Biznes Myśli
Szukasz sposobu na rozwój firmy z pomocą AI? Chcesz poprawić produkty i podejmować lepsze decyzje? Podcast "Biznes Myśli..." to Twoja dawka wiedzy o najnowszych trendach, praktycznych rozwiązaniach i inspirujących przykładach.
Razem z ekspertami omawiamy kluczowe tematy AI: ludzie, pieniądze, trendy, pomysły, dane, narzędzia i sprawdzone praktyki. Biznes Myśli to Twoje sprawdzone źródło na temat sztucznej inteligencji. Świat zmienia się szybciej, niż myślisz – dołącz teraz!
Blog: https://biznesmysli.pl/newsletter
Youtube:
BM124: Jaki model AI wybrać: wyzwania i rozwiązania?
2024-07-17 09:00:03
Modeli LLM to aktualnie gorący temat. Aby efektywnie wdrożyć te modele w swojej firmie, konieczne jest stworzenie własnego leaderboardu, dopasowanego do konkretnych potrzeb biznesowych. Podpowiadam jak to zrobić, czyli od czego można zacząć (3 proste kroki). Choć istnieją zewnętrzne rozwiązania, to nie dają one pełnej kontroli i gwarancji trafności oceny. Warto czerpać z doświadczeń tradycyjnego ML, pamiętając jednak o zwiększonej złożoności procesu oceny LLM. ✅ Dlaczego wszystkie modele AI są błędne i jak to wpływa na biznes?
Modeli LLM to aktualnie gorący temat. Aby efektywnie wdrożyć te modele w swojej firmie, konieczne jest stworzenie własnego leaderboardu, dopasowanego do konkretnych potrzeb biznesowych. Podpowiadam jak to zrobić, czyli od czego można zacząć (3 proste kroki). Choć istnieją zewnętrzne rozwiązania, to nie dają one pełnej kontroli i gwarancji trafności oceny. Warto czerpać z doświadczeń tradycyjnego ML, pamiętając jednak o zwiększonej złożoności procesu oceny LLM.
✅ Dlaczego wszystkie modele AI są błędne i jak to wpływa na biznes?
✅ Dlaczego wszystkie modele AI są błędne i jak to wpływa na biznes?
BM122: 7 mitów o sztucznej inteligencji
2024-06-19 09:00:42
Tym razem będzie o mitach w AI. O mitach już nagrywałem ok. 4 lat temu w 55. odcinku podcastu Biznes Myśli, opublikowanym dokładnie w kwietniu 2019 roku, wtedy poruszyłem temat 10 mitów dotyczących sztucznej inteligencji, które w dużej mierze pozostają aktualne do dziś.I co znów o mitach? Tak, nawarstwiły się nowe. Tym razem skupimy się na mitach związanych z dużymi modelami językowymi (LLM - Large Language Models) https://biznesmysli.pl/7-mitow-o-sztucznej-inteligencji/ Dlaczego warto posłuchać? Dowiesz się, jakie mity krążą na temat dużych modeli językowych (LLM) i dlaczego ChatGPT to nie jedyny gracz na rynku. Zrozumiesz różnicę między prototypem LLM a rozwiązaniem gotowym do wdrożenia - to kluczowe przy tworzeniu rozwiązań AI! Poznasz mechanikę halucynacji w LLM i jak sobie z nimi radzić. Nie uwierzysz, jak fascynujące jest to zjawisko! Odkryjesz, jakie wyzwania wiążą się z długimi oknami kontekstowymi i dlaczego więcej nie zawsze znaczy lepiej. Zrozumiesz, że reprezentacja wektorowa (embedding) nie jest idealna. Ma zalety, ale też ograniczenia. Dowiesz się, jak AI wpłynie na rynek pracy i dlaczego warto traktować je jako narzędzie, a nie zagrożenie. Zainspiruje Cię (mam nadzieje) do ciągłego rozwoju i wyprzedzania zmian w świecie, który ewoluuje w zawrotnym tempie! Podam, jak zwykle, konkretne przykłady lub analogii. I staram się tłumaczyć zawiłości techniczne prostym językiem. Najważniejsze tematy poruszone w tym odcinku: 00:04:50 - Powtórka i umówienie 10 mitów na temat AI (odcinek BM55) 00:05:55 - Porównanie trendów ChatGPT i AI, ChatGPT przyrównywane do AI 00:10:34 - Otwarty nie zawsze znaczy możliwy do komercyjnego wykorzystania 00:37:17 - Ryzyko związane z fine-tuningiem modeli 00:43:12 - Ostrożne podejście do dostrajania modeli 00:48:11 - Ograniczenia reprezentacji wektorowej (embedding) 01:03:13 - Czym naprawdę jest halucynacja w kontekście LLM? 01:04:47 - Wpływ AI na rynek pracy 01:05:59 - Filozoficzne rozważania o świadomości AI i człowieka
Tym razem będzie o mitach w AI. O mitach już nagrywałem ok. 4 lat temu w 55. odcinku podcastu Biznes Myśli, opublikowanym dokładnie w kwietniu 2019 roku, wtedy poruszyłem temat 10 mitów dotyczących sztucznej inteligencji, które w dużej mierze pozostają aktualne do dziś.I co znów o mitach? Tak, nawarstwiły się nowe. Tym razem skupimy się na mitach związanych z dużymi modelami językowymi (LLM - Large Language Models)
https://biznesmysli.pl/7-mitow-o-sztucznej-inteligencji/
Dlaczego warto posłuchać?
Najważniejsze tematy poruszone w tym odcinku:
00:04:50 - Powtórka i umówienie 10 mitów na temat AI (odcinek BM55)
00:05:55 - Porównanie trendów ChatGPT i AI, ChatGPT przyrównywane do AI
00:10:34 - Otwarty nie zawsze znaczy możliwy do komercyjnego wykorzystania
00:37:17 - Ryzyko związane z fine-tuningiem modeli
00:43:12 - Ostrożne podejście do dostrajania modeli
00:48:11 - Ograniczenia reprezentacji wektorowej (embedding)
01:03:13 - Czym naprawdę jest halucynacja w kontekście LLM?
01:04:47 - Wpływ AI na rynek pracy
01:05:59 - Filozoficzne rozważania o świadomości AI i człowieka
https://biznesmysli.pl/7-mitow-o-sztucznej-inteligencji/
Dlaczego warto posłuchać?
- Dowiesz się, jakie mity krążą na temat dużych modeli językowych (LLM) i dlaczego ChatGPT to nie jedyny gracz na rynku.
- Zrozumiesz różnicę między prototypem LLM a rozwiązaniem gotowym do wdrożenia - to kluczowe przy tworzeniu rozwiązań AI!
- Poznasz mechanikę halucynacji w LLM i jak sobie z nimi radzić. Nie uwierzysz, jak fascynujące jest to zjawisko!
- Odkryjesz, jakie wyzwania wiążą się z długimi oknami kontekstowymi i dlaczego więcej nie zawsze znaczy lepiej.
- Zrozumiesz, że reprezentacja wektorowa (embedding) nie jest idealna. Ma zalety, ale też ograniczenia.
- Dowiesz się, jak AI wpłynie na rynek pracy i dlaczego warto traktować je jako narzędzie, a nie zagrożenie.
- Zainspiruje Cię (mam nadzieje) do ciągłego rozwoju i wyprzedzania zmian w świecie, który ewoluuje w zawrotnym tempie!
Najważniejsze tematy poruszone w tym odcinku:
00:04:50 - Powtórka i umówienie 10 mitów na temat AI (odcinek BM55)
00:05:55 - Porównanie trendów ChatGPT i AI, ChatGPT przyrównywane do AI
00:10:34 - Otwarty nie zawsze znaczy możliwy do komercyjnego wykorzystania
00:37:17 - Ryzyko związane z fine-tuningiem modeli
00:43:12 - Ostrożne podejście do dostrajania modeli
00:48:11 - Ograniczenia reprezentacji wektorowej (embedding)
01:03:13 - Czym naprawdę jest halucynacja w kontekście LLM?
01:04:47 - Wpływ AI na rynek pracy
01:05:59 - Filozoficzne rozważania o świadomości AI i człowieka
BM121: Sztuczna inteligencja zmienia szukanie odpowiedzi
2024-06-05 09:00:03
Czy wiesz, że obecna technologia osiągnęła już poziom 9-9,5 na 10 w obszarze odpowiadania na pytania? W dzisiejszym odcinku zagłębiamy się w świat question answering, czyli technologii, która pozwala maszynom rozumieć pytania i udzielać na nie trafnych odpowiedzi. Gościem jest Piotr Rybak. W rozmowie z Vladimirem Alekseichenko omowiają kluczowe aspekty rozwoju systemów odpowiadających na pytania oraz jakie wyzwania stoją przed twórcami tych rozwiązań. Dowiesz się m.in.: 1. Jakie rewolucyjne zmiany zaszły w ostatnich latach w wyszukiwaniu dokumentów i wyciąganiu odpowiedzi 2. Jaką rolę odgrywają duże modele językowe (LLM) w question answering? 3. Dlaczego jakość i ilość danych treningowych ma kluczowe znaczenie? 4. Jakie są kluczowe etapy budowy systemu question answering? 5. Z jakich kluczowych komponentów składa się system question answering? 6. Jak dobrać odpowiednie dokumenty źródłowe i zadbać o kwestie dostępu i poufności 7. Jakie triki można zastosować przy generowaniu finalnej odpowiedzi z dużego kontekstu? W trakcie rozmowy poruszamy: Przemiany, jakie zaszły w technologii question answering, to wynik zastosowania nowoczesnych sieci neuronowych i generatywnych modeli językowych. Dzisiejsze systemy są niezwykle skuteczne, umożliwiając użytkownikom szybkie uzyskanie odpowiedzi na pytania bez konieczności przeszukiwania setek dokumentów. Jakość danych treningowych ma ogromne znaczenie. Im lepsze dane, tym bardziej precyzyjne odpowiedzi generuje system. Kluczowe jest też odpowiednie przygotowanie i przetworzenie tych danych, co wpływa na efektywność całego procesu. Rozmowa dotyczy również praktycznych aspektów budowy systemów question answering - od wyboru odpowiednich dokumentów źródłowych, przez ekstrakcję i preprocessing danych, aż po wybór modelu wyszukiwania i generowania odpowiedzi. Istotne jest, aby systemy te były użyteczne nawet przy niepełnej dokładności, co może znacząco zaoszczędzić czas użytkowników. Mimo rozwoju LLM, kluczowe kompetencje w budowaniu systemów AI pozostają takie same - liczy się dobranie odpowiednich narzędzi do realizacji celów i myślenie produktowe. Na koniec, Piotr i Vladimir omawiają znaczenie precyzyjnego zdefiniowania celów i wymagań przed rozpoczęciem budowy systemu. Bez tego, nawet najlepsze technologie mogą nie przynieść oczekiwanych rezultatów. Subskrybuj kanał, aby być na bieżąco z najnowszymi trendami w świecie technologii i sztucznej inteligencji! Postaw też dobrą ocenę :).
Czy wiesz, że obecna technologia osiągnęła już poziom 9-9,5 na 10 w obszarze odpowiadania na pytania? W dzisiejszym odcinku zagłębiamy się w świat question answering, czyli technologii, która pozwala maszynom rozumieć pytania i udzielać na nie trafnych odpowiedzi. Gościem jest Piotr Rybak. W rozmowie z Vladimirem Alekseichenko omowiają kluczowe aspekty rozwoju systemów odpowiadających na pytania oraz jakie wyzwania stoją przed twórcami tych rozwiązań.
Dowiesz się m.in.:
1. Jakie rewolucyjne zmiany zaszły w ostatnich latach w wyszukiwaniu dokumentów i wyciąganiu odpowiedzi
2. Jaką rolę odgrywają duże modele językowe (LLM) w question answering?
3. Dlaczego jakość i ilość danych treningowych ma kluczowe znaczenie?
4. Jakie są kluczowe etapy budowy systemu question answering?
5. Z jakich kluczowych komponentów składa się system question answering?
6. Jak dobrać odpowiednie dokumenty źródłowe i zadbać o kwestie dostępu i poufności
7. Jakie triki można zastosować przy generowaniu finalnej odpowiedzi z dużego kontekstu?
W trakcie rozmowy poruszamy:
Przemiany, jakie zaszły w technologii question answering, to wynik zastosowania nowoczesnych sieci neuronowych i generatywnych modeli językowych. Dzisiejsze systemy są niezwykle skuteczne, umożliwiając użytkownikom szybkie uzyskanie odpowiedzi na pytania bez konieczności przeszukiwania setek dokumentów.
Jakość danych treningowych ma ogromne znaczenie. Im lepsze dane, tym bardziej precyzyjne odpowiedzi generuje system. Kluczowe jest też odpowiednie przygotowanie i przetworzenie tych danych, co wpływa na efektywność całego procesu.
Rozmowa dotyczy również praktycznych aspektów budowy systemów question answering - od wyboru odpowiednich dokumentów źródłowych, przez ekstrakcję i preprocessing danych, aż po wybór modelu wyszukiwania i generowania odpowiedzi. Istotne jest, aby systemy te były użyteczne nawet przy niepełnej dokładności, co może znacząco zaoszczędzić czas użytkowników.
Mimo rozwoju LLM, kluczowe kompetencje w budowaniu systemów AI pozostają takie same - liczy się dobranie odpowiednich narzędzi do realizacji celów i myślenie produktowe.
Na koniec, Piotr i Vladimir omawiają znaczenie precyzyjnego zdefiniowania celów i wymagań przed rozpoczęciem budowy systemu. Bez tego, nawet najlepsze technologie mogą nie przynieść oczekiwanych rezultatów.
Subskrybuj kanał, aby być na bieżąco z najnowszymi trendami w świecie technologii i sztucznej inteligencji! Postaw też dobrą ocenę :).
Dowiesz się m.in.:
1. Jakie rewolucyjne zmiany zaszły w ostatnich latach w wyszukiwaniu dokumentów i wyciąganiu odpowiedzi
2. Jaką rolę odgrywają duże modele językowe (LLM) w question answering?
3. Dlaczego jakość i ilość danych treningowych ma kluczowe znaczenie?
4. Jakie są kluczowe etapy budowy systemu question answering?
5. Z jakich kluczowych komponentów składa się system question answering?
6. Jak dobrać odpowiednie dokumenty źródłowe i zadbać o kwestie dostępu i poufności
7. Jakie triki można zastosować przy generowaniu finalnej odpowiedzi z dużego kontekstu?
W trakcie rozmowy poruszamy:
Przemiany, jakie zaszły w technologii question answering, to wynik zastosowania nowoczesnych sieci neuronowych i generatywnych modeli językowych. Dzisiejsze systemy są niezwykle skuteczne, umożliwiając użytkownikom szybkie uzyskanie odpowiedzi na pytania bez konieczności przeszukiwania setek dokumentów.
Jakość danych treningowych ma ogromne znaczenie. Im lepsze dane, tym bardziej precyzyjne odpowiedzi generuje system. Kluczowe jest też odpowiednie przygotowanie i przetworzenie tych danych, co wpływa na efektywność całego procesu.
Rozmowa dotyczy również praktycznych aspektów budowy systemów question answering - od wyboru odpowiednich dokumentów źródłowych, przez ekstrakcję i preprocessing danych, aż po wybór modelu wyszukiwania i generowania odpowiedzi. Istotne jest, aby systemy te były użyteczne nawet przy niepełnej dokładności, co może znacząco zaoszczędzić czas użytkowników.
Mimo rozwoju LLM, kluczowe kompetencje w budowaniu systemów AI pozostają takie same - liczy się dobranie odpowiednich narzędzi do realizacji celów i myślenie produktowe.
Na koniec, Piotr i Vladimir omawiają znaczenie precyzyjnego zdefiniowania celów i wymagań przed rozpoczęciem budowy systemu. Bez tego, nawet najlepsze technologie mogą nie przynieść oczekiwanych rezultatów.
Subskrybuj kanał, aby być na bieżąco z najnowszymi trendami w świecie technologii i sztucznej inteligencji! Postaw też dobrą ocenę :).
BM 03: Role i kompetencje w projekcie Machine Learning
2022-12-06 09:01:59
W tym odcinku porozmawiamy sobie o rolach i kompetencjach w projektach z uczeniem maszynowym w roli głównej. Temat zwykle zamyka się na “Data Scientist” lub “ML Engineer”, ale jednak na tym nie kończą się kompetencje potrzebne, aby projekt z sukcesem zacząć, przeprowadzić i co najważniejsze zakończyć. Dlatego porozmawiamy o tym: 1. Kogo potrzebujesz w projekcie ML, aby iść do przodu - wprowadzenie 2. Kto łączy DS / ML z biznesem? 3. Jakie kompetencje są potrzebne, aby wystartować? 4. Czego potrzebujesz, aby rozpędzić się z ML w Twojej firmie?
W tym odcinku porozmawiamy sobie o rolach i kompetencjach w projektach z uczeniem maszynowym w roli głównej. Temat zwykle zamyka się na “Data Scientist” lub “ML Engineer”, ale jednak na tym nie kończą się kompetencje potrzebne, aby projekt z sukcesem zacząć, przeprowadzić i co najważniejsze zakończyć.
Dlatego porozmawiamy o tym:
1. Kogo potrzebujesz w projekcie ML, aby iść do przodu - wprowadzenie
2. Kto łączy DS / ML z biznesem?
3. Jakie kompetencje są potrzebne, aby wystartować?
4. Czego potrzebujesz, aby rozpędzić się z ML w Twojej firmie?
Dlatego porozmawiamy o tym:
1. Kogo potrzebujesz w projekcie ML, aby iść do przodu - wprowadzenie
2. Kto łączy DS / ML z biznesem?
3. Jakie kompetencje są potrzebne, aby wystartować?
4. Czego potrzebujesz, aby rozpędzić się z ML w Twojej firmie?
BM 02: Metryki sukcesu w projektach Machine Learning
2022-11-14 06:06:12
Witaj w kolejnym odcinku serii: “Machine Learning - od pomysłu do wdrożenia” W tym odcinku porozmawiamy o tym, co i jak warto mierzyć w projektach ML. Postaram się odpowiedzieć na pytania: 1. Co to są metryki sukcesu i dlaczego są podstępne? 2. Dlaczego biznesowe metryki sukcesu są takie ważne w projektach ML? 3. Jak biznesowe metryki sukcesu wpływają na techniczne? 4. Jakie pytania warto zadać rozmawiając o metrykach? 5. O częstych błędach popełnianych na tym etapie i ich wpływie na cały projekt?
Witaj w kolejnym odcinku serii: “Machine Learning - od pomysłu do wdrożenia”
W tym odcinku porozmawiamy o tym, co i jak warto mierzyć w projektach ML.
Postaram się odpowiedzieć na pytania:
1. Co to są metryki sukcesu i dlaczego są podstępne?
2. Dlaczego biznesowe metryki sukcesu są takie ważne w projektach ML?
3. Jak biznesowe metryki sukcesu wpływają na techniczne?
4. Jakie pytania warto zadać rozmawiając o metrykach?
5. O częstych błędach popełnianych na tym etapie i ich wpływie na cały projekt?
W tym odcinku porozmawiamy o tym, co i jak warto mierzyć w projektach ML.
Postaram się odpowiedzieć na pytania:
1. Co to są metryki sukcesu i dlaczego są podstępne?
2. Dlaczego biznesowe metryki sukcesu są takie ważne w projektach ML?
3. Jak biznesowe metryki sukcesu wpływają na techniczne?
4. Jakie pytania warto zadać rozmawiając o metrykach?
5. O częstych błędach popełnianych na tym etapie i ich wpływie na cały projekt?
BM 01: Twój pomysł na Machine Learning - 7 ważnych filtrów
2022-10-03 09:35:57
Seria: Machine Learning - od pomysłu do wdrożenia Pytania, na które będziemy szukać odpowiedzi w ciągu najbliższej godziny: 1) Co potrafi ML, a czego nie potrafi? 2) Jakie wartości może przynieść ML w Twojej firmie? 3) W jakich branżach ML daje przewagę? 4) Jak szukać obszarów w Twojej firmie, gdzie uczenie maszynowe może pomóc? 5) Jak postawić pierwszy krok, aby zbadać potencjał, czy ML daje wartość? Wysłuchaj od początku do końca tego odcinka, aby dowiedzieć się, jak walidować swoje pomysły na ML, poznasz 7 podstawowych filtrów, które pomogą Ci uniknąć problemów na starcie. W następnych odcinkach tej serii będziemy stawiać kolejne kroki, które pozwolą Ci poznać lepiej ważne momenty i zagadnienia projektu ML. Bądź z nami do końca, aby zdobyć ogromną dawkę wiedzy i inspiracji.
Seria: Machine Learning - od pomysłu do wdrożenia
Pytania, na które będziemy szukać odpowiedzi w ciągu najbliższej godziny:
1) Co potrafi ML, a czego nie potrafi?
2) Jakie wartości może przynieść ML w Twojej firmie?
3) W jakich branżach ML daje przewagę?
4) Jak szukać obszarów w Twojej firmie, gdzie uczenie maszynowe może pomóc?
5) Jak postawić pierwszy krok, aby zbadać potencjał, czy ML daje wartość?
Wysłuchaj od początku do końca tego odcinka, aby dowiedzieć się, jak walidować swoje pomysły na ML, poznasz 7 podstawowych filtrów, które pomogą Ci uniknąć problemów na starcie.
W następnych odcinkach tej serii będziemy stawiać kolejne kroki, które pozwolą Ci poznać lepiej ważne momenty i zagadnienia projektu ML. Bądź z nami do końca, aby zdobyć ogromną dawkę wiedzy i inspiracji.
Pytania, na które będziemy szukać odpowiedzi w ciągu najbliższej godziny:
1) Co potrafi ML, a czego nie potrafi?
2) Jakie wartości może przynieść ML w Twojej firmie?
3) W jakich branżach ML daje przewagę?
4) Jak szukać obszarów w Twojej firmie, gdzie uczenie maszynowe może pomóc?
5) Jak postawić pierwszy krok, aby zbadać potencjał, czy ML daje wartość?
Wysłuchaj od początku do końca tego odcinka, aby dowiedzieć się, jak walidować swoje pomysły na ML, poznasz 7 podstawowych filtrów, które pomogą Ci uniknąć problemów na starcie.
W następnych odcinkach tej serii będziemy stawiać kolejne kroki, które pozwolą Ci poznać lepiej ważne momenty i zagadnienia projektu ML. Bądź z nami do końca, aby zdobyć ogromną dawkę wiedzy i inspiracji.
BM: Zapowiedź nowej serii
2022-08-29 07:02:31
Podcast Biznes Myśli po przerwie wraca w nowej odsłonie. Odsłuchaj tego odcinka i dowiedz się, jaką nową serię przygotowaliśmy dla Ciebie.
Podcast Biznes Myśli po przerwie wraca w nowej odsłonie. Odsłuchaj tego odcinka i dowiedz się, jaką nową serię przygotowaliśmy dla Ciebie.
BM115: Przyszłość Machine Learning - prognozy praktyków i ekspertów
2021-12-27 05:00:02
Czy zastanawiasz się, jak zmieni się Data Science i Machine Learning w ciągu najbliższego roku, 5 czy 10 lat? Czy uda się nam wejść na kolejny poziom, który dokona rewolucji? Jaki mamy potencjał i marzenia? A najważniejsze pytanie, czy to wpłynie na Twoją branżę i karierę zawodową? Dziś zapraszam Cię do swego rodzaju podsumowania roku 2021 i refleksji, co może wydarzyć się w przyszłości. Posłuchaj 5 wypowiedzi ekspertów podcastu Biznes Myśli z 2021 i dowiedz się, co przewidują, jakie widzą możliwości i potencjały w najbliższych latach.
Czy zastanawiasz się, jak zmieni się Data Science i Machine Learning w ciągu najbliższego roku, 5 czy 10 lat? Czy uda się nam wejść na kolejny poziom, który dokona rewolucji? Jaki mamy potencjał i marzenia?
A najważniejsze pytanie, czy to wpłynie na Twoją branżę i karierę zawodową?
Dziś zapraszam Cię do swego rodzaju podsumowania roku 2021 i refleksji, co może wydarzyć się w przyszłości. Posłuchaj 5 wypowiedzi ekspertów podcastu Biznes Myśli z 2021 i dowiedz się, co przewidują, jakie widzą możliwości i potencjały w najbliższych latach.
A najważniejsze pytanie, czy to wpłynie na Twoją branżę i karierę zawodową?
Dziś zapraszam Cię do swego rodzaju podsumowania roku 2021 i refleksji, co może wydarzyć się w przyszłości. Posłuchaj 5 wypowiedzi ekspertów podcastu Biznes Myśli z 2021 i dowiedz się, co przewidują, jakie widzą możliwości i potencjały w najbliższych latach.