka ciekawostka, jakie są ryzyka właśnie w takich projektach związanych z tymi modelami alarmowymi. No i u nas akurat się okazało, że ten model… trochę zbyt był przyjazny. No i tam był taki przypadek, że ktoś się pytał, czy na przykład, czy mogę jakiś tam bilet zwrócić. No i ten model był tak oprogramowany, żeby był przyjazny. I powiedział, tak, tak, oczywiście, nie ma problemu, możesz tam pójść. No i tam były dwa, trzy przypadki, że w oparciu o tą informację klienci musieli, tam zgłaszali się po jakąś refundację, no i firma niestety tak musiała podnieść koszty Natomiast klient per saldo był bardzo zadowolony, bo jednak ten ruch, wykorzystanie żywych osób w tym procesie obsługi klienta znacząco zostało ograniczone. Z reguły to jest tak, że ci ludzie mają bardzo jakieś tam podobne pytania, typu gdzie jest toaleta, albo czy mogę w restauracji takiej gdzieś tam na tych kortach zjeść bezglutenowy posiłek. To jest po prostu co to tak to tak to zadziałało także taki ciekawy projekt bo tutaj był komponent zarówno tego jaja tak ale mów ale też bazy wiedzy takiej która była uzupełniona na bieżąco..
Karol: Czasami szybciej jest coś klikać i napisać niż dzwonić i pytać..
Jan: Ale to nie jest trochę też tak, że nie preferujesz takiego sposobu czasami interakcji z jakimiś firmami czy usługami. .
Karol: Oczywiście, a pamiętasz jak kiedyś było z taksówkami. Kiedyś zamawiając taksówkę musiałeś chwycić telefon, musiałeś poczekać aż zdobędziesz połączenie, porozmawiać, podać swój adres i tak dalej. Teraz wyciągasz telefon, klikasz i masz..
Jan: Właśnie więc ja np. jako osoba taka bym powiedział trochę introwertyczna to w ten sposób podejmować interakcje oprócz oprócz takich firm które mają różnego rodzaju w tej chwili akurat żadna mi do głowy nie przyjdzie ale załóżmy że jest to firma która jest jakimś tam operatorem kablówki. No i gdzieś tam zmienić pakiet i dzwonisz i mówi Słuchaj no to powiedz o co ci chodzi. Chcę zmienić pakiet. No niestety nie zrozumiałem. Czy możesz powiedzieć jeszcze raz. To wtedy akurat z tej sytuacji już wolę porozmawiać z człowiekiem, bo widać, że nie wszędzie jeszcze te modele czy też ci agenci są na tyle technicznie sprawni, żeby móc całkowicie jakieś tam przypadki obsługiwać w całości..
Karol: Wspominałeś o analizie i detekcji fraudów w grach. Opowiesz o tym więcej?
Jan: To ciekawy case chyba. To jest ciekawe i to jest akurat projekt, który mamy teraz, bo tak jak powiedziałem, że dużo tych projektów to jest POC i w konsultingu. To jest projekt, gdzie właśnie my teraz z klientem badamy na ile zbudowanie takiego modelu, tej detekcji fraudów będzie koszt rozwiązania, czy będzie przewyższał te straty, które oni odnoszą..
Karol: Ale wytłumacz mi proszę, na czym polega fraud w grach?
Jan: To jest takie bardzo ciekawe w ogóle zagadnienie i tutaj myślę, że jeżeli chodzi w ogóle o ekonomię, Ja nie jestem jakimś tam zapalonym graczem tam w takich rzeczach, gdzie jest MMO..
Karol: Bo rozumiem, że mówimy o hazardzie, tak?
Jan: Nie, mówimy o innych grach też, o takich grach typu, gdzie tam jest MMO i mogę Ci podać taki bardzo konkretny przykład. Jeżeli masz na przykład grę Fortnite. To Fortnite ma swoją wewnętrzną ekonomię. Nie mówię teraz, że akurat się zajmowaliśmy Fortnite’em, tylko ci chcę podać przykład, dlaczego tutaj akurat detekcja fraudu może mieć duże znaczenie. No i ta gra ma swoją wewnętrzną ekonomię, to znaczy ona ma swój wewnętrzny marketplace, możesz kupować jakieś tam pakiety, możesz kupować przedmioty, są tak jak, nie wiem, mój syn, który potrafi wydać, nie wiem, 250 zł na jakąś skórkę do czegoś, nie. No i teraz, jeżeli pojawi się ktoś, kto jest w stanie w jakiś sposób wygenerować nadużycie, albo znajdzie jakiś bug i powoduje, że będzie duplikował te przedmioty, albo wygeneruje sobie jakąś wewnętrzną walutę, schakuje aplikację, podmieni kod, no to wtedy ta cała ta ekonomia, makroekonomia gry może się załamać. I wtedy z takiej gry, no nie wiem ile teraz Epic zarabia z Fortnite’a, Ale możesz sobie wyobrazić, że jeżeli znajdzie się ktoś, kto w sposób powtarzalny jest w stanie generować takie nadużycia, to my mówimy o kwotach 10, 20, pewnie miliony dolarów.
Ten akurat operator, z którym my rozmawiamy, to są takie gry trochę przeglądarkowe. Baza tych graczy nie jest tak duża, ta gra nie jest tak rozpowszechniona. ale też jakieś podobno pojawiają się nadużycia i chcemy teraz zobaczyć po prostu, czy ten system detekcji spowoduje, że koszt tego systemu detekcji przewyższy, czy wygeneruje jakieś takie pozytywne ROI w stosunku do tego, co oni uważają, że tracą. Bo to też jest nietrywialne, w ogóle zagadnieniem jest sama detekcja tego, że miało miejsce takie zdarzenie. A do tego jeszcze akurat w tym przypadku, jeżeli chodzi o tą firmę, o której rozmawiamy, która zajmuje się, będziemy robili ten POC do fraudów i tą analizę wykonalności czy też opłacalności, no to tam jest jeszcze kwestia personalizacji, czyli kwestia w jaki sposób zwiększać zaangażowanie gracza, tak żeby on spędzał w grze więcej czasu i też na podstawie tego, jakie on aktywności w grze podejmuje, sugerowanie mu jakichś przedmiotów, skórek, zakupów dodatkowych. No i teraz znowu, jeżeli ty jesteś w stanie zwiększyć, nawet mam tutaj zapisane, że my chcemy mieć jako cel taką metrykę do spełnienia, to jest zwiększenie, taki jest parametr LTV, to jest Lifetime Value z gracza, czyli ile tam w jego cyklu życia, jak on jest na platformie, zarabiasz, żeby to zwiększyć o 20%. Czyli tutaj mówimy nie o jakichś spektakularnych rzeczach typu 2020 razy, milion razy..
Karol: Wiesz co, z mojej perspektywy właśnie miałem powiedzieć wprost przeciwnie, że 20%, biorąc pod uwagę wielkość rynku i tak dalej, to jest całkiem sporo..
Jan: No właśnie, widzisz, i dla Ciebie, dla osoby, która jest zaznajomiona i ma, powiedzmy, być może urealnione oczekiwania, czego można się spodziewać, jakiego rzędu popraw, czy tam, nie wiem, zwiększenia czegoś w stosunku do tego, jak to jest obsługiwane manualnie, no to jednak mimo wszystko oczekiwania klientów są takie, że coś będzie działało 10 razy lepiej albo 20 razy lepiej. A czasami nawet to, że dajesz zwiększenie przychodu na kliencie o 5% na dużej puli, to ci powoduje, że generujesz zwrot z tej inwestycji po miesiącu..
Karol: Treści przygotowane przez AI
Jan: W sensie, czy to działanie jest świadome. Wiesz co, nawet ostatnio patrzyłem sobie na takie statystyki, ile w ogóle na świecie jest generowanych patentów w obszarze AI i ile też jest otwieranych startupów. To jest może dla mnie taka wskazówka, że jednak to, co tutaj Stara Europa, to my jesteśmy trochę według mnie do tyłu. Nie lubię tego robić, ale jednak bym wrzucił tutaj Europę do jednego worka, że u nas nie za dużo się dzieje i my na przykład celowo w ogóle oprócz zasadzie Anglii, to my tutaj nie upatrujemy swojego rynku celowego. tego bo po prostu bo jest w naszej w naszej opinii jest po prostu trochę zbyt konserwatywne. Są są jak gdyby mówi się ale ale jeżeli chodzi o takie potencjał na to żeby firmy faktycznie chciały robić duże projekty czy wejść w konsulting czy coś no to to nie..
Karol: Jeszcze do pytania to w takim razie jeżeli nie Europa to który region..
Jan: Dla nas takim rynkiem docelowym teraz, gdzie chcemy się skupić, to jest Azja południowo-wschodnia, czyli tak zwany ASEAN.
My jesteśmy w ogóle partnerem AWS-a, czyli Amazon Web Services. AWS generalnie bardzo mocno stawia na tę część rynku, jeżeli chodzi o generatywną sztuczną inteligencję. No i my trochę chcemy iść za AWS-em, ale też tam z jakichś względów po prostu jest dużo takie parcie i jest duża chęć działania. Stany są naturalnie jak gdyby też za tym idą chociaż to taka może nie wiem jak np. ty albo twoi goście widzą Stany Zjednoczone ogólnie bo często jest taka percepcja że to jest taki kraj gdzie ta technologia to po prostu że oni są super do przodu a Stany jeżeli chodzi o rozwiązania o informatykę i różne takie rozwiązania np. w bankowości to są bardzo konserwatywne..
Karol: Jestem absolutnie tego zdania. Jak byłem ostatnio w Nowym Jorku i jak okazało się, że nie mogę płacić kartą zbliżeniową, to byłem naprawdę w szoku..
Jan: No a słuchaj, nie wiem czy wiesz, ale jeszcze parę lat temu, to pewnie wiesz, że jak płaciłeś kartą kredytową, to były te kopiarki. Oczywiście. Albo płacenie czekiem..
Karol: Ale zobacz, to jest tak samo dyskusja, z którą mieliśmy z panem Krzypkowską a propos tego, jak wygląda u nas w Polsce administracja. Nam się wydaje, że jesteśmy dalej zacofani. Nic bardziej mylnego. Załóż firmę w Polsce, a załóż firmę w Niemczech..
Jan: No i tu właśnie mogę powiedzieć, że ja w ogóle jestem taką osobą nastawioną na Polskę, mogę powiedzieć, że mam taki rys patriotyczny, lubię ten kraj, lubię tu mieszkać, pewnie mógłbym gdzie indziej, ale chcę tutaj. No i mając tą perspektywę taką, patrząc zarówno na klientów, bo mam klientów, mam część partnerów też, bo ja trochę opiekuję się kanałem partnerskim, i też zespoły, no to ja widzę po prostu, że my naprawdę jesteśmy bardzo, bardzo do przodu, jeżeli chodzi o teraz i usługi publiczne, jakieś takie ten, nie wiem, M-dowód, czy nawet jak wygląda teraz, jak wypełniasz PIT, masz ten PIT już predefiniowany z jakimiś podpowiedziami, no naprawdę tu jest po prostu, jesteśmy bardzo, bardzo mocno do przodu. A też nawiązując do naszego tutaj odcinka i AI, my mamy też bardzo mocnych ludzi tutaj technicznych, bardzo prężnie działające instytuty. Co ciekawe, to właśnie ten AI w Polsce wydaje mi się trochę jest bardziej taki jeszcze akademicki i badawczy, a mniej komercyjny, ale tu jest naprawdę… Gigantyczny potencjał. Jesteśmy bardzo, bardzo, bardzo mocni, jesteśmy….
Karol: Swoją drogą w minionym tygodniu nagrywałem odcinek z profesorem Aleksandrem Mądrym.
Jan: Widać po prostu jaki jest kaliber umysłów i umiejętności, które tutaj w nas rzemie i może to jest jakaś kolejna nasza, może nie kolejna, ale jakiś taki pomysł na dobro eksportowe, czyli ta wiedza..
Karol: A jeszcze wrócę do tego, kogo śledzisz, skąd się uczysz, gdzie czytasz o AI .
Jan: Wiesz co, mogę później też takie newslettery, które śledzę, to też mogę podesłać, może to kogoś zainspiruje. Bez pozorom akurat nie słucham dużo podcastów. Ja w ogóle jestem osobą, która lubi dużo czytać. Mam kilka takich newsletterów, które śledzę, na przykład TLDR, Superhuman. Śledzę też Lenny Podcast, który jest podcastem produktowym, ale też ma dużo takich fajnych rzeczy, które się przydają. Także nie ma problemu, mogę się podzielić swoim takim warsztatem i skąd biorę wiedzę..
Karol: Byłoby super. Swoją drogą zapraszam Cię też na śniadania Jaj, bo myślę, że to będzie dobre miejsce dla Ciebie. Bardzo chętnie się pojawię. Janie, serdecznie dziękuję za spotkanie, dziękuję za rozmowę..
Jan: Dzięki bardzo. Mam nadzieję, że będzie to interesujące dla Twoich słuchaczy i do zobaczenia na śniadaniu w takim razie..
Karol: I niech AI będzie z nami wszystkimi. Dokładnie. Powsze czasy.
