VIDEO TRANSCRIPTION
Przygody Przedsiębiorców
PROSTE narzędzia AI dzięki którym ZYSKASZ PRZEWAGĘ nad KONKURENCJĄ! | Maria Parysz | PP
Description generated by Skrybot
No description has been generated for this video.
Transcription generated by Skrybot
No to jest pozorne, bo jest dużo firm, które już to wykorzystują i robią na tym kasę, więc ja zawsze mówię im szybciej tym lepiej. Natomiast też obserwujemy taki syndrom trochę łosia, czyli ktoś wpadł na głupi pomysł, żeby tą grupę zamiast dać jej promocję, zamiast wymyślić co z tą grupą zrobić, jak już ją masz, jak wiesz, że już masz 10 tysięcy klientów, którzy najprawdopodobniej odejdą. To co zrobił bank? Nie wymienię nazwy. Chwycił za słuchawe, call center, dzwonisz. Co to dało? 80% ludzi potwierdziło, aaa ja zapomniałem zamknąć tego konta, to ja odchodzę. Jak już mam panią na słuchawce, wychodzimy. Co zrobił Dior? Dior by myślał inaczej.
I teraz dam wam słuchajcie przepis na grube pieniądze na najbliższe dwa lata. Z zamkniętej społeczności, doświadczonych przedsiębiorców, buduj wartościowe relacje i zdobywaj unikalną wiedzę, która uczyni twój biznes jeszcze silniejszym. Święto Kapitalizmu. Konferencja dla skutecznych przedsiębiorców, którzy cenią merytorykę, kontrowersyjny mocny humor i zorganizowany networking. Jako jedyni w Polsce umiemy to łączyć. Kup bilet tylko, jeśli jego cena nie robi na tobie wrażenia. Ligi do partnerów znajdziecie w opisie filmu. Adrian Grzycki Przygody Przedsiębiorców. Dzień dobry. Na samym początku lekki disclaimer. Słuchajcie, naszego dzisiejszego gościa już widzieliście w naszym programie.
Natomiast kiedy opublikowaliśmy odcinek, to złapaliśmy się na krótki telefon i nasz gość doszedł do takiego wniosku, że wiesz co, ta wideo rozmowa tak może nie do końca, może byśmy to zrobili na żywo. Do tego ja mam przygotowaną jeszcze większą liczbę informacji, anegdot, przykładów, historii, danych Adrian, co to na to. A to ja stwierdziłem, Maria, no jeżeli jesteś w Polsce, bo Maria normalnie przebywa za granicą, no to mówię wpadaj do Bydgoszczy, wpadaj do naszego studia i ten odcinek nagrywamy raz jeszcze.
Więc drodzy widzowie i słuchacze, jeżeli temat sztucznej inteligencji was interesuje i chcielibyście się dowiedzieć od osoby, która w tym temacie jest mega mocno zanurzona, jakie są kulistej technologii, jak na nie zarobić, jak ją wdrożyć w waszych firmach, jak wykorzystać to narzędzie po to, żeby się dostali awans, jeżeli firmy nie prowadzicie, to ten odcinek jest dla was. A naszym dzisiejszym gościem jest? Maria Paryż, nie inaczej. Dzień dobry. Dzień dobry. Słuchaj, od samego początku zacznijmy od razu z grubej rury.
Powiedz mi, bo powiedziałaś jeszcze przed nagraniem, czy AI jest trudne faktycznie jako technologia w jego zrozumieniu, w jej zrozumieniu, w wykorzystaniu? Czy to jest pewnego rodzaju narracja, którą ktoś utrzymuje, bo tak jest komuś na rękę? No dobra, ja powiem wprost. Siedzę w tym obszarze ponad 7 lat i wiem, że moje spojrzenie jest takie, że to jest proste dla mnie. Ludzie mówią, dobra dla ciebie to jest proste, jak ty mówisz, że to jest proste. Ale wiem z setek przykładów, jeśli nie tysięcy, że w krótkim czasie jesteśmy w stanie wyjaśnić logikę AI, bo ona jest bardzo logiczna. Ludzie nad nią pracowali od lat 40. Naprawdę od 40? Od 40 to jest touring, to są czasy touringa.
Touring zabrał się za pierwszy komputer i podstawy sztucznej inteligencji już w latach 30. Rozwinęło się podczas II wojny światowej, a potem po II wojnie światowej. Mamy ukłute już pojęcie sztucznej inteligencji z lat 50. , 60. I od tego czasu było dużo takich wstrzymań kapitału, bo nie wiadomo było, czy to działa. Nikomu to nie przynosiło de facto korzyści, oprócz samych akademików. Więc dopiero teraz możemy tego używać i możemy na tym zarabiać i firmy się cieszą. Ale wracając do pytania, to jest proste, to jest logiczne. Więc jeżeli postrzegasz widzów siebie jako osobę inteligentną, to skumasz sztuczną inteligencję, bo jest to po prostu inteligencja ludzka przełożona na komputer. Ale wejdźmy trochę bardziej w szczegóły.
Co masz na myśli mówiąc, że to jest proste? Że to jest logiczne. Jeżeli widzowie są logiczni, a ci widzowie na pewno są logiczni, to to zrozumieją. Ale wejdźmy jeszcze bardziej w szczegóły, szczególnie dla osób, które wciąż podchodzą trochę jak do jeża wobec tej technologii. Tak. My w ogóle obserwujemy kilka takich dziwnych reakcji na sztuczną inteligencję. I ludzie, którzy robią biznes, którzy generalnie nie są w sztucznej inteligencji, mają na przykład taki odruch wyparcia. Na przykład mówią, nie, nie, nie, to do mnie w ogóle nie przyjdzie. I udają, że tego nie ma.
I mówią, nie tam Maria co to opowiada, że tam ja zabierze mi pracę, albo że ja muszę się uczyć, to jest bez sensu, to nie jest prawda. Przecież ja widzę mój sąsiad, nie, drugi sąsiad, nie w pracy, tego nie ma, no to ściema. Nie jest prawda. No to jest pozorne, bo jest dużo firm, które już to wykorzystują i robią na tym kasę, więc ja zawsze mówię im szybciej tym lepiej. Natomiast też obserwujemy taki syndrom trochę łosia, czyli wiesz, jak jest łos i są światła, tam staje i tak, co ja mam teraz zrobić. No bo de facto nie ma edukacji. I tu jest problem, zobacz.
Czyli mamy ogromne budżety, mamy budżety, które są pompowane od 2017 roku. Jest deklaracja kilkudziesięciu krajów, Kanada zaczęła, ale wszystkie inne podążyły, łącznie z Polską, zrobili coś, co się nazywa strategia rozworu AI i zadeklarowali środki pieniężne do roku 2030 i będą wydawać kasę. To samo zrobiły duże korporacje. Na przykład w 2017 Google zmienił swoją strategię z information provider, czyli dostarczyciel informacji na AI i machine learning, czyli uczenie maszynowe. Koniec, to jest cała ich strategia, którą zadeklarowali. Więc widzimy też taką strategię, że ludzie w końcu łapią to, łapią podstawy. Dosłownie to są podstawy, czyli jak działa machine learning, po co są dane, jak to przerobić na mechanizm.
Bo w dużym uproszczeniu bierzesz dużą ilość danych, Adrian, na przykład na temat podcastów. Wrzucasz to w różne czary mary mechanizmy data science. Uwaga, nie trzeba znać, nie musisz budować samochodu, żeby go prowadzić, więc do tego masz teamy data science'owe, jest dużo narzędzi na rynku i zaczynasz na podstawie tych danych przewidywać przyszłość. Na przykład, jak ustawić scenariusz odcinka, żeby było najbardziej skuteczne, albo kogo zaprosić, żeby zebrał najwięcej publiczności. I jesteś w stanie, na przykład firmy przewidują w ten sposób, ile zarobią, jak będzie wyglądała, czasem nawet próbują przewidywać ceny giełdy, albo rynku. To tak średnio wychodzi, tak se, bym powiedziała. Bo to ścierze jest bardzo dużo zmiennych.
Natomiast przewidywani kto odejdzie z pracy, albo kto będzie lepszym kandydatem, albo kto i producent. A jesteś w stanie przewidzieć, kto odejdzie z pracy? Oczywiście, że tak. Jesteś w stanie przewidzieć, którzy klienci, jak masz, nie wiem, 100 tysięcy klientów powiedzmy, którzy są najbardziej prawdopodobni do tego, że odejdą w krótkim czasie i możesz wtedy zacząć reagować. To jest przełożenie danych historycznych i pewnych trendów, których my w naszych umysłach ludzkich trochę nie kumamy tych kropek. A komputer jest w stanie to zrobić. Potem się inny przykład. Myślę, że trafi do dużej ilości, bo my Polacy są fanami piłki nożnej.
No więc jak przewidujemy FIFA, albo kto wygra, albo kto wygra kolejne mistrzostwa, no to jak bym cię zapytała, to kto najprawdopodobniej wygra? Polska wiadomo, nie? No, no. Ha, ha, ha. No dobra. Ale faktycznie każdy ma jakiegoś tam swojego faworyta i pytam się, na jakiej podstawie mówisz, że wygra ten team? No to oni mówią, no na podstawie historii, jakiejś tam drabinki, tego jak grupy się ułożyły, jakie mają doświadczenie, kto ich akurat trenuje, jaka jest pogoda, bla, bla, bla. I oni z wymieniają takich argumentów i mówią, ale ja wiem, ja mam taki gut feeling, taki ja wiem, że tak będzie. Intuicja i nasze preferencje.
No więc jeżeli wyjmiemy gut feeling, czyli przewidywania taką intuicję i informacje, to znaczy i preferencje, to to jest to, co komputer przerabia. Czyli przerabia połączenia między pewnymi parametrami. Na przykład może też przewidywać, do tego możesz dodać informacje o wysokości trawy na boisku. Czy to faktycznie ma przełożenie na to, kto wygra? Intuicyjnie czujemy, że nie, ale mogłoby. Albo bardziej pogoda, albo performance osób, które, które, które grają akurat. Taki akurat skład dobrany. Niewiadomo. I wrzucasz w komputer tę ogromną ilość informacji z przeszłości i już wiesz, że jeśli chodzi o Mistrzostwa Piłki Nożnej, to jeśli będziemy patrzeć, kto wygrał najczęściej, będzie to Brazylia.
Ale jeżeli spojrzymy na to, kto wygrywał w ostatnim czasie, była to bardziej Europa, zgadza się. W związku z czym komputer przerabia te informacje i tam sobie szuka, łączy te dane. I w pewnym momencie mówi, wiem jaki jest, uwaga, model, czyli jaki jest sposób na to, żeby wygrać Mistrzostwa. Albo przynajmniej jakby przewidzieć przy jakiejś ilości danych, jak przewidzieć kto wygra. Czyli uczysz komputer, sorry, na danych historycznych, musisz mieć dużą ilość tych danych, przerabiasz to czary, mary, data scienceowe, jakiś mechanizm bierzesz z rynku i następnie on ci wypluwa, podaje ci wynik, o który ci chodzi. On jest jakimś prawdopodobieństwem, ale już jest bliski prawdy.
Teraz jak tą anegdotę przełożyć na realia MŚP, bo to jest dominująca grupa widzów tego programu? No to tak, dużo rzeczy możecie już przewidywać. No to leć przykład za przykładami, ile chcesz. A no to moi żogi, przede wszystkim ile zarobicie, albo na czym najbardziej zarobicie, który produkt będzie lepszy, który podpompować, ile wydać na reklamy. Ale jak? Ha, bierzesz narzędzie, które jest w tym momencie na rynku, szukasz albo open source'a, najlepiej, albo tworzysz taki produkt sam. No bo nie idziemy w jakieś wielkie kolubryny, za które musimy płacić potworne ilości pieniędzy. Więc szukamy. Czyli AI nie jest drogie. Może być drogie, ale nie musi. Bardzo dużo małe rzeczy w open source'ie i jest 1000 produktów AI'owych teraz.
Czym jest open source dla ludzi, którzy nie wiedzą? To jest bezpłatna wersja oprogramowania, którą możecie pobrać z internetu. Uważajcie, niektóre są bardziej mniej niebezpieczne, ale większość jest bezpieczna. Ale szukajcie takich sprawdzonych źródeł, chociażby pobierajcie z GitHub'a, albo jeśli chodzi o AI, pobierajcie z czegoś, co się nazywa Hugging Face. Bardzo fajna europejska firma, w której można pobrać to i wykorzystywać u siebie w firmie. Nie wszystkie są w języku polskim, od razu zaznaczę. Natomiast spora część tak. Albo wrzućcie po prostu w wyszukiware open source do przewidywania wyników sprzedaży. Coś takiego możecie wrzucić. I zobaczycie co tam wam wyskoczy. Tego się pojawia bardzo dużo, więc nie polecę ci jednego narzędzia.
Oczywiście możecie pójść kierownikiem Salesforce'a, który pomoże wam w tych wszystkich predykcjach, bo te wszystkie wielkie firmy już dołączyły AI do siebie. I jak używacie tych narzędzi, to tam już są predykcje. Ale teraz rozumiem, że szukamy rozwiązań, które nie są takie wielkie. Możecie też coś stworzyć sami. Jak to się robi? Jeżeli macie dużą ilość waszych danych, nie ogólnych z rynku, bo jak weźmiecie open source'a, to on jest wytrenowany. Czyli znalazł już korelację w jakichś danych. Zatrzymajmy się. O jakich danych mówisz? One te dane mają być w Excelu, one mają być w CRM, one mają być maile, które mamy od klientów. Co masz na myśli mówiąc dane w kontekście MSP? To jest mega dobre pytanie.
Faktycznie, ja się trochę zagalopowałam. Dany to jest wszystkie informacje, które posiadasz w firmie. Dana to jest tabela w Excelu z wynikami sprzedaży. To jest CRM z klientami, ile kupili ich danymi, ich połączeniem między sobą. Bądź lokalizacjami, bądź skalą ich biznesu, bądź np. Uwaga, może dla MSP też być te wszystkie bazy przedsiębiorców, które nie są twoją daną, ale są daną zewnętrzną. Dane gusowskie, które możesz wziąć, które są bezpłatne. Dane państwowe, dane z danego regionu. Na przykład mało osób wie, że dane publiczne, takie jak np. o wodociągach, o elektryczności. Wszystko co dotyczy naszego takiego, nazwijmy to. . . Infrastruktury, przestrzeni. Tak, tak. To są bezpłatne dane.
Możecie pójść do miasta i możecie pobrać te dane. Ludzie teraz robią potworne biznesy na tym, że wezmą, słuchaj, jak to się robi. Idziesz do miasta albo do jakiegoś tam województwa czy gdzieś. Prosisz do dane albo w ogóle możecie poszukać. Są takie strony, możemy podać je po prostu później w opisie, z których pobieracie dane publiczne. Na przykład na temat przesyłu, uwaga, elektryczności. Robicie z tego model, jakie będzie prognoza elektryczności w poszczególnych miastach, w poszczególnych regionach Polski i sprzedajecie to do dużych film, które zajmują się w tym momencie prądem. I kupują. I ona do nie wpadł jeszcze? No, wszystkiego nie zrobią. Nasycenie rynku produktami i usługami AI jest mniej więcej 10%. Więc miejsca na rynku jest. .
. wszystko będzie z AI. Wszędzie będziemy mieć predykcje, bo to jest po prostu wygodniejsze. Czy my się z nią zgodzimy i czy my będziemy na jej podstawie podejmować decyzje, na przykład wydatków finansowych, to już trochę inna bajka. Ale przykład. AI chociażby rozpoznaje, może to już dla mniej przedsiębiorców, bardziej dla healthu, ale podam taki przykład, że już tak, żeśmy wyszkolili te narzędzia do rozpoznawania raka, że AI jest na zdjęciach takich, na zdjęciach, jakiś też tam USG, są znacznie lepsze niż lekarze. Są szybsi, bardziej wytrzymali i mają większą skuteczność. Więc my też dotrenowujemy te mechanizmy i one są coraz lepsze. Kiedyś, ja pamiętam, 5 lat temu, jak próbowaliśmy przewidywać GUD, no to było tak sobie.
W tym momencie to już jest taki malutki odcinek i taka jest różnica. Wciąż bolesna finansowo. Więc ja nie polecam, żeby brać mechanizmy AIowe do przewidywania finansów. Ale przykład innego klienta. Co sobie wymyślił? Ja pracowałam, pracuję wciąż. Z grupą LVMH, to jest właściciel Louis Vuitton i Diora, to jaka marki luksusowa. Skromne marki, tak. No takie drobne. Nie dostaje żadnych niestety zniżek, ani nie dostaje żadnych torebek. Czyli naprawdę mają produkty luksusowe. Mają produkty luksusowe. I oni trochę inaczej sprzedają, bo mają na przykład grupę klientów, która małą grupę klientów. I duża ilość klientów, mniej więcej 50% przychodzi do nich i kupuje raz. Tak zwany one timers. Przychodzą, wydają pieniądze i znikają. Nie ma ich.
No i co z takimi klientami zrobić? Chcesz ich zaaktywizować? Album już tam dla naszych MŚP, masz dużą ilość śpiochów. Kupili kiedyś, kupowali przez dwa miesiące i przestali. Co z nimi zrobić? No teoretycznie możesz chwycić za słuchawkę, tak wymyślił Dior. Będzie do wszystkich dzwonił. Potwornie drogie. Bardzo wydajne. Bardzo wydajne, nie? Jeszcze nie daj Boże, to są badania takie, że jak uderzysz do wszystkich, na przykład banki robiły, zaraz wrócę do tego Diora, ale banki zrobiły taki numer, że wyestymowały, zrobiliśmy taki model, bo w AI'u to uproszczenie rzeczywistości, to przewidywanie nazywa się modelem. Zrobiliśmy model, który klienci banku, do których zadzwonić, bo oni najprawdopodobniej odejdą.
I ktoś wpadł na głupi pomysł, żeby tą grupę, zamiast dać jej promocję, zamiast wymyślić, co z tą grupą zrobić, jak już ją masz, jak wiesz, że już masz 10 tysięcy klientów, którzy najprawdopodobniej odejdą, to co zrobił bank? Nie wymienię nazwy. Chwycił za słuchawę, call center, dzwonisz. Co to dało? 80% ludzi potwierdziło, aaa, ja zapomniałem zamknąć tego konta, to ja odchodzę. Jak już mam panią na słuchawce, wychodzimy. Co zrobił Dior? Dior by myślał inaczej. Dior poprosił, żebyśmy zrobili algorytm, w którym wyselekcjonowaliśmy grupę, która faktycznie była skłonna do zakupu znowu.
I znowu, masz dużą ilość danych, których na logikę człowiek nie obejmie, ale jak wrzucisz to w komputer, w mechanizmy, w algorytmy data science'owe, w algorytmy AI, to on ci wypluje tą grupę. Jesteś w stanie odkryć tak istotną informację, której klient jest skłonny znowu kupić go, trzeba go lekko szturnąć? Ty też jesteś. Ty też jesteś. I to jest właśnie piękno. Bo AI, wbrew pozorom, jest proste. Bierzesz dane, musisz mieć czyste te dane. Czyli usuwasz duble, usuwasz jakieś tam takie braki w tych danych. Taki szum, tak? No tak. Te dane muszą. . . Wyobraź sobie taką piękną tabelę excelową, która ma wypełnione wszystkie pola, one są spójne, nazywają się tak samo.
I człowiek, jak patrzy na tabelkę, to są badania, że mniej więcej 7 kolun jest w stanie ze sobą połączyć. Więc wyobraźmy sobie, że do takiego komputera, który jest ogromną maszyną, wrzucasz nie 7, tylko 70 albo 7 tysięcy kolumn. I masz dalej klientów, i masz informacje o wszystkim. Co tylko możesz sobie wyobrazić. To jest prawie jak czytanie w myślach, nie? Na linii biznes, klientów. Tak, tak, tak. I to jest, już w tym momencie, to jest efektywne. Dlatego firmy w to poszły i ładują w to pieniądze. Ale to nie są wszystkie dane. Ale czekaj, ale co zrobił Dior, nie? Bo to chyba. . . Żebyśmy nie odbiegli.
Dior tak naprawdę powysyłał specjalne zaproszenia do tej grupy wyselekcjonowanych osób i ściągnął je ze specjalną promocją. Jednocześnie poprosił nas, żeby w tym algorytmie była taka wrażliwość cenowa. To znaczy, co im trzeba zaproponować. I podłączyliśmy pod to system rekomendacyjny. System rekomendacyjny to jest to, co masz w internecie. Kup to, no bo kupiłeś buty, no to pewnie kupisz skarpetki. No to ci proponujemy skarpetki. Głupie systemy widzą, że kupiłeś buty i proponują ci buty takie same, może troszkę inne i spowalniają koszyk. To jest głupi system. Ale jeżeli my widzimy, że ludzie na przykład kupują w podobnych schematach, to czemu ich nie połączyć? Bo komputer to zobaczy, że osoba Krysia z Gdańska i Janek z Zakupanego kupują podobnie.
Jeśli Janek kupi nowy produkt, a Krysia go jeszcze nie kupiła, to co zrobimy? Zaproponujemy to samo. I to robi system rekomendacyjny w trymiga. Więc myśmy do tego Diora podłożyczyli ten system rekomendacyjny, który jednocześnie powiedział nie tylko którym klientom, ale co im zaproponować, żeby oni z dużym prawdopodobieństwem kupili. No i jaki był finał? No tutaj mówić nie mogę. Ale dobry, powróciliśmy. Tak, to już tak będzie. Po prostu napięcie budowane, 5 minut. I na koniec usłyszenie, że jest NVA. No słuchaj Adrian, mówiąc całkowicie wprost. NVA Main zainwestowało w potworne pieniądze w sztuczną inteligencję, bo wymyśliło, że będzie robią personalizację. No bo to jest luksus. Luksus jest personalizacją, czyli dostajesz dokładnie to, co chcesz w krótkich seriach.
Więc wymyślili, że personalizacja, czyli zrozumienie klienta, co tam ten klient, co mu w duszy gra i co mu bądź jej zaproponować, na tym zrobili przez ostatnie lata. O tym się nie mówi, bo oni nie pokazują się jako firma technologiczna. Nie masz, OK, nie wiem, moegeneci, czyli alkoholę, albo torebki, albo buty, AI. No nie ma takiego połączenia. Pod kątem takiego narracji PR-u ja nie widziałem jeszcze. Nie, ja też tak, oni się tym nie chwalą. Bardziej tam biorą jakąś modelkę czy modela i oni tam promują te produkty. Tak, tyle widzimy. Więc pod stoponem jest ogromna ilość przetworzonych danych, co przełożyło się na to, że oni, no Bernarda No i jego rodzina, stali się w tym momencie, pierwsi albo drudzy są na ślicie.
Cały czas są w topce praktycznie, bo to się wbaha w zależności od kursów giełdowych. Tak, tak. Więc zrobili na tym ogromne pieniądze i nie wydaje się, żeby mieli przestać. Ale używają sztucznej inteligencji we wszystkich swoich spółkach, na wszystkich poziomach. No i też my przyłożyliśmy rękę do tego, że szkoliliśmy ich i przeszkoliliśmy na menedżerów. Bo od czego to się zaczyna? Możesz mieć super grupę data scientistów, tu mówimy o dużej firmie. I oni jak nie będą wiedzieli, co mają zrobić, to data scientist idą w takim kierunku, że zazwyczaj tam najfajniejsze rzeczy wybierają. Takie zabawki, nie? Szybkie samochody. Taki najnowszy algorytm. A super, to w tym kierunku idziemy. Bo to ich grzeje. Niekoniecznie jest to dobre dla biznesu.
W sensie niekoniecznie jest to najlepsze dla biznesu. Więc potrzebna jest taka grupa menedżerów i sprytnych osób, która po prostu powie tym data scientistom, rozumiejąc biznes i znając te mechanizmy proste, o których ci powiedziałam. Bo jest to proste, nie? Masz dane, historyczne i przerabiasz je na wnioski na przyszłość. Rozważasz wystąpienie w Przygodach Przedsiębiorców, ale nie wiesz, czy masz coś ciekawego do powiedzenia? Pozwól nam to sprawdzić. Napisz na kontakt www. małpapszegod. tv. Otrzymasz od nas specjalny formularz do wypełnienia. Na podstawie twoich odpowiedzi damy ci znać, czy to już dobry moment, aby się u nas pojawić. Z perspektywy historii to brzmi prosto.
Natomiast podejrzewam, że wielu widzów ma to samo odczucie co ja, że kurczę, ile to wymagało wysiłku i pieniędzy, żeby takie coś ułożyć, żeby można było tak personalizować sprzedaż do klientów. 4 miesiące. No właśnie. No i teraz, jak ktoś prowadzi biznes, który ma 10-20 osób, a nie konglomerat luksusowych marek, to on użyje tej historii? Użyje. Może się nią zainspirować? W jaki sposób? Właśnie. Już powiem, co teraz można robić w mniejszej skali. Na pewno możecie pójść właśnie po open source, albo po prostu mechanizmy przewidywania. Ale skierowałabym was do rekomendacji, bo to jesteście w stanie kupić. Nie chcę wymieniać firm, nie chcę ich reklamować, ale sporo jest. Czyli, że jak klient kupił X, to żeby system od razu wiedział, jaki Y mu zaproponować. Dokładnie tak.
Bo po co wy się macie na ten temat wysilać? No a która firma jest najlepsza? Chociaż trzy najlepsze. Ułatw to naszym widzom. Nie, no nie. Nie, Adrian. Oprócz tego, że jedna. . . Ja stworzyłam też taki produkt, więc. . . No to swój zaprogram rekomenduj, nie? Nie, nie, nie, serio. Jest bardzo dużo fajnych produktów, więc tutaj w tym kierunku. . . No nie chcę później powiedzieć. . . Nie chcę odpowiedzialności, że poleciłam jakiś konkretne narzędzia. Szukajcie po system rekomendacyjny, albo silnik rekomendacyjny do sprzedaży. I znajdziecie, wyjdzie wam pierwsze 10. I będzie was na to stać, albo kosztuje to procent od waszego przychodu, albo to kosztuje około. . . No tam powiedzmy kilkuset złotych miesięcznie maksymalnie. Maksymalnie.
Są też takie wersje za stówkę, albo za 150. A zakładam, że dobrze wdrożone istotnie podnosi sprzedaż. Bardzo dużo. Oprócz tego. . . Podam inny przykład. Oprócz systemu rekomendacyjnego, który możecie mieć, możecie właśnie wziąć te open-source'owe predykcje, wdrożyć je do siebie. Jeżeli macie jakąś ilość danych, jakaś ilość danych, to jest przynajmniej kilka tysięcy klientów. Poniżej tego ta sztuczna inteligencja się zatrze, bo nie będzie miała danych. Ona się żywi danymi. Ona w danych szuka korelacji, więc jak tych danych jest mało, no to tutaj za dużo nie zadziałamy. Ale jest taki przepiękny obszar, na którym wszyscy się teraz skupiają. Czyli to jest GNI, w ramach którego jest ChattGPT. A ChattGPT jest oparty na czymś, co się nazywa LLM.
I teraz dam wam przepis na grube pieniądze na najbliższe dwa lata. Teraz pewnie powinna być przerwa, nie? Piękny nagłówek, słuchamy. Serio, absolutnie nie żartuję. LLM to jest Large Language Model, czyli duży model językowy. Na tej samej zasadzie został stworzony, czyli bierzemy dużą ilość danych, tylko tym razem nie dane sprzedaży, tylko dane z książek. Wyobraź sobie, że masz taką ścianę książek w internecie i nauczyłeś na niej komputer mówić, mówić, pisać, rozumie język angielski. Pracujemy teraz nad wersjami polskimi, ale na razie nauczyliśmy rozumieć język angielski i tekst. W związku z tym, jak mamy dane historyczne, to wynikiem tego modelu jest to, że ten model jest w stanie pisać zdania, czyli przewidywać, jakie słowo będzie kolejne i jak złożyć zdanie, żeby ono miało sens.
Też na podstawie danych historycznych, czyli na podstawie ogromnej ilości tekstów z przeszłości, które zostały przez nas ludzi napisanych. Jesteś ze mną? Cały czas. Mamy model, który umie pisać, bo się nauczył, na pamięć się nauczył. Nie wie, co mówi, ale jest na prawdopodobieństwo ułożenia zdania, więc te zdania nam wydają się logiczne. Co robimy dalej? Oprócz tego, że mamy język, to jeszcze dodajemy pewne informacje, które też wkładamy. To jest taki blender, wyobraź sobie. Dorzucamy kolejną porcję danych, robimy bzzz, blendujemy, mamy bardziej mądry model. Więc wyobraźmy sobie, że do tego modelu językowego, który mówi na razie po angielsku albo mówi po polsku, dorzucamy jakąś informację. Na przykład o prowadzeniu podcastów. Ty wiesz, jak mówić, żeby było ciekawie.
Ty wiesz, jakich słów używać i masz x nagrań. Ile masz nagrań już teraz? 200-800. To ile będzie godzin nagrań? No myślę, że między 600-800 spokojnie, bo nie wszystkie odcinki są powyżej godziny. No to OK. Czyli mamy dobrych prawie 1000 godzin nagrań, może nawet więcej. Jesteśmy w stanie to wrzucić do tego naszego blendera, bo to się przełoży na tekst, więc wideo przekładamy na tekst, tekst dorzucamy do naszego blendera, blendujemy. Co powstaje? Powstaje model językowy, który się nauczył mówić po polsku, angielsku, ale umie już, zna się na tym, co ty mu dadałeś. Czyli zna się na podcastach. Jak go zapytasz, zrób mi skrypt najlepszy podcastu, to to nie będzie taki głupi skrypt, tylko twój skrypt.
Bo ty dodałeś swoje dane, zblendowałeś, on już mówi jak ty. I to jest de facto czat. Co zrobiono? Do modelu językowego, angielskiego, dodano co? Dodano skrypty z czatów i z rozmów. I zblendowali. I de facto mechanizm jest tak potężny, że odpowiada na nasze pytania. Czasem lepiej, czasem gorzej, ale odpowiada, tak? I teraz, za to już lubią pieniądze. 20 dolarów co prawda miesięcznie, nie jest to jakoś dużo. Co wy jesteście w stanie zrobić? Co ty jesteś w stanie zrobić? W ciągu najbliższych dwóch lat będzie wysyp, słuchajcie, modeli, które są zblendowane po waszemu. Co zrobił Google? Google wymyślił, że chce zastąpić lekarza. Więc na podstawie swojego modelu językowego, który po prostu bierzecie, ściągacie do siebie, za darmo.
Bierzecie Lame 2, bierzecie Falcona, albo coś innego mniejszego, naprawdę ściągacie do siebie na serwer, albo na komputer. Bierzecie takiego data scientista, w miarę ogarniętego. Każdego, co chcecie mu dodać dane, które są z waszego biznesu. Tak jak zrobił Google. Google miał ogromną ilość danych medycznych. I wymyślił, tam są pieniądze, w medycynie, w health jest dużo kasy. Więc blendujemy to ze spotkaniami z lekarzami, z wynikami badań, z jakimiś takimi rekomendacjami od lekarzy. Blendujemy. Co powstało? Prawie lekarz. I oni to teraz zaczynają sprzedawać powoli. Taki model językowy. Czyli wpiszesz. No boli mnie głowa i cieknie mi z nosa, to co mi może być? No i ci wychodzi oczywiście, że tam na samym jednym z opcji będzie, że masz raka. To jak zwykle.
Czekałem na tą informację. Ale de facto, jeżeli model był taki, że ten rak się nie pojawił, to on się nie pojawił w modelu. Bo on jest tak mądry albo tak głupi jak dane, które w niego wpompujesz. Ergo, jeśli pracujecie w branży motoryzacyjnej, to dodajecie dane, które macie o branży motoryzacyjnej i nagle macie takiego czata albo takiego model, który zwraca wam informacje w zgrabny sposób na temat branży motoryzacyjnej. Co robicie dalej? Sami sobie możecie tego używać, ale możecie pójść do wszystkich innych firm w branży motoryzacyjnej i powiedzieć im, że oni mogą to kupić. Bo oni tego jeszcze sami nie wyprodukowali.
Więc wyobraźmy sobie, że mamy mieć takich pomocników właśnie w formie tego takiego doradcy, który zawiera ich informacje i mówi do nas. To chociażby jak zrobicie taki czat, który będzie odpowiadał na stronie, no ile takich firm motoryzacyjnych w Polsce jest? W samej Polsce. Dobrych kilkaset, jeśli nie kilkatysięcy. Zaoferować im takiego czata, słuchajcie, to się robi w mniej niż miesiąc. Naprawdę w mniej niż miesiąc za śmieszne pieniądze. I sprzedajecie to firmom. I one to robią albo na SASie, czyli biorą to na jakieś takie licencje i wsparciu waszym, albo po prostu sprzedajecie im ten model i oni to kupują. Bo sami nie mają czasu tego zrobić.
Jeżeli jestem przedsiębiorcą, który jest całkowicie odporny na kwestie techniczne, jest odporny na kwestię inspiracji, którą dajesz ty oraz osoby, które mają wiedzę a propos AI-a. Ale mimo tego chciałbym się w jakiś sposób podłączyć pod to. To powiedz mi, jak się nazywa, bądź jak się nazywają stanowiska, albo wykształcenie ludzi, którzy mają pojęcie o tym, co ty mówisz. I tych ludzi mógłbym do swojej firmy wziąć, pokazać im moje podwórko danych i powiedzieć, słuchajcie, co my z tego możemy wyrzeźbić? Dobrze, dobre pytanie już zdajesz. Ekstra. Czyli już wiemy, słuchajcie, jak macie dane, jesteście bogaci. Data is new oil, jak to się mówi, czyli dane to nowa ropa naftowa.
To jest hasło, które wymyślił The Economist kilka lat temu, mówiąc, że kto będzie miał dane, to będzie uczył modele. A jak masz nauczony model, to robisz pieniądze. Wracając, kto to robi? Robią to data scien-tiści. Po polsku nie za bardzo jest nazwa. Też mówimy data scien-tyst, czyli osoba, która jest w stanie przetworzyć z tych danych historycznych, wsadza to w model i wychodzi przyszłość. Można nazwać te osoby analitykami danych, ale zazwyczaj data scien-tist. I na czym polega piękno? Ten obszar jest tak nowy, że bierzecie prawie pierwszego, lepszego, bądź pierwszą, lepszą informatyczkę. Każdego im się nauczyć Pythona, jeśli jeszcze Pythona nie umieją. To jest najpopularniejszy język programowania teraz. To jest proste, do nauczenia w miesiąc de facto, nawet krócej.
I mówicie im, że mają ogarnąć dodatkowe elementy z data science i oni już będą w stanie zrobić ten model. Są skrypty proste. Proste znaczy do ogarnięcia w weekend. Dla osób, które średnio kodują, czyli bierzecie taką informatyczkę, inspirujecie, pokazujecie chociażby lang chain'a. Ja wiem, że teraz to może brzmieć jakimś takim. . . Używaj tych pojęć, bo też zakładam, że to przedsiębiorcom ułatwi potem rozmowę z taką osobą. Tak, podłączacie lang chain'a, dołączacie do tego kilka prostych mechanizmów, które znajdziecie na githubie, albo znajdziecie po prostu na reddit'cie. Tam są konkretne skrypty. Jak zrobić chatbota w domu? Albo jak zrobić własny model językowy, czyli ten mówiący w jakimś takim specyficznym stylu w domu.
Dajecie to swoim informatykom i mówicie, pobaw się w weekend, naucz się tego, ja ci dam dane, które też sobie razem poczyszcimy, działamy. Mam nadzieję, że to odpowiada na pytanie, kogo szukamy. Czyli niekoniecznie musicie brać data scientistów, bo data scientisti są drodzy. Bardzo. W tym momencie w OpenAI, nie wiadomo czy to prawda czy nie, ale ogłosili to oficjalnie, taki data scientist zarabia teraz 900 tysięcy dolarów rocznie. W Polsce poniżej 16-18 tysięcy to bida będzie. To będą tacy juniorzy, juniorzy, które tam ledwo mieli doświadczenie. Ale super, że dałaś punkt odniesienia chociaż. Można szybko się tego nauczyć, bo to też nie jest. . . To jest początkujące Adrian.
Więc jak ja zatrudniam data scientistów, to ja zatrudniam ludzi z dwuletnim doświadczeniem. I to jest dużo, bo wiem, że już zrobili kilka modeli, ale zatrudniam też na przykład juniorów, którzy umieją programować. Uczymy ich data science w relatywnie krótkim czasie i też są w stanie zrobić takie modele. Lepiej i gorzej, ale to już pomaga. Może to nie będzie super model, który zawsze przewidzi idealnie prawdę, ale z jakimś prawdopodobieństwem już ci pomoże. Bądź właśnie stworzy model językowy. Modele językowe, i to jest bardzo ważne, i to jest bardzo ważne, że to jest bardzo ważne. Bądź właśnie stworzy model językowy. Modele językowe i to douczanie modeli, to jest proste.
Nie masz wrażenia, że gospodarkę albo większość zawodów w świetle tego, o czym teraz mówisz, czeka Armageddon? No będzie Armageddon. I dla firm, i dla ludzi. A jeśli chodzi o ludzi, o pracowników, to generalnie to nie jest tak, że sztuczna inteligencja zabierze nam pracę. Nie uczą się sztucznej inteligencji, po prostu będą szybsi, niż konkurencja, zabiorą pracę tym, którzy się tego nie nauczą. A jeśli chodzi o przedsiębiorców, ta sama zasada. Czyli kto szybciej wykorzysta sztuczną do rozwoju, przyspieszenia swojego biznesu, chociażby podam prosty przykład. Na stronie internetowej mamy badania, że jak wieszacie zdjęcie, to to zdjęcie jak się rusza, to jest bardziej prawdopodobne, że klient kliknie. Mniej więcej o 2 do 4%.
Jak się rusza? Ruszające się zdjęcia, ze zdjęcia wygenerowanego przed midjourney, czyli przez generatywną, rzucenie w runway, czyli uwaga, midjourney albo stable diffusion, albo dali 3, robicie zdjęcie na podstawie tekstu. To już na pewno robiliście. Następnie ściągacie albo wchodzicie na stronę, która się nazywa runway, i tam wrzucacie to zdjęcie, które wygenerowaliście, na przykład midjourney i klikacie. Ono ma 8 mniej więcej zmian, kilka sekund i ono zaczyna się obracać albo ruszać. Umieszczacie na stronie 2% w górę. I prowicja do ciebie część idzie. Tak, dobrze, tak zrobimy Adrian. Nie no, to jesteście w stanie zrobić de facto za własne, we własnym czasie i za bardzo, bardzo małe pieniądze.
I chociażby to pokazuje, że nawet takie drobne uzyski w firmach to już pozwolą na wyprzedzenie konkurencji. Więc firmy, jeśli się już teraz orientują, mówią, aha, no dobra, to jak ja w to nie wejdę, to inni z tymi prostymi nawet czasami usprawnieniami, już nie mówiąc o tych przewidywaniach sprzedaży klientów i takich głębszych analizach, a tutaj jesteśmy w stanie robić łącznie z analizami finansowymi, no wyobraź sobie, możesz przewidzieć wszystko. Lepiej albo gorzej, ale możesz. Więc te firmy, które to zrobią, wyprzedzą ewidentnie konkurencję i to będzie Armageddon, bo się pozmienia na rynku. Czyli firmy, które dotychczas były nieduże i dołożą sztuczną inteligencję, mają szansę wyprzedzić może nie giganty, ale większych konkurentów od siebie, bo będą bardziej zwinne i zastosują sztuczną u siebie.
Tylko, że to oznacza, że firmy muszą się troszkę przetransformować mentalnie i się tego nauczyć, żeby wiedzieć, jak wykorzystywać technologię, która jest dostępna. Pozwól sobie jeszcze dopytać, no bo informatycy informatykami, ale kiedy się wdraża tak fundamentalną nową technologię do firmy, no to zakładam, że inne obszary naszych kadr też powinny w tym jakakolwiek uczestniczyć. Więc kto jest jeszcze ważny oprócz informatyków, żeby, nazwijmy to szumnie, transformacja AI-owa w ogóle miała szansę powodzenia w naszej firmie? No pięknie to nazwałeś, transformacja AI, czyli firmy, nie tylko informatyków. Zatrudnianie samych informatyków to jest prośba o prażkę, bo oni, jak to się mówi, pójdą w krzaki, będą robić swoje super, ekstra rzeczy, robociki, które kręcą fikołki. Niekoniecznie przyniechają wam to. Mają swój wycinek rzeczywistości po prostu.
Są świetni w tym, co robią, ale nie do końca czują biznes. To wy czujecie biznes. Przedsiębiorcy czują biznes. Menedżerowie czują biznes. Więc to są osoby, które muszą zrozumieć puzzle, które są dostępne w świecie AI i powiedzą, o ja mam teraz problem ze sprzedażą, albo mam problem z retencją, albo mam problem z lojalnością klientów, albo chcę wprowadzić nowy produkt. Jak to zrobić najlepiej? I to biznes wie, co potrzebuje, zna, świadomie wybiera narzędzia AI. Nie musi ich robić. Przychodzi do teamu i mówi słuchajcie, ja bym chciał taką prognozę sprzedaży, albo jeszcze lepiej. Przychodzi do teamu, na przykład jeden z naszych klientów prowadzi firmę, która ma takie kable i opiekuje się kablami.
I co jakiś czas przegryzają to szczury. Pracowaliśmy zresztą z firmami w Arabii Saudyjskiej, które mają takie odwierte. Nie jeździsz na odwiert codziennie. Nie patrzysz na kable codziennie, czy je przegryz szczur, prawda? W związku z czym robimy coś takiego, co się nazywa predictive maintenance, czyli mamy tam specjalne sensory i przesył danych, że wiemy, żeby tam pojechać nie za wcześnie, ale też nie za późno. I na tej podstawie sztuczna inteligencja, na podstawie tych danych, tym razem nie historycznych, tylko częściowo historycznych, ale też bieżących, mówi, teraz ekipa powinna pojechać. I na przykład ta firma od kabli, nie więcej niż 100-200 osób. Oni mówią, opiekujemy się tymi kablami, chcemy wykorzystać fizycznie sztuczną inteligencję do tego, żeby zminimalizować koszty obsługi tych kabli.
Kto podjął decyzję? Biznes, bo biznes wie, jak duże to kosztuje. Co zrobili informatycy? Informatycy zakodowali, przygotowali, wdrożyli, zrobili testy, wdrożyli na produkcję, tak? Tyle. Taki jest zazwyczaj podział pracy. W momencie, w którym przychodzimy do informatyków i mówimy, słuchajcie, mamy problem z kablami, oni mówią, tough luck. Rozumiem, co to kabel informatyczny, ale de facto nie do końca wiemy, jak to przełożyć na biznes, bo nie wiem, co chcesz uzyskać. I nie pójdą w tym kierunku, bo oni specjalizują w samych rozwiązaniach. Biznes musi być świadomy, żeby wiedzieć, co sobie zażyczyć, tak jakbyś miał dżina z butelki.
Przy obecnym rozwoju AI właściwie możesz mieć wszystko, co tylko sobie zażyczysz, tylko musisz dobrze życzyć, bo jak sobie zażyczysz jakąś kluchę, no to nie za dobrze będzie generalnie. Jak tym wszystkim powinni się odnaleźć menedżerowie w naszych firmach? No, mieć świadomość, co jest dostępne na rynku, poznać technologię AI, około 14, Gen AI, o których mówiliśmy, jest jedną z nich tylko i wyłącznie, Predictive Maintenance, czyli przewidywanie to jest druga, wspominaliśmy o predykcjach na przykład. Czy pozostałe moglibyśmy wymienić w komentarzach albo w opisie tego filmu? Oczywiście, że tak. Pewnie, pewnie, że tak. I jak to wiesz, patrzysz, jaki masz problem, czy ze sprzedażą, czy z lojalnością, czy z kablem, wybierasz jedną z technologii, to tak jakbyś wybierał z menu.
I mówisz, aha, dobra, to, ale dodam do tego jeszcze na przykład rekomendacje. Czyli miksujesz dwie albo trzy technologie, przychodzisz z team do teamu, nie musisz wiedzieć jak dokładnie, musisz wiedzieć, jak jest proces, czyli przychodzisz też z danymi. I data scientists się to docenią. Mówią, aha, oni wiedzą, znają o co chodzić, wiedzą, co jest ważne. I też biznes musi wiedzieć, jakie dane, wyciągnie te dane, przyniesie je do zespołu data science, który zrobi to rozwiązanie, no i wtedy wszystko bangla. Jeżeli tego nie ma, to data scientists będą zgadywać, co wy chcecie. I już mamy na to badania, 60 do 80% projektów AI, przy braku udziału menedżerów, którzy rozumieją AI, kończy się porażką. To jest ogromna ilość w tym momencie.
Czyli to nie jest kwestia samego oprogramowania, tylko niezrozumienia tego, co to oprogramowanie ma dla nas zrobić. Dobra, wracając jeszcze do stricte samych właścicieli, powiedziałaś dłuższą chwilę temu a propos funduszy europejskich. Jak polski przedsiębiorca może uzyskać do nich dostęp możliwie efektywnie? Co powinniśmy zrobić? Gdzie pytać, gdzie szukać? Jakie wnioski składać? Jak powinniśmy w ogóle myśleć o tym, żeby jak największa część funduszy europejskich w kontekście sztucznej inteligencji przypadła polskiej gospodarce? Ja bym powiedziała, że to są takie dwa kroki równoległe. Pierwszy, idziecie na strony PARP-u i na strony funduszy europejskich i sprawdzacie, jakie są edycje i kiedy trzeba złożyć dokumenty. Minusem jest to, że te dokumenty są takie. . . Obszerne? Tak, eufemizmu, żyjmy obszerne.
One są długie, słuchajcie, w 3-4 dni tego po prostu nie napiszecie, to nie ma szans. Przygotujcie się raczej na około 3-4 tygodni przygotowań, więc sprawdźcie sobie kalendarz. W tym momencie tam jest taka na przykład hasło, że jest robotyka, automatyzacja czy algorytmy maszynowego uczenia. W to wchodzi wszystko. To tak jakbyś powiedział, przestrzeń, przestrzeń i jeszcze więcej przestrzeni. Ponieważ osoby, które to oceniają, też nie do końca są ekspertami w AI, to podali taki AI. Ale mają klucz urzędniczy, więc to wystarczy. Więc dobrze, to jest dla nas dobrze. I na to idą pieniądze, czyli bardzo szerokie spektrum. Czasami jest to zawężone na przykład do jedzenia, czyli do produkcji jedzenia.
Czyli macie tam te roboty, które tam zbierają pomidory. A czasami macie zawężone do clean techu. Clean tech jest jednym w ogóle z najlepszych obszarów, w jakim teraz można być. Co to jest? Wykorzystanie sztucznej inteligencji i technologii do zabezpieczenia naszej planety, żeby była czysta i zdrowa. Czyli ekologia. Tak. I Stany, Kanada i Europa zadeklarowały potworne pieniądze w tym obszarze. Więc jak wymyślicie coś, co bada jakość powietrza, prosty sensor, co bada jakość wody i tym podobne, to na to będą pieniądze. Ale nie tylko oczywiście. To jest jeden z obszarów, na który na pewno będą. Więc sprawdzacie co jest, kiedy, w jakim obszarze. Następnie uczycie się troszkę tej sztucznej inteligencji. Trzeba skumać.
I robicie sobie taką długą listę, do czego macie dane i co by się wam przydało w waszym obszarze, co by waszym zdaniem nie ma czegoś takiego jeszcze. Albo wy o tym nie słyszeliście. To ma znamiona innowacji. Bierzecie jakąś firmę najczęściej, która jest firmą informatyczną, specjalizującą się sztucznej inteligencji, albo bierzecie swoich ludzi, którzy to opisują i są tacy konsultanci na rynku, AI-owi, którzy są w stanie wam podpowiedzieć, czy w dobrym kierunku idziecie. Więc nie musicie zatrudniać całego zespołu, tylko troszkę godzin tej konsultacji. Konsultujemy. O tym zaraz. Dużo firm przychodzi i mówi tak. Mam dane, Pani Maria, już się nauczyłam, że ja potrzebuję dane. Świetnie. Plus. Ja wymyśliłem taki pięć pomysłów.
Nie wiem, który z nich będzie najlepszy na PARP. Niech mi Pani wybierze. No to czasem coś takiego robię. Czasem dopisujemy, bo tam jest tak, że we wniosku PARP-owym macie około 5% musicie włożyć mięsa ejajowego. Jak będzie działał algorytm? To nie jest trudne de facto, ale dla większości przedsiębiorców jest to dość skomplikowane. Więc do tego możecie sobie zamówić człowieka, który mniej więcej w kilka dniówek, nawet mniej, jest w stanie wam napisać ten wsad, a pozostałe elementy już zrobicie sami. I ten osoba też często problem jest z wyceną. Czyli dobra, to ile ja chcę pieniędzy na ten sam komponent ejajowy. I to też możecie poprosić firmę, żeby wam powiedziała.
Jak wy byście mieli robić dla nas taki model, to ile by to kosztowało. I to wsadzacie tak naprawdę do wniocha plus wasz management i wszelkie inne elementy, które tam trzeba zrobić. Czyli macie tą wiedzę, co by to mogło być. Tworzycie listę pomysłów, konsultujecie, wybieracie jeden i to wrzucacie we wniosek. Czasem można pójść w kooperację, dość typowe. Mnóstwo film przychodzi do nas, bo my mamy też zasoby informatyczne właśnie takich data scientistów. Przychodzą i mówią, no my takiego teamu nie mamy, bo on jest kosztowny. To my wchodzimy w kooperację z wami. Wy bądźcie takim partnerem technologicznym, a my mamy dane, my się znamy, my jesteśmy w biznesie długo. Więc hand in hand.
Ręka w rękę. Czasem się na to zgadzamy. Natomiast propozycji jest tak ogromna ilość, że no raczej między nimi wybieramy. Powiedz mi na dzień 31 październiku 2023, czy firmy już otrzymują te środki z Unii, czy to dopiero się rozpocznie? Nie chcę powiedzieć, czy one już dostały, bo nie wiem. Nie patrzę im w kieszeń. Natomiast brałam udział jako też kooperant w wielu projektach. Jeden miał finał w roku 2021, więc to były poprzednie jeszcze pieniądze, ale tych projektów było bardzo dużo. Na przykład przewidywanie popularności, przewidywanie sprzedaży. Taki jeden dość ciekawy projekt, który robiliśmy, to było przewidywanie tego, który film się sprzeda, albo ile widzów pójdzie na dany film.
To było ciekawe, ale to było z poprzedniej edycji. I wiem, że na to poszły pieniądze, był sukces i poszło to fajnie. Jak z tej edycji 2021? Czy już pieniądze poszły i jakie? Nie jestem w stanie powiedzieć. Wiem, że wciąż one są zbierane w różnych rundach. Wiem, że poszły pieniądze we Francji. Moi znajomi w Holandii też dostali pieniądze, bo to jest podobna pola innowacji, tylko rozdzielona po prostu między państwa. I to jest dodatkowa informacja. Możecie się zgłosić o pieniądze w Polsce, możecie się zgłosić, uwaga, po pieniądze europejskie na poziomie Europy. I to są różne tam programy. Muszę sobie przypomnieć, bo nie przygotowałam się od tej nazwy, powiem szczerze.
Damy do szczegółów, robisz się bądź w komentarzach. Damy w szczegółach i wtedy powiemy, gdzie się po prostu zgłosić, ale Polacy mogą wyjąć pieniądze z ogólnej puli, która nie została rozdystrybuowana między kraje. I to jest pula stricte na sztuczną inteligencję też. Więc tam też można zastukać i poprosić z dobrym pomysłem o dodatkowe środki. Jak jeszcze z temu na pewnej konferencji, jeden znajomy powiedział mi anegdotę o innym gościu, którego już zaobserwowałem na Instagramie, który podobno właśnie wykorzystując narzędzia EI-owe robi kasę na poziomie stuwa miesięcznie i w górę. I praktycznie działa sam.
Więc powiedz mi dla tych osób, które humają świat EI-owy dużo bardziej niż na zasadzie tutoriali i dopiero zapoznania się z tematem, tylko oni już są w tym basenie, oni już płyną którąś długość kraulem. To dla tych osób jak zrobić projekt EI-owy, który zacznie zarabiać w mniej niż miesiąc? W mniej niż miesiąc? O, to będzie wyzwanie. To można zrobić sobie elema, o którym rozmawialiśmy wcześniej. To dacie radę w mniej niż miesiąc dla osób, które już faktycznie płyną tym kraulem którąś długość. Ale podam Ci jeszcze jedną taką ciekawostkę. Co Wy już możecie teraz zrobić w ogóle nie mając backgroundu EI-owego? W ogóle. Co Ty na tym? A mianowicie dane. Już znasz potęgę danych.
Jak tych danych nie ma, to model to będzie bida. Więc jest sprzedaż danych, trading danych i tak zwane data markety. Czyli jeżeli powiedzmy dwa lata temu zacząłeś robić zdjęcia sałaty albo swojego jakiegoś kwiatka na oknie, a codziennie i on się zmienia, to ktoś być może ten tak zwany data set, czyli zestaw danych od Ciebie kupi. I są teraz firmy, które skupują dane, dane osobowe, dane zdjęcia, dane tabelaryczne, dane na temat biznesu, dane na temat sprzedaży. Wszystko co jest dookoła nas, co jest opisane jest daną. Łącznie właśnie ze zdjęciami, o których wspomnieliśmy już wcześniej. I to zaczynacie tym tradować. Firmy to chętnie kupią, bo tych danych nie mają.
Tu jest problem, ponieważ firmy kiedyś wymyśliły, że to się nie opłaca żeby zbierać takie ogromne ilości danych, bo nie mają serwerów, to jest drogie, więc one będą nadpisywać te dane i mają dane mniej więcej może za dwa lata, może za trzy. Ale też takie wybiórcze, bo się na tym nie skupiały. Wybierały na przykład 10 punktów danych, które zbierały, nic poza tym. Więc mają ogromne braki. Więc żeby te braki zalepić, to powstały data markety i Wy też możecie to zrobić. Jest to po prostu taki sklep, w którym skupujecie dane, albo zbieracie dane, albo bierzecie te dane, które są publicznie dostępne i sprzedajecie je dane. Chociażby Israel jest w tym genialny. Nie, serio.
Mnóstwo firm albo wyszukiwanie danych na zlecenie. Czyli przychodzi ktoś do Was, na przykład bank i mówi, no ja potrzebuję danych na temat pokolenia Z, bo chcę im sprzedać jakiś nowy produkt. W ogóle się na nich nie znam, potrzebuję dane z social media. By the way, dane z social media nie wiadomo do końca, ale nie ma w tym momencie żadnych prawnych regulacji oprócz GDPR-u, czyli RODO, do tego żeby danymi handlować. A RODO nas obowiązuje do tego, żeby, ale jeśli ktoś się zgodzi, to możemy tymi danymi, nazwane jest to przetwarzać, możemy sprzedać dane.
Jak ktoś się zgodzi na to, że nam daje daną, a my możemy nią obracać, to my ją możemy sprzedać zgodnie z RODO. Czyli de facto dane klienckie, jak się uprzejdzie, też możecie sprzedać dalej. Więc wyobraźmy sobie. Przychodzi ten bank i mówi, nie znam się na tych Z, bo oni są jacyś dziwni i chcę im sprzedać produkt. Jeżeli my wy macie te dane albo zeskrejpujecie, czyli skopiujecie dane z social media, czy właśnie z waszej grona klientów i sprzedacie to, to oni z pocałowaniem ręki to kupią. Jeśli te dane będą czyste, legalne i wy przekażecie prawa do tego, żeby oni mogli nauczyć model na podstawie tych danych.
Wiem, że może to brzmieć jako science fiction, natomiast to jest najlepszy biznes na najbliższe lata. Czemu? Zamiast robić de facto algorytmy, jeśli to was nie kręci i te modele, to bądźcie tam u źródła, gdzie wiadomo, że wszyscy będą tego potrzebować, jak wodę, jak elektryczność. Bez danych nie zajedziesz daleko. Więc tradowanie danymi, to jest świetny biznes. I w to może wejść de facto każdy i dane będą potrzebne w każdej branży na temat wszystkich klientów o wszystkim. Czyli kto ma dane, ten jest bogaty, bo może je sprzedać dalej. Co nasi widzowie mogą od ciebie kupić? Mądrość. Ale serio, to dobry biznes. I przede wszystkim tak, co my robimy? Sugerujemy, żeby zacząć od edukacji.
My pokrywamy cały pipeline, czyli i doradzamy zarządom i pomagamy firmom stać się bogatymi za pomocą użycia sztucznej inteligencji. Właśnie i trenujemy i doradzamy jak robić te biznesy, ale też wdrażamy i później monitorujemy. Czyli mamy też grupę deweloperów, która to wszystko jest w stanie zakodować. Ja sugeruję zacząć od pierwszego kroku, czyli od edukacji. Zrobiliśmy taki superkurs dla osób, które nie kodują, ale chcą się dowiedzieć jak wykorzystać AI w swoim biznesie, czy też do zmiany swojej ścieżki zawodowej, czyli do awansu.
Co oznacza, że przychodzicie na taki kurs, on trwa 5-7 tygodni i macie już pojęcie na temat AI, że wiecie jakie narzędzia wybrać, czyli to są te 14 obszarów, plus wiecie jak zarządzić projektem, wiecie jak kontrolować data scientistów, wiecie jaki team zatrudnić i jaki efekt chcecie mieć na końcu. Tego się uczycie przez 5 tygodni plus 2 tygodnie na projekt, on jest bardzo taki praktyczny. Ja bym sugerowała, żebyśmy zaczęli od tego. Mnóstwo innych dodatkowych elementów. Myśmy zebrali wiedzę z prawie 100 projektów AI-owych, które zrealizowaliśmy przez ostatnie 7 lat na całym świecie.
Dzięki tym algorytmom firmy stały się bogate, więc myślimy, ok, no to teraz przynosimy to tutaj, przynosimy to dla mniejszych przedsiębiorców, żeby oni również mogli się na AI-ach wzbogacić. Tylko, że trzeba zacząć od tego pierwszego kroku, musicie zacząć kumać, a potem to już, tak powiem, jest droga otwarta do tego, żeby wykorzystać AI w waszym obszarze, w waszym biznesie i raz jeszcze wrócę do tego, co powiedziałam na początku. 10% nasycenia rynku, nawet mniej. Więc tych produktów musi powstać dużo i zagładam, że słuchacze mogą po prostu się za to zabrać i pobrylować.
Ja czekam na te takie, wiecie, unicorny i wielkie firmy w Stanach czy w Kanadzie, czy w Europie, a okaże się, że tak naprawdę to są polscy przedsiębiorcy, którzy wykorzystali świetny pomysł i swoje dane i poszli do przodu. I oby tak było, drodzy widzowie słuchacze, tutaj stawiamy kropkę. Zachęcamy was do tego, abyście ten materiał udostępnili jak największej liczbie osób, szczególnie tym, którym życzycie dobrze, bo wiedza, która się dzieli ostatecznie mnoży dobrobyt nas wszystkich. Jeżeli macie jakieś pytania do Marii, to proszę dajcie znać w komentarzu, ponieważ wiele wskazuje na to, że Maria jeszcze u nas się pojawi. A tymczasem dziękujemy za wasz czas i widzimy się już niedługo w kolejnym odcinku. Cześć!.
S K R Y B O T
Skrybot. 2023, Video transcriptions from YouTube
By visiting or using our website, you agree that our website or the websites of our partners may use cookies to store information for the purpose of delivering better, faster, and more secure services, as well as for marketing purposes.