Podcast

Dobrý den, moje jméno je Jirka Vicherek a vítám vás u dalšího dílu podcastu Datatalk. Mým dnešním hostem je Rostislav Cendelín, CTO společnosti Datamind. Ahoj, Rostě.
Dobrý den, ahoj.

V dnešním podcastu se budeme částečně bavit o Datamindu, ale hlavně o tom, co tam v poslední době dělají s multiagentními systémy, jak nasazují AI ve firmách a jak se vlastně změnila jejich agenda. Rostislav je tam CTO teprve relativně krátce, protože má za sebou dlouhou kariéru v IT. Nejsme nejmladší, takže začneme na začátku. Jaký byl tvůj první job? Jak ses dostal do Datamindu?

Nejsme nejmladší, už toho něco pamatujeme. Předtím, než jsem nastoupil do Datamindu, byla moje cesta docela dlouhá. Už někdy od roku 2001, tuším, jsem nastoupil do společnosti FBL, která tehdy vyvíjela informační systémy především pro finanční instituce. Začínal jsem tam jako administrátor se zodpovědností za Linux, reku a podobné věci. Později jsem se postupně přesunul do pozice DevOps, i když ten termín tehdy ještě prakticky neexistoval. Nicméně částečně jsme už takovou roli plnili.

A co přesně pro tebe znamenal DevOps v té době, před tím, než se ten pojem ujal?

DevOps tehdy znamenalo, že člověk byl jednou nohou administrátor a druhou programátor. Spojoval tyto dvě oblasti tak, aby vše fungovalo a nesekalo se to. Šlo o komunikaci se zákazníkem, nasazování verzí, release management, testování, bezpečnost a další operace dohromady. Zejména pro finanční instituce, kde to rostlo, jsem si postupně budoval tým a dostali jsme na starost kompletní provoz informačního systému, který v té instituci běží dodnes.

Tuto roli jsem dělal asi osm let, bylo to zajímavé, bavilo mě to.

Potom přišla zajímavá nabídka od společnosti Moravský peněžní ústav, dnes známé jako Trinity Bank. Ze své zkušenosti musím říct, že název Trinity Bank je mnohem příjemnější než Moravský peněžní ústav, takže úplně chápu, proč to tak přejmenovali.

Byl to rok 2009. Na co tě tam nalákali?

Rok 2009, no, nevím, jestli mě nalákali, ale role se tam posunula dál. Dostal jsem na starost celé IT nejen pro Moravský peněžní ústav, ale de facto i pro celou skupinu. Mým úkolem bylo vybudovat IT, zhodnotit stav, protože pár odhodlaných lidí tam už bylo, ale šlo o to postavit to tak, aby to fungovalo včetně vývoje kompletního informačního systému, který tam také běží dodnes.

(tady text končí)

Jasně, to bylo úplně super. Každopádně jsem se tam více méně posunul hodně do role spíš manažerské, protože to už bylo potom o nějakém poměrně víceličném týmu. Když jsem tam začínal, bylo nás zhruba 30, a když jsem po nějaké době končil, bylo nás víc. Hodně to bylo i o komunikaci s managementem, s Českou národní bankou, případně s nějakými dalšími regulátory, protože se nejednalo jen o české entity, ale i o zahraniční. Takže jsme se bavili třeba v Londýně. Byla to velmi zajímavá scéna a musím říct, že mě to taky bavilo. Nicméně to bylo hodně intenzivní a náročné. Tam jsem zjistil, že mám impostor syndrom.

To bylo pro mě velké překvapení.
Dělal jsi DevOps, než to bylo cool, a měl jsi impostor syndrom, než to bylo cool?
Ten mám do dneška.

Každopádně to už tehdy bylo i první seznámení s tím, jak se spravují data nebo jak se řeší data. Musím říct, že to nebylo úplně pozitivní seznámení, protože v transakčním systému se na data koukáš v principu jinak než v okamžiku, kdy řešíš věci okolo reportingu a na data se díváš zase z jiné optiky. Každý člověk má jinou roli a jiný pohled. Takže tehdy jsem to viděl čistě jako kostru nebo jako nějakou provozní kapalinu, kterou je potřeba udržovat v chodu, aniž by ta data sama o sobě měla nějakou hodnotu. Přesně tak. Abych byl upřímný, pro mě bylo tehdy prioritnější, aby v internetovém bankovnictví byla data správně. To bylo důležitější než to, že data budou v pořádku pro interní reporting. Když se dala na misku vah tyhle dvě role, tak vždycky vyhrála ta první. Samozřejmě kvůli tomu celá datová větev hodně trpěla, ale to bohužel tak asi je.

A jak dlouho jsi vydržel v Trinity?
V Trinity to bylo tak, že mám obvykle dobu kolem 8–10 let, takže to bylo podobně.
Loajální?
Ano, loajální v tomto ohledu. Takže to bylo někdy do roku 2017, kdy jsem se z té skupiny dostal dál. Chtěl jsem trochu něco víc, kdybych měl hands-on práci s technologií. Takže jsem šel do nějakého menšího podniku, něco jako startup, který se zabýval platbami kartami a posléze i kryptoměnami. Tam jsem si začal budovat vlastní informační systém, který tohle vše dokázal odbavovat, což bylo úplně super, protože tam jsem poprvé začal velmi intenzivně pracovat s cloudem. Pochopil jsem, že to, co dříve dělaly desítky lidí, je možné zvládnout v jednotkách lidí, protože se celá práce výrazně zrychlila, byla živější a efektivnější. Bylo to super, protože mě překvapilo, že když potřebuji nový firewall, nemusím řešit objednávky, schvalování, nákup nebo výběrová řízení, ale stačí si ho během deseti až patnácti minut naklikat v Azure nebo v jakémkoliv jiném cloudu. To bylo bombastické, z toho jsem byl úplně nadšený.

Jistě, tady je opravený text s ohledem na styl a gramatiku:

Asi dva měsíce jsem byl opravdu s vytřeštěnýma očima, co to všechno umí. Chcete slyšet o našem pánu a spasiteli cloudu? Jasně. Samozřejmě, že to je jedna věc, druhá věc je, když ti přijde měsíční vyúčtování, to je druhá záležitost. Ale hodnotím to velmi pozitivně — přechod do cloudu je podle mě skvělý, protože ti opravdu dává tu schopnost, když víš, co chceš, a máš trošku představu, jak to udělat, tak ti to poskytuje strašnou flexibilitu. To je prostě oproti on-premise řešení strašně působivé.

Mně přijde zajímavé, že jsi právě z té staré školy — informační systémy pro finanční instituce. Já, jak jsem z té skupiny early adapters, tak cloud byl pro mě cool od začátku, byla to ta new shiny thing a těmto argumentům jsem tehdy už podlehl. Ale rozumím, že z kontextu někoho, kdo opravdu dělá bulletproof systém, který musí reportovat ČNB a ještě do Londýna, a má to celé na starosti, nemůže jít do žádného rizika — tak to je samozřejmě super.

A když říkáš, že jsi přešel do cloudu, jakou jsi tam měl roli? Když jsi říkal, že jsi byl hands-on, tak v čem konkrétně jsi pracoval?

Tak tam musím říct, že to šlo trochu zase o úroveň níž, protože z manažerské role jsem se opravdu vrátil k roli administrátora, devopsáka. Měl jsem taky na starosti organizaci vývojového týmu, takže to byla taková multirole v tomto ohledu. Nicméně jsem si z finančního sektoru přenesl to, že…

Celý ten regulační svět je moje guilty pleasure, i když to možná vypadá divně, ale opravdu mě regulace baví. Díky tomu, že to byl stále regulovaný subjekt pod Českou národní banku, dalo mi to možnost v tom pokračovat, ale tentokrát si to udělat trochu po svém — tak, abychom prošli tou regulací korektně i vůči cloudu, což tenkrát nebylo úplně běžné. Aby tedy finanční instituce mohla kompletně fungovat na cloudovém řešení. Nicméně povedlo se to a bylo to super. I když to byla jenom platební instituce, bylo to zajímavé.

Každopádně…

U toho bych se zastavil. Mě zaujalo, že říkáš, že regulace je tvoje guilty pleasure. Takže rád řešíš compliance a to, co všichni berou jako nutné zlo? Co ti na tom dělá radost? Zkus nás ostatní trochu nakazit svým nadšením pro regulatoriku.

No, nevím, jestli vás nakazím, protože je to opravdu nesmírně osobní zkušenost. Ale díky tomu, že jsem začal v Moravském peněžním ústavu a první aktivitou, kterou jsem řešil, byl opravdu druhý pracovní den, když přišla Česká národní banka na kontrolu a dohlídku — a to byla ta první dohlídka, která se tam kdy dělala — tak musím říct, že to byla intenzivní zkušenost trvající několik měsíců, takže ta první nebyla úplně snadná. Křest ohněm.

Nicméně, když jsem pochopil, jak ten princip celý funguje, začal jsem vnímat, jak ze strany regulace dostávat i nějakou přidanou hodnotu a dívat se na to i z jiné perspektivy. Protože…

Pokud chceš, mohu pomoci i s pokračováním nebo stylistickými úpravami.

Hořím, v tom prvním místě, tak tam jsem už začal řešit věci typu certifikaci na ISO 20000, certifikaci na 27001 a podobně. Takže furt tam byla nějaká taková schopnost to nějakým způsobem posouvat i po té dokumentační rovině a stránce. A tady, byť to tak nevypadá, tak za mě ty předpisy, které vlastně jsou, tak mají nějakou logiku a dá se v tom nějaký model najít v fungování. Takže to bylo to, že já jsem první rok, dva, nebyl úplně happy, nicméně postupem času se to stávalo součástí celé té role, tak ta logika se tam našla, našel jsem si to, a tak prostě potom scény, a měl jsem velké štěstí na partiáky, to musím teda říct na rovinu, že prostě potom jsme se fakt s kolegy dostali do toho stavu, jak vyřešit smysluplnou analýzu rizik, která by pokryla více méně celou tu instituci. Takže pustit na to úplně základní botu, to už bylo málo, a všechny ostatní alternativy zase moc, takže jsme řešili, jak to udělat tak nějak mezi tím. Tehdy jsme třeba našli analýzu, která se jmenuje Octave, Octave z Berkeley nebo nějaké univerzity, a i takovými cestami to vedlo k tomu, že jsme si našli cestu, jak to celé trošku „vykopat“ po našich vozovkách, jak přeci jenom. A našli jsme tu cestu tak, abychom to nemuseli dělat jako monstrózní finanční instituce, ale současně aby to vyhovovalo regulátorovi na druhé straně. Musím říct, že i potom, když jsme prošli dohlídkami – ty dohlídky jsem zažil v rámci celé finanční skupiny v té době, kdy jsem tam byl zhruba čtyři roky – tak se podařilo vytvořit opravdu vztah s těmi lidmi na druhé straně, aby to celé fungovalo korektně. To bylo super, musím říct. Super, super. Takže je to pro mě taková tajná věda, do které když proniknete, začne vás to bavit. Tam trochu slyším, nebo zase mám radost, že to není jenom bazírování na detailech, ale že to má smysl, nějakou vnitřní logiku a systém, který když pochopíte, dává možnost to naplnit bez nutně nejtěžší manuální administrativní práce „brute force.“ Přesně, přesně. Základ je pochopit, že všechno je proces. Člověk musí pochopit, že všechno je proces a že ten proces musí mít nějaká pravidla, musí být řízený alespoň nějakým způsobem.

Samozřejmě to neznamená, že člověk musí okamžitě nastavovat procesy na úrovni maturity pět, být v souladu se všemi standardy nebo požadavky. To tak není. Akorát musí najít úroveň, která mu vyhovuje, a musí umět říci i „ne,“ kam už jít nemá. Takže v tomto ohledu je to super. Nicméně se tohle povedlo i nějak udělat v rámci věcí týkajících se platebních karet a kryptoměn, byť krypto je podle mě trošku samostatná kapitola. Tam asi nevím, jestli je potřeba zabíhat do těchto detailů, ale můžeme nechat.

Opravený text:

Na tobě. Každopádně tam v tom angažmá jsem se poprvé opravdu dostal k tomu, že jsem začal vnímat reporting a datový sklad, protože tam bylo hodně postaveno na datech a data bylo potřeba mít – přeci jenom jsme měli opravdu desítky tisíc karet, a to transovalo na jednotky milionů transakcí měsíčně. Bez smysluplného reportingu by to člověk jednoduše neudržel. Už to nebylo o tom udělat si nějaký Excel, kterým to najdeš, nebo o hledání v SW, to už nestačilo fungovat dostatečně.

Tam jsme se poprvé dostali k Databricks a věcem okolo, takže jsem zažil další „wow“ moment a říkal si, že to asi nemusí být úplně špatná cesta. Po skončení angažmá jsem tedy postupně pronikl do této oblasti více. Když se to blížilo ke konci, začal jsem řešit, že toho nemusí být špatný základ a začal jsem se dívat, kam dál v této oblasti směřovat.

Více méně došlo k tomu, že jsme se potkali s Honzou Matouškem, majitelem Datamindu. Bylo to poměrně zajímavé povídání, kdy jsme si začali vzájemně sdílet, jak to vidí on a jak já. Byl to takový střet dvou světů – Honza je hodně zaměřený spíš na klientský přístup, zatímco já mám rád řád a strukturu. Nicméně jsme našli zajímavou alternativu, společnou řeč, jak to uchopit a postavit tak, aby to drželo celé pohromadě.

On na jedné straně hledal někoho s mými zkušenostmi – tedy s technickými dovednostmi a organizačním pochopením, s manažerskou zkušeností. Na druhé straně to pro mě byl i takový návrat k prvnímu angažmá, které bylo hodně zaměřeno na klientský přístup, protože ve všech ostatních jsem buď pracoval in-house, nebo byl spíše „odběratel“ než „dodavatel“. To mělo zajímavé důsledky, ale základní princip pro mě zůstává, že musím dělat to, co mě baví — a baví mě to. Takže takhle to je.

No a kdy jste si s Honzou „plácli“? To byla taky dobrá scéna. S Honzou jsme si „plácli“ už předloni, na konci roku 2021. Nicméně tehdy jsme měli rodinu a mířili do zahraničí na delší dobu, takže jsme museli na sebe chvíli počkat. Začal jsem dovolenou, poměrně dlouhou. Doufám, že to Honza nelituje.

Reálné angažmá pak začalo od začátku roku 2023, takže trvá relativně krátce, ale myslím, že jsme oba spokojení. Firma Datamind má svoji historii – existuje už od roku 2009, což si pamatuji, a Honza je mezi „matadory“ scény, kteří řeší data mining a datové zdroje.

Jasně, tady je opravený a upravený text s lepší čitelností a plynulostí:

At a datový sklady before it was cool.

Tak to odkážu posluchače na epizodu, kterou máme natočenou s Honzou. Pro ty, co to neslyšeli, představ nám Datamind. Teď Datamind 2025. Kolik vás je, co vlastně děláte? Co jste zač? Zase co jste zač? No, Datamind, jak jsi říkal, existuje už zhruba od roku 2009, takže to “zvířátko” běhá po lese už docela dlouho, má nějakou strukturu, tvar, formát. Nicméně se stále neustále mění, věci se vyvíjejí, takže aktuálně je nás zhruba patnáct. Je to víceméně rozdělené na dvě základní větve – jedna je Data Engineeringová, druhá Data Science a věci kolem datových skladů vůbec. Tyto dvě větve se snažíme držet.

Já jsem dostal na starost celou tu větev okolo Data Engineeringu, a poměrně čerstvě jsme byli Datamind certifikovaným partnerem Microsoftu v oblasti Data & AI. Takže i věci okolo certifikací a celé téhle oblasti nějakým způsobem řeším já, což je poměrně zajímavá výzva. I když lidí není mnoho, na druhou stranu je to tím pádem intenzivnější a efektivnější, protože čím jsou technologie flexibilnější a schopnější – a s AI, ke které se ještě dostaneme, to nabírá větší rozměr – dochází k tomu, že lidí v týmech není třeba tolik. Neříkám, že jich potřebuješ méně, ale AI může fungovat jako parťák, který seniorním lidem umožňuje být o to výkonnější. Mají větší výtah. Přesně tak. V malém týmu jste schopni zvládnout velké klienty.

Když to vezmu z rozhovorů s Honzou a jak jsem vás vnímal, datová věda a pokročilá analytika, kde si jiní začínají lámat zuby na složitějších řešeních, byla takovým vaším podhoubím. Teď mluvíš o data engineeringu, Azure, cloudu – tak co teď řeší vaši klienti? Co typicky děláte, než se dostaneme k vaší nové nabídce?

Jasně. Co se týče klientů, tak oni v mnohém kopírují i strukturu Datamindu – vlastně bych řekl, že struktura kopíruje klienty. Jedna část je data, druhá je mind. Takže když někdo nastupuje, musí si vybrat, jestli je víc data, nebo mind.

Aktuálně jedna z linií klientů je opravdu za Data Engineeringem – máme velký tým specializovaný na tuto oblast, přičemž většinou pracujeme pro zahraniční klienty. Bohužel nemůžu uvádět konkrétní jména kvůli NDA.

A je to vždy Microsoft technologie?

Je to na 95 % Microsoft technologie – většinou řešení postavená na Azure Data Factory. Máme ale i klienty, kteří jedou on-premise, zejména finanční instituce a podobně.

Druhá část klientů, zaměřená na Data Science, je…

Pokud chceš, můžu pokračovat s opravou i zbytku textu. Dej mi vědět!

Jasně, tady je opravený a plynulejší text:

Nějakého toho „tohletoho“ je potřeba. Tý linie… Heuristiky, modelů, kampaní, vyhodnocování… Prostě těch klasických modelů, které se dneska řeší, i když v okamžiku, kdy to člověk chce řešit, musí mít už nějak rozumně zpracovaná data. A v té rychlosti začínáme narážet na to, že i firmy občas ta data pouštějí trošku z ruky, dávají je pryč, protože zjistily, že to je tak rychlé, že se jim to nechce řešit, a pak už se k nim vlastně vrátit nedá. To je vždycky individuální případ.

A tím pádem je data science víc tady. A nějaké klienty můžeš zmínit? Určitě, určitě. Některé zahraniční nesmím, ale ty tuzemské určitě. Jsou to většinou klienti, kteří patří mezi známé, jako například T-Mobile, Philip Morris – to jsou velcí klienti. Bobcat, to je opravdu velký projekt, který řešíme nejenom kompletně, ale dodáváme i komplexnější služby. Já osobně mám na starosti projekt pro jednu velkou pojišťovnu v České republice, takže tahle linie…

A je ti to blízko?
Protože… no, stále jsou to finance a pojišťovnictví. Jo, pořád jsou to jenom čísla, no. Super.

No a teď se dostávám k našemu tématu. Jak do toho všeho naskočilo GeneAI, ChatGPT, co tady představuje novou hranici, nový ground. Ty jsi naskočil asi do rozjetého vlaku, že?
Já jsem naskočil trošku do rozjetého, protože víceméně to bylo taky nějakým způsobem vytlačené tím, že přišla certifikace na Data NAI, takže chtě nechtě to bylo jedno z témat, jak vykládat lidem, co vlastně AI je. Protože člověk, který je certifikovaný, by měl mít ty věci pod palcem, a když se na to někdo zeptá, tak na to samozřejmě musí umět odpovědět. Nakonec to dopadlo tak, jak se dalo čekat – že to začalo lidi bavit. To je to nejlepší, protože když člověk dělá to, co ho baví, jde to nejlépe.

S tím jsme se něco začali bavit a začali jsme řešit i to, jak to slovo dalo slovo u klientů, až došlo k tomu, že i klienti nás začali poptávat: „Hele, my bychom potřebovali…“ Všichni začali znát ChatGPT, všichni ho začali používat pro osobní potřebu, a najednou začal být problém, jak tuto osobní zkušenost přenést do firmy tak, aby to mělo efekt.

Klienti dnes určitě všichni používají ChatGPT nebo podobné služby pro svou osobní práci a aktivity – používám to i já, pravděpodobně i ty. Ale to nemá takový dopad, jako když se to využije pro firmu jako celek.

Takže když se ještě vrátím k ChatGPT, začalo se řešit promptování, jak to správně dělat, jaké jsou tipy a triky – to je super pro osobní použití. Nicméně potom přišly…

Pokud chceš, můžu pokračovat v opravě zbytku textu.

Tady je opravená verze textu:

Vlastně jsou takové ty případy, kdy máme nějaký firemní proces, který bychom potřebovali trochu zautomatizovat, a napadlo nás, jestli by na to nešlo použít nějakou umělou inteligenci, nějaký jazykový model. Samozřejmě jsme přistoupili k tomu jasně – máme tu ChatGPT, máme podobné služby od Gemini a dalších, napojíme to na API a vytvoříme agenta, který začne fungovat. Typicky tohle končí u nějakého chatbotu – prostě nasypeš do toho spoustu dat, chatbot ti začne odpovídat, všichni jsou happy, protože vlastně máš integrovanou umělou inteligenci.

Zkontroloval jsi to u boardu? Přesně tak, zkontroloval jsi to u boardu. Ale umíš tohle všechno zvládnout i bez umělé inteligence celkem snadno ve Filozofkách. Když jsme pak začali přemýšlet, co s tím dál, jak to uchopit tak, aby to opravdu dávalo smysl, přišli jsme s nápadem vytvořit něco jako multi-agenta. Protože jsme začali řešit konkrétní situaci – máme firmu, která má procesy. Představ si třeba finančního poradce, který dává rady člověku. Teď si chceš natrénovat agenta, který by mu poskytl základní radu, což mu částečně ulehčí práci, možná ho i nahradí.

Jo, vypadá to tak. Špatné poradce můžeme snadno nahradit. Ale problém je, jak vytvořit agenta, který bude dostatečně stabilní, kvalitní a na kterého se bude moci člověk spolehnout. Aby to nebyl jen „špatný chatbot“ na 80 %. A právě v tom jsme začali řešit, co dál. Každý, kdo to intenzivně používal, zjistil, že GPT se občas „rozjede“ úplně jiným směrem, než chceš – začne odpovídat anglicky, nebo jinak, než je žádoucí. Samozřejmě máš možnost nastavit API, jak to má fungovat, ale když tomu začneš příliš zasahovat a ladit detaily, začne to být nepřirozené. Je to prostě trade-off.

Proto jsme přišli s nápadem udělat multi-agenta. Co je multi-agent? Je to jednoduché – vezmu pět, deset těchto ChatGPT, nevadí kolik, a každého natrénuji na nějakou specializaci. Řeknu jednomu: ty jsi specialista na obchod, druhý bude specialista na marketing, další na compliance a tak dále. Jednoho agenta určíme jako manažera, který tyhle agenty bude řídit, budou mezi sebou komunikovat a když příjde dotaz, manažer ho rozdělí mezi jednotlivé specialisty, kteří si vzájemně vyřídí svůj úsek, a manažer pak kontroluje výslednou kvalitu odpovědi.

Tento přístup už přináší lepší výsledky, je to super. Když se to pak dá ještě dál rozvinout, napasovali jsme na to Demingův cyklus, pravděpodobně všichni znáte PDCA, tak…

Pokud chcete, můžu text dokončit, případně upravit ještě více formálně či srozumitelně.

Zde je opravený text s lepší srozumitelností a gramatikou:

Když se ten cyklus dotazování začal dělat několikrát, tak se to neprovedlo jen jednou, ale třeba pětkrát, desetkrát, a výsledný výstup byl o něco lepší. Začalo to ale být takové… desetkrát dražší, ne? K tomu se ještě dostanu, jo? Jo, ne? Každopádně základní efekt byl takový, že to bylo stabilní. Nedostal jsem vždycky úplně stoprocentní odpověď, ale nikdy jsem nedostal úplně špatnou. Což je v okamžiku, kdy se to má pustit vůči zákazníkovi, docela zajímavé.

Kdo z vás to může říct o svých finančních poradcích? Tohle je věc, kterou si mohu dovolit komentovat. Rozumím… ale zrovna tahle skupina, doktore? Jasně. Každopádně… to se dobře trefuje. Ale nemusí to být jen finanční poradce. Ve skutečnosti to může simulovat i doktora, i když chápu, že v některých případech… třeba může být i dobrý zvěrolékař. To je fajn.

Co se týče ceny, začaly se řešit i dotazy, které jsou opravdu v množství větší. Na začátku to samozřejmě byl problém, protože byl jeden model, třeba GPT-3.5, který měl jednu cenu, a když jsem dotaz poslal místo jednou stokrát, stokrát to bylo dražší. Nicméně, jak se modely začaly rozšiřovat a specializovat – například začaly být označovány jako „mini“, které měly poměrně zajímavou cenu – byl jsem schopen úzce specializovat jednotlivé agenty. Použil jsem tedy menší modely, a celá věc začala hrát i po finanční stránce.

Dokonce tohle začalo být velmi zajímavý efekt, protože když si natrénuji agenty specificky – například v finančním sektoru – jednoho agenta na produkty, druhého na compliance předpisy, dalšího třeba na roli regulátora, natrénuji je jednou a mohu je opakovaně využívat v různých use casech. To je pro mě obrovský benefit, protože nemusím trénovat jednoho velkého agenta, který by měl umět všechno. Když přijde nový produkt, jen dotrénuji nebo doučím konkrétního agenta o nové znalosti týkající se produktů, aniž bych musel aktualizovat celé portfolio všech agentů.

Takže samotný efekt na vývoj, spolupráci a podporu je mnohem efektivnější, než kdyby se měl trénovat jeden velký agent, který řeší vše najednou. Cenově je to poměrně zajímavé – samozřejmě to není zadarmo, to nikdo netvrdí – ale ve srovnání s jedním velkým agentem…

Pokud budete chtít, mohu pokračovat nebo upravit text ještě více.

a kterýmu budu naučit všechno a budu ho chtít tenhle případ zopakovat třeba dvacetkrát, tak jsem tomu rozuměl líp, než když bych to dělal prostě po jednotlivých agentech. Takže takový zkušenosti asi jenom. Opravdu i tam se ukázal strašně silný efekt definování těch rolí, protože to byla ta situace, kdy jsme v schopnosti řešit schody právě třeba tohoto finančního poradce, a do jednoho agenta je strašně obtížné říct, aby se začal chovat jako totálně schizofrenický člověk, který na jednu stranu musí prodávat a na druhou stranu nesmí, protože musí dodržovat nějaké předpisy. Tu „čínskou zeď“, jak se to říká v finanční hantýrce, vlastně nepostavíš do jednoho agenta.

Dobře. A u jednotlivých agentů, když jsou takto rozdělení, tak tu „čínskou zeď“ jsi schopen skutečně vložit a jsi schopen ji nějakým způsobem nasimulovat tak, aby dávala smysl. Samozřejmě to není tak, že by pak ten agent mohl vypnout všechny ostatní role jako poradce. To, co děláme, je spíš o tom, jak pomoci současným lidem, kteří tam jsou, než je nahradit. Jasně. Dáváte jim víc prostoru na důležité nerutiní úkoly. Ještě k rolím – jakým způsobem definuješ, kolik tam těch agentů bude a jak velkou roli budou hrát? Ty jsi to teď vysvětloval hezky z mého pohledu, logicky po rolích v týmu, po nějakých „čepicích“ – tedy compliance, tenhle prodává, tenhle se stará, tenhle načítá produkty a tak dál. Je to vždycky tak, že je to organizačně logické, anebo to řešíš podle něčeho jiného? Kde se rozhodneš, že to už je moc velké na jednoho agenta a je potřeba to rozdělit na dva?

Jasně, jasně. Typicky na to odpovím, ale začnu trošku z jiného směru. Tahle věc je ideální začít řešit ve firmě, která má aspoň trošku přehled o tom, jak fungují její procesy a jak jsou spolu navázané. Protože potom to vede i k tomu, že procesy definují role a role definují agenty. Velice úzce spolu souvisí. Například můžu všechno natrénovat do jednoho agenta, ale vyplatí se mi to rozdělit do dvou agentů. Protože jakmile udělám specializaci, tak mi to přináší efekt, že toho agenta potom můžu regulérně používat i v dalších případech, které vůbec neznám v době, kdy dělám ten první případ. Ale jakmile mám tu roli pokrytou, můžu o tom přemýšlet na další úrovni a říct, že teď ji použiju jinak, teď ji použiju takhle. Za mě se zatím vyplácí dělat to tak, že zrcadlím víceméně organizační strukturu dané firmy – ideálně – protože samozřejmě i ve firmě najdeš lidi, kteří slučují dvě role. To je přirozené. Ale najít úroveň, která opravdu odráží specializaci, a být schopen tu specializaci do agenta dostat, to je klíčové. No, a tak na to koukám…

Zde je opravený text:

Áš z toho procesního hlediska. Já jsem vlastně čekal, že tam bude spíš ten kontextový promptování, že tam nenarveš do promptu všechno, že se AI může víc rozhodovat a že ho chceš mít nastaveného co nejlépe v promptu, v API a ve všech ostatních věcech. Takže ho chceš mít specializovaného tak, aby bylo jasné, co bude dělat, a aby měl svou jednu roli.

Je tam nějaké omezení, kdy má jedna role v organizaci nebo jeden proces jasné nastavení – rozdělíš to třeba na dva nebo více agentů? Zase se nám osvědčilo to nedělat na až takovou atomickou úroveň. Držíme to spíš na tom, co je fyzická nebo reálná role člověka – takový agent. Ono s tím souvisí i to, že musíš každého konkrétního agenta samostatně napromtovat, aby nějakým způsobem fungoval, dát mu podklady. Firmy, které nad podklady opravdu přemýšlí, vidí, že to dává smysl, že jsou zvyklí dávat podklady lidem a v rámci procesů je mají, takže je dobré na to navázat a “agentizovat” to.

Přesně tak, přesně tak. Jakmile firma začíná přemýšlet nad tím, co dělá a proč to dělá, je to výrazná výhoda a velký posun. Samozřejmě firma, kde všichni dělají všechno, kde jeden kopne míč a všech jedenáct hráčů utíká za tím míčem, tomu AI nepomůže. Gerbič in, gerbič out. To je bohužel smutný fakt a s tímhle člověk musí nějakým způsobem bojovat. Typicky tam musíš začít říkat: „Dobře, pojďme si říct, co má AI zmapovat, dát tomu trochu kontext a začít pomalu vylupovat.“

To jsou věci, které by se daly dát do AI. Samozřejmě na všechno to není spásné. Vyplatí se to dělat především u rutinních procesů, u procesů, které se dají snadno nějak popsat. Ideálně na to, na co by člověk zaplatil brigádníka, použít AI, to je ideální. Nebo když mám oddělení s pěti lidmi – jedním manažerem a čtyřmi, kteří tam něco dělají – dát jim do ruky takovouhle pomoc vede k tomu, že už to nemusí dělat těch čtyři lidí, ale dva mohou dělat něco efektivnějšího a zajímavějšího, protože se uvolní kapacity tímto způsobem, a to i na větším měřítku.

Přesně tak, vytlačí to části té organizace.

Ano, a zlepší to rychlost komunikace s klienty a tak dále.

Jak v tom pokročili jste? Už to běží někde? Pro jaký use case? Nemusíš říkat klienty a konkrétní věci, ale jak moc už je to live a ready a už se s tím všichni potkáváme, i když si to třeba neuvědomujeme?

Úplně se s tím nepotkáváme. Jsme rozběhnutí v několika směrech, řešíme to. Máme i několik věcí za sebou, některé jsme vyhodnotili jako „tudy cesta nepovede“, i to je dobré vědět. Řešili jsme třeba skenování lékařských zpráv nebo návaznou činnost, kdy AI měla přečíst lékařskou zprávu, a chybovost byla důvodem, proč se jenom po to…

Pokud budete chtít, mohu pomoci také s pokračováním nebo jinými úpravami.

Po přečtení té lékařské zprávy byla taková, že ani to použít rozumně nešlo. Takže tam pořád je nějaký limit, což je v pohodě. Každopádně to, co je v tomto okamžiku funkční, jsou obecně ty poradci, které jsou založené na finančním, nebo obecně produktovém poradenství. Několik případů máme za sebou, řešili jsme to. Máme za sebou, bohužel u té firmy, omlouvám se, nemám to v tuto chvíli. Rozumím, to je v pohodě.

Liší se nějak ten agentní systém, nebo to, jak to řešíte, když je to client facing, anebo když jde o augmentaci, tedy asistenta pro finančního poradce versus „můj online finanční poradce“?

Ptáš se na technickou rovinu, nebo na procesní rovinu?

Pojďme na tu technickou rovinu – samozřejmě jsme tady dělali scénáře, zkoušeli několik multiagentních systémů, jak to udělat, a víceméně jsme zakotvili u AutoGen, který nám v tuto chvíli funguje zdaleka nejlépe z těch ostatních, co jsme zkoušeli. Samozřejmě nějaké Crew AI, Agent GPT a podobné systémy jsou také funkční, ale ne pro typické případy, které řešíme.

Co se týče procesní roviny, která samozřejmě hraje roli, pokud to chceš řešit pro konkrétní firmu, musíš to naladit tak, aby jsi byl jistý, že když to bude vystupovat za firmu, firma s tím bude v pohodě – tedy v souladu s compliance pravidly – a že to nezpůsobí nějaký problém. Toto hledisko se musí zohledňovat, takže se někdy stane, že to trošku víc omezíme. Když to jde ven, tak to omezíme víc, aby to bylo bezpečné.

A co samotné promptování jednotlivých agentů, těch GPT modelů? Jaké máte s tím zkušenosti?

To je pro mě hodně zajímavé, jak se textový vstup do modelu stal jakýmsi programováním. Ten obrovský model máme všichni stejný a ladíme prompty.

Má to několik úrovní. Svět promptování je více „sekretariátní“ (tedy administrativní), protože tím, jak se vyvíjejí jednotlivé modely, vyvíjí se i způsoby promptování jednotlivých modelů. Například u Fullzovek (pozn. předpokládám, že se jedná o konkrétní prostředí/model) se vyplatí dělat promptování jinak než u GPT-3.5, nebo úplně jinak třeba u GPT-4, protože ty modely přemýšlejí a reagují odlišně.

Toto je něco, co se ladí v rámci multiagentních systémů. Můžeš použít prakticky jakýkoliv model – Gemini, Kulorové modely, GPT modely – vše funguje, ale každý model potřebuje trochu jiné upravení promptování. Na tuto otázku neexistuje jednoduchá odpověď, je to téměř alchymie, jak doladit odpověď tak, aby byla korektní.

Osobně k tomu přistupuju spíš tak, že úkol zadávám jako člověku…

Opravený text:

Než to prostě deleguji agentovi, v okamžiku si představuji: dobrý, tady mám člověka, kterému říkám, ať mi něco udělá. Když ten člověk není v dané oblasti nějak komfortní nebo výrazně edukovaný, přistupuju k tomu agentovi tímto způsobem a takhle řeším promptování, aby to fungovalo. To je věc, která se mi zatím osvědčila nejvíc. Samozřejmě, když jdeš do konkrétních úloh, ať už s grafikou nebo něčím podobným, už tam jsou případy, kdy se vyplatí dodržovat určitá pravidla a postupy. Ale u obecného textového promptování uvažuji spíš o člověku než o agentovi.

Má zkušenost to potvrzuje, respektive paradoxně si myslím, že moje promptování a zadávání práce ChatGPT konkrétně i umělé inteligenci mě naučilo lépe zadávat práci lidem. Protože zatímco u ChatGPT je mi jasné, že nemá ten kontext, že to neví, že při mně nebyl a nesdílel se mnou daný moment, tak u člověka mám určité očekávání, že „žije v mé hlavě“, že když u toho byl, slyšel to úplně stejně, vzal si stejné informace a vstupuje do úkolu se stejným očekáváním. Což je samozřejmě liché pro všechny, kdo řeší mezilidskou komunikaci – nikdo vám do hlavy nevidí. Zatímco u ChatGPT mi to bylo jasné, díky tomu jsem si uvědomil, jak lépe zadávat práci lidem: dávat jim víc kontextu, být konkrétnější, rozdělit práci na kroky, nastavit očekávání a tak dále.

Předpokládám, že vaše multiagentní systémy nejsou jenom textové, že mají víc funkcí, třeba dokument retrieval, nějaké RAG (retrieval-augmented generation) a podobně. Přesně tak. Typicky, co řešíme, je situace, kdy vyfočíš něco, naskenuješ a chceš to použít jako vstup. Takže spíše než řešit komplexní OCR nebo něco podobného dnes už použiješ konkrétní model, který ti to správně přečte, vytěží data z dokumentů a ty je můžeš s multiagentním systémem dál pohodlně využít pro další fungování, co s tím má vlastně nastat a jak to má fungovat. To funguje poměrně komfortně.

Jeden z případů, který jsme řešili a nebyl úplně dokonalý – zkoušeli jsme například virtuálně nasazovat brýle na člověka, abychom zjistili, které brýle si ideálně vybrat. Ukázalo se, že to ještě není úplně dotažené nastavení, aby to bylo dobré jako poradce pro výběr brýlí. Takže ještě nejsme tak daleko, ale možná se tam brzy dostaneme, protože tato oblast se tak brutálně rychle vyvíjí, že pravděpodobně už v momentě, kdy tohle povídáme, bude vše zase jinde.

Každopádně za mě je potřeba vnímat jednu podstatnou věc, která s tím hodně souvisí: my to řešíme intenzivně, ty to řešíš intenzivně, pravděpodobně i posluchači to řeší intenzivně, ale svět nejsou rovnoměrně rozložené znalosti. To, co řešíme my, …

Tady je opravená verze textu:

To neznamená, že to řešení a my všichni jsme na stejné úrovni. Jo, přesně tak. Může se poměrně v klidu stát – jak se vlastně nedávno stalo – že velmi dobrý kamarád, se kterým jsem se potkal v nějaké fázi, je technicky velmi zdatný, ale já to vůbec nepoužívám obecně, protože prostě nepotřebuji, ještě jsem nenašel ten případ, kdy bych to využil. Nenašel jsem tu potřebu to udělat. Samozřejmě budou existovat takoví lidé, o tom žádná. Jde jen o to, jak to doručit i firmám tak, aby to přišlo ve správný okamžik, ve správný čas. Protože některé věci, které jsme zkoušeli, jsme zjistili, že jsme se předběhli s dobou – kdybychom tyto věci zkusili třeba za rok nebo dneska, byli bychom podstatně úspěšnější než před rokem.

Super. A jaký je teď stav trhu, jak fungují současné technologie? Už to tam je, co za případy vaše systémy zvládají? Jsou to více méně věci postavené na různých operacích – ať už finančních, marketingových nebo obecně jakýchkoli textových výstupech, které se dají uchopit a posunout. To je jedna věc.

Další oblast, kterou řešíme, je třeba práce s dokumenty – například mám naskenovaný dokument a potřebuji s ním něco udělat. Místo toho, abych neustále ladil OCR a nějakým způsobem to posouval, umím jednoduše dokument naskenovat, založit ze zákazníka do CRM bez nutnosti dělat to komplexně. Pak s tím zákazníkem dále pracovat, oslovit ho a tak dále. Dá se to navázat poměrně elegantně a flexibilně.

Další věci, které tam jsou, se týkají například splnění určitých procesů v konkrétní firmě – třeba úvodního posouzení nějaké dokumentace nebo případů, kdy přijde podnět a potřebuji vyhodnotit, jestli je založený na reálných základech, co mi klient říká anebo neříká. To jsou věci, které… no, trošku šifruju, ale jsou to případy, které řešíme.

Nechtěl jsem to úplně detailně rozebírat, ale jsou to důležitá posouzení, hlavně v citlivých oblastech, jako je legislativa a řešení fraudů. Zvlášť když se dostaneš do tématu skórování lidí, není jednoduché automaticky přijmout výstup nějakého skórovacího modelu. Jasně, ale lze takový model použít jako indikaci při schválení pojistné události, když to nevypadá, že tam je problém. Je schopný dát nějaký náznak, co s tím dělat dále, aby člověk s tím mohl pracovat a řešit to.

Mě zajímá jedna věc – ty teď mluvíš o agentních systémech a slyším, že jsou to dobré systémy a procesy, které dělají konkrétní věci, tedy nahrazují OCR a provádějí úkony, co předtím byly algoritmické. Na druhé straně říkáš, že to jde vlastně do… Máš za sebou 20+ let zkušeností s ve…

Pokud chceš, mohu text ještě upravit nebo přeformulovat podle konkrétního stylu či účelu.

Zde je opravený a stylisticky upravený text:

Lmi regulovaným odvětvím financí, kde opravdu jde o halíře, kde to musí všude sedět a být secvaklé.

Myslíš, že AI začne „požírat“ kód? Protože některé z těchto věcí jsme historicky řešili algoritmicky, pravidlově. Na spoustu těch věcí nahrazuješ pravidlový systém nyní nějakým agentem. Je to úplně jiné zvířátko. Dá se předpokládat, že bude levnější. Na druhou stranu je to trochu plýtvání výkonem, že někde zahřejeme ten server víc než pravidlově. Myslíš si, že se tohle bude dít? Že budoucnost bude méně o čistém IT software engineeringu a víc o hrubé umělé inteligenci? Jasně. Nechci tady znovu zvedat příběh o Luditech – to asi všichni tak nějak vnímáme. Za mě to bude prostě mix.

Aktuálně, a nejsem z toho moc nadšený, se ukazuje, že všechny tyto AI pomocníky mají přínos především pro seniory. A trochu tím eliminují juniorskou pozici. Já jsem schopen si tu juniorskou pozici tím nahradit. Ať už se bavíme o psaní kódu, nebo o psaní marketingových materiálů – jako pivot writing a podobné věci. Není to úplně to téma, ale trochu se obávám, jak zajistit, aby juniori i nadále fungovali. Protože firmy budou muset chtít sami dobrovolně juniora nějak „nechat“ v týmu. Protože když nebudou juniori, tak za chvíli nebudou ani seniori. Budou jen agenti. Jasně, budou agenti, ale bez seniorů ti agenti pravděpodobně, pokud nepočítáme s nějakou AGI a podobnými věcmi, nebudou mít kdo používat, kdo je promptovat nebo kdo je nějakým způsobem „uteklovat“, aby fungovali.

Stane se z toho pro mě taková trošku komodita a firmy se budou muset tu komoditu naučit používat. Stejně jako firmy začaly běžně používat cloud, tak za chvilku budou používat komoditu obecně v AI. To, že někdy vznikne obecná AI nebo něco podobného, je pravděpodobné dřív nebo později – to asi není velká diskuze.

Nicméně to neznamená, že ve chvíli, kdy taková věc bude existovat, ji menší česká firma okamžitě nasadí a že ji taková věc firmu spasí. Nestane se to. Stane se proto, že ta věc jenom zrychlí ty rychlé firmy, a ti, co nejsou na špičce, budou postupně ztrácet. A jde o to, jak zrychlit i ty pomalejší.

Můžeme se na to podívat více z nadhledu, můžeme jít do detailů – ať už jde o Ameriku nebo Evropu, firmy jako OpenAI nebo další, nebo i firmy jako Rohlik.cz – rozdíl bude markantnější a ten, kdo to neuchytí, kdo nepůjde tempem, bude druhý. S tím s tebou souhlasím.

Můj dotaz směřoval…

Pokud chceš, mohu pomoci i s dalším pokračováním nebo s formulací odpovědi na tvůj poslední dotaz.

Tady je opravený text s úpravou pravopisu, gramatiky a stylistiky pro lepší srozumitelnost:

Trošku jinam. Můj dotaz směřoval k tomu, v jakou chvíli, když přijdeš k nějakému procesu nebo když dostaneš zadání od klienta, tak v jakou chvíli dává smysl tam „plácnout“ agenta a v jakou chvíli tam dát kód. Jo, OK. Dobrý. Je to strašně individuální. Na to neexistuje nějaké obecné pravidlo typu „vždycky tam budu dávat kód“ nebo „vždycky tam budu dávat agenta“. Pro mě osobně to byla historicky otázka ceny. Prostě cena jedna a druhá byla neurčitelnost. Ve chvíli, kdy jde o kontakt se zákazníkem a s jazykem, tak se tam uplatní jazykové modely, protože se „naučily“ jazyk, a tam cítím, že klasické NLP už je mrtvé. Prostě tam „plácnete“ API, nebo tyhle metodiky.

Hele, jestli náhodou ty staré metody začaly být obsolete? Souhlasím částečně s tím, co říkáš, ale pořád platí i to, že i když se AI velmi dobře naučila jazyk, tak pořád existuje procento lidí, kteří jsou lepší než jazykový model. A v okamžiku, kdy jste společnost, která chce být o těch 2–3 % lepší, tak se vám vyplatí tam dát člověka. Mně jde o to, že z toho, jak o tom mluvíš, mám pocit, že kdybys dnes stavěl informační systém Trinity Bank, tak by to byl agentní systém. Takže je to mix. Rozhodně to není čistý agentní systém, ale kombinace toho, co se dá ve skutečnosti použít. Protože i když pomineme, že některé role a funkce z principu musí vykonávat lidé, tak stejně si myslím, že u některých věcí potřebujete lidský vstup. Například řízení rizik úplně automatizovat nelze.

Tomu rozumím. Moje otázka směřovala trochu jinam. Když bys dnes stavěl celý informační systém Trinity Bank, byl by tam spoustu kódu, dodavatelů, různých částí, řešil bys devops a podobné věci, tedy IT projekt, tak dneska, v roce 2025, s tím, co přináší multiagentní systémy, AI a s tím, že cena jde radikálně dolů, jak velká část toho systému by byla tvořena agentními systémy a jak velká část by zůstala v kódu a softwaru?

Jasně. Nevím, jestli odpovím úplně přesně na tu otázku. Každopádně za mě stále platí, že musí být kontrola ze strany lidí. Určitě je to tak, že agenti, ať už jacíkoliv, dokážou výrazně pomoct, usnadnit a urychlit celou práci. Nebál bych se je použít opravdu pro nekritické části, ale pokud se bavíme o něčem kritickém, tak si myslím, že tam stojí za to mít minimálně takovou úroveň kontroly, aby člověk jasně situaci chápal, jasně zadával požadavky a kód byl smysluplně a rigorózně napsaný.

Tím mě dostáváš k poslední otázce, a to je: Ty sám říkáš, že jsi dělal DevOps „Before It Was Cool“, začínal jsi jako sysadmin. Jak je to s testováním, governance, CICD a celou LLM Ops pipeline? Dá se to na to aplikovat, nějak to skládáte dohromady, nebo to bude vždycky spíš heuristika pro řešení hraničních případů?

Opět, když to zkusíte na nějaké části, já osobně oceňuji automatické testy. To je typická část, která se vyplatí, zkusit ji svěřit kompletně AI. Najdu tam v tuto chvíli i případy, které jsou opravdu zásadní…

Pokud chcete, mohu pokračovat a text ještě více upravit nebo zacelit koncové věty.

Opravený text:

Řeknu ti, hele, tady to ještě není ono, ještě bych to chtěl chvilku počkat, ale dneska, když se podíváš na to, co umí GitHub, Workspace a tyhle věci, z toho ti spadne brada. Super. A naopak, jak děláš DevOps těch multiagentních systémů? Děláte verzování promptů třeba?

Jo, děláme verzování promptů, ale samozřejmě díky tomu, že se to nechová úplně deterministicky v tomhle ohledu, máš z toho velké problémy, jak zajistit, aby ta konzistence byla nějaká funkční. Ale snažíme se najít nějakou variantu brod, abychom s tím nestrávili příliš času, ale současně tak, aby to dávalo smysl i z toho pohledu, že za ten výsledek, který tam dáme, si člověk nemusí stydět.

No a co očekáváš jako next step? Nemyslím tak, že tady vyšvihneš, jaké modely přijdou a co se stane za rok, spíš mě zajímá, kam vy se v tomhle posouváte a kam vidíte, že se posouvá technologie.

Tak předpokládám, že například čím dál více rizika jsou…

Podchytit je ve vnějších systémech, takže už je to ve více variantách vyplatitelné. A jsou to dvě roviny. Jedna je ta, že obecně tím, jak se posouvají možnosti těch modelů, můžeš jít do složitějších věcí a lépe je uchopit a dodávat kvalitnější výstupy. To je bez diskuse – jak dneska už umí řešit komplexnější dotazy, komplexnější kontextové okruhy, tak s tím je super práce. Osobně očekávám, že se budeme posouvat v integraci těchto multiagentních systémů nejen s okolím ve firmě, ale i mimo ni. Abychom to mohli integrovat například na datové sklady, aby to odpovídalo aktuálním datům firmy, aby umělo korektně volat změny, které si klient vyžádá, a podobně – to jsou věci, které máme pilotně funkční, ale ještě je potřeba, aby klienti řekli: „Hele, je to systém, do kterého se chceme pustit.“

Protože začlenit umělou inteligenci nebo multiagenty jako součást celé společnosti tak, aby rutinní věci přecházely nejen v poradenství, ale i v aktivní vstupy a výstupy, to je jedna věc.

Co se týče další roviny, očekávám, že pravděpodobně bude padat cena těch modelů, protože to, co se neustále děje, je fakt, že modely se zlevňují a čím víc se používají, tím efektivnější to je. To, co dnes stojí 100, může za rok stát 20. Děkuji mockrát za naši diskuzi. Moc mě baví, že DataMind se takhle pouští do agendizace, protože jsem vás vnímal jako velmi tradiční a dost profilované, a vidím, jak nové technologie…

Pokud chceš, můžu ti pomoci i s pokračováním nebo dalším vylepšením.

Opravený text:

Technologie vám umožňuje a vaše zkušenosti vám umožňují zapojit se do více procesních a transformačních digitalizačních projektů. Takže držím moc palce a jsem sám zvědavý, kam se naše scéna a trh posunou za rok, za dva a jak to změní celý DataMind. Já moc děkuji, každopádně bylo strašně zajímavé si s tebou povídat a budu se těšit třeba někdy dál. Děkujeme, že jste doposlouchali až sem. A díky také našim partnerům a členům DataTalk klubu. Těmi jsou Intex, Saska, Bystreet, Colors of Data, Revolt BI, GoodData, Keboola, Emark, Carl Data Company, DataMind, Notino a Flow. A pokud chcete zůstat v obraze ohledně české datové scény a globálních datových technologií, nezapomeňte se registrovat k odběru našeho týdenního newsletteru na datatalk.cz. Nechť vás provází data.