Podcast

Data Talk #150: Ondřej Vaněk (Adastra)

epizoda #150  |  vyšlo  |  délka  |  poslechů  |   |  mp3

V novém dílu Data Talk si Jirka Vicherek a Hynek Walner povídali s Ondřejem Vaňkem, Chief AI Officerem Adastra Group a CEO Blindspotu. Ondra s námi prošel svou cestu od akademického výzkumu multi-agentních systémů a jejich aplikaci od pirátů v Indickém oceánu k bezpečnostním složkám v Los Angeles a jak se jeho výzkum přetavil k budování businessu Blindspot Solutions a následnou akvizici česko-kanadskou Adastrou. Jaké byly jeho první roky v Adastře a v čem je nadšený do další mise i po aktuální akvizici Adastry samotné skupinou Carlyle? A v čem ho aktuální agentní systémy stále selhávají oproti jeho původnímu výzkumu? O tom všem v aktuálním díle Data Talk.

Strojový přepis

Jirka Vicherek (00:00:03): Dobrý den, moje jméno je Jirka Vicherek

Hynek Walner (00:00:05): Dobrý den všem, moje jméno je Hynek Walner A vítáme vás u dalšího dílu Datatel podcastu Dneska k nám do studia přijal pozvání Ondra Vaněk, Chief AI Officer Adastra Group a CEO Blindspotu Ondra, vítej Dobrý den, díky za pozvání Když jsme s Androu. Když jsme s Ondrou připravovali plán dnešního natáčení, tak jsme pracovně nazvali epizodu od agentů k agentům. A v tomto duchu se s Ondrou budeme bavit. Nejdřív s Ondrou probereme jeho akademickou kariéru, jeho background, vyvíje agentů před 15 lety, tak to určitě bude Zajímavá konfrontace se starým agentím světem. Potom nás Ondra provede blindspotem a nakonec skončíme v Adastře, aby jsme to zpátky vrátili k současným agentům a jak moc je Ondra z nich zklamaný, co ještě neumí a co před 15 lety mohli umět.

Jirka Vicherek (00:01:14): A tento díl natáčíme těsně po velkém úspěchu Adastry, kdy skupina Carlisle koupila ji za blíže s nezveřejněnou částku, ale moc hezké číslo to bude, přestože ho neznáme přesně, tak tohle je takový aktualizační prvek a doufám, že se k němu ještě vráhtíme, protože určitě je to díl a celé sezóny tohodle roku na datové scéně. Děkujeme moc Ondro, že si přijal pozvání a pojďme na to, kde to u tebe začalo?

Ondřej Vaněk (00:01:47): Kde to začalo? Já si myslím, že jsem relativně brzo věděl, že ta AI je fascinující, to možná už jako kluk jsem měl rád ty roboty a science fiction a tak, nechtěl jsem to původně dělat, popravdě, šel jsem na fel teda, jakože tam se to Tam se to hýbe, ale není to až tak náročná škola z mýho pohledu a tam jsem teda studoval telekomunikace a pak jsem zjistil teda jednou na boudru mi někdo říkal, ale ty telekomunikace to už je všechno hotové, všechny anteny jsou tady jako postavené. To není budoucnost. To není budoucnost, přesně tak a mě to trošku vyděsilo a tak jsem si říkal, jo, tak to mě opravdu baví, jako zajímá a zjistil jsem, že se že se nabízí studijní program Technická kybernetika, což jsem nevěděl, co je Zjistil jsem, že součástí toho je i AI a nějaký řízení systémů a tak jsem se vydal touhle cestou a vlastně mám velkou radost, že vlastně tam jsem potkal takovýho člověka s telekomunikací Šel jsem studovat doktora, vlastně potom šel jsem studovat magistra, tak už jsem byl rozhodnutý, že chci dělat jako uměnou inteligenci a měl jsem na výběr robotiku, datový věci nebo vlastně se přidat do ATG, Agent Technology Group, kterou tehda vedl Michal Pěchouček A tam mě to fascinovalo nejvíc A vlastně zpětně, když jsem o tom přemýšlel proč, tak mně se tehda líbilo, že vlastně ta aplikace těch agentů byla hrozně široká a měla takový jako socioantropologický rozměr, ten jako sociální bylo v tom, že ty agenti spolu nějak jako interagujou A velmi často ty algorytmy pro tu interakci těch agentů mimikovaly jako tu interakci lidí. Takže agenty se dají modelovat celé společnosti a chování jedinců a nějaký emergentní jevy v tom.

Takže moje téma vlastně dezertační bylo obtočený kolem námořního piránství v Finickém océanu. kde jsem se vlastně vyřádil, měl jsem nějakou multiagentní simulaci, herně teoreticky jsem modulovala ty interakce mezi vlastně kooperativními stranami, kompetitivními stranami a nějakýma adversariálníma jednotkama, takže to mi přišlo hrozně pestrý. Čověk díky tomu nakoukl právě i do nějakých těch softových věd od toho od tý computer science a toto mě asi na tom fascinovalo na druhou stranu se pak vlastně v rámci těch agentů vlastně uvnitř toho jednoho agenta tak se hodně lidí zabývalo vlastně tím vnitřkem jo a kdybych tehda někam přišel a řekl bych no tak pojďme namodovat jako uvažování agenta tak že uděláme jako 400 bilionovou rovnici prostě no rovnici o 400 bilionů parametrů a ono to bude fungovat, tak jako všichni si myslí, že se člověk zblází, že ty neuronky byly tehda velmi daleko a vyšel nějak ten ImageNet, řešit obrázky, že už se pozná kočka pes.

Jirka Vicherek (00:04:45): O kterém roce se bavíme? 15 let zpátky.

Ondřej Vaněk (00:04:48): Já jsem načal studovat 2008, ImageNet je 2007, vyšel od Google, takže ty neuronky byly kolem hodně toho jako computer vision. Ale měli daleko k tomu uvažování, protože pořád vlastně to NLP se řešil trošku jinak, už tam byly ty natědní prostory a podobně, ale nebylo to propojený a nebylo to tak naškalovaný a zase možná by mě někdo opravil, ale myslím, že jakoý ten jako Deep Learning a NLP se spojilo až po potom Computer Vision Takže vlastně ten vnitř těch agentů, to uvažování, tak se řešilo hodně pomocí nějakých znalostních vází, případ nějakých ekologických uvažování, plánování a podobně. A byla hrozně plstrá mozaika toho. Vlastně spoustu směrů výzkumů, různě umkotvených. A vlastně teď to, co převálcovali ty LLMK, vlastně se uvažuje v současné době, nebo ten agent je jako to jeho uvažování reprezentovaný tím LLMKem.

Takže tam jako jsem zvědavý, co se připoužije vlastně z toho vnitřku, z toho agenta. Na druhou stranu právě v současné době nevidíme nic z toho mutageního systému ještě jako nasazený, takže to mě určitě zajímá.

Jirka Vicherek (00:05:57): No, začal jsi pracovat při práci, měl jsi nějaký šefty, byl tam nějaká aplikace, nebo byl čistý akademik a potom teda doktorát tady krásně, konflikty v jenickým oceánu, piráti a tady jsem, kdo mě chce.

Ondřej Vaněk (00:06:16): Já jsem docela normálně při Magistru, to jsem programoval jako všichni asi, to mě docela bovilo, nebyl jsem úplně jako top, ale myslím si, že to docela šlo na to, že jsem neměl žádný jako pilota, na druhou stranu Vlastně pak, když jsem nastoupil, já jsem ještě měl takový nějaký intermezzo, mezi dokončím magistra a nástupem na doktorády jsem šel vlastně pracovat do nějakých firm a byl jsem z toho jako zklamaný, jsem říkal tyho decid a teď zbytek života tady teda koduju nějaký buď to tabulky v bance nebo prostě integruju nějaký systémy a vlastně mě to jako táhlo zpátky k tomu jako k tomu přemýšlení a vlastně k té vědě, takže pak jsem šel za profesorem Maříkem právě na fakultě a říkal jsem mu, že vlastně nakonec tady asi bych ten doktorát jako předsynom chtěl dělat a že nevím kde, nevím přesně co a že nechci být právě zavřený v té laboratoři. A tehda mi vyšel hrozně stříc, takže jsem uděl si kolečko právě po různých výzkumných jednotkách na univerzitě a napsal jsem si grant pro společný výzkum z USC, University of Southern California, Los Angeles. Takže jsem vlastně každý rok mohl i cestovat na... Oficiálně měsíc a já jsem si to vždycky přiškrtil a dal jsem si to na tři měsíce v Los Angeles a tam jsem dělal vlastně výzkum spolu s špičkou laboratoří světových rozměrů, tam jsem měl takový ten klasický český impostor syndrom, že člověk přijede mezi tu elitu a pak teda postupně zjišťuje, že tam taky jako má co přidat, tak to mě myslím trošku jako otrkalo a nějak jako Člověk nebyl to sebevědomý, že to taky dokáže dělat na nějaké světové úrovni. A na druhou stranu tam se mi ukázalo vlastně jak v té akademii, jak ten svět je uzavřený a relativně dobře strukturovaný, že jsou prostě jdeme tomu 3 key konference v AI, tam člověk teda publikuje, ty mají nějaký datumy, ono to je i tak pootočený v tom roce, že se to nějak nepřeklývá a člověk dělá ty papery, vlastně submituje na ty konference a buď je to super a podaří se mu to, nebo se mu to úplně nepodaří, taky dává nějaký B.

Ale vlastně je to jako dost nalinkovaný, tady z těch paperů sbírá bodíky, díky těm bodíkům aplikuje prostě o další granty a vlastně to takhle jako staví a ten svět je jako hodně strukturovaný a já nechci říct jako šablnovat, ona je jako kreativa v té vědě, jako takový, ale v tom systému, jako takovým, ten systém je jako dost přímočarý. A to je něco, co... Co jsem zjistil, že mi jako nevyhovuje, že vlastně když se pak člověk díval jako na ty aplikace a do toho biznisu, nebo prostě jsem si dělal na ty piráty, v jak jako bohatým chaotickým světě vlastně jako funguje potom jako ten nevědec.

Hynek Walner (00:08:59): Akademik závědí pirátům.

Jirka Vicherek (00:09:01): Akademik vyrazil jako do světa. Tři měsíce v Las Angeles, měsíc v Sudánu.

Ondřej Vaněk (00:09:07): Měsíc byl jsem v Kenii na Seychelech, v Komorský ostrovi, byl asi nevětší zážitek. Tam jsem právě potkali ty piráty, které byly zářetí. Úplně nadšení, že konečně jsou v zajetí na Seychelech v krásným vězením. Takže tam člověk narazí na ten svět a asi mě to fascinovalo hodně. A říkal jsem si, že...

Věda fajn a buď to bych prostě měl nějakou jako laboratoř, která je hodně jako přitažená k tomu světu, ale vlastně samozřejmě pak člověk přemýšlí díky tomu, že Los Angeles nedaleko Silicon Valley, člověk tam potkává ty lidi s těma startupama, že jako taky možná založit si ten startup jako by bylo zajímavý, vydělat si nějaký zajímavý peníze a jako si zvalidovat, že ty myšlenky, to co píše na ten paper, že to jako má nějakou reálnou hodnotu a to já jsem bral, že vlastně je to založit si teda nějaký startup a A že za to je někdo ochotný platit, je vlastně ta ultimátní jako to ultimátní potvrzení té hodnoty, no. Takže tímhle směrem vlastně jsem se mnoho konvergoval o tom.

Jirka Vicherek (00:10:06): A co si tehdy psala za papery, co byla ta doména, co si řešili v LA, na co se zaměřovala?

Ondřej Vaněk (00:10:14): Ty papery byly vlastně herně teoretický papery, to znamená, že jsem, zabýval jsem se konfliktem dvou hráčů, každý chce dosáhnout jiných cílů a když tady ty hry jsou obrovský, tak jak napočítat takzvaný equilibrium, to znamená optimální strategii, kterou mám hrát. A já jsem to aplikoval právě na to piráctví, kdy vlastně jsou lodi, který je to vlastně kočka myš, je tam nějaká lodi, která se proplout kolem Somálska, že je do sujevského průplavu a ten pirát tam na ní čeká, akorát to moře je obrovský a otázka, kde ten pirát má čekat a jaká má být ta tranzitní trajektorie prostě je to oblastí a tohle se dá modovat jako hra a mám miliardy možností prostě jak to projet a mám samozřejmě miliardy možností kde stát a nebo jak se pohybat jako pirát A tohle se dá vlastně abstrahovat do toho frameworku prostě dvou vlastně hry o dvou hráčích a a ta optimální strategie je to Nashuo Equilibrium hrátivně známý koncept, ale spočítat to na velký hře je ta výzva, takže to bylo zase ten akademický aspekt bylo jak spočítat tady ty Equilibria a podobný Equilibria vlastně v těch obrovských hrách, který často ani jako nevědou se do paměti, nejsou prostě dobře reprezentovatelní, tak to byl jako ten můj Vědecký aspekt, mě se na tom líbilo to, že jako ten Pirát není, jako nepočítá si tady nešo o ekvilibrium, že jo, v obrovský hře, ale tak nějak jako vyrazí a do toho právě pak spadaly ty myšlenky kolem jako kognitivního modelování lidí, že vlastně ta hra je matematický koncept, kdy se vlastně ta Ty předpoklady jsou, že lidi jsou racionální, což jako zdaleka neplatí a teď, když teda nejsou racionální, tak si mi otevře obrovská paleta možností, jak namodelovat irocionalitu, báje si, jo, nebo i kognitivní omezení člověka a to je super zajímavé. To mi taky bavilo a to právě jsme na USC modelovali, tam zase ta aplikace byla protiteroristický operace, jejich nejznámější aplikace, že na Los Angeles letiště vlastně dali plánovač, který říká hlídkám, kdy a jak mají plánovat. Z pohledu toho, že ten terorista, nebo někdo, kdo chce třeba, nevím, pašovat drogy, tak může na tom letišti sedět každý den, číst si noviny a pozorovat vlastně, jak ty hlídky se tam hýbou. a v nějaký den pak vyrazit.

A když já mám teda ten rozvrh, typický ponědělí, třeba pátek, patroluji jedna, tři, pět a úterý čtvrtek prostě dva, čtyři, tak jsem předvídatelný. A ta otázka vlastně byla o tom dobrý, tak já asi nemůžu být úplně jako předvídatelný, aby prostě mě ten protivník nemohl dobře pozorovat a A využít toho. A jak mám být nepředvídatelný? A zase, když si házím kostkou, tak když některý ty lety opravdu víte nad Washingtonem a některým, nevím, nad Kancasem prostě, tak to má jinou jako hodnotu, jo, ať pro toho protivníka nebo pro mě. A takže vlastně tam byla ta otázka, co je ta ideální jako randomizace, to znáhodnění a ono to z pěku podivu jako na ty samý techniky, co jsem počítal já.

Zase vlastně toto equilibrium nějaký taky optimální náhodná strategie v té hře a vlastně to byl nějaký jako spojovací článek který jsme zkoumali dohromady a já jsem pak jsem pracoval na různých domenách jí jsem se podíval do cyber security kde zase jsme modelovali útočník který se chce dostat do sítě já mu kladu nějaký překážky ale nemůže naklást všude tak kde je mám naklást ten útočník zase to může nějak jako pozorovat a pak zkusit že on někde udělat ten útočník takže vlastně ty aplikace byly potom Dost široký, vyvíjeli jsme později nějaký systém pro patrolování policie v downtown Los Angeles, ty jaký není nejbezpečnější a zase ty kriminální živly, když tak řeknu, tam jako posedávají a když už vidí, že v pondělí teda tady to lento nejezdí, tak v pondělí teda mají pre, tak zase vlastně ta randomizace bylo něco, čím jsme přispěli, bylo zajímavý ještě pro ty policajety tady. Že jsme jim dali do ruky vlastně tablet a pro ně to byla skoro taková hra, že to byla vlastně gamifikace tý jejich práce a jich to začal hrozně bavit a já si myslím, že možná větší efekt měl ten jako engagement, jak oni vlastně do toho byli vtažený, teď viděli ty data, co se kde děje, teď viděli prostě jak mají jako projíždět a že dneska se to mění a tak jo a vlastně byli do toho jako daleko víc vtažený a vlastně ten efekt tady toho engagementu díky tomu, že to není ta nudná repetitivní práce, tak měla tak jako netriviální efekt potom na ten dopad. Bohužel jsme nikdy neměli jako validaci toho, že to fakt funguje, že vlastně toho tiše neřekla, tak to funguje teroristi jako neútočí nebo něco, že jo nebo naopak všechny jsme pochytali, jednak je to prostě ta security doména je taková Vždycky ty informace sežho nedávají na povrch a zároveň, jako když tady rok teda nikdo neunes žádný letadlo, tak jako či je to zásluha je těžký, to je takový těžko atribovatelný, tak toto byl jediný takový prvek, který jako člověku nepotvrzoval tu validaci a na druhou stranu právě to, že ty lidi to vyloženě chtěli, tenhle typ systémů a Ať za to byli ochotní platit, nebo to používali opravdu s velmi vysokou adoption rate, tak to bylo super. Takže to bylo to Los Angeles a bylo zajímavé, že vlastně i v té skupině byli lidi, kteří byli přitahovaní tomu reálnému světu a vlastně prakticky paralelně jsme založili vlastně startupy, my jsme i stejně dodělali doktoráty a vlastně z té výzkumné skupiny Los Angeles vznikl Armor Way startup který právě komercializoval tady ty řešení na physical security, jako to zabezpečení. A my jsme tady založili Blindspot Solutions, Blindspot AI, vlastně společnost, která původní cíl Blindspot Solutions, že mělo být to řešení slepých míst a chtěli jsme si dívat jako na cyber-physical problémy, to znamená vtáhnout jako propojit vlastně to, co se děje v tom cybersvětě, ty digitální útoky s tím fyzickým světěm ty fyzický útoky, protože vlastně buď to ten útočeník útočil jako digitálně, nebo teda napadlo tu infrastrukturu nijak, ale často to bylo kombinovaný a ty kombinovaný řešení neexistovaly a nám přišlo jako super ambiciozní udělat to komprenzivní end to end, digitálně, fyzikální zabezpečení přístavů, ropovodu, jo, a teď aby tam lítaly ty drony a Kamery a síť monitoruju a všechno mám jako pod kontrolou.

A takže teďko zpětně si můžeme říct, že prostě jsme...

Jirka Vicherek (00:16:55): Jsi vzali velký kouso, velký sousto na realistice startup.

Ondřej Vaněk (00:16:59): Velký sousto. Neměli jsme úplně tu pipeline už dobře vybudovanou. Bylo zajímavé také, já jsem potkal právě pár lidí na těch cestách kolem té maritime domény a ty říkali, jo, to je super, kdybyste měli systém, tak tady nevím na... nelegální rybaření kolem Singapuru, skvělý prostě, peníze leží na stole a říkám, super, jak peníze leží na stole, tak proč to neuděláte, jenže oni jako tam neleželi úplně a i ten jako zpětně, že o business cycle tady v tom defense security je strašně dlouhej, je to uzavřená domena, my jsme neměli vlastně tam kontakty, takže to bylo, zpětně to bylo jako naivní. Byla to hezká myšlenka, ještě si myslím, že co je důležité zmínit, že vlastně jsme to založili ve třech, já jsem celý doktorát seděl tak tři metry, je určitě pána Kopřivy, vlastně jsme dělali ten doktorát paralně, Štěpán se zabýval hodně bezprotníma letadlama a zase je modeloval pomocí mutagenních systémů, jak řešit orchestraci desítek dronů, jak řešit konflikci, aby do sobě nenabourali, jak řešit problémy, když lítají drony v letovém provozu a tam jsou nějaké velké letadla a podobně.

Takže to byla taky hezká aplikace, ale my jsme právě oba jako relativně rychle zarezonovali právě tím, že bychom chtěli něco dělat do biznesu. A v tom Blindspotu nás ještě podpořil Michal Pichouček, právě profesor, co vedl ATG, pak ponovou už AIC, AI centrum, už jsme jako povýšili od těch agentní systémů jako do celý tý AI. Takže také V3 jsme to založili a my vlastně se Štěpánem jsme to řekl bych byli hands on a Michal byl vlastně ten jako strateg a obrovské nám pomohl v tom business developmentu, protože zase jednak měl za sebou Cognitive Security, Cisco a podobně a vlastně měl super network. Takže a nadále máš. Takže díky tomu my jsme získali vlastně první kontakty a Vlastně od té cyber physical domény jsme se začali trošku oddalovat a hledali jsme, co ten trh tedy jako chce a nebylo to pivoting směrem, teď tady vyrobíme jako X plus první prototyp a ukážeme ho, ale spíš chodíme po zákazníkách a ptáme se jich jako co chtějí.

A ať to

Jirka Vicherek (00:19:18): zařadíme zase v čase, kdy vzniklo.

Ondřej Vaněk (00:19:21): Oficiálně 2014 vlastně jsme založili, nicméně jsme si sedli do jednoho kancí koněry v půlce 2013, takže no zhruba taky před 10-12 lety. No takže vlastně, když jsme po firmách neměli jsme ten produkt a My jsme vlastně z té univerzity byli zvyklí fungovatost projektově, že přišel prostě funding, byl tam nějaký záměr a my jsme ho jako naplňovali, měli jsme prostě vlastně statement of work zjednodušeně řečeno a podle toho jsme jako pracovali. Myslím, že to mělo částečně právě pak odraz v tom, jak jsme přístupovali k tomu, že ten klient řekl dobrý, tak já mám tady ten problém, dokázali byste mi pomoct a my jsme teda mu napsali jako proposal a začali jsme pracovat. Vlastně jsme se tímhle vyprofilovali vlastně v services company, kdy pořád jsme si nechali tu AI složku, rozšířili jsme to od těch herně teoretických konceptů a podobně primárně jako rozstrojové učení, nějaký pokročilý analytiky a Vlastně takhle, jak jsme obcházeli ty klienty a začali jsme dělat ty projekty, tak jsme začali nějakým způsobem organicky růst. A ten růst měl dvě vlastnosti.

Jedna byla, že jsme to od začátku dělali jako end to end. Že když jsme tomu klientovi doručili, nevím, nějaký jako plánovací modul, nebo tady nějaký jako prediktivní model nebo pythonovský skrypt. On si s tím nevěděl rady a možná to jako někde chvíli pouštěl, ale protože to nemělo dobrý jako UI, anebo to zaintegroven do toho procesu, tak to fernlo. Takže my jsme jako velmi záhy vytvořili jako tu naši value proposition, že to děláme end to end, vlastně, že jsme uměli dobře programovat. Chtěli jsme vlastně navarovat i dobrý uživatelský rozhraní, protože pro tady ty systémy je to typicky, nebo ne typicky, právě je to typický.

Ta vize byla ráno přijde do práce, zmáčko, jeden čudlík a ono se to všechno stane. Říkal klient, tady chci mít velký tlačítko, vydělat peníze a to každý ráno jako zmáčko. Tak jsme nedošli daleko, ale prostě to byla jako ta vize, takže to vlastně nás nějakým způsobem definovalo, že jsme opravdu byli schopni dotáhnout ty věci do produkce a od začátu jsme říkali, jo to musí mít UI, musí to mít ty uživatelé, musí to být v procesu a musí to fungovat se čtyři sedm. Takže to bylo a bylo to jako často hodně nároč Ta integrace a ten softwareový vývoj pak jako převládá a ten porod vlastně toho AI systému pak jako bolí a člověk velmi záhy vidí, jdeme tomu k nějakým modelům, jak to bude fungovat a tady ty principy jsou univerzálně a platí jako do teď a budou platit dál, že ty firmy Velmi natěším, když jim člověk na nějakém jako offline data se tu ukáže skvělou accuracy a pak se tři čtvrtě roku čeká, než je to zaintegrované do toho procesu a proto to generuje tu hodnotu a to tvoří jako jasně frustraci plus samozřejmě čeká se tři čtvrtě roku a stojí to prostě 5x typicky POC je jedna a prostě produční systém je jako pětkrát tolik a v nějakých enterprise systémech třeba 20krát Takže to je podle mi expectations management, který pořád vlastně musíme dělat a dělali jsme relativně dlouho, což nás přiblížilo s těm klientům, začí jsme teda doručovat do produkce a to nás nějakým způsobem diferenciovalo vlastně od konkurence i myslím si jako v tom globální měřitku.

Jirka Vicherek (00:22:35): Co bylo i první klienti, první use case? Mně přijde jako zajímavý ta propozice, myslím si, že dneska jako zpětně je super platná v té době, ale to muselo být jako na hlavu, ne? Tak udělejte to, co umíte, tady AI a zbytek nechte nějakému integrátorovi nebo něco, proč se tam budete s nějakým JavaScriptem plácat.

Ondřej Vaněk (00:23:00): Jo, to je ta druhá linka, která nás definovala, že vlastně řada těch prvních klientů byly startupy. Jak zase jsme měli linky do Silicon Valley a dělali jsme relativně progresivní věci, tak ty startupy byly ty, kteří chtěli tu cutting edge a jak jsme občas říkali, oni vlastně vyrýzovali peníze s nálepkou AI, ale neměli ji. A my jsme ji tam dodávali, ale protože právě jsme měli hodně blízko k té produktový složce, že nás zajímala i ta usability, tak jsme často se zaintegrovali jako do toho týmu a některým startupům jsme vyvinuli jako celý produkty, že jsme měli produktový manažery, nebo máme a ty vlastně definiují, jak ten produkt má vypadat, sbírají zpětnovas, budu tužovat, opravdu jako máme někde na starost vývoj celých produktů, takže to zase je nějaká definiční linka, že ten blind spot vyrostl na startupech a to mělo jako dvě dvě featurey, jedna, že jsme dělali fakt jako cutting edge věci a nemuseli jsme se zabývat jako proprietárnýma technologiema, nějakýma šenýma integracema do SAPu, Na druhou stranu to tempo bylo jako překotný. Jo, vyrizovali jsme peníze, teď musíme prostě rychle, tady prostě potřebujeme POCčka, deset lidí tam naházejte, no a teď jako vlastně peníze došly, tak zase potřebujeme se vše zbavit. Takže měli jsme, já nechci říct jako up and down, up and down náladu jsme měli, vždycky prostě přijeli ten startup a my jsme s něma prožívali tu euforii a byli jsme jako v tom hektickým modu, no a pak jak jim to vysychalo, takže tak nám to vysychalo.

A tady to dýchání, tak pro toho startupistu je to jako normální, ale pro nás to znamenalo jako někde se věnovat business developmentu víc, někde míň, jako přepínat ty síly, vlastně když nás bylo pát, jdeme tomu deset, tak člověk nemá jako business development udělení, který mu staví pipelineů. Ani nemá prostě jako self-standing vývoj, ale vlastně my jsme měli ty ruce všude, chvíli jsme kordovali, chvíli jsme tady developovali, pak jsme se teda taky zabývali tou strategií a podobně, takže vlastně jak jsme byli all over the place a prožívali jsme si tady hned z ty jako euforicko frustrační období, tak jsme si říkali, to musíme jako stabilizovat, že taky to dále nejde.

Jirka Vicherek (00:25:01): Ještě než se k tomu dostaneme, ty klienty právě, tak na co jsi hrdý, co jste jim postavili, jak si to máme v praxi představit?

Ondřej Vaněk (00:25:09): Určitě jeden z těch velkých klientů byl ten Armorway, vlastně to byli ty kamarádi, kterým jsme naškálovali ten vývoj, kdy v Los Angeles Silicon Valley ty vývojáři jsou násobně dražší, takže s nimi jsme postavili opravdu ten systém pro to potrování Los Angeles, losangelský policie. To bylo super. Velmi záhy jsme se dostali do Tivzit. Nevím, kdo zná Tivzit, ale mají občas takovou samolepku ve výtahu. Dělají audity, inspekce, zboží procesů po cím světě.

A tam jsme narazili za super člověka, který názal vlastně Domníhova na headquarters, kde jsme prezentovali Právě nepředvídatelní jako inspekce audity. Takže to bylo vlastně z toho hrnitory týského světa. No a tam seděl taky obrovský chlap, prostě jedl sandvič a říkal kluci, hele jako pěkný, ale já mám problém v Číně, my tam vlastně neuplánujeme ty naše operace. My nejsme schopní naplánovat v Číně prostě ty naše inspektory.

Jirka Vicherek (00:26:08): A na to, že to randomizoval.

Ondřej Vaněk (00:26:10): A na to, že to randomizoval, to mě vlastně vůbec nezajímá. A já prostě potřebuju jim říct, co mají dělat v první řadě. A... No takže prostě v původzovkách, já mám koupil tenku, ale chtěli jsme prostě do Šanghaje se podívat, jak ty vzid plánuje inspekce v Číně a to byl první také jako velký engagement, opravdu jako regulární analýza s těma uživatelema, definice toho problému, specifikace, vývoj nějakýho pilotu a pak plná integrace do šanghajskýho Azure, to bylo možná 2016, psali jsme to tehda v dotnetu z nějakého důvodu, to nás omezil zákazník Nikdy jsme internet pořádně nepoužívali, ale prostě jsme to nasadili a integrace zase do jejich obskurních německo-čínských systémů, to byla taky jako radost. No ale vlastně systém jsme nasadili a 24-7 běží prostě od 2016, takže to bylo To bylo super, to byla taková validace, že i tady vlastně pro ty firmy dokážeme doručit pro ten Enterprise a ty vzít jako extrémně konzervativní firma.

Takže na to jsme byli taky hrdý, musíme do teď. Řada těch startupů pak byla ze cybersecurity, počítám se k tomu se mi blízko, Michal Pěchouček se v tom pohyboval a o tom mluvit nemůžeme, že vlastně jsme dělali řadu Zajímavých algoritmů, máme třeba italský DF Labs, vlastně ty nám daly referenci, tak ty si patentovali ty dva naše algoritmy, takže kluci co to psali, tak mají patent normálně z DF Labs, tak to bylo super a vlastně tam byly skvělý data, vlastně Cybersack data jsou čistý, kompletní, akorát že zakryptovaný, takže člověk vidí ty různý flows, ale nedívá se dovnitř a nad tím modeluje právě různý věci a to jsou typicky ty anomálie. Hledá jehlu v kupce sena a ty zakryptovaný z tébla prostě vypadají všechny jako jehly. Takže vlastně problém false positives, cyber security, to je velká věc, tehda byl a my jsme vlastně tvořili nějaké algoritmy právě na detekci anomálí, klasifikaci anomálí a pomáhání sou orchestraci ty cyber security napříč různýma firmama a A jsme díky tomu získali znalost cyber security jako takový, takže jsme si pak občas říkali, tak mohli bychom to možná vyspinoffovat, protože jsme říkali jenom a kolik firmy nás asi zažalovalo, protože to nohou jsme přeci jenom získali jako spolu s nima, oni byli všichni dost protektivní, takže ta cyber sec domena pořád rezonuje, i teď asi bychom věděli, co tam dělat. Ale vlastně už je pozdě, nějakou fázi jsme si pak říkali, když nás bylo těch 10-20, tak to switch do tý produktový firmy by znamenalo nějakým způsobem zabezpečit revenue pro 10-20 vývojářů a to už bychom si museli říct jako o velkou rundu a možná jsme si tehdy jako nevěřili, teďko zpětně možná by nám také investoři dali, ale vlastně někdy jsme ten switch vlastně do toho produktivého světa neudělali.

Hynek Walner (00:29:04): Ty jsi změnila jakou stabilizacní fázi v tomhle, v tom vašem zábavným chaosu, co jste prožívali.

Ondřej Vaněk (00:29:11): Jo, jo, no, tak to vlastně pravidelně jsme seděli vždycky, když ten jako startup řekl, no a už se jako vysychá, tak si dáme vědět, zatím prostě zapouzujte práci, tak vždycky v téhle fázi jsme říkali, to musíme prostě to nějak jako stabilizovat, v tomhle se nemůžeme pohybovat, prostě nejde to nafukovat, vyfukovat, takže jsme hledali co dál a měli jsme před sebou, vlastně ten šít. od výsíčka, který říkal, že jste super, pojďte tohle dělat světově a tady máte term sheet na expanzi. Znamenalo to otevřící office v New Yorku, v Londýně, Silicon Valley a fakt to je dělat ve velkým a zase jsme věděli moc dobře, že nejde tu office otevřít a rozjet to, aniž by jsme tam byli. A jako nějaký rodinný životní konstelace, tak to úplně nedovolovali, takže jsme si říkali, tak jako jak to uděláme tady tu expanzi, a nebo jaký máme možnosti. A tou dobou jsme se paralelně bavili právě s Adastrou, nějak kolem 2017 to bylo, 2016-2017, kdy Adastra zase hledala jako dobrý AI tým, protože Pavel Kysala, teda ředitel tady Český Adastro, který říkal, hele ty zákazníci, to je jako faktěj.

A my to děláme, ale potřebuje bysme někoho, kdo má fakt už jako ty zkušenosti, reference, dotavuje to do produkce a vy to děláte jako dobře, pojďme zpartnerovat. A se říká, jo, to je jako dobrý nápad, ale jednak tady necháme na stále nějaký term sheet a zasada se říká, no a pak vlastně, když vy vyrazujete nějaký peníze a přesunete se do New Yorku, tak my ztratíme jako ten partnership. tak jsme se dohodli, že teda to spojíme dohromady, že vlastně oni můžou být tím investorem a vlastně vydělali jsme takový šalamonský schéma, že jsme prodali nedřív půlku a pak když se zvalidovalo, že to partnerství dalo smyslet, tak jsme prodali tu druhou a vlastně ten deal byl takhle jako rozvázvaný dohromady. byla nějaká nejistata na začátku, jak dobře to bude fungovat a právě jako potom se potvrdilo, že to funguje úplně skvěle a takže jsme se zaintegrovali plně Blindspot Brand máme do teď, myslím si, že tady v Čechách to má Pořád to má flavor toho jako poctivýho, dobrýho, starý dobrý AI, ale takže to jako děláme pořádně. Já jsem furt nadšenej si našich lidí, jako jsou skvělý technicky, lidsky, že ta kultura v tom Vinesportu je skvělá.

Farastře taky, že vlastně tady ty firmy i si rozumějí tak jako tak dobře proto, protože prostě máme podobnou jako tu no bullshit kulturu, hlavně prostě zákazník, nehraje si tam žádná politika, všichni tě je ten jako success. Rozdíl byl ten, že my jsme byli hodně jako blízko sebe jako tým, že jsme seděli prostě na židlí, zatímco Adastra hodně sedí u zákazníka, takže vlastně my tadyhle pořád se snažíme držet a asi covid to rozvonil, že zákazníci po světě taky jako mají různé požadavky Nicméně vlastně Blindspot duch pořád nějakým způsobem jako rezonuje a držíme si vlastně ten flavor, že děláme jako tu hardcore AI, ale až do produkce a to taky znamená někdy si vyhnout ty ruce a se ruce ne do kávy a udělat ten devops k tomu a ten deployment a udělat to dobře a robustně, protože prostě one-off Ano, prostě prediktor na nějakým offline datasetu, to je jako školním, vždycky říkám, to je jaká to semestráka, když člověk dostane ten dataset a on na tom něco udělá, ale tak, že to funguje 24-7 natekoucí datech, které jsou nekompletní, pod nima driftuje ten proces, který ty data generuje a musí to celý jako držet moč, tak to je jiný typ úlohy, tak to je to, co prostě pořád chceme dělat.

Jirka Vicherek (00:32:54): Jak vypadala Adastra, kdy jste prodali tu půlku, jak tehdy si vnímala Adastru, jak vypadala a začněme tím.

Ondřej Vaněk (00:33:04): Jo, jo. Nám bylo sympatická v tom, že vlastně byly hardcore jako data. Dělají ty data warehousey, vlastně pro všechny tady velký zákazníci, zákazníky asi jako se, buď to přímo postavili ten datový sklad, anebo kolem toho hráli významnou roli, takže oni jako skvěle rozuměli, rozumí datům a to byla i ta vlastně investiční teze, že mají jako skvělý přístup k datům a jako intimitu kolem dat a my nad tím postavíme to analitickou vrstvu.

Jirka Vicherek (00:33:31): Jak velká byla Adastra tehdy? Asi tak, jakože už to byla

Ondřej Vaněk (00:33:36): 300-400 lidí, jakože už to byl pro nás skoro takový, já nechci říct jako Enterprise, ale takový, že už měly procesy, jo, měly popsaný směrnice. Dospělá firma. Dospělá firma, jo, my jsme jako trochu chodili bossy.

Jirka Vicherek (00:33:48): A vás bylo kolik?

Ondřej Vaněk (00:33:49): Vás bylo 25 a 20, něco takovýho a furt jsme byli Vlastně jako nadšený kluci z garáže, jo a taky se měli už jako ofisy, sedě jsme tehna s právnickou firmou a to byl kontrast, že jako tam jsme viděli jako to zděšení, kdy jsme prošli kolem bossy v kraťasech, kolem těch navoněných právníků, tak Adastra nebyla tak navoněná, ale pořád prostě to jako mělo systém, strukturu, hierarchii, organizaci, my jsme byli jako total flat, já se Štěpánem a pak prostě tým nebo týmy, Takže to pro nás bylo možná něco, co si sedalo, a na druhou stranu musím říct, že právě Pavel Tehrá, Pavel Kysela, tomu dal jako skvělý průchod. On se jako netlačil, sjednotili jsme jako finance, to bylo potřeba, aby jsme měli stejný pohled na svět, ale Ale co se týče právě těch spolupráce a těch procesů, tak to si jako sedalo po zvoně a ukázalo se, bylo zajímavý, že ty blind spoty lidi začali volat od nějaké velikosti po té struktuře. Že pak dělal ten punk, už u nějaké velikosti, už to vytváří chaos, frustracie a ty lidi mají nějaký pořádek rádi. A to si myslím, že ta adastra v tomhle je nevím jestli unikátní, ale i vlastností je, že nevytváří víc struktur než je potřeba. Ale na druhou stranu ty, který jsou potřeba, tak vytvoří jako pořádně.

A to vlastně teďko už si to jako sedlo úplně.

Jirka Vicherek (00:35:14): No a jaká je teď struktura teda? Takže

Ondřej Vaněk (00:35:17): Blindspot je vlastněný Adastrou úplně a my vlastně zastáváme jako Blindspot je tady česká Divize, no practice, vlastně AI practice, jo, a já vlastně pořád teda formálně mám CEO line spotu, jako ty entity, a v rámci Adastry, já nevím, jsem VP of practice, jo, takže vlastně mám za odpovědnost to practice. Co je rozdíl, tak je ten, že pár let zpátky vlastně majitelé se rozhodli Adastru víc jako konsolidovat, to je možná taky ještě zajímavý příběh, nebudu tam zabíhat, možná přijeně dost Adastry na podcast kolem dat, takže o tom můžeme mluvit víc, ale vlastně Adastra působí v Čechách, na Slovensku, v Německu, v Kanadě, v US a vlastně v těch zemích má entity. A zase Adastra má filozofii jako relativní autonomie a nezávislosti a těch dílčích jednotek nebo těch regionů. Takže vlastně ty regiony fungovaly relativně nezávislé, což v nějaké fázi začalo překážet. A jako je zpětně zajímavý to pozorovat, překáželo to jednak zákazníkům, kdy my vlastně jsme pracovali třeba tady pro Magnu v Čechách a sami tě se propouzol do Magny v Čechách, tady zase neoptimalizaci nějakých jejich procesů a on vybublal Bankra Kanada, kde to dostal do ruky a na střan a říkal, kluci, co tady posíláte, já bych vám to udal feedback, ale už je to jako poslaný.

A ten zákazník taky byl zmatený, že říkal, no ale tady vy nabízíte, tady prostě v Evropě tady to řešení, tak proč mi ho nenabízíte jako tady v US? A právě tím, že ty regiony byly nezávislí, tak ty zákazníci začali vynucovat vlastně, že jsme jako one Adastra a opravdu tak působíme vše na světě. To byl jako zajímavý aspekt. Druhý byl partnership s hyperscalerama Microsoft AWS podobně, tak oni nechtěli manažovat jako každou zemi zvlášť, ale prostě tase jedna firma, jeden přístup. A takže ty vlastně potopovaly taky jako AWS má tenhle model, ono neumí operovat s jednotými, nebo asi by nějak uměl operovat s jednotými, má ty tam a dálko lepší je mít to partnerství prostě na globální úrovni.

I člověk jako si přitahuje různě ty incentiva a kredity a podobně. Takže vlastně tak jako to volání po té globalizaci a vlastně byla to manifestace toho, že ta Dastra je opravdu už globální firma. Obsluvujeme globální zákaznícky, máme globální partnership a potřeby jsme se stát opravdu tak jako globálníma na Dastrou. a tím pádem majita řekla, pojďme to jako služit, udělat one-a-dost-a-concept, sjednotíme se víc, uděláme nějaký leadership, nějakou grupu vlastně relativně lean, ale ať prostě se můžeme fakt jako synchronizovat. A udělal jsem nějaký reshuffle, Pavel Kysala, který vedl Čechy, tak s Robem Ternerem, který vedl Kanadu, tak se posunuli na grupu, vytvořili jako leadership na grupě, a Štěpán Kopřiva právě z Blindspotu vzal tady pozici ředitele Adastra Ček a největší volání ještě po té globalizaci bylo v tom AI, kdy Blindspot je vytvořil jako nějaký podhoubí offeringy maturitů a a to se úplně nedařilo těm jako Adastra AI týmů v Německu v Kanadě, jo, tam oni vlastně dělali právě tu jako data science AI a často jako udělali ten kus, ale neměli to podchycený právě to jako end to end, jo, a Oni potom volali, my jsme říkali, my to jako máme.

Jirka Vicherek (00:38:50): A pro méně, když říkáš end-to-end, je to víc jako MLOps, jakože produktivizovat samotný ten model, anebo je to end-to-end, to znamená front-end integrace do jejich systémů.

Ondřej Vaněk (00:39:02): Tak, tohle si myslím, že pro nás to je jako true end-to-end a někde je to pouze, já říkám pouze MLOps, protože to nemá to ten client facing dopad, ale my jdeme, jako právě protože my jsme říkali od toho klienta, od těch jeho potřeb, Tak se občas stane, že člověk skončí nějakým jako modelem na back-endu a on něco jako predikuje a posílá se tohle do podlinku, ale častěji se stane, že my definujeme jako potřebu na úrovni celého procesu, že tady ta logistika prostě potřebuje teď jako autonomní plánování a to nejde dělat jako v SAPu, že se tam něco jako zaintegruje, ale opravdu potřebuje jako self-standing system. Takže to je možná spíš to přemýšlení, možná není teda end to end, ale to přemýšlení opravdu jako důvod potřeb toho klienta a potřeb toho biznisu. A vlastně tady to jsme, nebo všichni to chtěli jako rozrolovat dál, takže v rámci tady toho přeskupování jsme vytvořili globální AI practice, Adastru AI, kterou já jsem si vzal tady jako Čao, Chief AI Officer. A vlastně sjednotili jsme týmy kanadský, německý, český, slovenský plus ještě Global Delivery vlastně týmy, co Adastra má, Bulharskot, Hajsko a teď jako ještě expanduje do dalších těch offshoreových zemí. Takže to je vlastně, to byl ještě takový nějaký jako prvotní koncept, pojďme se podívat.

Pilot, jak vlastně funguje opravdu jako to true, jako globální practice a vybrali jsme tu

Jirka Vicherek (00:40:31): AI. A ještě k té integraci a tomu Blindspotu. Chápu, že Blindspot je česká AI adastra, jako kdyby. A nebo řeknu příklad. Zaprvé můžu si koupit Blindspot jako napřímo bez ostatní adastry, asi přes adastru a za druhý, když mě nabíráš, jdu dělat pro AI adastra, dělám adastra, dělám Blindspot, je v tom rozdíl.

Ondřej Vaněk (00:41:00): Jo, není v tom prakticky už rozdíl. My jsme, ten blindspot vlastně padá strukturálně jako to practice, to znamená jako nějaká samostatná jednotka, která má na stavosti svoje revenue a profit. Takže blindspot je Avast v Genu. Jo to nevím jak je zaintegrovaný ale je to prostě jako relativně samosledná divize, ale veškerý backend je rastří, jako office, back office, finance HR, velký měry IT a všechno je jako napojený, takže backend je rastří Frontend, úplnej frontend, že jo, ten brand je jako blindspotí a pak jako mezi tím se to prolíná, jo, takže i třeba zákazník, když je velký zákazník Enterprise, tak my říkáme, jako je lepší uzavřít smlouvu s Adastrou, jo, tam i vlastně, respektive zase, že jsme součástí Adastry, tak jsou tam ISA, Tysaxi, všechny jako certifikace, audity, ono tady propadá na ten blindspot, jo, ale jako proč uzavírat vlastně smlouvu s malou firmou, pro ty velký firmy je lepší uzavřít smlouvu s velkou firmou a zase pro nás je to Jako karta, kterou můžeme hrát, buď to prostě někdo chce fakt jako malej butik a pak tomu slouží ten blindspot, anebo někdo prostě chce to zázemí velký firmy a tam jako je rastra, ale jsou to furt jako jedny a ty samý lidi, není jako druhý, jako druhá AI farastře Čech, je to pod náma. A z pohledu potom jako zaměstnání, tak taky ty lidé, jako říkáme, že jdu do blind spotu, ale de facto sedí v erastřích officech, používají erastří systémy a těla jim na fakturace a podobné věci, smlouvy máme sjednocené, všechno jako funguje už jako dohromady.

Takže já to beru zase jako výhodu, že člověk je součást nějakého dobře definovaného celku, což jako ten blind sport nějakým způsobem je, i když už jako ta kultura se nějak jako výrazně od té Adastry neliší a člověk se furt jako identifikuje teda jo, tak tady je vlastně ta AI firma a na druhou stranu má to stabilní zázemí, Adastra dělá super party, ať to je volejbal, grillovačky, prostě novoroční to Plus Blindspot občas taky něco udělá, takže vlastně potom těch jako tým lidom je věcí, aktivity.

Jirka Vicherek (00:43:09): Nechali jsme si blindspot, abychom mohli dělat dvakrát tolik parties a zveme se navzájem.

Hynek Walner (00:43:16): Ondro, pojď nás možná ještě provést tím, jak se to pro vás změnilo biznesově, jaký projekty, jak se změnilo trh klienti, popisoval se, jak se tým integroval, Jak jste se přesidlovali a jak děláte party, ale co ta biznesová stranka.

Ondřej Vaněk (00:43:32): Jasně, jasně, party jsou dležitý, klienti taky. To partnerství s tou Adastrou právě jako umožnilo to, že jsme dokázali nabízet opravdu true end to end věci, že nejenom jako ten self-standing systém, ale nevím, jestli to není zprofanovaný jako tu digitální transformaci jako takovou, která právě začíná utěk dát a tam nikdy nekončí, což právě je ta value proposition na Adastry. A my jsme na to napojili jako to AI. A to je něco, co mně přijde právě jako super, že ten klient získá opravdu jako partnera a cokoliv je potřeba v tom digitalizačním chainu, tak ta adastra vyřeší. A ať to si je konsolidace rád, modernizace ty infrastruktury, migrace ty do těch klaudů a nastavení

Ondřej Vaněk (00:44:26): těch cloudových infrastruktur, až potom vlastně jdeme tu nějakou tu reportingovou vrstvu, analytickou vrstvu, autonomní vrstvu v současné době agentické platformy, ale k tomu má Adastra velmi silný softwareový vývoj, mobilní aplikace a kreativu a digitální marketing, takže ta Adastra opravdu jako chce a působí jako ten partner, který to zákazníka provede a není nic jako co by bylo takový jako shy away, tohle už jako Z pohledu ty digitální transformace jako my neděláme. Takže toto je ta value proposition a to nám vlastně umožňuje opravdu potom tu AI nabízet jako v tom kontextu potřeb té firmy. A rozšířili jsme tu nabídku, že vlastně ten partnership, který nabízíme, nebo tu AI transformaci například, tak děláme jako komplex, v úžasný době rezonují třeba AI ready data, Zase na to je jako adastra skvěle postavená, protože když teda Gartner se rozhodne teďka propagovat AI ready data a všichni CIO, CTO si to přečtou a ptají se, co to je, tak my to vlastně dávno víme a je to pojmenování nějaký práce, kterou děláme už dlouho. A zase tam funguje to jako seamless propojení těch datových týmů, AI týmů nebo analytických a infrastruktních hladových týmů, kteří prostě toho zákazníka provedou tím, co je potřeba v tom jako AI ready data světě. A to mně přijde To mně přijde na tom zase unikátní, že neděláme jako úplně všechno z toho, ale kolem to těch jako dat a ty digitální transformace, tak tam jsme opravdu jako ten jako hluboký end-to-end partner.

Jirka Vicherek (00:46:00): No, tak to je propozice Adastry, jak se změnil ten biznis. Předpávám, že jste se dostali k dalším globálním klientům.

Ondřej Vaněk (00:46:07): Přesně tak, tím se změnil ten biznis, protože pro Blindspot malou firmu se dostala do Bank of Montreal. Velmi těžký vendor proces, že trvá měsíce a proč by Bank of Montreal onboardoval jako 20 člený tým. Takže... Totpartnersy z toho adastorám umožňuje právě přístup k těm zákazníkům. V první fázi k těm českým, takže tady to jsou telko společnosti insurance banky, tak vlastně tam působí account manažeři, kteří nás tam vzali, znají toho zákazníka, takže jsme se začali bavit s co tam, co tam podnikujeme dohromady a kde vlastně aplikujeme AI, asi se nám tím otevřeli dveře a ten business development Já nechci říct, že byl zadarmo.

Já byli právě jako otevřený ty dveře a my jsme mohli začít jako developovat na těch velkých akountech spolu s Adastrou, která měla ten brand. Takže toto byla jako velká změna pro nás a v druhé fázi po integraci vlastně té globální Adastry, tak se tady hned ty možnosti otevřely právě jako globálně a bavíme se právě ať s největšíma kanadskýma bankama, americkýma bankama, Český trh je malýho a to mě zase, já jsem, proto jsem z toho nadšený vlastně z toho jako sejednocením, že firmy, ať jako z retailu, energy, zajímavý jako technologický firmy, který vlastně tady na tom českým trhu možná ani jako nejde postavit, protože ten český trh je malýho. A to mě zase, já jsem, proto jsem z toho nadšený, vlastně z toho jako sjednocení, že Ten AI team tak vlastně je volaný po celém světě od východní Azie po západní Kanadu na jako různý engagementy s různými zákazníkama a to si myslím, že i baví naše lidi hodně, že se podívají do spousty domén. Já když nastoupím do produktivní firmy, tak často řeší jeden produkt, jeden textek A dodává to do nějaký vertikály, ale u nás ty lidi za několik let se podívají do detailu, do telka, energy, možně nějaký tech, agro, healthcare, life sciences jsou také jako velký, takže to je jako skvělý, že člověk jako načuchne k těm doménám a často tam třeba řeší anomaly detection, jo, anebo prostě nějaký jako výřez toho, ale napříč napříč doménama.

Jirka Vicherek (00:48:10): No a to je moje otázka, ty říkáš, tak jsme mohli prodávat AI velkým společnostem, ale pořád se bavíme rok jako dva, první 18, potom 19, potom jako je to před ChatGPT, jo? Jo. Ten trh vypadal hodně jinak, i když jdete jako Adastra, tak zase měl jsi otevřený ty dveře, co si tehdy prodával, co byla tehdy ta technologická propezice, co byl váš stack, co bylo to, co jste dělali jako baťa cvičky, co bylo to cutting edge, co děláte doteď, tak co bylo v roce 2018, 2020 cutting edge.

Ondřej Vaněk (00:48:49): Dá se rozjet jako na ty biznisové offeringy a technologické offeringy, my jsme více rezonovali s klientama přes biznis offeringy typu Next Generation Fraud Management, máte tady pravidlový systém od Adastry z roku 2010 postupně vyvíjený, my Vám nad tím uděláme tu machiningovou vrstvu, která Vám udělá klasifikaci fraudů, Obohatí váš rulebase systém a bude vám spravovat vlastně tu rulebase, tu rulebázi vlastně autonomně a doplňovat ji fine-tunovat parametry. Nad to nahoru dáme Anomaly Detection vrstvu, která detekuje jako ty zero-day fraudy, který se dějou, protože se nám vyvíjí ten business model. Takže to bylo, to je nějaký ten příklad toho offeringu, kdy jsme šli vlastně po nějakým businessovým caseu. A vlastně jsme to propojili prostě s tím tech offeringem velmi často vlastně machine learningem, ať tím supervised on supervised, tak teda dřív, že vlastně ještě říkalo. Dělalo se vlastně i dost toho NLP, že vlastně zpracování textu Měli jsme, to tehdy byl ještě trh, to tehda ano, to tehda prostě se vyčítali na to z dokumentů a měli jsme třeba reedy, extraktor dat z občanských průkazů a podobných věcí, vlastně fine tunovaný na české občanky a řidičáky, to tady používala taky řada firm, to bylo jako velmi blízko produktu vlastně, kdy jsme, my jsme opravdu to nabízeli skoro jako SAS vlastně.

A tady jen se jako produktový duch v nás zůstal, máme jako pořád řadu řešení v současní době, jestli teda skočím zase dopředu ještě tady tou linkou, tak velmi jako major pro nás je OptiSuite, platforma vlastně optimalizační, kdy dokážu namodelovat prakticky jakýkoliv optimalizační problémy, ať je to logistika, rozvrhování, kamionů, ať je to skladovnictví, ať je to rozhodování výroby, plánování výroby na horizontu 10 let nebo jednohodné, ať je to plánování lidí na směny a podobně. A vlastně ta densta platforma je zajímavý, my jsme ji vyvinuli... První engagement tady ten byl s krokodilem, krokodál, rozvozce baget, který právě čel, že ho výzvědl se uplánovat to rozvážení baget, tak tam vlastně byl zároveň, když jsme říkali, jo vlastně, když jsme vyvinuli to řešení, tak to fungalo fakt hezky, jo jako... A se to byla nadčiním, jim možnilo jim to třeba dělat velmi rychlo jako vody v analýzu a expanzi do další země, že si vlastně namodelovali, tak tady by jsem měl sklady, tady by jsem měl nějaký zákazníky, tak kolik potřebujeme kamionů. A když to bude dostat, jak je budeme nakupovat a vlastně ten systém byl V jádru vlastně ten optimaceční algoritmus, sami jsme si uvědomili, že to je jako zajímavá niš, která se tady moc nedělá a od ty vzit vlastně ty inspekce, tak to bylo to samé, že jo, rozvrhování inspektorů, kdo kam má jet a bylo zajímavé, že ty inspektoři tvoří týmy, jo, tak zase, kdo zná výhýkrouting problém, tak to je relativně přímočaný, ale výhýkrouting problém, kde se mi potřebuje na místě jako sformovat nějaký tým s různými znalostmi a někdo tam je dva mendeje a někdo čtyři mendeje A pak se jako rozjíždí, tak tady ten multi-agent je výpočetně, to není jako velmi náročnější, ale prostě jako ta komplexita tam výrazně zrůstá a zase jsme to dokázali si myslím obstojně vyřešit Vlastně tady to know-how jsme očistili do té optimizační platformy a v současný době vlastně ten optistream projektů je dost stabilní a líbí se nám vlastně, že to zase nabízíme velkým zákazníkům Škodovka, Magnus jsem zmiňoval Hyundai Bednar, tady agro agrostroje, takže i v Čechách vlastně tady máme super accounty, který mají tady naši opty platformu a vlastně se mi na tom líbí, že tam To know-how optimalizační, jako už otištěný, jako velmi hluboký, že ta platforma je fakt major a co se týče benchmarků, tak my soutěžíme jako ze state of DR věcma, ať to je IBM, Gurobi a podobný, máme trošku, máme jiný přístup filozofický k té optimalizaci, ale co se týče škály problémů, tak dokážeme řešit stejně velký nebo větší.

a jsme flexibilnější v tom, co dokážeme namodelovat za ty biznisové omezení, kriteriální funkce a podobně, že my vlastně nejsme omezení tím, jestli to je lineární programování, mixed integer programování, kvadratické programování, ale vlastně ta platforma to dokáže pojmout celý. Takže to je super. Vítězíme nad zaveděnými systémama pro plánování optimalizaci, samozřejmě jsme prokopili integraci na ERP na SAP, abychom z toho soustřeli ty data a těm klientům opět uděláme jako to end to end, prostě řešení pro plánování logistiky a vlastně odemkne se ještě další předná hodnota, když si ten zákazník nechá vlastně soptimalizovat ten inbound, warehousing, manufacturing a jdeme tomu pak odpady, že opravdu celou tu pipeline a jdeme tomu jako distribuci a k tomu se přidáště forecasting dopředu. Takže za mě to je ta ultimátní, byla ta ultimátní vize, propojit prostě jako ten pohled dopředu, tu jako predikčí, machiningovou složku, porozumění tomu světu na modelování ho, pavitoření systému, který mi v tom najde optimální řešení, to je ta optimalizace. No a teď, když přišli ty agenti, tak tam pustím, že o ty pozovkách broučky prostě, který mi jako běhá autonomně.

Až teda kamiony budou autonomní, tak budou ty agenti řídit ty kamiony, který budou naplánovaný jiným agentem. Tak to je to, teď se ta vize posunula prostě díky těm agentům jako do toho finále, ale z pohledu toho jako softového AI z takových technologií, tak to byla prostě naše vize to propojovat jako dohromady. Tak to jsem se trošku odchýl od těch offeringů?

Jirka Vicherek (00:54:26): Jo, to si právě se přichýl moc k dalšímu offeringu za mě, ale na co se ptám je, jak byli jste od začátku cloudový, třeba jak se vám měnila pod rukama ta technologie, Zase AI v roce 2015, to je něco úplně jinýho, když jste měli blind spot, než 2020 a to jsem ještě před GPT a před Gen AI velkou vlnu. Jasně, jasně.

Ondřej Vaněk (00:54:54): Tak jo jo, Krokodil Frontend se jmenuje v Javě FX, to nevím, jestli ještě někde jako funguje, ona má jen desktop hubku naskinovanou přes nějaký CCS, nebo co to používal CCS a

Ondřej Vaněk (00:55:11): Vlastně jsme od těch startupů relativně brzo chytli ten cloud, tam prostě ty startupy jak rostly rychle, se vykonvali, tak každý byl na tom AVS-ku, jo, ten AŽ teď dál zaspával a AWS byla takovou tu platforma v té Americe a to jsme se naučili velmi rychle a velmi rychle jsme si navykli jako na to pohodlí, jo, to bylo, to bylo super a ty spendy jsme neplatili my, jo. To pač je ten zákazník a měl zase na to jako jinej tým, který to vyjednával, nějak to optimalizoval, ale my jsme mohli prostě deployovat rychle. Takže jako comfort cloudu jsme se naučili brzo a na druhou stranu pořád ten on-prem a to i jako doteď je nějakým způsobem jako relevantní pro nějakou jako podobnoženu. Když se také podívám jako z těch velkých datových věcí, jestli jsme jako velkou datovou analytiku dělali jako onpremově, tak si myslím, že jo, a zase to byl vlastně abstrahovaný do nějakých knihoven, ale potom takový ty jako sparkový a velký joby, to si myslím, že byl všechno jako AWS a Azure, že jsme vlastně žádný jako large scale data prostě neřešili na onpremů. Tak a s LLM-kama, že jo, to se ještě posunul o krok dál, ta potřeba být v tom cloudu a mít ty data v tom cloudu a on-premový LLM-ka taky umíme, děláme to a zase vlastně large scale deployment, potřeba, psali jsme nějaký propouzly, zákazníci to chtěli Neviděli jsme, že by to kdokoliv vyhrál vlastně, že si myslím, že když přišly ty nabídky na ty on-premový LLMK, tak ještě takhle, nasadit to je jednou dobrý, ale tři roky, co s tím dělat, prostě potom ta maintenance, ale jako i ten upgrading a ten refinetuning a podobné věci, to je jako, to je peklo, takže jsem na to zvědavý vlastně, jak se ta potřeba toho cloudu ještě víc posune a zase jako je to ten tailwind pro tu Adastru, že jo, prostě, která ty data přesuvá do cloudu, buduje ty cloudu infrastruktury, tak to je zase super jako propozice, že my říkáme, jo, tak kdo chce dělat AI at scale, musí dělat teďko v cloudu a Adastra vám tam případně jako pomůže nebo už vám pomáhá leta, tak pojďme v tom pokračovat dál.

Jirka Vicherek (00:57:21): No, ty už se nám přesouváš k těm agentům, tak ještě jedna vzpomínka, co když teda vyšlo ChatGPT, co to pro tebe znamenalo? Říkal, že jste dělali NLPčko, tak asi GPT2 jste si s ní hráli, nebo dokonce ji někde měli, ale najednou je tady ChatGPT a svět se změnil pro lidi, co tělají AI stoprocentně.

Ondřej Vaněk (00:57:43): Já si myslím, že jako jsme neměli prodoučný deployment jako těch modelů před GPT 3.5. GPT dvojku, pak byl ten gofer nějaký a podobný, tak to jsme myslím, jsme si s tím hráli, jsme něco pokoušeli se produktizovat, jakože jsme na tím postavili nějaký řešení, ale než jsme to vlastně se tam dostali, tak vyšla třeba půlka a jako mě osobně teda to velmi jako překvapilo ten skok, že řada lidí říká jo, tak to bylo jasný, evoluce, ale jako Jak to v úzovkách drželo moč, že už prostě, že ty předchozí jazyk jako divergovaly velmi rychle, prostě nezvláli ten odstavec napsat, tom druhým už to byla taková jako polohalucinace a ten třetí se jako rozpadal. A to, že ta tři a půlka dokázala tu konverzaci vést fakt jako celně a pak ta štyřka to teda jako tam dala ten hřebík, tak to pro mě bylo překlapivé a bylo jasný, že to bude jako nějakej Jak se v těch teorii systémů říkáte na traktor toho fokusu, že prostě teď se tam ty firmy zafokusují a samozřejmě mám tady prostě super kladívko, tak najednou všechno je hřebík, takže se optimalizuje pomocí prostě LLM, úplně nesmysl a ten reasoning je jako pořád strašně chabej, nemáte ten grounding, takže z pohledu právě jako Reasoningu jako takovýho, tak má smysl používat ty jiné modely z pohledu jakýž o klasifikace predvice, strukturovaný rád, to prostě ty všechny major metody, které jsou vysvětlitelné, předvídatelné, jak je mám natrénovat, jak budou performovat, tak to všechno zůstane super relevantní, ale ten fokus je jinde. A vlastně se ty firmy a nakonec jsme se refokusovali vlastně na ten nový typ problémů, který je řešitelný pomocí aleamek. a právě ty LLMka odemkly přístup k těm nestrukturovaným datům.

To byl vždycky ten boj, že jako vytáhnout nějaký strukturovaný data z nestrukturovaných dokumentů, ztrácel se ten kontext, to vlastně byl ten boj, no a teď to všechno teda narvu přes ten rak ideálně prostě tomu LLMku. A zase vznikli tam už paterny za ty dva roky, takže ty první engagementy, tak buď to bylo vlastně triviální, tady analyzovat nějaký sentiment, někam prostě poslat nějaký data, přečíst dokumenty, sumarizace a tak, dostat ten Copilot do ruky uživatelů. Tam přišlo první, první ona vystří zimění, že ta jako edit value je nízká vlastně, jo, summary, fajn, ušetřím mi to nějaký čas, napíšem mi nějaký e-mail, za mě to použití jako pro osobní use case má tu nízkou hodnotu. Je to must have, jakože nebudeme si zastírat, že vlastně nepotřebujeme GPT nebo prostě LLMK, jo, pojďme to používat na týdenní bázi, ať to nejí ta transformativní síla, kterou to má, tu transformativní sílu já odemknu, až když opravdu jako to pustím na ty nestrukturovaný data a zase, Nebudu to používat na to, že do toho dám směrnice a ono to říká zaměstnancům, kdy mají kolik dnů dovolených. Zase najisto je Fuse Case, ale nemá to tu edit value.

To má obrovskou edit value, jsou ty expertnější systémy. KWS, obrovská agriculture firma v Německu, prohledává patenty, jestli nebyla tady ta genová sekvence patentovaná, protože tím řídí research. Mají na to spoustu odborníků a je to strašně náročný. Takže se mít LLM, který velmi rychle flagne, tady už je tohle hotovo, anebo nevypadá nic příbuzného, strašně jako zefektivníme ty experty a ten jenom to zorientování v té expertní znalosti pomáhá hrozně moc. Sam konzul, čvětská firma, projektční, tak když dělají projekt, nevím, staví někde domeček, tak čtou vyhlášku, že ho znají teda státní, regionální, daný obce, hydro, geopodloží, já nevím, laviny, co tam řeší, jo.

a tak to prostě narvu do toho LLMK a pak se optám, tak můžu tady postavit tohle, tady ty rozměny jsou v pořádku, ono to prostě vytáhne to, co potřebuje pomocí toho raku a zvaliduje mi to. A jim se to líbilo tak, že oni generujou pro pouzly nebo prostě dokumentaci, která má taky stovky stránek, takže pro toho člověka na druhé straně je to taky náročný, tak mu to jako obalí tím LLMKem a říkám, no tak tady je dokumentace, tak můžeš se zeptat, co je pro tebe relevantní ty schvalovateli tady Geo Hydro. A to se mi hrozně líbilo, vlastně, že jako expouzovali ven vlastně ten svůj nástroj, který použije vevnitř a pak s tím obalili ten svůj propouzlo a dali to ven, jo, to je jako skvělý. A měli jsme tady jako různě úspěšný, bych řekl, nasazování do jako education, therapy, healthcare. Tím, že je to na hraně toho evropského e-actu, těch Hyrex systémů, tak tam ty náklady musí být jako vořát jinde, jo.

Ale ty, vlastně ty systémy dávají smysl, fungujou, ale jenom právě jako ten, to potvrzení toho, že to dělá to, co má, to LLMUko je hrozně těžký, jako vlastně udělat si ten evaluační dataset, V tom otevřeném světě těch nestrukturovaných dát, to je těžký. A takže je tam nějaká chybovost, tady v těch citlivých domenách manažovat tu chybovost, která je ale softová. Pak se mi často neschodnou už ani ty experti, ty dva terapeuti nebo ty dva doktoři, jak to vlastně má ta odpověď vypadat. Takže tam... Tam ty zákazníci potřebuje být trpělivý a aby se to opravdu vyladilo, tak to zabere hodně času a frustrace.

A problém je, že když si to ten zákazní zkusí jako na první dobrou s tou GPT4, to funguje dobře, že jo, když mám dobrý prompt, jako tady potřebuji terapeuta nějaký šikovým promptu, to funguje docela dobře, pokud se to tomu vyloženě nebrání, ale udělat toho třeba podle nějaký jako metodiky pro daný use case, třeba já nevím ohledně výchovy dětí nebo něco takového, To je jako velmi těžký. A tam je podle mě zase důležitý ten expectations management, jako vždycky, protože ty jako těžký high value věci prostě trvají a stojí peníze. Tak to platí pořád. Jako se těším na ty další verze, já jsem furt nešťastný z toho jejich reasoningu, prostě takhle, myslím si, že jako ten reasoning už se blíží nějakým lidem, že jako řada lidí také přemýšlí, jako přemýšlí ty LLMka, že vlastně nejsou nejsou grounded ve faktech, nejsou grounded v analýze, nejsou grounded jako grounded v logický dedukci. Takže vlastně někomu ten reasoning přijde v pohodě a naplánovat si dovolenou vlastně, když se tam udělá chybu a něco tam nezahrane nebo jo, tak to je jako jedno, ale pro ty prostě jako biznisový procesní domény nebo takový ty jako hard domény, kdy prostě jako potřebu sekvenční rozhodnutí a potřebuje to být jako groundovaný v realitě a v nějakých faktech a redukci, tak to je to je jako bída a já jsem měl za to, že bude potřeba udělat ještě jeden jako revoluční skok v těch LLMkách sloučit ty LLM s tím jako planning a reasoning systémem, případně myslím Jan Lekun říká, že to potřebuje mít ten world model, že to nemá ten world model, i když to bude mít ten world model, já nevím jak nad tím bude dělat ten reasoning pomocí prostě jako statistické inference jako dalšího slova, tam za mě musí být prostě jiná technologie prostě na tu dedukci.

Ty agenti to otvírají, že jo, ty agenti to otvírají tím toolingem, že vlastně to LMK pozná, ha, tady potřebuje napávnout logistiku, no tak to nebudu dělat pomocí prostě NLP technologií, ale zavolám si tady prostě Reasoner typu prostě solver mix integrálního programu, jo, a takže ten tooling vlastně Podepře Tu statistickou inferenci slovní Už nějakýma rigorosníma tůlama Což Marvin Minsky zmiňoval Society of Mindy, myslím ta knížka, která je říká No vlastně máme v hlavě spoustu agentů, který tam běhá Každý je dobrý na něco a my mezi nima přepínáme A oni spolu interagují A vlastně to se ten Ten cer vyrátíme směrem, že vystužuje ten Chabej reasoning těch LLMek nebo Předstíraný reasoning těch LLM jako může vyspat tím podpořit tím toolingem, tak to může být jako ta endgame, ale jako ta true, asi no ta true intelligence, no kdo ví, jak to dáme v té hlavě, já si taky mám pocit, že nějak přemýšlím jako spontánně a pak občas přepnu teda, tak si to musí nosat na papír tu rovnici.

Jirka Vicherek (01:05:56): Já tam trochu slyším, že máš vysoký nároky na lidský druh. Že právě. Jo, jo,

Ondřej Vaněk (01:06:04): jo.

Jirka Vicherek (01:06:05): Že my to máme ještě naopak, podle mě, že právě ten plazí mozek něco vyhodí emoci a ten racionální systém 2 se fakt snaží, aby to drželo nějaký worldview, ať je to jakkoliv služité.

Ondřej Vaněk (01:06:18): Jo, a jako modulace těma emocema, což je ta jako kognitivní... Že máme jako omezen ty computational power, protože prostě energeticky je to náročný a nedokážeme prostě si postavit elektránu na Islandu a napojit jí na mozek, takže máme spoustu těch zkratek, který jsou prostě pro to rychlý rozhodování a mají ty bájasy z těch slušeností a ty emoce, to je jako pro reasoning, teda aspoň z mýho pohledu ne úplně ideální, pro někoho ten jako naopak se řídí těma emoce a bere to jako tu správnou cestu, to je ještě taky takový jako dilema, že možná ty technicky lidi mají možná špatnej ten bájs, já nevím.

Jirka Vicherek (01:06:54): Myslím, že je uvidíme velmi rychle a trochu mi něco říká, že se vrátíme k emocím, že v tom, že GBT a reasoning modely vždycky porasíme v té racionalitě a plánování. tak tam nám zvoní hrana a každopádně tak po 15 letech ses dočkal a agenti jsou největší téma IT a technologií máme tady agentní systémy Tak provedeš nás. Jsou to ty samý agentní systémy, který principy platí, který principy jsou úplně mimo. Nebo je to jenom stejný stejná nálepka na něčem úplně jiným.

Hynek Walner (01:07:37): A z čeho ještě z tý slíbený budoucnosti, kterou před 15 let jsi sliboval, nemáme, ty si jako změnil ten reasoning, ještě jako velký problém a je tam ještě něco, nějaký další, další slepý místo, co současný agenti neumí.

Ondřej Vaněk (01:07:51): No, co se týče těch současních agentů, tak já jsem si trošku připravil to hradcí pole na začátku, kdy je ten rezoning vnitř toho agenta, který právě těch 15-20 let zpátky byl jiný. To je jeden velký rozdíl a tam, jak jsem zmiňoval, já doufám pořád, že jde jako nějaký konvergenci, konsolidaci těch různých přístupů, protože za mě tady ten slovní statistický není optimální. Takže to je jeden rozdíl a tam já doufám, že se posuneme. A zase pro teď si vystačíme s tím toolsetem, MCB protokola a to, že si volám vlastně tady z ty externí věci.

Jirka Vicherek (01:08:34): MCB protokoli by mě vyvolávají takový reakce biologický, promějte.

Ondřej Vaněk (01:08:39): A co je zajímavý, a na co já se hrozně těším, je ten multiagentní aspekt toho celého. V současné době ty agenti běhají v simulaci a jsou takový jako, že bych přinelepší mý pomocnici, jo, ať je to ten coding, copilot, různých druhů, nebo ať je to nějaký tady calling assistant, nebo notetaker a podobný, tak je to jako takový můj jako sidekick, já ho trošku kontroluji, směju se, že ho vždy něco připíše blbě, A jako je to fajn To je jako To je to low value Když si představím za pár let Když jenom tadyhle ten přístup Bude evolovat, tak Já budu mít svý asistenta, kterýmu věřím On mě zná Dokáže za mě jako já na něj dalegovou řadu věcí a objednám si pizzu, tak už nejdu na Foodoru, říkám mojemu agentovi, objednej mi pizzu. Tak ten agent co udělá? On nejde na stránky Foodory, ale volá Foodora agentovi. Prostě protože Foodora už má i agenta, domluví se tam přes nějaký interfejs a co dělá Foodora agent, neskrypuje stránky pizzerii, ale volá agentům pizzerie a od nich si bere akorát prostě akční nabídky a podobně.

A teď co bude jinak? Bude jinak rozhodně prizing, díky tomu, že vlastně spolu interagovou agenti velmi rychlé, tak můžou být daleko sofistikovanější metody prizingu, takže proběhne nějaká realtime aukce. Mezi vlastně jako Foodorou a těma ostatníma pizzérkama.

Jirka Vicherek (01:10:14): Programatický nákup pizzy.

Ondřej Vaněk (01:10:16): Přesně tak, no on jako bude to nějak jako algoritmizovaný a právě díky tomu, že už je to agent to agent to multiagents dejme tomu, tak já tam můžu začít jako aplikovat ty metody, například aukční mechanizmy, jsou velmi dobře prostorovaný, jak je naimplementovat, jaký frameworky udělat, ať z pohledu uživatele a já můžu říct, hele Foodoro, tady chci pizzu a zvol mi tady tu Dutch au auction, nebo něco prostě, anebo tam je nějaká defaultní Respektive já si myslím nebo doufám a nevím jestli to založím já nebo nikdo jiný, ale bude tady ta platforma pro vlastně interakci agentů, kde já už budu předpřipravený tady ty mechanizmy, takže je to prostě jako vyjednávací typu aukce, jiný typy negociací, orchestrace prizingů, transferu peněz nebo nějakých jako měrnových jednotek a podobně a tady ty platformy já nevím ještě, nejsem si vědomý, že by byly nějak jako at scale, ale to si myslím, že jako inevitable. Je to vznikné, takže jako Foodora se napojí možná na nějakou aukční platformu a tam si zorchestruje aukci pro moji pizzu. Pak mi to teda doveze ještě jako human, že jo, to ještě na té motorce nezvládne, ten agent. A mě se ten můj agent zeptá, protože se ho ptala ta foodora, protože se jí ptala ta pizzerka, jak mi chutnala ta pizza. A já řeknu, že jako dobrý.

A ten feedback se nějak vypropaguje. Ale co je zajímavé na tom, tady na tom vlastně jako review a trust systému, že když přijde další agent objednávat pizzu, můj soused, tak on, že jo, teď je tam těch 2000 pizzerí, já jsem línej, tak se podívám na ty první dě stránky a první tři pizzerky jsou ty promovaný. Ten agent může projít všech 2000 pizzerí, zase on jako kognitivně nemá problém pro si projít všechno. Reklamy nefungují na agenta, že jsou top 3 na hoře, to je mu jedno. Funguje na něj trust, ale jak se jako tvoří ten trust v těch agentních systémech, to za mě taky není jako přímočarý, protože teďka já vidím, jo, tak soused prostě mi tady doporučil pizzu, nebo soused tady napsal prostě nějaký reviews, nebo tady to review je hezky napsaný, ale teďko to review bude psát ten agent, že jo, a on ho napíše možná strojí, možná velký, možná v bodech prostě, a teďko budou to čistý jiný agenti, jako, jo, takže jako advertising a tady to jako incentivizace tou reklamou a celé jako trust building a jako review modely, se podle mě budou jako posouvat, protože ty agenti buď toto nebudou číst, nebo to budou číst všechno, nebo si budou, všechny ty recenzi budou vypadat stejně a nebude to jenom těch pár nelínejch uživatelů, který možná byli zaplacený, aby tam napsali super recenzi.

Takže jakoby tady to se mi změní a celý vlastně jako Google search, který je Když ty reklamy jsme nahoře, tak pro ty agenty jako irrelevantní co je nahoře a co dole. Respektive oni to vezmou kvůli PageRanku, kvůli relevanci, ale ty reklamy je jako netrápí. A možná, že jo, možná, že já dostanu radnější pizzu, když prostě tam koupím něco promovanýho, ale to je součástí tý aukce. Takže jako tady, tady ten multiagentní svět i v tom a tohle ještě kooperativní prostředí celý. Tam kompetice jsou ty pici, tam mám ten naučitý mechanizmus, ale jinak jako můj agent Foodora i ta pizzerka nakonec jako spolupracujou, aby Ondřej dostal tu svoji pizzu, takže to je jako kooperativní prostředí s nějakým jako kompetitivním prvkem.

Ale pak jako docházím dál, že budou prostě ty agenti si vyměňovat možná různý jako poznatky, zase když vezmu to pojišťovnictví, jak jsme se zmiňovali těma ohledně těch fraudů, tak existuje tady nějaká Česká asociace pojišťoven, která právě pomáhá distribuovat informace o frodech mezi pojišťovnama. Takže vlastně pojišťovny, který jsou konkurenční, jak jsi řekli, tady v té oblasti budeme spolupracovat, máme tady nějaký nezávisí tělesok, který prostě bude zdělat informace, ale nějaké anonymizovaně, že jo, nebo agregovaně. A to bude další problém těch agentů, že vlastně nějakým konkurenčním prostředím, vlastně ty agenti budou si muset umělat informace, ale ne, aby něco líkly. A To má dva problémy, že ten člověk má nějakou tu strategii, chápe toho konkurenta a ví, co může říct, nemůže říct, ne vždycky, ale většinou, ale nějak má za to zodpovědnost minimálně, ten agent to úplně nebude vědět, ale zároveň to bude strašně prone to exploit, že ty agenty, bude strašně moc lidí utočit na ty agenty, aby mi dali ty data. Utočit na to člověka, který má omezený kognitivní příjem, protože já můžu volat prostě jenom jednomu člověku a často se mi někdo nedovolá, ale ten agent může obsahovat parálně jako tisíce požadavků, že jo, takže já vlastně na něj můžu útočit a snažit se ho jako exploitovat jako velmi hodně, jo, a je to takové, já nemyslím, jako je to podobný DDoSu nebo podobný jako cyberútokům a já v tom vidím jako rozdíl ten, že ten agent jako může být třeba i navigovaný takový, jak je social engineering.

lidí, tak bude prostě agent engineering agentů. A není jasná obrana, protože ten jailbreaking LLMG je vlastně to, co není vyřešený problém a to, co bude propíhat. Takže to, že ty agenty já expozuju někam ven, Aby oni interagovali s tím jiným světem a s ním budou interagovat buďto jiní agenti, který můžou být opravdu jako malicious, adversarial, anebo nějaký konkurenční, anebo nějaký kooperativní. A nebude jasný, kdo je kdo, tak to si myslím, že bude jako výzva opravdu jako ty vyšší vrstvy autonomie a že tam bude docházet k nějakým jako dynamikám, který jsou teď jako těžko předvídatelní. Jenom ještě k tomu poslední bod, i když tohle prostředí si uzavřu a jsem banka, tak teda banka bude mít svoje agenty, já tam vím, že jsou všichni plně jako operativní, tak je zajímavý.

že co se teď děje, že každý si může vyspinofovat toho CEO agenta. Že vlastně ten Microsoft tak narval s proměnutím všem ty Copiloty, nebo se to snaží a jako myslí to dobře, má to ten jako dobrý jako first order efekt. Všichni mají jako zvýšenou produktivitu. Second order efekt je, že si všichni jako spin-offujou agenty, který si dělají pro vlastní potřebu, takže mně vznikne v bance 2000 agentů, který za mě budou řešit dovolenou, protože prostě si vyspin-offujá, ty jsi můj agent na řešení dovolený. Každý bude mít trochu jiný prompt, ale zároveň jako ty computational resources budou taky jako vlastně duplikovaný.

Takže... Máme tady jako velkou demokratizaci AI, já si myslím, že jako poprvý v životě, protože píšu přirozeným jazykem, tak je to jako ta true demokratizace. A do tohodle zavést z pohledu té banky governance, prostě to bude fakt hříšek. Ať jako nechám těm lidem přístup prostě k těm toolingům, že oni můžou být jako produktivnější, ale zároveň ať to jako prostě má nějaký jako systém a nějakou governance a to, že tam někdo si nevyspinufuje jako high risk use case z pohledu evropského AI aktu, to je fakt těžký. Takže to si myslím, že zase budou řežit i ty společnosti interně, jak vlastně tadyhle tu zoologickou těch agentů jako udržet na různých jako uzdičkách potažmo ty jejich majitele, aby se jako nespinoffovali další.

Jirka Vicherek (01:17:05): No a tohle popisuješ něco, co nastane bez nějakého technologického breakthrough, čistě další optimalizací škalováním současné technologie velkých modelů. Vrátím se k té otázce, se se ptal Hynek. Před 15 lety ta krabička vypadala jinak. Mně se hrozně líbí, že to dáváš na zem, že tady neříkáš AGI, ale že to je statistická metoda, na něco je to skvělý, ale něco bys tomu ještě nesvěřil, co v té rovnici chybí. O, teď říkali jsme reasoning, myslím, mám pocit, že paměť jako byla jedna z velkých věcí a teď jako skoro vyřešená, není ideální, ale už neřešíme kontextový okno, co máš pocit, že by měla být next level, anebo jaký části moduly tomu celému chybí, abychom se dostali k AGI nebo general intelligence nebo k dalšímu stupni.

Ondřej Vaněk (01:18:11): Po první po hodině se tady dotknu taky G.I. Je to jako nevyhnutelný. Možná první, jo. Ještě se vrátím k tomu, co k tomu chybí z těch multiagenních systémů. To, co jsem asi tady popisoval, jak to si myslím, že je teď jako upcoming a fakt by byl hrozně rád že by startupy začali přemýšlet právě to, co už je jako tady proskoumaný, ty algoritmy jsou nadizajnovaný, všechno už je to jako vlastně optimální a ten jako work is done, tak ať to neimplementujou pro to biznisové použití, ať to jsou ty auční mechanizmy, vyjednámací mechanizmy, hrny teoretický mechanizmy, to všechno prostě se může dát na nějakou platformu, je to relativně biznisově nezávisný a Těm agentům to pomůže v tý větší míře autonomie a to, že je to fakt jako anníšně do světa a zároveň teda to misí někdo na ty jako second order efekty a dá tam nějakou tu jako security privacy vrstvu a tohle jako podobně uvidíme, že v dalších bych řekl mě deseti letech bude jako intenzivní podhoubí prostě Silicon Valley a z toho budou vznikat různý věci.

Takže to si myslím, že je jako inevitable a je to jako evolution. Ta otázka toho jako AGI Já si myslím, že ta odpověď je dvojí, jo. Jedna je, co teda ta jako general intelligence je a jestli je to definována jako ta human level intelligence, tak jako na ty jako za mě jako average human intelligence jsme. Tam já jako já se nechci jako dotknout nějakých jako jakýho jako kvantilu lidí, ale že to LLMko jako rýzenuje jako líp než válná většina lidí, jako když se bavím S některými lidmi, tak pro ně je těžký vyřešit nějaký problém nebo porozumět knížce, která je nad gymnáziem. Takže human level intelligence máme.

Nemáme tu humanity level intelligence, která opravdu umožňuje posouvat state of the art a research dopředu. A nemáme cestu k té superhuman intelligence, whatever it is a co to všechno obnáší. A jak jsem říkal, já si myslím, že to, co my víme, jak my uvažujeme, vlastně to naše teda jako humanity intelligence, tak vyžaduje teďko lepší jako grounding a reasoning. A já právě, co nevím, Nebo ani na to nemám silný názor je, jestli stačí ten přístup toho těch LLM, jako inference toho textu a vlastně toho jazyka. A já nevím, jestli to je čomský nebo někdo, který říká, že ten jazyk prostě to, co potřebujeme a v tom jako vyuvažujeme všechno.

A nebo jestli teda budu mít specializovaný LLM na, já nevím, matiku, prostě fyziku a ty budou mít jiný abstrakce, jiný jazyk, ale... i jako jiný podložní struktury, že kdybych se podíval potom i do toho jako latentního spaceu, tak tam uvidím úplně co jinýho a nebude to prostě vektorový space, bude to space nějakých struktur, já vlastně byl hrozně rád bych viděl jako do hlavy matematiku, který podle mě přemýšlí jiným způsobem nad těma problémama než my a to bude možná potřeba otisknout v těch LLMkách, aby se dostali opravdu na tu hranu. Ale možná zase nám pomůže v tom ta singularita, že už se tam pak dostane evolučně nějak jako samo, že to už možná není na nás, ale těžko říct vlastně, kdy ta singularita jako nastane, vlastně Ten systém zase zpromenutí prostě drží moč po nějakou dobu a po tu dobu, co drží tu moč, tak on dokáže něco někam lehce posunout A jak dlouho musí držet tu moč, je jedna otázka, aby posunul něco dostatečně daleko, že důkaz na 10 řádků udělá, důkaz na 10 stránek neudělá Tak kolik těch stránek je potřeba, abych prostě se někam dostal, abych udělal vždycky nějakou tu deltu A zase asi ty matematici by na to měly odpověď. Druhá věc je, jestli principiálně LLMko dokáže vygenerovat, jestli dokáže nasamplovat veškerý prostor toho spaceu těch odpovědí. Vlastně kdyby existoval prostor odpovědí, Který LLMko není schopný vygenerovat No tak tam se skrývá zřejmě nějaká znalost Kterou on nikdy nevygeneruje A možná to je ta kostička, kterou potřebujeme k posunutí se v nějaké oblasti Takže jako vlastně, když si představím Mám nějaký input a ono mi to generuje věci Tak já musím zajistit nějakým způsobem, že pro Vlastně Pro nějaký input musím být schopný pokryt jakoukoliv podčást toho prostoru těch odpovědí, ale de facto se na to můžeme podívat, že tam musí existovat jakýkoliv možný důkaz, jakýkoliv možný popis reality nebo nereality.

A pokud to platí, já nevím jestli tohle už někdo dokázal, tak tak jsme tam, jo, teď už jako stačí hledat ty inputy, teda, prostě, který jako mi to generujou a který, že jo, ten space je nekonečný, protože ta odpověď je de facto taky nekonečná a to zase souvisí s tou močí, jako zjednodušeně, že jo, že prostě já si potřebuji nadefinovat jako dostatečně veliký prostor těch odpovědí z pohledu jejich jako délky a bohatosti, ve kterým mě to umožní jako posunout to poznání a to posunutí toho poznání mi zase umožní nafouknout ten prostor o něco dál a pokud jako Takhle tohle mám, tak je v úzovkách vyřešeno a je to o tom prostě postavit tomu ty infrastrukturu a pak to samozřejmě udržet na úzdě. A já si právě už nejsem přesvědčen, že je potřeba jako další revoluce. A o tom nejsem jako přesvědčen, nedokážu sám udělat důkaz, ať tady udržení moči nebo prostoru. To si myslím, že někdo se tím aktivně zabývá, v jakou fázi to přijde, že už je to dobrý, protože pokud budeme mít podprostor, který slepí, tak další generaci LLM postavím tak, aby dokázal generovat věci tady v tom podprostoru. Takže to je z pohledu statistiky, je to z pohledu toho, že jak jsem dřív říkal, tak až LLM dokážou generovat videa, Jakýkoliv, tak vlastně jednosti vygenerovaných videí bude zbytek mýho života.

Protože mi to dokáže vygenerovat jakýkoliv video. Tak já se budu moc podívat na zbytek toho života. Je to MaxTechMark, že takhle popisuje ty vesmíry, taky prostě mám jich nekonečně, takže mi musí existovat prostě jako nějaká konkrétní varianta. Takže pokud ty LLMka dokážou tohle pokryt a mají dostatečnou, já nevím, co to je, kompletnost, prostě je computation asi jako completeness, tak je hotovo a stačí to, jako zase teď z pohledu AGI, ano, z pohledu jako superinteligence, není nad tím další dimenze, ve kterým ani nejsme, kterou je potřeba hloknout. Určitě je.

Jirka Vicherek (01:24:45): Ne, tak to...

Ondřej Vaněk (01:24:47): Nevím, nebo jako... Bylo by to tak, kdyby nebyla, ne?

Jirka Vicherek (01:24:52): Ne, a tak to, jakože když by nebyla, tak... jsme v simulaci, ne? Jakože tak je ten náš systém tak vydefinovaný a konečný. Jinak musí být, a to je přesně kompletnost, že matematika není kompletní systém. To je vlastně to samé, ne?

Že jakýkoliv matematický koncept je jenom řez a až když bys měl jich nekonečně mnoho vedle sebe sumu, tak popisuješ, ale že jak se říká, že matematika je univerzální jazyk vesmíru, tak jenom do nějaký míry a ta matika se taky vyvíjí. Měli jsme jako přirozený čísla, potom jakože nula a záporný čísla a zlomky jsou jako inovace. To jako reálně někdo vymyslel, aby popsal prostor právě, který do té doby nebyl schopný popsat.

Ondřej Vaněk (01:25:45): A je otázka, kolik tady těch prostorů je, možná opravdu je jako tady ten prostor konceptů jako nekonečný, i tak jako byste nabízalo, že nebude asi konečný, že jo. Ta nekompletnost té matematiky je potom v nějaké jako možnosti, že jo, něco dokázat, nedokázat a nějaká podnožina věcí, které jsou pravda nedokazatelné. Protože je sebereference, že jo? A to je taky jako zajímavý aspekt toho, že na jednu stranu my chceme jít jako to ale jako pod kontrolou, ale víme, že k té kompletnosti tam potřebuje být prostě jako ta zpětná smyčka, ta Jak toho všetě nazývá, jaká ta loop, strange loop, ta musí být, aby způsobila tady tu kompletnost, ale tady ta strange loop způsobí to sebeuvědomění jako self-reasoning, který pak vede k těm vnitřním stavům, který nebudeme mít pod kontrolou. Zase z mého skromného pohledu.

Takže jo, já se na to všechno vlastně těším, protože člověk to teda jako čte celý život, že jo, a teď se to jako implementuje a manifestuje a zase Honza Romportl, že jo, by tady řekl ty pravděpodobnosti a nebo Honza Kulvajt, že jo, to je taky jako, jsem tady s tím dvou nadšený. Jak se tím zabývají a myslím si, že to je fakt potřeba a na druhou stranu je to fascinující prostě to jenom jako pozorovat, být u toho, že ta doba je jako úžasná v tomhle, že to je jako once in a lifetime of humanity prostě probíhá tadyhle ten jako přerod, je rychlý zatím, že jo, to taky kdo to popisuje Nick Bostrom, že jo, v té superinteligenci tak popisuje jako tu rychlost tady té singularity a říká, ať to jsou jako sekundy, dny, nebo roky, nebo desítky let, tak vypadá, že to je nějaká ta střední cesta, která furt jako člověk zažije za ten jeden život. A to je, je to vzrušující, ať je negativně nebo pozitivně.

Jirka Vicherek (01:27:37): To doporučuji wait but why o super intelligence, tak tam má právě proježdějící vlak. Už je to skoro tak chytrý, jako my, je, teď je to jako pička, kam zmiznu, jakože je ta exponenci, ale je šílená.

Ondřej Vaněk (01:27:53): No ale zase exponenciály jako neexistují, všechno to jsou sigmoidy a vlastně já nevím, kde je ten jako flattening, takže to je z pohledu zase thinking in systems, tak vlastně žádná exponenciála ve vesmínu neexistuje a všechno někdy jako flattene a je otázka kdy? A třeba úplné evaluace už by mohla jako trošku se jako narovnat. Ale to samé bude tady s tím progresem, že jo? A pak zase bude potřeba udělat nějakej ten jako ten jako strukturálně revoluční jako pokrok, aby jsme se poskočili dál a s tí sigmoidy zase udělali jako další tu exponenciu, která zase bude někde jako udělat ten flattening, jo? Takže i z pohledu tady teorie systému jako by bylo překvapivé, kdyby tady ta exponenciála byla nějaká mohutná až nekonečná.

To jako by by se relativně vymýkalo asi. Ale zase odhrnout jako tu magnitud tý sigmoidy je těžký. Ještě možná poslední střípek je, že ty lidi, respektive ta evoluce, ona měla spoustu času na tu optimalizaci, aby našla jako strop tý sigmoidy. Takže bylo by vlastně divný, Mně by přišlo divný, kdyby jsme dokázali relativně rychle vytvořit takovou výrazně inteligentní bytost vlastně asi už, protože ta příroda to jako nedala, tak měla na to nějakých tady jako desítky tisíc let možná, ale ani předtím to nedala a možná jako prostě opravdu nějaký inteligentní takovej práh prostě kolem nevím 150, 180, 210 IQ nevím, A možná pak je právě potřeba něco jako fundamentálně jinýho, na co ta příroda ještě neměla čas, výpočetní nebo evoluční, co pak poskočí dál a tam možná vlastně se jako zasekneme, takže je možná, že mi tady bude mít jako EGI, ale ona bude stejná jako náš soused a občas prostě udělá nějakou chybu jako relativně dlouho, ještě jako, nepřijde mi to jako self-evident, že se to jako tou singularitou odrazí jako samo nahoru, ale možná to bude trovat jako nějaký výpočetní čas. Záleží možná pak na těch výpočetních prostředkách, který tomu dáme a možná prostě ten výpočetní kapacita se bude rovnat nevím naší galaxii prostě nebo něco podobného.

Těžko říct prostě ty rozměry budou.

Jirka Vicherek (01:30:08): Já si to užívám Já si taky

Hynek Walner (01:30:10): užívám tenhle oblouk od somálských pirátů k vesmírným sigmoidám Ondřej Anas, takhle na závěr možná vrátím zpátky z vesmíru na zem do Prahy a jiných míst a chtěl bych se tě ještě zeptat co tě čeká teďka v dalším roce post a kviziční Adastra co jsou ty výzvy pro tebe na co se těšíš na těm přemýšlíš

Ondřej Vaněk (01:30:37): Já si myslím, že

Ondřej Vaněk (01:30:42): V současné době my nemáme nic jako loženýho, že vlastně jako investiční proces proběhl, nějak ještě dobíhá a podobně a mám za to, že až se věci usadí, což by mělo být relativně rychlý, doufám, že tam nebude už žádná překážka, takže vlastně nastane nějaká design fáze. Ten investor má nějaký investiční záměr Bude mít nějaký investiční záměr sadastrou Asi se už někde uvnitř komunikuje, tvaruje A kolem toho investičního záměru se vytvoří nějaká strategie Aspoň tak bych předpokládal, že se funguje Já bych byl za ní rád Já mám rád, když se vytýčí ten směr Zase ze svýho osobního pohledu Mám za to, že AI v tom bude hrát významnou roli Jako investovat do Adestry A nechat AI ležet ladem Mně osobně samozřejmě, že ho nedává úplně smysl Myslím si, že budete součástí nějakého multiplu

Jirka Vicherek (01:31:42): Že si přispěl hodnotě Ondřej, dívil bych se Kdyby AI neměl valovaci

Ondřej Vaněk (01:31:50): No, takže jako myslím si, že jako právě součástí té strategie bude nějaký nárůst AI. Prozatím, co my jsme vlastně jako formovali na další fiskály, je ta já nechci říct jako urgence, ale vlastně za ty poslední roky už bylo xkrát jako potvrzeno a ukázáno, že ta AI má tu přianou hodnotu, že prostě dává smysl jako ji adoptovat do různých částí biznisu. A tohle jako bude pokračovat dál a vlastně ty všechny technologické kousky jsou tady, mají různou jako maturitu, proto to prostě můžu používat jako v systémech, který mají různou jako míru kritičnosti, ale vlastně není na co čekat. Být byznysama bych Nebo i naše, vlastně naše value proposition A vlastně ten offering je Už se odtrhneme od individuálních use caseů Pojďme se na to dívat holističtěji Pojďme udělat tady agentní platformu A na to naonboardujeme 18 use caseů at once Jakože proč to je jeden po druhý No, tak si než ukážeme, že funguje tenhle use case A pak se teda pohneme dál Tak už je jako na to podle mě pozdě A vidíme Ať to jsou banky z východní Evropy který prostě si objednali u nás jako multi engagementy, který fakt tějí se jako předělat, ať to jsou technologický scale-upy, ať to jsou healthcare firmy, ať to jsou telkospolečnosti, tak jako my vidíme i ty velký hráče, který říká jo, už jsme si to tedy jako dokázali, už jsme to zvalidovali a teď tedy jako do toho šlápneme, protože je to stejný jako prostě 25 let zpátky byl datovej sklad, už prostě jako někdo pak v nějakou fázi nepochyboval, že data je potřeba mít jako na hromádce a digitální a je to jako cloud, taky jsem se tomu nějakou dobu bránil a pak prostě jsem udělal tu migracii a už tu rojku už jsem ji předpokládal jako konkurenceschopnosti ta rojka, rychlost prostě změny, rychlost obsluhy nových zákazníků, obslužení jejich jako nových potřeb vlastně, který se s tím vážou. Takže jako z mýho pohledu tohle je ta naše propozice, že ty společnosti vlastně tím touhle transformací provedem.

Kdykoliv jsou, jo, někdo třeba jako trošku zaspával, ty data ještě jako úplně nemá učesaný, nebo prostě v nějaký infrastruktuře mu to trošku jako vázne, tak ale pořád je správný rozhodnutí jako vlastní do toho a možná mu to bude o něco dočekat, ale vlastně my ho tím provedem. Máme nějaký komprenzyní offering AI transformace a globálně to rezonuje s těma firmama, jenom vidíme, že některý pořád jsou takový, ještě počkáme, ještě tenhle jistky zatáhneme, zkusíme tady POC, POC se dělali teďko, musíme dva roky, stovky, tisíce POC, prostě se dělali jako Jenom z fundingu hyperscalerů a všichni vidí, že když se to dělá v té izolaci, tak to má jako velmi omezený impact, ale když se to zklastruje, opravdu se odemkne nějaký proces, tak to vypadá úplně jinak. Takže tohle je za mě to, kde ta adastra je skvěle postavená, takže ten offering z mého pohledu právě v TIA oblasti je jako zřejmý. Z pohledu pak samozřejmě jako trhů a tak kde budeme jako působit tam zase Adastra má jako jasný směr ty regiony kde je a kde má ten super brand a své zákazníky tak podporovat nadále růst a zase asi kdokoliv se podívá investor na Adastru tak jako v Čechách 10x už se asi jako ve dvou letech nestane a jsou jiné expanzní regiony kam se dá podívat a zase součástí nějaký prostě jako definice uvidíme a těším se na to no jako myslím si že to bude Super podmětů, spousta přílitostí, i jako pro ty naše AI lidi, možnost zase podívat se globálně na ty zákazníky a dělat ty věci at scale, pořádně, ponovu, jako se skvělým světovým partnerem, který má ať know-how nebo ten network skvělej, takže já se na to dolženě těším.

Jirka Vicherek (01:35:37): Jo jo, my moc gratulujeme, je to určitě potvrzení úspěchu a dobrý práce. Nakonec se zeptám, kdy si myslíš, že můj agent bude mluvit s Foodora agentem, kdy bude jako první pizza totálně agentně tady.

Hynek Walner (01:35:56): Musí být agentně upečené.

Jirka Vicherek (01:35:58): No, chytr je pece.

Ondřej Vaněk (01:36:01): Tak Jirko, jestli jsem jako nadcítil dobře tebe, tak si myslím, že ty si ho agentovac používat nebudeš, ale pro nás ostatní, já jako doufám, že brzo, jo, jako že ještě takhle, kdy to bude v Americe, jo, kdy ten vlastně jako Google ti objedná tu pizzu, já si myslím, že se jako relativně děje, že tam už jako prostě se to propuje Tady v těch Čechách vždycky jako ty ty naši osobní asistenti prostě, ať to je Siri, Google a podobný, tak ty vás znou, že jo, takže my se díváme, jak tam musí někdo objednávat tu pizza a my čekáme, takže ještě ta predikce tady skewnutá tím a Čechama, ale to jsou prostě jednotky let at max a prostě jednotky měsíců jako at best, jo, a tak možná je to call to foodora prostě, ať udělají to agenta a napojí hra Google.

Jirka Vicherek (01:36:46): Super, těším se a děkujeme moc za tvoje zkušenosti, pohled na agentní systémy a celou tu cestu.

Hynek Walner (01:36:56): No díky moc za to, že jsi přišel k nám tomu popovídat.

Ondřej Vaněk (01:36:59): Já moc děkuju za pozvání, bylo to super, díky moc.

Jirka Vicherek (01:37:04): Děkujeme, že jste doposlouchali až sem.

Karel Šimánek (01:37:06): A díky taky našim partnerům.

Jirka Vicherek (01:37:08): Členům DataTalk klubu.

Karel Šimánek (01:37:11): Těmi jsou

Jirka Vicherek (01:37:12): intecs,

Karel Šimánek (01:37:13): Sazka,

Jirka Vicherek (01:37:14): BizzTreat,

Karel Šimánek (01:37:14): Calros of Data,

Jirka Vicherek (01:37:15): Revolt.BI,

Karel Šimánek (01:37:17): GoodData,

Jirka Vicherek (01:37:18): Keboola,

Karel Šimánek (01:37:19): Emark,

Jirka Vicherek (01:37:20): Carl Data Company.

Karel Šimánek (01:37:21): DataMind

Jirka Vicherek (01:37:22): Notino

Karel Šimánek (01:37:23): a FLO

Jirka Vicherek (01:37:24): A pokud chcete zůstat v obraze, co se české datové scény a globálních datových technologií týče, nezapomeňte se registrovat k odběru našeho týdenního newsletteru na datatalk.cz. Nechť Vás provází data.

Odebírejte Data Talk

Apple Podcasts Spotify Deezer Overcast Podcast Index RSS Feed