Podcast

Data Talk #156: Ondřej Stuchlík (Datamole)

epizoda #156  |  vyšlo  |  délka  |  poslechů  |   |  mp3

Do dalšího dílu Data Talku přijal pozvání Ondřej Stuchlík, spoluzakladatel a CTO Datamole. Moderátor Jirka Vicherek s Ondřejem probírá začátky Datamole, proč se zaměřili na IoT a využití data science v oblasti agritech, foodtech a průmyslu. Probírají, jak se změnil přístup k architektuře datově intenzivních distribuovaných systémů (od přístupu competing consumers po návrat k map reduce přístupu), jakou roli v tom hraje evoluce Sparku a Databricks. Dozvíte se, proč Ondřej razí přístup „make the requirements less dumb“ a proč vyžaduje, aby architekt rozuměl kódu. Zároveň sdílí postřehy ze škálování firmy ze 3 na 100 lidí a důležitost firemní kultury. Pokud vás baví data z fyzického světa, složité engineering problémy a fajn parta lidí, mrkněte na datamole.ai/careers.

Strojový přepis

Jirka Vicherek (00:00:03): Dobrý den, moje jméno je Jirka Vicherek a vítám vás u dalšího dílu DataTalk podcastu. Mým dnešním zácným hostem je Ondřej Stuchlík, co-founder a CTO Datamole. Ahoj Ondro.

Ondřej Stuchlík (00:00:14): Ahoj Jirko, díky za pozvání.

Jirka Vicherek (00:00:34): My se dneska podíváme do Datamole, protože to je česká firma, která dlouho byla nenápadná a vyrostla než 100 lidí a dělá velmi zajímavý use case, které myslím si, že žádná jiná firma v Česku nedělá, tak se na to podíváme, podíváme se i na to, jak se změnila ta doména, kterou řešíte v Datamole, to znamená data science, data engineering, velmi zajímavý use casey spojené s fyzickým světem. A tak se na tenhle díl moc těším, začněme na začátku. Co ty Ondro, jak ses dostal do dat, jak vlastně vznikl datomou a tak, kde to všechno začalo? Tak jo.

Ondřej Stuchlík (00:01:22): Tak já jsem počítače do nějakých 20 let moc neznal, respektive pařil jsem na nich nějaký hry možná, ale vlastně software engineeringu anebo vývoj softwaru jsem se dostal až na vysoké škole. Já jsem vlastně původně do Prahy na ČVUT šel na fakultu strojní. Chtěl jsem dělat strojírenské technologie a management. Ale vlastně ve druháku nás začali učit úplně jako o krajově programovat v C a mě to hrozně chytlo. Takže jsem si začal o tom vlastně spoustu věcí zjišťovat a měl jsem vlastně jednoho kamaráda z Gimplu, který vlastně byl velmi rád a po ICQ mě tenkrát jako radil.

Ano, přesně, přesně. Radil mi, jak mám dělat forcykly, jak mám dělat ify a já jsem mu to prostě vykysnul několik dní a pak jsem měl to štěstí, že jsem měl na koleji kamaráda, který mi řekl, že vlastně na FELu, na elektrofakultě je obor, který se jmenuje softwareové technologie a management. Jsem říkal, aha, tak já jsem studoval strojirenské a management a tady jsou softwarové a management a mě ten software baví.

Jirka Vicherek (00:02:30): Jak moc to může být jiný.

Ondřej Stuchlík (00:02:32): Jak moc to může jiný a jedinej problém byl, že už jako běžel semestr vlastně, takže já jsem potřeboval nějak během roku přestoupit No ale podařilo se mi to, tak chvíli jsem studoval dvě, jakoby dvě školy naraz, ale jako po půl roce vlastně jsem zjistil, že to, že to programování vyu softwaru je to, co je jako mému srdci blízký a že jsem se tam našel, takže jsem studiárnu pak jako ukončil a pokračoval jsem na Felu, no a tam jsem potkal kamaráda Fandupáce, s kterým jsem tenkrát vlastně někde ve třetíku se přidal k němu a měli jsme firmu, která se jmenila EB, A vlastně programovali jsme v Javě, dělali jsme javovský systémy, dělali jsme třeba software pro Žižkovský divadla Jari Zimmermana, takže tam jsem vlastně přišel programování jako takovýmu a co to je, vlastně vy je nějaký software, který potom jako někomu prodáš a nasadíš. a já jsem vlastně první systém, co jsem nasazoval, tak já jsem fakt byl u toho, když jako v divadle stála obrovská fronta lidí, kteří si chtěli koupit stupenky a my jsme takový fakt z kůží natrží jsme tam jako nasadili, teď mám to chvíli nefungovalo, my jsme to museli jako spravovat a měl jsem tam ten tlak, Jako, že jsi viděl ty lidi, víš, že to nebyly jenom, že vidíš ty metriky, jako nějaký grafaně, kolik toho nejde, ale fakt jako fyzicky vidíš tu frontu lidí, která čeká, jako a teď to nefunguje. Instantní feedback. Ano, ano, takže to byla taková jako docela tvrdá škola, ale myslím si, že mě to jako hodně dalo. Takže to bylo vlastně jí být nějaký moje začátky jako profesionálního, no asi ne profesionálního, jako placenýho programování v Java, bych řekl.

No a my jsme vlastně postupem času přecházeli z té Java, vlastně z toho standardního javasckého stacku jsme přecházeli na Ruby on Rails a to pro mě byla velká škola, protože Ruby on Rails byl systém, který byl hodně jako spjatý s Linuxem, ten vývoj šel dobře na všech jako Unix-based systémech Takže to byla vlastně věc, kde já jsem přičichnul k Linuxu a začal jsem vlastně i na svým jako natasu jsem si rozběhnul Linux a začal jsem fakt jako low level zkoumat i ten jako operační systém, takže jako ze školy jsem měl spíš ty jako programovací věci a co se týká nějakých těch jako admin věcí Linuxových, tak to jsem si vlastně jako k tomu mě přivedla tato část.

Jirka Vicherek (00:04:56): O jakém roku se bavíme z Ruby on Rails? Zrovna je to asi důležitý. Byl Twitter ještě na Ruby on Rails?

Ondřej Stuchlík (00:05:03): Já nevím, jestli byl člověče nebo nebyl, ale tohle z toho se bavíme o nějakém roku 2011 třeba. jedenáct třeba, jako 2010, 2011, už je to nějakých skoro jako patnáct let. Ale mě to hodně dalo, protože já jsem si vlastně na Linuxu zjistil, že jako každá každý příkaz, který tam jako napíšu, tak můžu fakt zjistit, co dělá, že jsem jako věděl, že pomocí nějakých příkazů disky zjistím, která věc se na tom systému pouští a jestli je to script nebo jestli je to binárka, já jsem si vlastně fakt low level ladil, co se stane, když prostě napíšu takovýhle command, tak co to fakt udělá, jako under the hood, jaký file to změní, jaký executable to spustí. A tím, že jsem měl vlastně na škole i jako runtime systémy, tak mě zajímaly i ty jako virtuální stroje, jako Java Virtual Machine nebo Interpreter Ruby on Rails nebo Pythonu, tak se to tak jako všechno spojilo dohromady, že jsem fakt, jako vždycky jsem chtěl vědět přesně, co ten počítač dělá. Nikdy jsem nepotřebal úplný assembler, ale vždycky jsem potřebal vědět, co to dělá.

Tak to bylo vlastně EB, no a já jsem potom vlastně odešel, protože už jsme s fundou nechtěli tu firmu nějak dál škálovat, tak já jsem vlastně šel dál a chtěl jsem zkusit nějakou velkou firmu, tak jsem šel do Barclays Capital, a kde jsme vlastně dělali, zase to byl vývoj v Javě, takže Javovský systémy pro tradování městských dluhopisů na nějorský burze.

Jirka Vicherek (00:06:30): Celkem skok zdívat.

Ondřej Stuchlík (00:06:32): Ano, ano, přesně, ano, celkem skok, přesně, ale říkal jsem si, tak jaký to je prostě dělat tu Javu teda jako na large scale, jak moc je to teda jiný, než jsme to dělali my, když jsme, my jsme se to vlastně vyrostli, vlastně fakt kluci, co se to naučili na felu, že ono potom teda na fitu, na informatice, tak jako jak moc je to jiný v té jako velký firmě.

Jirka Vicherek (00:06:55): A jak moc to bylo jiný?

Ondřej Stuchlík (00:06:56): No zas tak moc ne, zas tak moc ne, protože prostě ty frameworky tenkrát, tak tenkrát to byla taková ta doba, kdy ještě frčel spring framework a hibernate, Ale vlastně ta architektura byla jako velmi podobná, nebylo tam vlastně, když se na to kouklu teďka zpětně, tak to nebylo nic moc zajímavýho, byla tam prostě nějaká relační databáze, která měla nějakou master slave replikaci, nad tím běžel nějakej springovej, springovej čauskej klient a pak vlastně nějakej frontend, takže z dnešního pohledu nic moc jako zajímavýho úplně, ale aspoň si člověk říkal, hele tak nedělali jsme to nějaké blbě, co jsme se jako naučili, tak vlastně to vypadá docela zajímavě stejně. No ale vlastně v tu dobu potom už mě kontaktoval můj kamarád, spolužák, kolega Tomborovička, s kterým jsme vlastně spolu studovali na FELu a potom jsme vlastně oba přestoupili na FIT, což byla vlastně nová fakulta informatiky, která v tu dobu vznikla a my jsme s Tomem spoluhrávali z Quoš. byl takový super předmět, Squash Relax se to jmenovala, byl Squasha sauna, tak tam my jsme spolu hrávali a vlastně spolu jsme i studovali na státnice potom, protože nám vždycky dobře šlo spolu přemýšlet a dokonce jsme spolu i, jak jsem zmenila, ty runtime systémy navrhovali vlastně jeden náš vlastně vlastní jako programovací jazyk, tak jsme vlastně zjistili, že nám docela ta spolupráce jde takhle, takže...

Jirka Vicherek (00:08:23): Točeji, ještě než skočíme do pointy, tak navrhovali vlastní programovací jazyk?

Ondřej Stuchlík (00:08:29): Jo, jo, to vlastně ten předmět, co jsme na FITu měli, runtime systémy, tak tam opravdu si člověk zkusil jako udělat svůj programovací jazyk s kompilátorem a s virtuální mašinou, která to potom interpretuje. Takže jazyk, ne framework. Jazyk, fakt jazyk, prostě jmenila se to nulok, myslím, ten jazyk, co jsme měli, jsme prostě syntaxi k tomu navrhli, navrhli jsme překládáči do nějakého byte kódu vlastně a pak interpreter toho byte kódu, prostě něco jako Java nebo Ruby on Rails, tak prostě jako Samozřejmě ne v takovém scale vůbec, ale prostě nějakou malou jako podnožinu toho jsme si zkusili. To jsme dělali spolu. Takže jsme věděli, že nám to spolupráce docela dobře jde a to mě vlastně kontaktoval, jestli jich nechtěl založit s ním firmu, která by se věnovala machine learningu.

Tenkrát se ještě neříkal AI, říkal machine learning, tak jako hezky a já jsem říkal, ale to asi je docela dobrý nápad, protože myslím si, že jako fintech a tady jako tradování nebo nějaké high frequency trading moc jako té hodnoty nepřidává. Už jsem tenkrát nějak, když jsem v tom Barcapu byl, v Barclis, tak jsem si tak jako zjišťoval jestli ten jestli ty finanční trhy jestli je to jako zero some game nebo jestli tam opravdu jako se nějaká hodnota vytváří vlastně tím když někdo dělá třeba ten high frequency trading a zjistil jsem že krom té vlastně jako liquidity tomu trhu tak to světu moc nepřináší jsem si tak jako z toho odnes Tak jsem říkal, jo, ale tak on ten machine learning asi bude jako zajímavější věc nějaká, kterou dělat, tím by se asi dalo jako ten prách lidskýho vědění posunout zase v oku zdál a udělat třeba ten svět jako trochu lepší, že tam bude větší šance, že tam přijde takovýhle impact. Takže jsem na to kejbnul Tomovi a i když jsme nevěděli samozřejmě, jak to bude vypadat, jak to bude růst, tak jsme si řekli, že to zkusíme a tak jsme v roce 2015 založili Datamole.

Jirka Vicherek (00:10:24): No a jaký byly tvoje atomové zkušenosti v té době s machine learningem? A co v té době byl machine learning?

Ondřej Stuchlík (00:10:32): Ano, tak to je dobrá otázka. Moje zkušenosti byly téměř nulový. Já jsem vlastně se Toma před tím, než jsme firmu založili, tak shodou okolností ptal jako na machine learning, protože jsem viděl, že on to dělá. Vlastně studoval v Holandsku nebo byl na internshipu v Holandsku a dělal doktorát a věnoval se tenkrát machine learningu. Já jsem, takže jeho zkušenosti byly velký a tenkrát to byl z větší části MATLAB, tenkrát ještě jako úplně nebyl profláklej ten Python Psykit stack.

Takže spoustu věcí si dělalo v Matlabu nebo v Octaveu, což byl jako open source verze téhož na Linuxu, no ne téhož, ale open source verze, která měla podobný cíl. A já jsem tenkrát prostě uměl, měl jsem projít i nějaký jeden kurz na Korzeře, podle mě tenkrát nebo něco takovýho. Ale ono to jako vlastně zas tolik nevadilo, protože my jsme si to s Tomem velmi rychle jako rozdělili, že já jsem byl spíš na té data engineeringové části a on byl vždycky lead v tom machine learningu. A co se týká těch zkušeností, tak my jsme oba měli, jsme jako oba engineers by heart. Já jsem měl ty zkušenosti, co jsem popisoval a Tom vlastně už dlouhou dobu programoval v dotnetu, v C#.

My jsme spolu vždycky tak jako se pošťuchovali, protože on dělal dotnet a já jsem dělal Javu. tak jsme si vždycky tak jako říkali co je lepší a co je horší, ale vlastně ten background v tomhle jsme měli. Ano, přesně tak, pak přišel, pak přišel Python a už to bylo jako všechno v pohodě. I když my v dotnetu furt máme spoustu věcí, jako který potřebujeme byli i víc high performance. Takže takhle tohleto byly vlastně ty naše zkušenosti a co jsme ještě měli taky zkušenosti velký my vlastně i když jsme Datamole zakládali tak my jsme první kanceláře měli na fakultě vždycky jsme a pořád jsme silně spojení s fakultou informatiky ČVUT Jsme jako zlatý partner a ještě pořád učíme tam na fakultě a už tenkrát i před datamolem jsme oba vlastně učili na FITu.

Já jsem vlastně na FITu učil už když jsem byl někdy ve čtvrtáku na výšce, tak jsem učil vlastně nějaký základy algoritmizace, bakaláře tenkrát. a pak vlastně, když jsem skončil FIT a měli jsme EB firmu, tak jsem učil objektový programování, tak to jsme měli na starosti a pak vlastně i třeba v Datamolu, tak jsme měli předmět distribuovaný datamining. Takže furt tam máme jako silnou vazbu na naši alma mater, ačkoliv samozřejmě kanceláře, tam jsme se pak už jako brzy přestávali ví, jak jsme se museli přestěhovat. Ale vlastně tohle byly naše zkušenosti, měli jsme zkušenosti s programováním, řekněme placeným slash profesionálním, jo.

Jirka Vicherek (00:13:22): Myslím, jak to snižuješ, jak to zhazuješ, ale chápu.

Ondřej Stuchlík (00:13:27): A měli jsme zkušenosti s tím vlastně někomu dalšímu vysvětlovat ty technický nebo složitější témata a podle mě to tě totiž vede k tomu, že když to třebaš někomu vysvětlit, Tak to předeš hluboce pochopit a to si myslím, že nás vždycky spojovalo, že jsme těm věcem jako fakt chtěli rozumět jako nadřeň a to prostě, když musíš připravit nějakej předmět, který jako učíš, tak tě to k tomu dovede.

Jirka Vicherek (00:13:53): Když chceš mít prostě pro dotasy. Ano, ano, to je tak. Odprezentovat presku, to bych dal možná já, ale na nic se mě hlavně neptejte. Takže 2015 vzniká Datamole, hurá, tak jste to založili a tak sedíte v těch kanclech na té fakultě.

Ondřej Stuchlík (00:14:17): Jo, jo, jo. Hele, tak ono to vlastně, ta myšlenka založit Datamole byla podpořená tím, nebo vůbec jako iniciovaná tím, že tom vlastně odjel, jak jsem říkal, na ten internship do Holandska a měl tam internship ve firmě Lely, což je teda holandská firma, která dělá automatizovaný robotický farmy. A byl to náš startovací klient a je to do dneška pro nás náš vlastně největší, největší klient, největší partiák. Takže my když jsme na tom ho zakládali.

Jirka Vicherek (00:14:46): Mimochodem moc gratuluju, deset let s jedním klientem, znám málo takových případů.

Ondřej Stuchlík (00:14:57): Ale tomu se asi pak ještě dostaneme, ale mi vždycky cílím na tu dlouhodobou spolupráci na ten partnership, ale je určitě náš jako velký partner. Takže my když jsme na tom ho zakládali, nebyli jsme jenom já a Tom, byl tam ještě třetí člověk a to je Eimo van Halsema, to je právě člověk, který tenkrát vedl oddělení v Lely vlastně a ten vlastně Toma s Tomem se poznal v Holandsku a vlastně říkal, hele, tak když tady budeme dělat tyhle ty věci jako tady nějaký věci, který se týká machine learningu, tenkrát, tenkrát se to rodilo, byla to jako velký odvětví, ale Eimo je jako vědec a dostatečně jako chytrej i na to, aby v tom už tenkrát jako viděl ten potenciál do toho biznesu a má i přesah do toho biznesu, takže dokázal už vidět, že hele, tady bychom v Lely dokázali dělat jako velký věci v tomhle. Takže jeho nápad vlastně, nebo on to má vlastně postrčil k tomu, aby říkal, hele, tak když nechceš tady zůstávat tady, chceš se vrátit do Čech, tak co založit firmu vlastně. a tady ty věci proleli dělat v rámci firmy. Takže takhle to vlastně začalo, takhle jsme odstartovali a takhle vzniknul Atamol.

Jirka Vicherek (00:16:08): No, takže takhle ve třech na začátku, super, začínáte s prvním klientem a s prvním kontraktem, to je boží, tak asi se pojďme podívat do Lely, protože zase tady v podcastu jsme měli Honzu Kučeru, který Ale je to dlouho, budou to dva roky, byl to jeden z prvních podcastů, tak i tak mě baví právě sledovat váš příběh, protože ty dva roky zpátky to bylo jako nějaká malá filmička, ale jde vidět, že ta sáska se vyplatila, ta specializace. Tak pojďme se podívat, co děláte pro Lily, to je zase... Který rádi vyprávíte, já jsem ho párkrát slyšel, ale vždycky ho slyším rád znova, protože mi to přijde jako totální zlato.

Ondřej Stuchlík (00:17:03): Jo, je to hezký. Já na tom můžu i demonstrovat, jak jsme vlastně vyrostli a s čím jsme si mysleli, že budeme dělat pro Lelia pro ostatní a jak to nakonec dopadlo. My jsme si mysleli, že budeme dělat to, že klient za náma přijde a dá nám jako krásný dataset a my budeme dělat jenom tu data science. My prostě dostaneme obrovský data, takže z té engineering části my si vyvineme ty trénovací machine learning algoritmy tak, aby byly distribuovaně. On už teda tenkrát byl Apache Spark, byl teda ve verzi 0.9, jako když jsme začínali, ale byl, jo, a už tam měli nějakou ML knihovnu, která některý algoritmy základní, jako třeba Key Means, měla udělaný tak, že fungovaly distribuovaně.

Takže ty jsi mohl vzít prostě tady jako deset výpočetních úzlů a zběhnout ten K-Means jako na obrovském datasetu, který by si ti na jeden počítač nevešel. No, jenom, že tak to samozřejmě nebylo, že tohleto stačí, že klient za náma přijde s obrovským a jako krásným datasetem. Čistým. Čistým, prostě kvalitní data. Popsaný.

Přesně, labely všude a my teďka vezmeme ten náš, my jsme o tom říkali Hell Engine, to byl vlastně set algoritmů, který uměli běhat takhle nad tím výpačením krastem, tak my to nad tím jako spustíme, budeme mít tu krásnou jako automatizovanou pipeline, že si teda ty data před pracujeme, vyčistíme, uděláme feature engineering. Teď uděláme to modelování a teďka jim dáme krásně ten model jako naservírovaný a ono to bude přinášet tu hodnotu a bude to krásný a my nic jino dělat nebudeme muset, budeme prostě ladit tenhle engine náš vlastně, což bylo nad skalou tenkrát postavený, protože Apache Spark je postavený ve skale. Tenkrát to ještě, jestli se nepletu, nemělo ani ten Python interfejs, přes který se to dneska všechno používá. Takže to byl těžký vývoj ve skale, ve funkcionálním programovacím jazyku, který neumí jako jen tak někdo, ale my jsme ho uměli, takže jsme říkali, že to je dobrá věc udělat si ten Hellengine takhle, že budeme fungovat, dostaneme ten dataset a předáme krásný model. Tak velmi rychle jsme zjistili, že to takhle jako fungovat nebude, takže z datamolu, který byl vlastně jako data science oriented a říkali jsme si, engineering je jenom pro to, abychom dokázali ty algoritmy bývat na velkých klasterech, zjistili, hele, my potřebujeme dělat ten data engineering, protože my vlastně potřebujeme nejdřív ty data se sbírat a jako vždycky platilo data beats algorithms.

Když budeš mi těch dat víc, tak i když na to pustíš jednodušší algoritmus, budeš mi lepší výsledky. Takže jsme zjistili, aha, tak my vlastně ten engineering asi musíme ty síly spíš napnout, ne na to, jak trénovat na obrovských datech distribuovaným jako fashion, ale jak se sbírat ty data vlastně a jak vůbec vytvořit ten dataset, nad kterým bychom mohli jako něco modelovat. Takže v tu chvíli jsme začali vlastně v Datamolu vznikat Data Engineering Department, který i já teďka vedu, mám jako několik čepic v Datamolu, jsem CTO, jsem architekt a vedu Data Engineering Department, takže vznikal Data Engineering Department, takže jsme v LL vlastně zjistili, že dokážeme, když ty data se sbíráme, takže dokážeme už teďka tu hodnotu začít přinášet. Ale zjistili jsme, že vlastně to úplně není tak end to end, že ty endy ještě bychom potřeli posunout trošku na jednu a na druhou stranu. A zjistili jsme, že i když ten model má dobré výsledky, tak furt potřebaš ty výsledky jako dobře dostat uživateli.

A když tam budeš mít nějakou třetí stranu, která to nezintegruje dobře, nebo ta aplikace, dokdy to zintegrujou, bude nebude úplně ideální, nebude suboptimální, když to řeknu hezky, tak vlastně ty jsi dělal jako tady super sofistikovaný engineering, se sbíral třeba jako množský množství dát, udělal jsi dobrej model, ale jako ten uživatel pak tady je s appkou, která jako nefunguje dobře, takže tě to vlastně celého potopí. Tak jsme řekli, hele, tak potřebujeme ještě jako třetí věc a to je, my jsme tomu říkali UI department, protože jsme si říkali, že budeme dělat jako user interactions celkově v různých modech, ale dneska vlastně říkáme na tomu departmentu application development department. Prostě potřeba jsme mít i pod vlastním kontrolou to, jak se potom ty výsledky těch modelů dostanou uživateli. Takže vzniknul application development department. No a teď jako nedávno jsme ještě navíc k tomu zjistili, že ideální je mít pod kontrolou i ten jako embedded software, který běží na tom device, takže už máme i vlastně vlastní embedded engineering vývoj.

Jirka Vicherek (00:21:42): No, tak k tomu se asi dostaneme. Myslím si, že tam je témat a témat, ale to, na co jsem já narážel je, pojď nám říct o

Ondřej Stuchlík (00:21:51): Lely. Jo, jo, jo, přesně. Díky, že mě vracíš špátky k tomu, jo. To si dobře děláš.

Jirka Vicherek (00:21:57): Máš tam několik super témat. Pojď nám to ukázat právě na tom kejsu.

Ondřej Stuchlík (00:22:04): Super, super, tak jo. Tak já vezmu ten jeden kejs, teďka když víme, že ta škála je vlastně takhle široká, že to začíná od nějakého device přes cloud engineering se sbírat data, modelovat a ukázat. Tak já řeknu jeden case, který si myslím, že je hezký, protože bych tady chtěl nějak jako se pokusit sdělit, možná pro nějaký mladší kolegy, který by přemýšlel, jestli jdou do data engineeringu, tak bych chtěl ukázat, že data engineering není jenom zbírání dat z banky, není to jenom zbírání dat ze SAPu, to znamená jaké tabulky transakcí, tabulky orders a teďka pustit nad tím ETL, dostat datové skladu a nějakým BI reportem nad tím ukázat finanční reporting nebo skladové reporting a tak. Chtěl bych ukázat, že ten data engineering může být mnohem zajímavější a širší. A ukázal bych to na tomhle caseu v Lely, tak Lely je jedna z jejich flagship, je dojící robot, který je plně automatizovaný, to znamená, že ty zvířata můžou chodit do toho robota, kdy chtějí.

Což je jako ten hlavní jako přínos toho v rámci to animal welfare, že vlastně to zvíře se jako volně po té farmě pohybuje a není vůbec závisný na tom, že farmář v nějakou dobu přijde a něco udělá, protože prostě jsou tam ty roboti a ty tu farmu jako sluhujou.

Jirka Vicherek (00:23:25): Zemní dělství 4.0.

Ondřej Stuchlík (00:23:26): Ano, ano, přesně tak, přesně tak. Tak, no a teďka tyhle ty roboti, oni mají jako docela dost nastavení. A to nastavení, to optimální nastavení nejde jako říct takhle z fleku, co je ideální. My jsme se před natáčním bavili třeba jako o tom, jak si optimalizovat dietu pro sebe, tak prostě ty zvířata jsou taky jako živý organizmy a on každej potřebuje ten treatment trošku jinej. Pro každý to zvíře je to jiný.

a tím pádem neexistuje jako jeden setting z těch robotů, který by jako Lely zjistil a teď je nastavilo všem farmářům. Ty potřebuješ ten setting ideálně jako personalizovat, ačkoliv asi bych měl říct animalizovat, jako že to není person, ale animal, ale prostě nastavit to jako custom pro to daný zvíře. Tak a teďka co je, co k tomu potřebuješ?

Jirka Vicherek (00:24:14): Jenom zase pro doplnění, tak já mám farmu, tam zvířata, které dojím, tak budou asi nejčastěji krávy.

Ondřej Stuchlík (00:24:23): Ano, ano, ano.

Jirka Vicherek (00:24:24): Je to na krávy, je to na krávy. Že to říkáš takhle jako univerzálně, tak jakože dobře, mám farmu, mám tam kravičky, ty mám na mlíko. Aha. Ano, ano, ano. A mám tam automaticky dojící stroj, který s nima ještě je nějak drbé, dávají potravu.

Ondřej Stuchlík (00:24:44): To jsou další, ono těch robotů tam je víc na té farmě. Jsou tam některý, který je doje, některý, který je krmě, některý, který po nich uklízejí, některý, který to jídlo třeba přistrkujou. a vlastně můžeš se na to koukat, jako že to je jako celý systém, ta farma takhle jako robotizovaný a ide v ideálním světě právě tom datovým ty pak dokážeš i ty informace z těch různých robotů kombinovat a nějak třeba jako řídit interakce mezi tím a robotami.

Jirka Vicherek (00:25:10): Ale kravíčka chodí volně po farmě a řekne si teď chci podrbát, teď chci podojít, teď chci jít. Super, tak to jenom.

Ondřej Stuchlík (00:25:19): To je to jakoby added value vlastně, to je to proč by to ten svět mělo dělat jako lepší pro ten animal welfare, že prostě ten volnej pohyb.

Jirka Vicherek (00:25:27): Super a ještě jedna věc, která zase. Asi je logická, ale přijde mi hrozně hezká v tom je, že je tam alignment toho kapitalistického ziskovýho cíle a toho etického zvířecko-právního, že šťastné kravičky dávají víc měka.

Ondřej Stuchlík (00:25:54): Ano, je to tak. Je to tak, a vlastně i když se dělají tyhle optimalizace těch robotů, tak přesně tohleto se bere v potaz. Jde o to, aby to zvíře bylo zdravý a zároveň, aby to nebylo jenom sluníčkářský, ale samozřejmě ten robot byl dobře vytíženej, abys to udělal tak, že to nebude nějak underutilizovaný ten robot.

Jirka Vicherek (00:26:15): Super, tak teď vidím tu krásnou slunce zalitou farmu plnou šťastných kraviček a teď pojďme do toho datovýho, pojďme se podívat, jak to vypadá.

Ondřej Stuchlík (00:26:28): Super, super, tak jak jsem říkal, data engineering nemusí být jenom sebrat orders nebo transactions, udělat nad tím ETL datovej sklad a nějaký reporting. Ale takovýhle systém, o kterém si bavíme, tak třeba vypadá tak, že těch robotů, těch dojících robotů, tak je pro světě desítky tisíc. Můžeme si představit jako kolem stovky tisíc po celém světě. Říkali jsme, že ty roboti nejsou jako jednak kdekoliv jsou na farmách, že jo, takže máš na každý tý farmě, na každý tým, říkáme sajta obecně, každý tý sajt Tak máš několik zařízení a zároveň máš nějaký edge computing na té sajtě, protože ty můžeš si říct, že některý věci potřebuješ počítat jako přímo na robotovi, některý potřebuješ počítat na tom edji, některý je můžeš počítat v cloudu. A vlastně, jak jsem říkal, že chceš dělat personalizovaný ty nastavení nebo animalizovaný nastavení toho robota.

Tak ono jako ukazuje se, že není dobrý to udělat jako jedním obrovským modelem, který takhle jako optimizuje všechny ty zvířata, ale my chceme opravdu třeba natrénovat ten model jako perta sajta, protože ono to může být jiný jako co se týká nějakého jako umístění po světě třeba ty zvířata prostě v různých a teď já jako tady nevím proč, jenom vím, že různý zvířata různě po světě potřebují jiné nastavení. A tím pádem ta pipelinea potom fakt může vypadat tak, že ty potřeš trénovat jako tisíce modelů denně, protože my opravdu máme jako ten machine learning model Perta Saita. Perta Saita se udělá model, který funguje na ten daný kontext dobře. Takže opravdu si můžeme představit systém, kde je jako 100 000 robotů po světě v nějakých 30 000 lokacích na světě. To znamená 30 000 jako edge computing nodů, kde my vlastně třeba máme nasazený systém, který se jmenuje Data Gateway, protože všechny ty farmy nemají úplně optické připojení nebo Wi-Fi, na kterou jsme zvyklí.

na spoustě míst jako to případní třeba může být docela drahý ještě na Zélandu třeba někde jako můžou být connections. Takže je to zase trošku jiný engineering, když jsi zvyklý, že všechno běží v cloudu na optice na gigabitech, tak to tak není. Takže potřebuješ tyto datové gateway, které třeba řeší tu Intermittent Connectivity, takže máš nasazenejch 30 000 systémů po světě, který dělají tyto datové gateway, sbíráš to do cloudu, kde nad tím teda běháš ty algoritmy umělý inteligence, dneska se říká machine learningu, ale opravdu nejsou to jenom ty inference, který pak zase potřebuješ dostat zpátky do té robota, ale jsou to i ty přetrénovávání těch modelů, opravdu se bovím, jako tisících modelů denně. A pak zase teda ten feedback loop, co mně se líbí, je, že ten model neoptimalizuje to, abych někomu jako srovnal reklamy ve správném pořadí, nebo abych někomu jako nabíd správnou hypotéku, ale fakt jako ten výstup zpátky je opravdu pro tohle zvíře, je teď jako dobrý tohle nastavení a pošle zpátky tomu robotovi to nastavení. Ten robot se překonfiguruje a takhle ten loop nějakou bajesovskou optimizací běží dál a dál.

Jirka Vicherek (00:29:43): No mně přijde, že tenhle case není jenom váš jako nejznámější, ale že byl nebo že dost definující, že vlastně, když se podívám na to, co děláte a v čem jste fakt specifiční, jak jsem říkal v úvodu, neznám druhou firmu, která by měla takovýhle case a takovouhle specializaci tady v Česku. tak mi přijde, že už v tom prvním vidím a nevím, jestli je to náhoda, nebo kdybyste první měli banku, dneska děláte banky, ale tím, že jste měli Lely, že tam je agriculture, že tam je zemědělství, tak to tam vidím, že k tomu jste blízko. že jste blízkou tomu fyzickému světu hodně zase, jak vzpomínám na Honzu Kučeru, tak IoT a jako M devices, edge computing a vlastně, což je hrozně zajímavý, protože tam potřebuješ optimalizovat právě připojení, datový toky, nejsou tam standardy, tak je tam jako hodně, to je inženýrský, jak jsi říkal embedded práce, Tak tohle všechno se mi zná jako velmi příznačný, takže jste začali takhle 2.15 ve třech lidech s jedním klientem, tak udělejme fast forward 2025 a pro mě ten aha moment, tak co je data mall dneska?

Ondřej Stuchlík (00:31:12): Jo, tak dobře si říkal, začne jsme v nějakých třech, pěti, devíti lidech, to pak nějak v prvním roce jako takhle dostlo, dneska nás je sto, zhruba o něco víc než sto, nejsme jenom v Praze, jsme i v Brně a ještě máme taky kancelář v Českém Krumlově, kdyby někdo chtěl v Českém Krumlově dělat, když se zajímají, kde to je inženýring, tak může. A jak jsi říkal, ten fyzický svět nás opravdu hodně definuje. My opravdu říkáme, že my jasně pomáháme našim klientům inovovat pomocí technik umělej inteligence a data engineeringu. ale neděláme to právě jako všude. Říkáme neděláme telko, neděláme banking, neděláme marketing, my prostě děláme ty věci, které jsou.

Jirka Vicherek (00:32:01): Kvělý, jakože když bych vzal professional services na českým trhu a i tady v DataTalku, tak když bych měl říct jejich specializaci, tak to bude, tak to bude. Přesně, banking, telco, marketing, salesový data.

Ondřej Stuchlík (00:32:21): Tak to my neděláme, my vždycky říkáme, my jsme fakt jako engineers by heart a nám se líbí, když můžeme jako vidět, jaký fyzický device je zatím třeba modelem, který děláme a dokonce třeba, když ideálně dokážeme použít nějakou tu znalost nějakýho prostě fyzického fenoménu, když děláme modeling nad těma datama. Takže proto nám se vždycky líbí, když zatím je nějaký fyzický device, když zatím je třeba ideálně nějaká jako fyzika, kterou dokážeme použít při těch znalost, při tom, když stavíme ty modely, protože ono jako samozřejmě, když těch dat má člověk hodně, tak ona si to ta dostatečně hluboká, velká neuronová síť, jako všechno tu knowledge najde, ale ve spoustě případů těch dat prostě nemáš tolik a jakoukoliv doménovou znalost do toho dokážeš jako sám přiníst, do toho vytváření toho modelu, tak je obrovský cená, obrovský cená, opravdu jo, jako teoreticky bys ji nepotřeboval, ale prakticky prostě těch dat často, takhle pokud neděláš user clicks, nebo pokud netrénuješ prostě large language model, kde prostě máš k dispozici data z celého internetu, ale máš prostě data z nějakých měření, který prostě někdo třeba v laboratoři musí udělat, tak prostě jich nebudeš mít jako tolik. A tím pádem do toho musíš dostat nějakou pravidla, nějakou doménovou znalost, ano. A to my jsme vždycky hrozně rádi, když tohleto můžeme jako vlastně v tom použít. Takže proto, jak říkáš, nás definuje to, že děláme v podstatě iIoT, Industrial Internet of Things, sbíráme data, ty naše datavý toky jsou typicky z nějakého device.

a nemusí to být třeba jenom ten dojící robot, jak jsme tady říkali. Máme třeba dalšího velkého klienta, který je Thermo Fisher Scientific s elektronový mikroskopy, takže další ten device může být elektronový mikroskop. Klient může být, device může být i mnohem jednodušší, může to být chytrý kávovar třeba. A nebo to může být, jo?

Jirka Vicherek (00:34:15): Ne, já se směju, protože mi naskočil samozřejmě červený trpaslík. Jo, jo, jo, ano. Ano, jo, nedal by si stoust. Jak moc chytrej víc. Jak moc chytrej chci, aby byl můj kávou.

Ondřej Stuchlík (00:34:26): Ano, ano, ano. Ne, tak ten je zase tak chytrý není, ale chceš tam, chceš tam dělat třeba dobrou prediktivní údržbu, protože to je firma, která dělá jakoby coffee as a service, ona ti neprodá kávovar, ona ti ho třeba dá na tvoji benzínku a pak ti jenom vlastně čaržuje fíčko za každý kafe, který se tam uvaří. Ano, ano, přesně tak. A tím pádem, ale ty, když jsi ta firma, která takhle jakoby rozstrká ty kávovary po světě, tak chceš, aby neměli downtime, takže chceš třeba jako vědět, kdy se ten kávovar rozbije a samozřejmě jako chceš mnohem jednodušší Casey, nejdřív chceš umět dělat ten billing, že jo, chceš vědět, jako kolik těch kafí se tam uvařilo. a tak, takže to může být taky třeba device, anebo zajímavý třeba device nebo projekt, na kterém pracujeme, tak se jmenuje Fresh Aid ten projekt, kde cílem toho projektu je zjistit ripeness of fruit, jako jaké ovoce zralí a udělat to jako neinvazivní metodou, protože ty když máš třeba nějaký třídící linky, tak chceš být schopen to ovoce rozstřídit do různých beden, podle toho třeba dlouho ještě má dozrávat, nebo chceš zjistit ideálně, kdyby nějakej kus byl jako schnílej, tak chceš určit, že Vindata by ti neskazil celou tu bedinku.

Jirka Vicherek (00:35:39): Chápu, a hlavně tak jsem zvědav, kam jste to dostali, protože ještě čekám pořád na zdralá avokáda.

Ondřej Stuchlík (00:35:48): Ano, přesně, tak třeba model pro mango je přesný věc, na kterém se teďka pracuje, je teda grantovaný projekt, takže o něm naštěstí můžu takhle mluvit, konkrétně a přesně ty chceš tuto ripeness testovat, ne tak, že to jako rozřízneš, že o každý padesátej kus a zjistíš jako, že to je ideální, ale chceš vlastně pomocí nějaký neinvazivní metody, k tomu třeba jako přiložit nějakou anténu, pustit do toho nějaký impuls a jako z tý impuls response zpátky z nějaký elektro impedance spektroskopy je, zjist, což je jako nějaká taková jednoduchá řada závislosti jako Frekvence, kterou do toho pustíš, jaká tam je nějaká respons, dostaneš z toho prostě nějakou křivku a pomocí nebo z tvaru té křivky se snažíš potom predikovat, jestli to ovoce je schnilý, neschnilý, jak moc zralý a podle toho to třídit. Takže to je třeba taky jako zajímavá věc, kde třeba už se jako dá použít dost znalostí z nějakého jako fyziky, protože když vlastně dostáváš zpátky tu křivku, tak zase, jak jsem říkal, kdyby z těch křivek měl jako miliony, tak by se to ta sítě jako všechno naučila sama a zjistila by, který frekvence má z toho říznout, na který má jako ignorovat, jo, ale víš co, jako zjistit to měření, to znamená, že někdo musí přijít, to má go změřit, pak ho rozříznout a kouknout se, jako jestli je zralý udělat na něm nějakým refraktometrem test, kolik v tom je cukru třeba. A to je všechno hrozně drahý tyhle labely. Takže často v těchto kejsích, jak jsem říkal, kdy netrénuješ na obrovských datech z internetu, ale snažíš se dělat takovýhle nějaký transfer funkce z raw dat, který nějaký senzor naměří na nějakou value, kterou predikuješ, tak je hrozně drahý ty labely vlastně sebrat a proto pak potřebuješ co nejvíc té doménové znalosti, aby s tomu modelu vlastně pomohl. a dostal z toho to zajímavý, i když těch dat nemáš, nemáš tunu.

Takže to je třeba jako zajímavý projekt jeden, který děláme dneska další, abych právě jako nastnil co nejvíc úhlů pohledu, co se dá vlastně v data engineeringu dělat, nebo v tomhle jako data scape, data science a data engineeringu. Tak je třeba zajímavý koncept, který se jmenuje in silico modeling a ten termín pochází vlastně z toho, že vlastně v biochemii se používá in vivo a in vitro, když se něco zkoumá jako v živém organizmu nebo ve zkumavce, které se to zkoumá jako v křemíku a je to podle mi spíš takový jako hezký název, ale přesně znamená to, že se dělají nějaký digitální modely. Který třeba predikujou ve food techu, když vezmeš nějaký tři ingredience, čtyři, pět, smícháš je v různém poměru, tak chceš třeba vědět, jak se bude chovat shelf life, to znamená, jak dlouho je můžeš někde uchovávat a jak se to bude vyvíjet za měsíc, za dva, za tři, jestli se tam vytvoří nějaký hrudky, jestli se tomu zkazí barva, jestli tam vyroste nějaká bakterie nad nějaký threshold, díky kterým už to pak nesmíš prodávat. A tohle se samozřejmě je docela nákladný dělat, když to děláš dneska bez in silico modelingu, tak prostě to děláš tak, že ty věci smícháš v nějakém poměru, uděláš si takových semplů sto s různými poměrama, někde to zaskladuješ v nějaký lednici a chodíš to tam fotit a pozorovat a koukáš, jak se to děje. No ale dají se udělat modely, který zase ideálně by se teda udělali jako čistě machine learningově, ale to bys musel mít zase hromadu dat, abys jako zjistil opravdu, jak takhle komplexní systém jako fyzicko chemický se bude chovat, když nějaký věci smícháš.

Ale dají se s domenovými expertami postavit jako sady diferenciálních rovnic. To si představ prostě jako texták, kde budeš mít tisíc, dva tisíce prostě řádku s různýma rovnicema. a tyhle si pak nějakýma solourama můžeš vyřešit a oni právě popisujou, jak se ten systém zachová, když ho smícháš, když smícháš ty věci třeba v různých poměrech. Jo, není to úplně takhle jako třeba straightforward, jak jsem říkal, ono to je podobný jako v nějakých Navier Stokes systémech rovní, když se předpovídá počasí, ono tam jako spousta konstant, který ještě potřeba doladit. Tam je třeba dobrý použít machine learning, protože ty zase nějaký data z té laborky máš.

Takže jako jo, někdo v té laboratoři pracuje a nějaký data ti naměří a ty můžeš třeba jako začít s tímhle tím modelem, který je čistě jako matematicky popsaný, nějaký znalostí, který už tady jako food tech, biotech inženýři maj, jak se věci chovají, když se smícháš. A doladit třeba tyhle konstanty, který tam vždycky je potřeba dodat, taky doladit tím, že nějaký dataset máš a tím machine learningem vlastně dojedeš tuhle last mile, abys pak došel k nějakým predikcím, který jsou dostatečně přesný. Tak to je za mě také jako jako hezký case zase, jak říkal si, pojí se to k tomu fyzickému světu, opravdu jako něco, co ten model, který člověk vytváří, to pomáhá vytvářet prostě nový tady třeba zdravý food produkty. Helman s myslím publikoval krásnej case, kdy oni jako vytvořili vegan majolku čistě fakt jako in silikomodelingem, že to opravdu už nevymejšlel food inženýr, ale byl prostě algoritmus, který jim řekl smíchejte to v těchto těch poměrech, bude to mít takovýhle shelf life třeba. tak to je třeba zajímavá věc, kterou taky, který se taky jako věnujeme, tak asi to hezky ukazuje, jak daleko je to od toho bankingu a jako zpracovávání BI reportu.

Jirka Vicherek (00:41:19): Je to skvělý, takže foodtech, agritech, klasický průmysl.

Ondřej Stuchlík (00:41:25): Ano, ano, přesně tak, to je přesně ten skoup.

Jirka Vicherek (00:41:28): Tam, kde je jakoby hodně fyziky. Říkal jsem, že vás je sto a že teda už máte, pojďme k těm oddělením. Ano. Jo, protože zas ty use case a ty problémy, o kterých mluvíš, nebo jako zadání přijdu hrozně zajímavý, ale přemýšlím, jaký na to potřebaš tým jako poslat, tak jestli jsou to, jestli máte bandu odborníků na. na shelf life, kteří přijdou a zároveň mezi nimi je jeden data scientist a tři matematici.

Jak postavíš tým na tohle?

Ondřej Stuchlík (00:42:05): Jo jo, hele ta dománová znalost, co říkáš, je jako fakt klíčová a důležitá. My máme třeba v tomhle obrovskou výhodu, že ten Ejmo, fanhal jsem a ten náš spoluzakladatel, tak on je vlastně i jako biotech inženýr. takže on rozumí té doménové znalosti a zároveň má dostatečný přesah do software engineeringu, aby to dokázal i namapovat, takže tam třeba tohle, ale jinak tohle je určitě obrovská challenge, vždycky najít si u toho klienta ten jako protikus toho jako subject matter experta, my tomu říkáme SME subject matter expert, který přesně jako rozumí této doméně a my samozřejmě vždycky s klientama spolupracujeme dlouhodobě, Právě proto, abychom my jakožto data scientisti a data inženýři nasáli dostatek jejich doménový knowledge, abychom právě přesně pak dokázali udělat to, že chápeme obě strany kus přesah do té druhé strany a tím jsme tam neměli žádný blind spot a dokázali jsme věnout řešení, který pak funguje. Takže ten, ale ten tým v podstatě funguje potom tak, že jak jsem říkal, my máme od embedded až po application development, takže začínáme tím, že dokážeme ty data z deviceů sebrat, dokážeme tam nainstalovat, buď napsat, vyvinout nebo nainstalovat nějaký software, který teda ta sbírá z toho deviceů a to může být device, který má na sobě nějaký embedded Linux, ale může to být i device, který nemá operační systém, který je jako bare metal. a běží tam prostě nějaká jako vile lupa, která jenom z nějakých registrů vyčítá základní měření.

Jirka Vicherek (00:43:31): A když super, to je první nějaký Embedit. Ano, ano. A na to máte samostatný tým.

Ondřej Stuchlík (00:43:37): Ano, přesně, na to máme tým. Ano, přesně tak, přesně tak, jakkoliv v té unitě budeme říkat prostě.

Jirka Vicherek (00:43:43): Jakýkoliv label tomu dáme, tak to je ten Embedit. Moje otázka je, Kam se posunul ten IoT trh? Pár let, takových 8-10 let zpátky, to byla zase next big thing. IoT, edge computing, všichni, to je prostě internet věcí, už s námi budou křižovatky mluvit a chytrá auta a tehdy zase 10 let zpátka, jsme mysleli, že dneska tady v Praze bude polovina dopravy autonomní, tak byl ten velký příslip, narazilo to z mého pohledu na spoustu problémů typický standardizace, tak jak je to dneska, posunula se standardizace, ale vlastně moc ne.

Ondřej Stuchlík (00:44:34): Já si myslím, že jo, já si myslím, že jo, že tak takový ten jako hlavní, ty hlavní standardy, co byly už jako dřív, tak byl MQTT standard, který, což je standard, přes který něco, asi většina lidí bude znát třeba jako HTTP a REST, tak tohle si můžeme představit, že je podobnej protokol, taky to běží na TCP IP, akorát prostě ta vrstva nad tím, co se posílá, tak není jako get post, ale má to prostě nějakou jako jinou strukturu, ty messages, co se posílaj a je to udělaný tak, aby to mohlo běžet na devicech, který třeba nemají takovou, nebo který mají být energy efficient. Takže ten standard tady byl, myslím si, že se jako dobře rozšířil a že je jako víc a víc jako providerů, který ti dají třeba ten cloudovej protikus toho takzvaného MQTT brokera, ke kterému ty se připojujete. Apičko vlastně přesně, takže to přece jako nějaký apičko a my třeba nejvíc používáme teď Azure IoT Hub, která, což už je ale jako fairově věc, která tady je od roku 2015, podle mě 2016, což to Azure, myslím, tenkrát pustil. Takže tohle, co to tam je, tak to je řekněme nějakej standard na té transportní vrstvě, když se budeme bavit. MQTT jsou i jako další protokoly, třeba EMQP.

Ale tam už zase záleží, ten protokol má třeba jako lepší bandwidth, nějak dokážeš přes jednu connectionu sdílet více jako fyzických channelů, ale zase na tu energy efficiency třeba to nebude tak dobrý, bude to mít jako lepší reliability, ale řekněme, že MQTT je takový standard, který tady je, funguje V kodu, co v jak se řešila

Jirka Vicherek (00:46:13): LoRa a pře na své protokoly, to už se vyřešilo.

Ondřej Stuchlík (00:46:17): To je pravda, že tohleto, myslím si, že se to posunulo za mě, ale máš pravdu, že na týhletý úrovni, když jdeš fakt ne na tu transportní vrstvu do klaudu, ale na to, že chceme tady Žeho si rozmístit senzory po místnosti a co nejvíc jako low power to přenášet. Tam si myslím, že tam ještě nemáš toho Winnera, že bys řekl.

Jirka Vicherek (00:46:36): Tak tam francouzi umřeli tady s velkým českým investorem společně. Co to bylo? LoRa, Blue.

Ondřej Stuchlík (00:46:47): Už se nepamátuju člověk. Lora, ten standard jo, ale jinak jako na tom tom přednosový vrstvě, tam si myslím, že máš pravdu, když jde úplně na tu fyzickou vlastně vrstvu, teďka na tu transportní, na tu fyzickou, tak tam furt ještě toho najdeš dost a musíš jako se s tím umět zintegrovat. A ono je to asi logický, protože tam se bude těžko hledat one size fits all solution, protože ty energy requirementy jsou různý a určitě jsou různý i budou se ti pak lišit, na jakou vzdálenost potřebuješ ty data přenášet, kolik těch dat potřebuješ přenášet, jestli je potřebuješ buffrovat mezi zařízeníma. Takže tam je toho, tam toho si myslím, že jako bude víc a že to prostě z podstaty ty věci underlying se nám úplně nepodaří hodit, jako se nám podařilo všechno hodit na rest upy nebo většinu věcí, tak samozřejmě tam se to nepodaří, což za mě jako je taky dobrý, jo, prostě furt tam je nějaká engineering zajímavost v tom, že dokážeš zvolit ten správný protokol, že už ti nikdo nepředepíše tu architekturu od stolu a musíš trošku něco vědět, abys to udělal dobře.

Jirka Vicherek (00:47:50): Super, zpátky k oddělením, takže to je embedded na device.

Ondřej Stuchlík (00:47:56): Ano, přesně, embedded na device, tak potom máme vlastně data engineering oddělení, který vlastně začíná řekněme nebo někdy na tom edge computingu, tam se to tak nějak řekněme dělí ta responsibilita, tam vlastně končí embedded a už začíná v podstatě jako by ten cloud engineering. a samozřejmě v cloudu, to znamená budování těch distribuovaných systémů, který ty data potom, co z těch deviceů přitečou, se sbírají, uložejí do nějakých dalších formatů, abychom je dál mohli zpracovávat, tak to je cloud engineering.

Jirka Vicherek (00:48:30): A ještě tě zase zastavím. Začínali jste 2015, teď to nazýváš cloud engineering.

Ondřej Stuchlík (00:48:37): Data engineering.

Jirka Vicherek (00:48:40): Na druhou stranu jste prostě v industrii a jste na farmách se špatným připojením a tak máte ještě nějaký on prem věci. Předpokládám, že on prem to začínalo, že každá farma měla server.

Ondřej Stuchlík (00:48:58): Ano, na těch farmách ty servery pořád ještě jsou a oni ty edge computing nody tam vždycky budou, tam musí nějaký hardware bude muset být, ale máš pravdu s tím on-premem, že my jsme vlastně začínali trénovat naše machine learningové modely nad jako klastrem, výpočetím, který jsme si fakt jako sami stavili, měli jsme prostě v datacentru jako mašiny, měli jsme tam železo a prostě instaluli jsme se na to operační systém, jako celý ten vlastně modern datastack jsme nad tím rozbíhali. A dneska to dekomišnujeme, prostě všechno směřuje do cloudu. Takže a právě jako data vždycky směřovali do cloudu, to jsme jako, nebyli jsme ve fázi, kdybychom ty data z celého světa sbírali na nějaký server, který bychom manažovali, to jsme nikdy neměli, ale jako začínali jsme s tím, že jsme ten to data science a to jsme jako dostatečně dlouho a ještě i tenhle rok jako dělali na on-prem clusteru nějakou část z toho třeba a teď postupně se přesuváme do toho, že budeme chtít všechno i ten trénink těch monů, i tu data science dělat v cloudu. Ale ten data engineering byl v cloudu, to tak bylo vždycky, takže jsme u toho data engineeringu, data z Embeddy device jsme dostali do cloudu, vyčistili jsme, udělali jsme nějaký dataset, který může teďka přijít na to vlastně data science a začít stavět nějaký machine learningový model, který se pak deploy na produkce. a vlastně výsledky toho modulu chceme, buď teda, jak jsem říkal, přímo instruovat nějaký device, fyzický nějakýho robota, nebo nějakou třídící linku, anebo často samozřejmě, když máš třeba nějakou predictive maintenance, prediktivní udržba, chceš vědět, že se ten robot s nějakou pravděpodobností rozbije příští týden, takže bys ho měl spravit dřív, než se dostane, tak takovýhle insighty chceš zase předat nějakému uživateli, nějakému technikovi v nějaký třeba aplikaci.

tak tam pak nastupuje ten application development department, který vlastně staví ty aplikace, který pak uživatele můžou, přes který uživatel ty Insiety můžou konzumovat.

Jirka Vicherek (00:51:05): No a poslední je ta první, ne? Jakoby ta modelovací data science.

Ondřej Stuchlík (00:51:12): Jaké myslíš, poslední je ta první?

Jirka Vicherek (00:51:14): No máme embedded data engineering. Teď si na applications.

Ondřej Stuchlík (00:51:20): Ne, pak je ta data science právě, máme embedded, pak máme data engineering, pak máme data science vlastně, protože potřebujeme z těch, ty data vlastně použít, abychom postavili ten model a zároveň ho deploynuli do produkce, aby mohl potom ty data vlastně procesovat a vlastně outputovat nějaký insighty a ty insighty pak vlastně ukážeme v té aplikaci, takže takhle ten chain.

Jirka Vicherek (00:51:44): Super, co stek, mluvil jsi o Azure, takže jako o dotnetu, takže nějakou afinitu k Microsoftímu steku máte, co ještě na začátku si říkal, jak jste dělali věci ve Skale a Matlabu, tak Kam se to posunulo? Co je váš tools of choice? Předpokládám, že jako se přizpůsobíte klientovi a jdete až do fyziky a že u některých kávovarů si nemůžete vybírat, ale obecně.

Ondřej Stuchlík (00:52:20): Tak určitě máme Affinity v Azure, začínali jsme tam, ale děláme věci a na AWS, takže vlastně na Google Cloud nic nemáme teďka, ale fungujeme na AWS, na Azure. Vlastně ta naše IoT platforma, kterou máme, kterou vlastně jako rejuzujeme přes většinu našich projektů, proto abychom data z deviceů dostali do cloudu, tak to je napsaná v dotnetu ještě pořád a určitě tam zůstane, protože tam potřebujeme mít nějakou jako performance hodně víc pod kontrolou řekněme, takže to je dotnet, ale potom vlastně veškerý ten data engineering a data science, tak tam už je to Python, potom a používáme vlastně, řekl bych, máme tady nějaký jako dvě architektury, který jsme používali dřív a ke kterým teďka jako konvergujeme a přecházíme spíš jako moderněji. Takže řekněme, ta starší architektura toho, jak jsme ten machine learning v produkci dělali dřív, tak byla taková, že jsme měli vlastně koncept tomu, nebo tomu architektickým paradigma, tu se říká competing consumers. Takže když jsme prostě potřebovali natrénovat deset tisíc modelů, tak my jsme vzali nějakou frontu v cloudu, nějakou queue, může si člověk přece třeba epečí Kafka, jako jedna z nich nebo Rebit MQ, jako dva zástupci, dvou typů front. a do nich jsme nasypali prostě 20 000 zpráv nebo 10 000 zpráv, podle toho, kolik modelů jsme potřebovali natrénovat a pak jsme na to, pak jsme na tuhle tu frontu vlastně napojili několik těch competing consumerů, vlastně worker jobů, který si z té fronty vytahovali ty zprávy a každá zpráva znamenala natrénují tenhle ten model na nějakým jakoby menším menším datasetu.

A tyhle ty Workery jsme deployovali do Kubernetes, už tenkrát v původovkách 2.16, 2.17 Docker už začínal být docela velký téma, tenkrát ještě jako bojovalo trošku, bo soupeřilo s Linux s kontejnerama, ale jako už bylo podle mě docela dobře vidět, jako kam to půjde. a podle mě 2018, 2019 už Kubernetes jako vyhráli tu container orchestration engine válku. Bylo vidět, jako kterým směrem to bude. Takže to byl vlastně stack, který jsme měli. My jsme měli manažovaný Kubernetes clustery a doteď máme v těchto projektech, který tu architekturu používají, manažovaný Kubernetes clustery od Azure nebo od AWS.

Na tom běhají do kří kontejnery, ve kterých běží Python. a jak jsem možná na začátku zmiňoval nebo možná nezmiňoval, ale vlastně ty Python modely dost jako velmi často nemusí být distribuovaný. To nemusí být věci, který běžej distribuovaně na klastru. to může být standardní scikit-learn model, protože my ho třeba, jak jsem říkal, my jich učíme spoustu, tisíce modelů, takže ty moraly nejsou nějaký obrovský, takže my dokážeme ten model vlastně zavalit do toho doporu a on vlastně na tom jednom výpočetním úzlu úplně v pohodě jako inferuje. a dokonce i to trénování se často dá dělat jako na tom jednom výpočetním úzlu, že ten trénink nemusí být distribuovaný.

Takže co se týká toho stacku, jak jsi říkal, tak tam si myslím, že to nic jako esoterického není, je to Python, je to scikit-learn a Docker a Kubernetes vlastně to je ten stack, kterým to běží tato competing consumers architektura. No ale čím dál víc a víc přecházíme k takovýmu jako trošku zjednodušení. My jsme tuhle architekturu volili k tomu, abychom měli jako co nejmenší latence a jako co největší kontrolu nad tou paralelizací. Ale zjišťujeme právě víc a víc, že jako není potřeba ty věci mít jako úplně perfektní, protože oni pak jako můžou stát jako mnohem víc úsilí, komplexity a tím pádem peněz. Takže přecházíme vlastně zpátky, zpátky bych řekl k standardním MapReduce, že jak jsem říkal my jsme se Sparkem začínali, jsme ho učili na fakultě od verzí 09 jako Spark znali, že přecházíme zpátky vlastně k MapReduce paradigmatu, když když potřebujeme Vyhodnotit nebo natrénovat tady tisíc modelů, tak my uděláme vlastně dataset, který necháme na tom MapReduce, ať nám zparalizuje a vlastně v každý map funkci transformační můžeme třeba dělat tu inferenci nebo i to trénování toho modelu.

a sice nemáme úplně pod kontrolou, jak se ten partitioning přesně udělá a když by ta jedna partitiona byla mnohem větší než ty ostatní, tak on ten maparadus s tím trošku bude mít problém, což bys u těch compity consumerů neměl, ale on ve finále zjistí, že to zase tak nevadí a že tím, že je to pak jako jednodušší a těch řádků kodu je fakt míň, Tak když si pak nasadíš tu jako za mě správnou architektonickou čepici, kde bys měl jako architekt rozumět dostatečně hluboko tomu kódu, ale zároveň vědět, kde je ta biznesová hodnota, tak dokážeš přesně tyhle dva světy spojit a říct, hele pojďme to udělat jako, že nemáme úplně přesně pod kontrolou, když budou nějaký partičny disbalancovaný, tak to bude trvalo o chvíli díl, než to doběhne, ale jako ta komplexita bude menší, bude se to líp udržovat, takže to bude levnější. a vlastně jako ekonomicky to vyjde líp celkově tenhle case. Takže my vlastně přecházíme z tohohle paradigmatu, kdy jsme většinu věcí paralizovali přes Competing Consumers Pattern do kří kontejnery s pajtníma workloadama a s frontama na MapReduce, to znamená managovaný Spark a většinou nám ten Spark managuje Databricks, dokážeme si ho pouštět i sami. Pro nás je to hodně důležitý, teda abychom ty věci měli i na open source technologiích, protože jak jsem říkal, Edge Computing, máme prostě 30 000 řízní na světě, nám se fakt jako hodí, když tu technologii můžeme si i vzít a rozběhnout na nějakým edži, což ten Spark ti dává tu možnost, takže nám se jako databrixy líběj z toho jako filozofického pohledu. Že ty věci staví nad Open Sourcem části, teda Open Sourcem části ne, ale jako velký část, jo.

Takže my víme, že když použijeme Spark, tak buď zaplatíme Databricks, aby nám to hostoval, ale když budeme potřebovat, buď když to bude moc drahý, tak si můžeš ten case spočítat a platit svýmu adminovi a ti ten klaster zpravuje. Ostatně jsme to tak dělávali dřív sami. A nebo si přesně můžeš i říct, tak já bych tenhle workload teďka potřebal přesom na Edge. a nechci ten kód přepisovat, já chci, aby to bylo jako stejný, že jo. Takže proto se nám jako líbí Apache Spark, líbí se nám Delta Lake, což je vlastně standard, který Databricks open sourceoval vlastně na tabulkový data nad velkýma objects, tedy že má levnýma klaudovýma uhlužiště, má jako třeba S3 nebo Agebob store, tak tyhle se nám líbí přesně proto, že my to dokážeme, když budeme potřebovat nebo když potřebujeme, tak to dokážeme dostat i na vlastně to železo, který bude třeba běžet na té farmě, nebo na nějaký počítač, který bude běžet vedle toho mikroskopu.

Dokážeme tohle s toho udělat a to je i důvod, proč jsme vlastně na databrixy vsadili, když oni vlastně Na mě zafungoval ten jejich sales model. Jejich sales model je, že ty věci staví nad open sourcem, protože pak ty neboješ mít ten vendor lock-in pocit a prostě si to sám vezmeš jako inženýr. Tak na mě to funguje, na mě to zafungovalo, protože v tomto hodnotu opravdu vidím, když budu potřebovat, tak si vezmu DLX standard, vezmu si Apache Spark a zběhnu si to jinde. Není to teda úplně tak snový u těch databrixů, musím říct, že občas člověk musí být hodně opatrnej, protože některý feature, když začneš používat, třeba v procesingu, něco, co ti oni dají zadarmo, já nevím, chceš vytvářet slowly changing dimension type 2 a oni to uměli automaticky, tak nejenom zjistí, že už ta tabulka, kterou jako z toho vypadne, tak ona sice se tváří jako delta, ale když ji pak chceš přečíst bez databrixů, tak zjistí, že to úplně tak snadno nejde. Sice je to open source, ale někde musí člověk být opatrnej, jo.

Ale to bych jim odpustil, myslím si, že tu práci dělají dobrou a to, že vlastně si snaží open sourceovat ty věci, aby udělali tady datový formáty jsou open a teď už nechme jenom ty jednotlivý computation engine, aby mezi sebou soutěžili a prostě klidně si příští rok vem jiný, nevadí mi to, tak myslím si, že tahle cesta je dobrá. Takže to je ten stack, který mi teďka, kterým mi jako bych to zabalil a vrátit se zpátky.

Jirka Vicherek (01:00:47): Takže hodně Databricksí Spark, open source, kde jde, různý deploymenty. A vlastně zase v tom cítím nebo slyším ty tvý začátky. Chceš to dohlídnout, mít možnost ty nějaký transparentce na jednu stranu. a na druhou stranu pořád to engineering, že si to můžeš udělat po svým, když by bylo třeba.

Ondřej Stuchlík (01:01:14): Když by bylo třeba, přesně.

Jirka Vicherek (01:01:15): A na druhou stranu to, co jsi říkal, že ty competing. Competing Consumers a kontejnery a každá škatulka hezky do 100% takový jako, jak se to mi říká, fakt idioci je takové to, jako že si s ním úplně hračiščkávství. Jo, totálně vyladěný. Jo, totálně vyladěný, takhle jsem to udělal, OK, ale bylo to o týden deal z tohoto. a ve skutečnosti to za stolik lepší nebylo, takže směřujete k té jednoduchosti.

Je to podle tebe, je to dáno i tou technologií nebo jak moc je to tím, že na začátku jsi to musel manažovat sám a teď prostě tomu autoscalu a tomu jist komputu a prostě Spark se posunul tak, že už mu věříš.

Ondřej Stuchlík (01:02:12): Určitě, určitě to máš pravdu, jo, mohlo by to znít takhle jako jednostranně, jak jsem to psal, ale určitě to je tím, že už je to jako mnohem snažší teďka ty workloady třeba nad tím Sparkem spustit, že jo, Databricks se jako posunul, ta user experience se posunula v tomhletom, takže souhlasím, v tomhletom je to určitě dneska snažší a nedá se říct, že jsme to tenkrát zvolili blbě, protože tenkrát ty technologie byly jinde, že jo, jo. Ale to si myslím, že je právě dobrý furt jako držet v oko na tom, jak složitý je nějakou novou technologii použít, protože když pak si nasadíš tu biznesovou část té architektonické čepice, tak se ti to někde začne překlápět a řekneš si, hele, teď už bych to měl vzít tuhle technologii, protože sice to nebude mít stejný latence jako měl ten systém předtím, ale ono to tomu biznesu nevadí. No a já často říkám, že jako jeden z mých hlavních learningů je make the requirements less dump. A prostě než začneš něco inženýrovat, tak si fakt jako zjistí, jestli to je potřeba a jestli to přináší tu hodnotu, která vyváží tu komplexitu, kterou do toho dáš. A to podle mě tohle přesně by měl bych schopen dělat za mě, teda architekt.

Který jako z jedné strany dokáže pochopit ten business case, ne že by ho měl jako definovat, to ne, to nechme na jiných, oni nám ty produktiáci taky nekecej do toho, jak děláme ten inženýring, ale měl by to být schopen pochopit přesně a challengeovat potom a říkat, hele tak vy tady říkáte, že tohle to chcete, aby ten model inferoval každou minutu, jako co kdyby inferoval každých deset minut nebo pět minut, jako je to fakt každá minuta, protože jste si to Tady jako by cudzprst napsali, anebo jako opravdu je to potřeba, protože já vám tady dokážu říct, že pokud to nebude inferovat každou minutu, nebude to nějakej streamingový workload, ale bude to batchový workload, poběží to každých 15 minut, tak to bude třeba jako dvakrát jednodušší, takže to brztá třeba polovinu peněz, jako opravdu ten business case je to jako fakt jako killer feature. A podobně tohle je ta hlavní přidená hodnota těch jako architektů, A pořádně tohle, abys dokázal udělat, tak potřebuješ jedna porozumět biznisu, ale já osobně si myslím, že architekt by pak měl i dokázat jít na druhou stranu za těma vývojářema a fakt se jako bavit na úrovni řádku kódu, co to teda bude znamenat, když tady budeme, nebudeme dělat streamingový o workload, ale budeme dělat batchový, To znamená, vezmeme tady Spark Streaming a teďka, OK, ukažme, jak vypadá to data frame API, ukažme, jak budeme ten job schedulovat. A když tohleto nemáš zase na té engineering úrovni, tak si myslím, že můžeš často podcenit, nebo se chytit na nějaký marketingovej lab těch platform, který ti řeknou, že to bude jako seamless, ale ono to pak možná tak seamless není. Takže abys dokázal férově opravdu vyvážit tohleto jako tady biznesová hodnota, tady opravdu tam bude nějaká redukce ty engineering complexity a zhruba jak velká, nikdy ten uděláš přesně, ale zhruba aspoň. Tak já si osobně myslím, že architekt by měl bejt schopen jít na tu úroveň řádku coreů, ne teda CTO, my jsme se o tom bavili před natáčením, že CTO to dělat nemusí, to bych tady určitě nechtěl, ale myslím si, že když někdo má čepici jako architekt, Já teda mám obě ty čepice.

Jirka Vicherek (01:05:17): To je důležité říct, že to neříkáš jenom jako CTO, ale říkáš to jako architekt. Ano, ano. Že si tu oprátku, rozumět každému řádku kodu, dáváš sám sobě a máš sto lidí ve firmě, kteří ti to omlátí.

Ondřej Stuchlík (01:05:34): Jasně, jasně. Já určitě nerozumím zdaleka každému řádku kodu, co napíšem, ale to, co si myslím, že je důležité, aby ten architekt dokázal, když je to potřeba, tak tu diskuzi posunout na tohle, tak teď už mě pojď ukázat jako zdroják. Pošli mi link na ten řádek v GitHubu, kde děláš tuhle tu transformaci nad tím data framem. Ukaž mi, jak se jmenuje ta metoda v tom apíčku, jaký má garance. Tak tohle s tou třeším je.

Ty určitě nechceš, teda zase můj názor, nechceš komitovat doménu a být jako na té kritické cestě k tomu, když se deliveruje nějaký software. To fakt dělat nechceš. Ale chceš být schopen, když architektuješ s lead inženýrama nějaký řešení, tak když je to potřeba, ne že bys to měl dělat furt, ale když je to potřeba, tak tu diskuzi posunout na ten, protože jinak je tam hrozný abstrakce, když někdy je fakt jako mnohem mnohem praktičtější už si začít psát prostě nějaký řádky kódu nebo pseudokódu, anebo si poslat link na řádek jako do GitHubu. Takže to si myslím, že se bavíš konkrétně, protože jinak prostě jeden v ovoze, druhý v okoze a stává se z toho filozofická diskuza.

Jirka Vicherek (01:06:41): Ano, přesně, přesně. Zase jak to popisuješ, tak Já tam vidím ty trade-offs, že i jak mluvíš o té vaší původní architektuře versus to, kam jdete teď, takže možná neexistuje jedno nejlepší řešení, že se pohybuje to v čase a ten use case je jako důležitý a ten business case toho celého, ale to tam vlastně vidím, že v jednu chvíli říkal si Kafka, tak bylo streaming, budou jenom zrychlovat data, prostě real time data analytics, protože to je jako logický, tak jsme měli jednou měsíčně, potom jde minus jedna, teď budeme mít každou hodinu a za deset let bude všechno streamovaný, nebude existovat klasický bečování, protože tady budeme mít ty super počítače a to. Ale pořád jako to nedává smysl, jsou různý typy aut, jsou tady sportovní auta, jsou tady dodávky a je trh pro obě.

Ondřej Stuchlík (01:07:51): Ano, ano, jako to se říká ne, ta nejčastější odpověď v IT je it depends, prostě vždycky jako it depends a jakmile to není it depends, tak podle mě tě to přestane bavit, protože to v tu chvíli znamená, že prostě tu architekturu už někdo vymyslel a už podle mě na to pak někdo napsal nějakej toolset a jenom jako zapojíš, takže jako díky bohu za to, že it depends, protože tím pádem software engineering furt může být zajímavý tak, jak je.

Jirka Vicherek (01:08:15): No a jak tobě se projevuje teda to make the requirements less dump?

Ondřej Stuchlík (01:08:21): Tak přesně takhle, že já vlastně třeba často challengeuju na těch diskuzích vlastně, jaká má bý latence na tu jakoby end to end latence, když se nějaký data point jako vygeneruje na nějaký sajtě, dokdy musí být v cloudu, dokdy musí být ta predikce třeba u toho uživatelé a fakt jako já vždycky říkám, pokud dokážete něco spočítat jako batch processingem, že to prostě je batch, která běží každou hodinu, tak to vždycky bude jednodušší. On je nějaký důvod, proč dřív se to začalo dělat nejdřív batch a až potom streaming. Protože ten batch processing je jednodušší a i když nám tu komplexitu samozřejmě dneska hodně do sebe skrajou všechny platformy, který použijeme, tak furt ta celková komplexita toho problému bude větší, když to budeš dělat streamingové, budeš tím malou latenci, když tam bude ten batch. A podle mě, já v tomhle s tom říkám, když dokážeš něco spočítat hodinovým batchem nebo 15 minutovým batchem, to taky může být batch. Udělej to, když dokážeš něco uložit do relační databáze, kde se to vejde na jeden úzel, udělej to.

Nevěř tomu, že musíš dělat jenom scale out, můžeš dělat i scale up. A když se dneska koukneme na cloudový provider, tak oni jako dokážou vyspinovat mašinu, která bude mít jako 100 procesorů a bude mít terabajty paměti. To jsme dřív museli dělat na výpočetních klastrech poměrně složit, dej dneska to oni to prostě nacpou na tu jednu věc. Takže dokud dokážeš ty data udržet na jednom úzlu, dělej to na jednom úzlu, nedělej distribuovanou architekturu. Dokud dokážeš ty data dostat do rolační databáze, která prostě té technologie, která tady je 50 let, jako je fakt battle tested, máš tam garance, který chceš, jako jo, všechno, jako atomicity, tu konzistenci, máš tam durabilitu, ty věci, který potřebaš, tak tam jsou.

Dokud to stačí, udělej to. A ona se ta industry, vlastně, když se bavím o té relační databázi, tak ona se tak jako aspoň na té logické úrovni se k tomu vrací i v těch distribovaných systémech. Když se dneska koukneme na Snowflake, když se dneska koukneme na Databricks, tak oni jako sice každý přišli z jiného směru, Snowflake přišel z toho, že to byl prostě jako Oracle do cloudu a Databricks přišel, že máme tady Spark, takže oni jako Snowflake začal, tím máme databázi, Spark začal, tím máme Computation Engine. a dneska to fakt jako konverguje. Jsou to alternativy, ale ta logická abstrakce, kterou oni dávaj, tak je vlastně stejná, jako byl ten relační server databázový.

Máš nějaký katalog, ať už Unity katalog nebo Polaris katalog, to je jedno. Tam máš, tam máš nějaký jakoby databáze v tom, v databázích máš schémata, ve schématech máš tabulky, v tabulkách máš sloupce, který mají silný datový typy. Takže když se koukneš na ten interfejs a dal bys vedle toho interfejs nějakýho Postgresu nebo SQL serveru nebo Oracleu, jako bys vzal ten screenshot, jak se na to koukáš, když proklikáváš, jaký tam máš data, tak on už to prostě vypadá stejně. Akolát underlying je ten computation složitější, mnohem složitější. A já si myslím osobně, že jako ta industry prošla si takovou cestu od nějakého roku 2010, kdy jsme jako ty raleční databáze museli zahodit, protože už jsme těch dat začínali mít tolik, že to neškálovalo.

Tak my jsme jako se vzdali nějakých garancí, který nám ty raleční databáze dávají. Ale co jsme dostali? Dostali jsme ten scale. Dokázali jsme najednou ty data uložit na více na více serverech, ale třeba jsme tím ztratili nějakou konzistenci těch dat nebo ztratili jsme typovost.

Jirka Vicherek (01:11:56): A ti myslíš jako Hadoop, Big Data vlnu? Buď

Ondřej Stuchlík (01:12:00): Hadoop a nebo

Jirka Vicherek (01:12:01): NoSQL.

Ondřej Stuchlík (01:12:02): NoSQL hlavně. Že jsme si řekli, pojďme spíš jako NoSQL směrem, nějaký garance z těch SQL databází zahodíme, ale dostaneme ten scale. A teď si myslím, že jsme se zpátky dokázali vrátit oklikou zase k tomu, že ten logický model toho, že ty data máš v tabulkách, že tam jsou silný datový typy, že ty tabulky se zhlukou do nějakých schématů, ty schémata do databází a někdo ve firmě může vidět vlastně na tenhle metadata katalog. je jako dobrý logický model, tak se k tomu pojďme vrátit, pojďme zase se o datech přemýšlet v silných datových typech a v tabulkách, protože už to dokážeme udělat at scale. Ne vždycky, furt platí to it depends, co jsme říkali, jo, ten noSQL furt má svůj jako význam a takzvaná jako polyglot persistence, že ty postavíš tu datovou vrstvu nad mixem storiží a technologií tak, aby to fitovalo ten use case ekonomicky a inženýrsky.

Ten furt platí, to já jako neříkám, že noSQL tady není, Ale prostě spousta věcí už zase dokážeme i v tom scale dostat na tenhle logický model, který je jednodušší a tím pádem pak levnější na implementaci.

Jirka Vicherek (01:13:03): Tak to možná byl nějaký sen, že vlastně se to posouvá tak rychle, že to upočítáme vždycky, že když naházíme dostatečně velký počet dat na dostatečně velkou hromadu a potom na to pustíme dostatečně silnou mašinu, tak se to prostě stane. A teď zjišťujeme, že tomu potřebuje rozumět. A takhle. A na druhou stranu mě tím přivádíš k jedný technologii, která do znační míry tímhle způsobem naházíme dostatečně na jednu dostatečně velkou hromadu a pustíme na to dostatečně velký za miliardy dolarů compute, tak to vyšlo a to jako law of scale tam zafungová a to jsou LLMK a GNI, tak jak ta Ta vám skočila jako do biznesu, do use caseu, abych jako zase tím, že máte hodně fyzickýho, jako fyzický svět a fyzikální věci, které zase jsou uvíc v matice, než v kultuře a jazyce, tak jak ty se díváš nebo jak vy přistupujete k JNI, Předpokládám, že pro vás to nebylo zase taková revoluce tím, že jste víc tomu železu, IoT a těmhle věcem, než odpověď na zákaznická peče na sociálních sítích.

Ondřej Stuchlík (01:14:50): Hele, na ty industrial case to samozřejmě s tím nehnulo nějak jako extra, mám nějaký jeden edge case, co pak můžu říct, ale jako in general ne, ale máš pravdu samozřejmě, že my u těch zákazníků, kterým pomáháme inovovat pomocí data NAI, tak to LLMko tam určitě má své místo. To znamená, my to samozřejmě používáme, myslím si, že ten use case toho vlastně nějakýho chatbota, nějakého aragování jako Retrieval Augmented Generation se komoditizuje natolik, že už to dneska fakt jako používá každej a tím, že ta cena tím pádem jde fakt dolů, tím jako vyvinul nějaký takovýhle systém, který nad tvojí knowledge base, tvojí wiki Tvejma jako set of research papers udělá nějakýho chatbota, který ti jako radí, tak že už ta cena prostě jde tak dolů, že už se to začíná vyplácet ve víc a víc jako biznisech. Takže tohle to samozřejmě děláme LLMka

Jirka Vicherek (01:15:52): Hlavně v té aplikační vrstvě.

Ondřej Stuchlík (01:15:54): Hlavně v té aplikační vrstvě, aby vlastně uživatel mohl mít nějakýho třeba toho chatbota, tak to je prostě já myslím, že dneska už je to standardní nabídkou jako každý firmy, která tohle co to dělá, která je v nějakým jako datovým světě, tak LLMka prostě nejde nejde minout. Ale mně třeba přijde jako zajímavý case, s kterým si teďka hrajeme, jestli to třeba dokáže pomoct i s nějakým jako generováním nějakých třeba jako setů rovnic, který dokážou popisovat nějaký fyzikální systém. Tak to je třeba věc, kde mně by to přišlo jako mnohem zajímavější, ještě zase jako tenhle ten pohled, jestli to LLM by mohlo pomoct. nejenom udělat nějaký chytřejší search nad knowledge base, zabalaný potom do hezky strukturovaný odpovědi, což je efektivně, co to dělá.

Jirka Vicherek (01:16:40): Že to není jenom NLP a přirozený, jakoby odemčení přirozenýho jazyka.

Ondřej Stuchlík (01:16:45): Tak, tak, tak, tak, no. Ale že by to udělalo i tuhle tu část vlastně, že by ti to dokázalo ze znalosti nějakého kontextu generovat, generovat třeba nějaký jako sety rovnic, pomoct ti nad tím iterovat, ty to pak můžeš dohnat vždycky nějakým dalším jako processingem, ale tohle by mě přišlo zajímavý a copak teda samozřejmě, kde jako LLMka určitě používáme, chceme používat a myslím si, že to je velký trend, tak je, že se ty LLMka pustí nad strukturovanýma datama, to znamená self-serve data analytics. Už nepotřebuješ dneska nebo chceš, aby ten člověk, který interaguje s těma datama, ty queries nemusel psát v SQL, ale mohl je napsat v normálním jazyce. Já mám takovou osobní hypotézu, já si myslím, že když prostě v 70. letech vymysleli SQL, takže měli podobnej pocit, jako my teď máme s LLM, že se s tím jako počítačem začali bavit jako v přirozeném jazyce.

Oni napsali jako select Vyber mi z employees, kde jako salary je větší než. A podle mě měl takovej pocit, nenapsali větu a ten počítač jim vrátil ty výsledky. Tak podle mě my máme teďka něco podobného, akorát teď už je to opravdu jako natural language real, že se zeptáme opravdu vrátí mi tyhle ty, udělej mi takovou agregaci. a to LLM-ko dokáže postavit, pak to SQL-ko, který v těch sedmdesátkách bylo, to je jako ta real language jako pro ně, tak my tam teď potřejmeme tuhle překladu, ale myslím si, že tenhle use case, další LLM-kovej, tam je taky, takže to znamená předhodit tomu LLM-ku v rámci toho biznesu, té company, nejenom tu jejich nuličkerá je v textu, ale předhodit jim i tu nuličkerou mají v těch strukturovaných datech. Kde samozřejmě je hrozně důležitý metadata management, my ty data dobře popsaný by to mělo kontext a to si myslím, že jako je řešitelný a pak z toho engineering pohledu si myslím, že tady je další část, kterou určitě data mohl taky dělá, je to self-serve analytics umožnit, my jsme tomu vždycky říkali data democratization v těch firmách, my jsme chtěli, aby ti data mohly co nejvíc lidí používat.

Jirka Vicherek (01:18:48): Já si pamatuju na Citizen Data Scientist, což když si Keboola měla, tak to je jako podobné, ne, je to všechno, jsou to stejné labely nebo jiné labely na stejnou věc, jenom vlastně teď zpětně, když slyším Citizen Data Scientist, tak se smějí, že Že od tohohle se ustoupilo. Už nebudeme učit biznisáky Python.

Ondřej Stuchlík (01:19:16): Python ne, ale ale podle mě tu tu vizi nebo ten cíl máš stejný. Chceš prostě co nejvíc zvětšit ten pool lidí, který dokážou z těch dát dostávat insighty sami a ne, že si musí někomu zadat z nějakýho datatýmu, aby jim jako udělal nějaký report nebo zkontroloval nějakou query. má to samozřejmě bude to mít stejný mouchy nebo problémy jako všechny LLMka nebudeš si moc být jistý, že ti to ten dotaz napsalo správně, že ty výsledky jsou správný, ale to mně přijde podobný, jako když se dneska nějakého AIka zeptáš, tak taky nemáš jistotu, že ta odpověď je správná, tak s tímhle si se samozřejmě budeme muset pracovat, ale myslím si, že to, že to unlockne, otevře prostě ty data, mnohem víc lidem přes SelfServe Analytics, tak to si myslím, že určitě je jako správná cesta, že to pomůže zase zrychlit nějakej ten vývoj, aby opravdu ty inovace, co my jsme vždycky chtěli ty inovace dělat data driven, tak myslím si, že to přesně může tomhle pomoct.

Jirka Vicherek (01:20:12): A když se teda na to podívám, tak JNI je další v jednom z oddělení je to další kostička, tak to se vás zase tak netýká. Co jsou pro tebe ty hlavní věci, co se změnily za těch posledních deset let? On prem cloud, nějaká architektura, nějaký jako cizelování detailů versus big picture a business dopad, tak to tam vidím. Co se podle tebe změnilo, co zůstalo úplně stejný? Co zůstalo stejný.

Ondřej Stuchlík (01:20:49): Hele, tak Podle mě, co zůstalo úplně stejný v Datamolu, tak je firmní kultura. Jo, teď to vezmu jakoby z této stránky to odpověď, pak se dostanem k těm inženýring, ale já si myslím, že to je taky jako hrozně důležitá věc. A já bych tím chtěl poděkovat všem v Datamolu, kdo jsou, že nám vlastně dokázali naškálovat tu firmní kulturu i na to, že nás je sto. My jsme vždycky říkali, když jsme tamhle zakládali, že chceme dělat jako do the work we like with people we like in environment we like. A my jsme si byli docela jistý, že do the work we like, že tuhle tu část budeme mít splněno, protože machine learning je zajímavá oblast, IoT je zajímavá oblast, to znamená to, abychom všichni byli jako inženýři dostatečně mentálně saturovaní těma problémov, co řešíme.

od

Jirka Vicherek (01:21:39): začátku jste global díky specializaci, takže tam slyším, že si můžete vybírat, že ta úzká profilace na jednu stranu a asi českých zákazníků bude pár, co tuto specializaci vyžaduje, ale v tom globálu, tak mi přijde, že z mého komunikačního pohledu, tak jste Je to unikátní, velmi. Že ta diferenciace právě neděláme telko. Neděláme telko, neděláme banky. Jakože tím bych začínal konverzace.

Ondřej Stuchlík (01:22:11): My to tak taky člověče, ale děláme, že když se někdo zeptá, co děláme, tak my říkáme, hele, my ti řekneme, co neděláme, to je takový jako, tím se dobře začíná.

Jirka Vicherek (01:22:20): Takže to je super, takže to tam vidím, no, jak se udrží. Jo, a ta kultura vlastně. Máš tam nějaký tips?

Ondřej Stuchlík (01:22:30): No, hele, tak to je asi zkusím nějaký dát dohromady, jestli se mě to jako podaří, ale podle mě tohle, jak jsi se ptal, co zůstalo stejný, tak to je to, co zůstalo stejný, já jsem za to hrozně vděčnej opravdu všem. Protože myslím si, že právě dělat práci, kterou máš rád s lidma, který máš rád, je hrozně důležitý, protože proto se v té práci pak cítíš dobře a my proto vlastně do těch lidských vztahů se snažíme co nejvíc investovat, abychom vlastně i když hajrujeme lidi, tak se snažíme najít ty, který jako vlastně jsou rádi za to, když ta firma incentivizuje, že spolu nejenom kódíme, ale prostě bavíme se o osobních věcech, máme spoustu after work, Věříme si, jsme k sobě fair. A vlastně, když jsi zeptal na to, jak se to udrží, tak podle mě musí ve všech detailech a v tom každodenním koloběhu té firmy dbát na to, aby tohleto neupadlo. Aby opravdu lidi měli dost času spolumluvit, aby měli dost času spolutrávit i jako mimo kancelář. aby opravdu ty hodnoty typu, že si jako věříme, že jsme si fair, aby to bylo rozprostřené ve všech rozhodnostích, těch, co ta firma dělá.

Jirka Vicherek (01:23:44): Takže to prioritizovat vlastně, v té rozhodovací matici.

Ondřej Stuchlík (01:23:49): Protože já si myslím, že To, co já pevně věřím, že Datamole odlišuje, není to, jak tu kulturu máme definovanou napsanou. To se dá obsat a spoustu firm to pro ně tak udělá, ale já fakt věřím, že ten rozdíl je v tom, jak to žijeme, jak to dokážeme v tom každodenním životě uplatnit a a lidi, co k nám přijdou jako od jinut, tak nám to docela potvrzuje.

Jirka Vicherek (01:24:11): Firmní kultura je to, jak se chováš, když se nikdo nedívá. To mám hrozně rád. A ještě vzpomenu na mýho kamaráda Adama Hrubého, který to krásně vyjádřil. Nevěřil bych firmě, která by jako mezi hodnotama na stěně měla, nelžeme si. To je jako ve chvíli, kdy musíš na stěnu dát nelžeme si.

Tak to je. Tak jako trochu.

Ondřej Stuchlík (01:24:39): Proč to patříš incentivizovat tohle? Není to jako standard? No právě.

Jirka Vicherek (01:24:43): Koho jsem vybíral? Vším, to musím napsat na zeď. Tak na to si vždycky vzpomenu. No a co se změnilo?

Ondřej Stuchlík (01:24:52): A co se změnilo, takže tohle se nezměnilo, ta kultura zůstala stejná, samozřejmě změnilo se to, že už nejsme na jednom patře, už jsme prostě ve třech patrech, takže samozřejmě jsou tam jako nějaký věci, který je těžší, už prostě nepoznáš se s každým z firmy za dva týdny, prostě bude to trvat, tohle se určitě změnilo. Ale co se týká, abychom taky šli na tu technologickou stránku, jako co se změnilo z těch technologií, tak já myslím, že jsi to schrnul docela dobře. On-prem věci začínali jsme tak, nikdy ne na tu produkční nasazení, ale ne ten training, na dojde science, od toho odcházíme. Neříkám tím, nechci tím tady říct, že každý musí odejít do cloudu, ono furt bude nějakej Když ty ten hardware využiješ a teď já nevím přesně, ale typnul bych si 70-80%, tak se ti vyplatí to mít jako fakt pod stolem, održovat si to sám. Když si prostě koupím opravdu počítač, kde budu mít jako nějakou teslu grafickou kartu a fakt ji budu jako vytěžovat, že budu procesovat tolik videostreamu, že to budu mít konstantně na 80% vytížený.

tak se ti fakt může vyplatit to mít jako pod stolem jo ale typicky to tak není typicky prostě data scientista jako přijde do práce že jo jako ráno něco začne velkou část času potřebuješ jako malej ten computer co on používá a pak jenom občas to potřebaš nafouknout a pustit na nějakým velkým datasetu a to prostě na tom on-prem železe neuděláš, pokud nemáš těch datacentistů tisíc a vlastně si stavíš pak vlastní cloud. Takže v tomhle případě my se snažíme jít tou cestou cloudu, protože tím, že dokážeme se víc přibližit tomu pay per use, tak to je ekonomicky výhodnější. Takže to se určitě změnilo. Co se u nás určitě mění, jak jsme říkali, tak je vracet se zpátky k tomu MapReduce a ty věci psát nad nějakým Spark engine, protože jak jsem říkal, dokážeme ho pak dobře běhat i třeba on-prem, když potřebujeme, nebo na tom edgy. Co třeba si myslím, že se ještě bude měnit, kde třeba vidím, že ještě to není úplně tak standardizovaný a je otázka, jak moc bude v tom IoT světě, jak se ptal na ty standardizace.

Co si třeba myslím, že ještě není úplně dobře vyřešený, tak je management třeba 30 tisíc Kubernetes klastrů. Protože my samozřejmě ty workloady, který chceme běhat na těch edžích, tak bychom ideálně taky běhali na nějakém Kubernetes klustru, aby na tom Edge běželo vlastně, on to nemusí distribuovaný, ale ať to má stejný interfejs jako to Kubernetes.

Jirka Vicherek (01:27:30): Centralizovaný.

Ondřej Stuchlík (01:27:31): Centralizovaný je prostě jedna věc, jeden interfejs vlastně toho, jak definuješ, jak tam ty workloady běžej. A to je ještě dneska docela těžký, že by si zvzal nějakou platformu, která by ti orchestrovala třicet tisíc orchestrátorů, kontejnerů. To je zatím těžký. Takže oni jsou jako platformy Kubernetes on edge, jak běhat Kubernetes na edgy, ale jak to pak takhle v takovém obrovském scale orchestrovat, to už podle mě není prostě tolik firm, který to potřebují, aby Už to tady bylo jako dobře standardizovat. Takže na to bych se třeba těšil, když by takováhle platforma nějaká open source byla, kde pak ty dokážeš rolovat ty věci takhle na těch třicet tisíc site a na každý site máš ten Kubernetes cluster.

Dokážeš to i třeba tam pak škálovat, protože stejný problém, jako jsme měli v cloudu, budeme mít na tom edgi. My budeme potřebovat víc a víc algoritmů přesouvat na ten edge. A to znamená, to co ta výpočetní síla, která tam je teď, tak je jiná než ji tam budeme potřebovat za pět let. Nedej Bože, když tam budeme chtít deployovat nějaký LLMka, grafický karty, tak my bychom taky potřebovali, abychom na tu Edge dokázali plugovat vlastně další výpočetní úzly a nad tím pak běžet ten jeden orchestrátor Kubernetes, který to zabalí, vypadá to jako jedna koherentní věc. Tak to jsou třeba challenge, na které já se těším a když prostě máš ty business case, kde má tu hodnotu, ten engineering do toho věnovat, tu mental power, tak tyhle casey jsou hezký.

Jirka Vicherek (01:29:04): No a když tady mluvíš o platformě, která tohle bude orchestrovat, edge computing a tak, tak to předpokládám, není ambice spot flow, protože ty jsi to tady naznačil, že máte vlastní software, vlastní aplikaci, kterou na většinu těch use case používáte. Vy jste jich dokonce produktivizovali, že a dokonce je to dneska spin off. Počítáš do těch sto lidí lidí se spot flow nebo ne?

Ondřej Stuchlík (01:29:34): Jo, já myslím, že jo, že to je, že to je i s tím spinoffem, ale Spotflow necílí na to, aby orchestrovalo vlastně ty Kubernetes at scale, ale Spotflow teďka vlastně cílí na embedded observability, to znamená nejenom jako sběr dat z těch zařízení, ale jako je tam ta níšovost na to, na to vlastně, když potřeba z těch deviceů sebrat různý crash dumpy, logy a třeba nad tím udělat nějakou advanced analytiku. Ještě zjistit prostě, z jaký verze firm veru, po jakým se tu akcí třeba vedou k nějakému crashy. Tak tohleto je vlastně jako aktuální směr toho, jak se vlastně ta platforma SpotFlow vymezuje. Už to není jenom jako... generický IoT sběr dat a je to vyloženě jako ta Embedit observabilita.

Observability monitoring přesně tak v tom Embedit v tom Embedit světě a ideálně přesně s tou nějakou jako advanced analytikou nad tím, nejenom ty data sebrat a ukázat je v nějakým obrovským dashboardu, v kterým se nikdo nevyzná. Že jo, jako jenom mít data pro data, ale jako mít možnost nad tím právě udělat nějaký insiety, což třeba už je těžký, když máš flítu 100 000 deviceů po světě, tak jako zjistit, jaký sekvence akcí a kombinace firmwaru a hardwareu vedou k jakým crashům, tak tohle třeba může být nějaká advanced analytika, která vlastně v té spotflow platformě dokáže.

Jirka Vicherek (01:30:53): Ale je to dneska samostatná firma, která jako prodává, chodí, používá to někdo jiný než vy a tak.

Ondřej Stuchlík (01:31:00): Teďka je to firma, která přesně jako je to samostatná jednotka, ale vlastně ten sales teďka jakoby začíná a hledá se tenhle ten fit vlastně v tom v tom embedded světě, vlastně ten pivot na tenhle ten embedded, tak to je to, kde teďka jako děláme tu validacity value proposition a zjišťujeme, jak by to fungovalo, jak to bude fungovat, v kterých embedded firmách, velkých, malejch, kdo bude chtít v jakým modelu si to deployovat, kdo bude chtít ty data vlastnit, kdo je schopen ti je poslat do tvý platformy, kdo je musí mít jako moc svojí kontrolu.

Jirka Vicherek (01:31:30): Jasně, v tom embedded je to hodně ti výrobci, ne, jakože to drží, že právě i proto nebyly ty standardy. Je to tak, je to úplněj svět, že Bosch a takový to mají vlastní. Je to tak, je to tak, no. Co vás teď čeká? Jsme teď pod zim 2025.

Jasně. Co jsou nejbližší challenges a když se tady potkáme za rok. Tak jak to bude. Co chceš a kam chceš, aby se Datamole posunul?

Ondřej Stuchlík (01:32:06): Náš hlavní cíl je prostě v tom dynamickém prostředí, kde prostě přichází nový technologie a zákazníci a projekty, tak aby my jsme vlastně se udrželi na on the edge a byli jsme furt ta firma, která On the

Jirka Vicherek (01:32:23): edge je dobře dvojznačný.

Ondřej Stuchlík (01:32:25): Ano, ano, pravda, pravda i v tom IoT světě, i v tom technologickém. Takže udržet se vlastně v té expertize a při tom udržet tu firmní kulturu. Vlastně opravdu pořád, abychom dokázali tu práci dělat v tom prostředí, který máme rádi s lidma, který máme rádi na projektech, který dávají smysl. Tak vlastně, ačkoliv ta vize je takhle poměrně jako by se zdála být statická. Jo, tak ona je jako hodně dynamická.

Jirka Vicherek (01:32:51): Tak se to jinak dělá ve dvaceti a jinak ve sto lidách.

Ondřej Stuchlík (01:32:53): Ano, ano, ano, přesně tak a tím, že prostě technologie se mění a zákazníci přichází, odchází, tak my pořád chceme být prostě ten partner, který dokáže pomáhat inovovat, to je takový věc na venek a dovnitř, abychom to furt dělali v prostředí, kde se cítíme dobře. Takže to je vlastně náš cíl. Co se týká nějakých růstů, tak my víme, že v Praze už růst nechceme, tam máme teďka vlastně jako čtyři patra, my víme, že už by, kdybychom to nafokovali navíc, než, já myslím, že nás tam bude na vítězném náměstí, nás bude sedět 70-80. jako to větší nafoukování už pak se ta kultura mohlo by se to už fakt hůř škálovat, takže my víme, že to jak chceme škálovat, je prostě vytvořit další unity, aby už tam nebyl vlastně nějaký ten sociální overload s tím, že musíš v úvozovkách jako potřebuji znát. Takže Brno a Krumlov.

Takže vlastně ta další challenge, kdybychom se koukli na nějakou růstovou, tak je určitě Brno. takže pokud neznamená to, že nehejrujem do Prahy nebo do Krumlova přesně tak. Pokud by se třeba někomu líbilo vlastně tenhle tenhle ten pohled na data engineering, který jsem říkal, to znamená není to telko, není to banking, není to standardní etelko, ale je to takováhle trošku komplexnější věc, co jsem tady popisoval, tak určitě se koukněte na naše webovky data.ai.carriers a tam najdete volný pozice. Takže to asi, když by někoho tohle zaujalo, tak se může nám určitě přihlásit. A v Brně určitě je teď ten hlad větší než v Praze.

Ale v Praze samozřejmě to zavřený není ta možnost.

Jirka Vicherek (01:34:39): Ondře, moc krát děkuju. Datamole mi přijde jako unikát úplný a hrozně mám rád to, že jste jako abstraktní práce, takže jste ji zpátky dostali nejen do fyzického, ale až do fyzikálního světa, tak ty vaše use case pohled se mi moc líbí. Díky, že jsi sdílel tady svoje zkušenosti a a určitě brzo zase, protože to bylo za mě úžasný.

Ondřej Stuchlík (01:35:10): Já moc díky Jirko za pozvání a bylo to moc příjemné povídání.

Jirka Vicherek (01:35:15): Děkujeme, že jste doposlouchali až sem.

Karel Šimánek (01:35:17): A díky taky našim partnerům.

Jirka Vicherek (01:35:19): Členům DataTalk klubu.

Karel Šimánek (01:35:21): Těmi jsou

Jirka Vicherek (01:35:22): intecs,

Karel Šimánek (01:35:23): Sazka,

Jirka Vicherek (01:35:24): BizzTreat,

Karel Šimánek (01:35:25): Colours of Data.

Jirka Vicherek (01:35:26): Revolt.BI,

Karel Šimánek (01:35:27): GoodData,

Jirka Vicherek (01:35:28): Keboola,

Karel Šimánek (01:35:29): Emark,

Jirka Vicherek (01:35:30): Carl Data Company,

Karel Šimánek (01:35:32): DataMind,

Jirka Vicherek (01:35:33): Notino

Karel Šimánek (01:35:33): a FLO.

Jirka Vicherek (01:35:34): 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