Podcast

Dobrý den, mé jméno je Jirka Vešerek.
Dobrý den všem, mé jméno je Hinek Valner.
A vítáme vás u dalšího dílu DataTalku.

Dnes k nám do studia zavítal Ondřej Veselý, spoluzakladatel a CEO Kindwise. Pro ty z vás, kteří s pojmem Kindwise ještě nejsou obeznámeni, ale Ondra vám je dobře známý, Kindwise je nový název pro FlowerChecker.

Ahoj Ondřeji, děkujeme, že jsi k nám přijel.
Zdravím, Sandro. Ahoj.

S Ondrou se dnes budeme bavit o něm samotném, protože z mého pohledu je to velmi výrazná postava české datové a machine learning scény. Určitě jste ho už viděli na nějakém meetupu nebo konferenci. Projdeme jeho kariéru a podíváme se na důležitá rozhodnutí, která vedla ke vzniku FlowerCheckeru, startupové firmy, která se dnes zabývá především klasifikací obrazu, tedy machine learningovou firmou. Také si řekneme o tom, jak jejich podnikání ovlivnil příchod velkých jazykových modelů (LLMs), o jeho pohledu na deep learning ještě předtím, než se stal populárním, a tak dále.

Ondřeji, kde to všechno začalo? Začněme úplně od začátku.

Já jsem byl klasický dropout z Fakulty informatiky v Brně, poté jsem pokračoval na Mendelově univerzitě. Výhodou Mendelovy univerzity, kde také vyučují informatiku – což hodně zdůrazňuji –, bylo, že jsem tam mohl hned pracovat na vývoji místního informačního systému. Měl jsem tam práci na třetinový úvazek k mému studiu. Bylo to v Perlu, což rozhodně nedoporučuji jako první programovací jazyk, ale škola nebyla tak náročná, takže jsem měl dost času na práci, což byl pro mě lepší balanc.

Pak vzpomínám ze své profesní kariéry – asi ještě předtím jsem pracoval pro Hnutí Duha také na částečný úvazek při studiu, kde jsem dělal klasickou IT práci – instaloval tiskárny, řešil problémy spojené s IT podporou. Když jsem tam nastoupil, zjistili jsme, že firemní servery jsou ve skutečnosti staré repasované počítače schované ve skříni, kde běžel docházkový systém, který bylo potřeba programovat v PHP. Práce byla velmi různorodá.

Já tě musím na chvíli zastavit, protože zde vidím určitý vzorec, možná teď zpětně – mluvíš o Mendelově univerzitě, což je spíše zemědělská univerzita, více orientovaná na přírodovědné obory. Při zmínce o Hnutí Duha cítím spojení přírody a IT, které se pak v Kindwise (dříve FlowerChecker) také projevuje jako protnutí technologií a zaměření na přírodu. Byl tento tento aspekt u tebe přítomen od samého začátku, nebo je to spíše pohled zpětný, kdy vnímáš nějaké vzory, které v té době ještě nebyly zřejmé?

Já jsem mládí hodně trávil v přírodě. Chodili jsme pravidelně na putovní výpravy do rumunských a bulharských hor, byli jsme i dva týdny bez civilizace v divočině. Měl jsem scoutské tábory a podobné aktivity. Nicméně nikdy jsem neměl pocit, že bych se přímo zaměřoval na přírodu. Spíše to tak vyplynulo, protože lidé kolem mě se často věnovali přírodním vědám. Příroda mě zajímala stejně jako cokoli jiného, proto bych řekl, že to nevzniklo z nějakého mého sen, ale spíše náhodou.

Dobře, jaké byly tvé první pracovní zkušenosti?

Tehdy jsem nastoupil do Seznamu, což si myslím, že bylo mé první místní výraznější zaměstnání. Myslím, že jsem tam nastoupil po přerušení studia, protože mě odmítli vzít na částečný úvazek.

Zajímavé bylo, že Seznam tehdy nabíral na C++ pozici a já ten jazyk neuměl. Za týden jsem si přečetl knihu „Naučte se C++ za 21 dní“ a připravil jsem se na pohovor. Díky tomu jsem uspěl a dostal jsem dobrou nabídku. Oni byli překvapeni, jak dobře C++ ovládám, protože jsem se jej naučil jen z učebnice. Test pravděpodobně vycházel z obsahu této učebnice. Pak mi řekli: „Dobře, když tak dobře umíš C++, budeš pracovat v Pythonu, to by pro tebe mělo být snadné.“ A pak následovalo „Naučte se Python za 21 dní“, který jsem zvládl během dvou víkendů. Programování v C jsem zvládal dříve velmi dobře a na střední škole jsem programoval ještě v QBasicu, takže převod nebyl problém.

V Seznamu jsem se dostal k zajímavým technologiím a bylo to velmi přínosné. Po dvou letech, když Petr Joachim, který mě podporoval a pomáhal mi s Pythonem, odcházel, jsem si uvědomil, že právě on byl jednou z hlavních osob, díky které mě to tam drželo. A protože jsem tam jinak nenašel důvod zůstat, rozhodl jsem se dokončit doktorát. V Seznamu jsem totiž pracovat nechtěl.

Bylo to smutné, protože to byl typický korporát se vším všudy. Každý den jsem při cestě do práce viděl vlaky mířící k horám, kam bych raději jezdil já, a do práce se netěšil. V obědové pauze jsem si chodil sednout ven nasát trochu vzduchu.

Poté jsem tedy odešel, abych si dokončil doktorát, a začal jsem žít trochu divočejší životní fázi. Bydlel jsem v takzvaném „punkovém hnízdě“, což byl dům určený k demolici, postrádající dvě zdi, vedoucí do rumunského hrobu. Obraceli se tam lidé a lehké drogy byly běžné. V tomto prostředí se často objevoval také Vojta Boháč, pozdější zakladatel Voxpotu. Následovalo další spolubydlení v brněnském „Tech Squadu“, který se později přestěhoval do Prahy. Byl to tým lidí velmi nadšených pro podnikání – programátorů, designérů, businessových lidí, kteří mě infikovali tou startupovou mentalitou.

Bylo to období, kdy jsem si začal říkat: „Proč bych měl zůstávat v korporátu, když tam nechci pracovat? Proč bych měl pokračovat v doktorátu?“ Šel jsem tedy na volnou nohu a společně s kamarády jsme dělali některé gamifikace pro firmy. Člověk potkal výkonného ředitele v kavárně, on nastíní své problémy a ptá se, jestli mu nemůžeme něco udělat pomocí gamifikace, která tehdy byla v kurzu.

Designovali jsme proto produkty pro firmy, ale postupně se ukazovalo, že firmy ne vždy potřebovaly gamifikace, spíše měly jiné problémy, které jim slovo gamifikace pomáhalo jen namaskovat. Naším úkolem bylo naslouchat jejich problémům a snažit se je vyřešit, přičemž gamifikace byla často jen nástroj v pozadí.

Nicméně jsem v této práci dlouho nevydržel. Měl jsem krátké období v antivirové společnosti AVG, kde mě najali jako Java programátora, i když jsem Javu neuměl. Po asi deseti měsících, kdy jsem v podstatě nic neudělal, jsme se rozloučili. Potřeboval jsem však vydělávat peníze a AVG bylo jediné, které mě přijalo na částečný úvazek.

V době této pracovní aktivity jsem zároveň studoval doktorát. Zabýval jsem se analýzou podobnosti textů – jak zjistit, jak si jsou dva texty podobné, nejen lexikograficky, ale především sémanticky. Moje práce nalezla uplatnění v detekci plagiátů. Dokonce se nasazoval můj kód pro odhalování podobností diplomových prací a zkoušely se různé překladové varianty, jestli se podobnost zachová i při překladu.

Bylo zde evidentní spojení mezi neuronovými sítěmi a podobností vektorových sémantických prostorů, což bylo a je zásadní téma.

Později jsem však zjistil, že na mé škole nikdo tomuto tématu nerozumí natolik, aby mě mohl kvalitně vést. Musel jsem být tím hlavním tahounem výzkumu tímto směrem, což jsem však neměl energii ani zájem dělat. Chtěl jsem být spíš studentem, který se učí, než vůdcem. Projekt se tak nikam neposunul.

Dobré ale bylo, že jsem své výsledky prezentoval, ovšem ne na technologických konferencích, ale na konferencích zaměřených na akademickou integritu, kde se řeší, jak zabránit opisování a podvodům studentů. Byla tedy i etická dimenze mého výzkumu, a tak jsem měl publikace v oblasti etiky, což jsem tehdy nevnímal jako důležité.

Ten výzkum vedl docent Tomáš Foltýnek, který mi také vedl diplomovou práci na analýze podobností.

Ještě bych zmínil vedoucího mé bakalářské práce, pana doktora Ondřeje Popelku, který tehdy pracoval v GoodDatech spolu s Mikem Stenclem, se kterým jsem se později setkal v Kyví. Postupně se příběh vyvíjel.

Doktorát jsem ale nakonec nedokončil, neměl jsem pocit, že bychom se v oboru mohli nějak významně posunout.

V období, kdy jsem byl plný energie ze spolubydlení s lidmi z Tech Squadu, kteří mě inspirovali k zakládání startupů a podnikání, jsem bydlel ve třetím spolubydlení na studentském privátu s botanikem.

A zde začínají začátky FlowerCheckeru.

Od Lukáše Vrábela, skvěle nadaného člověka v oblasti machine learningu, nyní volnonožského konzultanta, jsem se seznámil s jedním paperem z roku 2005 vysvětlujícím, jak fungují konvoluční sítě. Nebyla to novinka, ale když jsem to konečně pochopil, což není jednoduché, řekl jsem si, že by bylo možné tyto hluboké vzory použít právě na rozpoznávání květin.

Protože jsem se s botanikem hodně bavil o květinách, zjistil jsem, že neexistuje žádná aplikace na určování květin, což mi přišlo divné. Ten paper ukazoval technologie, které to umožňují, a viděl jsem, že lidé stále obtížně určují květiny, protože botanikovi stále chodily různé zprávy s žádostmi o určení květiny.

Proč tedy neexistuje aplikace?

Problém ovšem byl, že technologií bylo jen v akademických článcích, nebyla ještě demokratizována tak, aby ji mohli běžní vývojáři použít.

Zároveň nám chyběla tréninková data. Databáze anotovaných fotek květin v té době neexistovaly.

Proto vznikl náš master plán: vytvoříme vlastní mobilní aplikaci, Ondřej, náš botanik, sestaví tým odborníků, a když uživatel aplikace vyfotí květinu, určení provede tým botaniků ručně.

Tak budeme sbírat data.

Až jich bude dost, vyvineme modely strojového učení.

Technologie použitelné automaticky zatím není, jsme si toho vědomi.

Mezitím jsme si validovali koncept tak, že jsme napsali Twitter bota, který sledoval dotazy o určení květin (takových se objevovalo 10–20 denně mimo sezonu). Ondřej odpovídal na dotazy a zároveň zasílal dotazník, kolik by uživatelé byli ochotni za službu zaplatit.

Tak jsme si validovali, že sbíráme data a zároveň vyděláváme peníze, takže koncept má smysl.

Po čase už to moc nemělo kam dál růst a Google nás do roku 2016 tlačil, abychom založili firmu.

Spustili jsme aplikaci na Androidu, uživatelé za určení květiny platili 20 Kč a nám přes Google Play chodily příjmy kolem 20 000 Kč měsíčně.

Google ale vyžadoval, abychom byli právnickým subjektem, takže jsme firmu založili.

Do firmy jsme přibrali třetího zakladatele, Jirku Řiháka, který nám pomohl napsat androidí aplikaci FlowerChecker.

Ondřej se začal více soustředit na strojové učení, což se později ukázalo jako klíčové.

O jakém roce se bavíme?

Začali jsme na projektu v roce 2015, v roce 2016 pak Google nutil založení firmy.

Samozřejmě jsme to tehdy neřešili a podíly jsme rozdělili na třetiny. Já jsem po diskuzi s ostatními převzal vedení firmy, protože ostatní nechtěli firmu vést a chtěli se věnovat své práci – Ondra vedl botaniky, Jirka se věnoval doktorátu a všichni jsme byli teď na doktorátu. Já jsem z něj však záhy odešel.

Zůstalo na mě vše ostatní – byznys, strategie, vývoj backendu FlowerCheckeru.

V té době práce na firmě nebylo příliš mnoho, takže jsem měl čas. Byl jsem aktivní jako freelancer a zároveň jsem učil studenty.

Přemýšlel jsem, co dál, protože finance docházely. Byl to typický startupový život.

Nicméně se nám podařilo získat značnou mediální pozornost, o nás psala různá média, nečekali jsme tolik.

Každý týden někdo dělal rozhovor, lidé nás kontaktovali na různých platformách. Možná jste slyšeli o Zpovědnicích CZ, což je poněkud obskurní, ale my tam také byli zmiňováni.

Takže jsi v té době byl vlastně takovou „chudou celebritou“?

Ano, přesně tak.

Větší kontrast přišel, když jsem byl pozván na nominaci do Křišťálové lupy za FlowerChecker, myslím, že to bylo v divadle Archa. Posadil jsem se vedle chlapa, se kterým jsme se později představili, a zjistili jsme, že je to Oliver, který rok předtím založil Kivy a byl nominován na cenu. Pokecali jsme a nakonec jsme se stali přáteli.

O měsíc později jsem se v hospodě opět potkal s Jožem, takže když jsem přemýšlel, co dál, bylo to poměrně jasné.

Dostal jsem od nich nabídku, která možná byla trochu chybou, protože jsem se snažil udělat dobrý dojem.

Ondra Popelka mě ve škole učil, že je důležité nezmiňovat hned slabiny, ale také zdůrazňovat své silné stránky, tak jsem se toho držel.

Nastavil jsem si asi poměrně vysoko laťku, když jsem nastoupil do Kivy, a v podstatě jsem sliboval, že pomohu vyřešit všechno, což se samozřejmě příliš nenaplnilo.

[Text náhle končí.]

Byl jsem chudou celebritou v té době. Je to tak, což dávalo větší kontrast, když jsem přišel na pozvání na nominaci do Křišťálové lupy za projekt Flower Checker. Myslím, že to bylo v divadle Archa. Tam jsem si sedl vedle nějakého muže. Později, vlastně už na místě, jsme se představili a zjistil jsem, že to je Oliver, který přibližně rok předtím založil Kivy a právě měl převzít nějakou cenu. Nakonec tu cenu převzal on, protože my jsme byli jen nominovaní, ale už jsme se znali a popovídali si. Bylo to dobré.

O měsíc později jsem se pak ještě v hospodě potkal s Jožem. Takže když jsem přemýšlel, co dál, bylo to poměrně jednoduché. Od nich jsem dostal docela dobrou nabídku, která možná byla trochu chybou v tom, že jsem se chtěl udělat dobrý dojem. To mi naučil Ondra Popelka už na škole – že je důležité nejdříve neprozrazovat své slabé stránky, ale zmiňovat i ty silné. Tak jsem se snažil vyzdvihnout své silné stránky. Nastavil jsem si tedy asi velmi vysoko laťku, když jsem vstupoval do Kivy, a možná jsem trochu udělal dojem, že tam pomohu vyřešit úplně všechno. Což se, samozřejmě, potom nestalo.

Tvůj technologický stack byl… No, v té době jsem působil jako chudá celebrita, takže to byl větší kontrast, když jsem šel na pozvání na nominaci do Křišťálové lupy za Flower Checker. Myslím, že to bylo v divadle Archa. Sedl jsem si vedle nějakého muže, kterého jsem později poznal, vlastně už tam jsme se představili, a zjistil jsem, že je to Oliver, který zhruba rok předtím založil Kivy a zrovna měl převzít nějakou cenu. Tu cenu nakonec převzal on. My jsme byli jen nominovaní, ale už jsme se znali a popovídali jsme si. Bylo to dobré.

O měsíc později jsem se pak ještě potkal s Jožem v hospodě. Když jsem tedy přemýšlel o dalším směru, byla situace jednoduchá. Dostali jsme od nich nabídku, která byla vlastně docela dobrá, i když možná trošku chyba byla, že jsem se snažil vytvořit dobrý dojem. Ondra Popelka mi ve škole řekl, že je důležité nevybalit hned svoje slabé stránky, ale zdůraznit ty dobré. Tak jsem se snažil říkat ty dobré, tedy hodně nastavit laťku vysoko při vstupu do Kivy, čímž jsem možná udělal dojem, že pomohu vyřešit vše, což se samozřejmě nestalo.

Tvůj technologický stack byl…

Jakože rozklíčovat to, najít tam ty správné řešení.

No, takže v tomhle ohledu se pak aerolinka pokazila, protože to byl prostě špatný nápad. Aerolinky prostě nevydělávají. I když se podařilo skutečně trasu spočítat.

Vím, že jsme tam spálili například týden na 32jádrovém procesoru, který řešil něco jako problém obchodního cestujícího a vymýšlel, jak vypadá správný letový cyklus s přestávkami na doplnění paliva, aby vyřadil trasy s nejnižší marží a vybral ty s největší.

Kdyby Kivy náhodou spustilo vlastní aerolinku v alternativním vesmíru v roce 2016 nebo 2017, odkud by to letělo? Jestli to není nějaké NDA, tak to strašně dobře vycházelo do Asie tehdy, spíš nějaký trojúhelník poměrně dlouhých letů.

Myslím si, že v tom byl nějaký omyl, protože Asie byla v té době rychle rostoucí trh, kde se dobře prolínaly low-cost lety s high-costaři. Řekl bych, že kdyby se tomu někdo věnoval ještě třeba půl roku jako opravdový datový vědec – ne já, já jsem měl v Kivy impostor syndrom – tak by přišel s něčím lepším.

Byl jsem pod tlakem, potřeba bylo dodat výsledky, tak jsem to dodal. A trasa skutečně měla největší potenciál marže, lety byly často vyprodané a technicky to dávalo smysl. Jenže podle mě to obchodně smysl nemělo. Naštěstí si to uvědomil Oliver.

Co dál v Kivy, co jsi dělal dalšího? Předpokládám, že to nebylo jenom o budování Kivy a aerolinek.

No já jsem moc nedokázal pochopit ten kód, který řešil vyhledávání, protože to byl takový špagetový kód, a celý tým se rok snažil to rozplést. Na to jsem neměl kapacity ani potenciál.

Ale bavilo mě dělat data. V tom byla obrovská hodnota pro management, který potřeboval rozhodovat na základě dat.

Já jsem tam udělal poměrně důležitou práci – zjistili jsme, za kolik se kam ty letenky prodávají, a data byla v určité míře důvěryhodná.

Tehdy jsem psal cronjoby v Pythonu, které spouštěly SQL dotazy na produkční databázi, přesouvaly data do analytické databáze a tak se dalo dělat jednoduché dotazování. Člověk nemusel složitě procházet JSONy nebo spojovat několik produkčních databází, protože to vše bylo v analytické databázi.

Tu práci jsem pak dál dělal, protože jsem viděl, že v tom je největší hodnota.

Jeden čas jsme měli dashboardy s daty, které jinde nikdo neměl.

Kolem toho pak vznikal další tým – kolega Bence převzal data engineering, vybudoval ETL procesy a později nasadil open-source nástroje jako Metabase a Airflow.

Metabase byla grafické rozhraní pro práci s analytickou databází. Celá datová pumpa byla firmou používaná mnoho let.

Vím, že předloni v DataTalku byly některé holky z Kivy, které říkaly, že jim tento stack nevyhovuje a přecházeli na něco jiného.

My jsme ale v té době dělali právě tento stack, protože dával největší smysl.

Ano, byla to jedna velká databáze Postgres.

Občas byly v datech chyby, ale vždy to bylo proto, že vývojáři někam něco změnili, aniž by nám to řekli.

To už ale byl spíš organizační problém – jak donutit vývojáře, aby měli odpovědnost.

V té době se ale organizace neřešila.

Do Kivy jsem nastoupil, když nás bylo 20. Postupně jsme vyrostli na 2000. Datové věci jsem řešil, když nás bylo třeba 50 až 100. Tehdy to fungovalo tak, že když něco byl potřeba, za někým člověk zašel a domluvili se.

Potom práce přibývalo, tak jsem místo aby rostl, jaké byly tlaky, se tomu spíš vyhýbal.

Zpětně si říkám, že byla chyba, že jsem si nevzal pod sebe tým a nezaměřil se na people management, ale spíš jsem se zavrtával do technologií.

Možná jsem se té práci chtěl trochu vyhnout.

Hrozně rád jsem ale s komunitním týmem organizoval akce.

Měli jsme soutěže, do kterých se lidé přihlašovali s machine learning řešeními.

Například programovali, my to pak spouštěli na serverech, kde spolu soutěžili, kdo zvládne úlohu zahrnující problém obchodního cestujícího rychleji.

Byla to krásná fúze práce s komunitou a technologií, což mě bavilo.

Také jsem si uvědomil, jaké mám silné stránky, když mluvím o technologiích.

Na druhou stranu jsem nebyl úplně špatný, když jsem něco uměl naprogramovat, například pochopit async.io nebo paralelizovat věci v Pythonu.

S oblibou jsem si nastudoval nějaké téma, vyzkoušel ho v produkci a pak o něm přednášel.

Měl jsem také seznam měst, kam mě Kivy posílalo – Moskva, dvakrát Minsk, Skopje, Ljubjana, Košice, Bělehrad.

Všude jsem mohl cestovat a během pracovní doby mluvit před technickými nadšenci.

To bylo moc hezké a pomáhalo mi to kompenzovat začínající vyhoření z programování, které se ke mně v Kivy začalo dostavovat – kvůli tlaku na výkon.

Cestování a možnost mluvit mi pomáhaly zlepšovat dovednosti projevu.

Často jsem ani nemluvil o tom, co dělám já, ale když jsem se briefoval před publikem, co dělají oni, zkoušel jsem si to sám.

Například v Moskvě jsem během přednášky schválně vypnul nějaký produkční server živě, aby ukázal, jak se fronta požadavků naplňuje a analytika přestává fungovat.

Pak jsem jej zase zapnul a čekal, jak se fronta vyprazdňuje díky paralelnímu procesu.

Bylo to velmi vzrušující, nevím, jestli by mi to dnes během přednášky prošlo.

Pro IT tým to bylo taky vzrušující.

Měl jsem na starosti provoz.

Vývoj ještě nebyl rozdělený tak, abych měl odpovědnost za vývoj, ale provoz už ano.

Co dalšího se událo? Ondra, zmínil jsi začínající vyhoření a kompenzaci přes akce.

Jak jsi s tím bojoval v Kivy a dalších projektech?

Bylo to těžké.

Měl jsem špatnou intuici – když mě nebavilo monotónní programování, obzvlášť když kolem byli velmi chytří lidé, bylo těžké se s nimi srovnávat.

Viděl jsem, že co oni vyřeší hned, mě trvalo déle.

Začal jsem se věnovat věcem, které mě šly lépe – přednášení, spolupráce s komunitním týmem.

Proto jsem přijal některé nabídky i zvenku, což není úplně zdravé – když se vám nedaří, hledáte něco nového.

To mělo na mou práci v Kivy efekt, protože jsem jí dělal méně, a nebyli moc spokojeni.

Místo abych stoupal po kariérním žebříčku, zůstal jsem spíš dole, ve velmi podřízené pozici.

Jedna nabídka byla od Ondry, se kterým jsem založil Flower Checker.

V Akademii věd měli program, že pokud chcete uplatnit svoji doménovou znalost pro Evropskou komisi, můžete jim nahrát životopis.

Pokud komise potřebuje experty na určitou oblast, osloví vás.

Řekl jsem si, že to zkusím, jsem sice dropout z doktorátu, ale bylo to zajímavé.

Chytili se toho, že jsem softwarový inženýr a mám zkušenosti s etikou, protože jsem prezentoval na konferencích o akademické integritě.

Dosadili mě do etické komise, která při hodnocení žádostí o granty Evropské komise zajišťuje, aby nebyl financován výzkum, který by mohl lidem škodit, poškozovat životní prostředí, porušovat GDPR nebo neoprávněně využívat AI.

Vědci často mají úzký fokus a dělají doménu dobře, ale zapomínají, jaký dopad má jejich výzkum na společnost.

Často jsme nacházeli v žádostech o peníze projekty, které nebyly etické.

Na našich zkušenostech byla založena regulace, dnes známá jako AI Act.

Předtím šlo hlavně o to, aby výzkumníci nezneužívali lidi ze třetího světa nebo neumisťovali soukromé údaje tam, kam nemají.

Ta práce etického experta trvá třeba deset dní za rok, takže je to spíš drobnost.

Úžasné je, že člověk čte takové zajímavé žádosti – například lítající robot, dron, který inspektuje okapy a natáčí, jestli nepotřebují opravu.

Ale stejně natáčí i okolní byty.

Pak je potřeba výzkumníkům říct, že nemohou sledovat záznamy z ložnic obyvatel.

Musí zavést opatření, aby k tomu nedocházelo.

Nebo se jedná o různé nové optické čipy či techniky v AI.

To je tak fascinující, že jsem to nikdy nemohl pustit, protože je to zábavné čtení.

Moje touha vidět široký rozhled byla proto skvěle naplněna a nedokázal jsem s tím přestat.

Takže tam jsem stále v komisi?

Ano, jsem etický expert, nyní s důrazem na AI, protože si mohu vybírat to, co mě baví.

Objevil jsem svou silnou stránku v přednášení, a proto jsem pokračoval i v Masarykově univerzitě, kde vznikla nová datová specializace.

Jejím cílem je, aby absolventi byli lépe zaměstnatelní na trhu práce.

Speciálně tam učíme datovou vědu – SQL dotazy, tvorbu grafů a algoritmizaci.

Já mám na starosti algoritmizaci, učíme tam i Scratch, kde studenti skládají barevné bloky.

Je to výborné a nezabere moc času, člověk má pocit, že dělá něco užitečného.

To mi pomohlo zůstat dále od programování a zůstat v Kivy čtyři roky.

Musím dodat, že Filozofická fakulta není jen filozofie, ale jsou tam i jazyky, sociologie – nicméně sociologie je spíš na FSS – a další obory.

Na první pohled si lze představit analýzu dat nad Kierkegaardem, ale jsou tam i jazyky a kulturní antropologie.

Naše specializace byla pro knihovníky, což je knihovnický obor, kde už je vidět práce s databázemi a informacemi.

Jde o krok k informační vědě, což je vlastně datová analýza bez velkých technických dovedností.

Knihovnictví v Brně, i když může znít archaicky, je podle mě jedno z center excelence v oblasti design thinking v Česku. KISK je etalon v designu služeb.

Souhlasím – mezi lektory potkáte opravdu kvalitní lidi, možná už i mezi studenty.

Například jeden student nedávno dělal u nás…

I pro novou aplikaci, kterou plánujeme vydat na určování hadů, za mnou přišel jeden člověk a řekl: „Potřebuji, abyste mě vedl u diplomové práce.“ A já jsem mu říkal: „Dobře, ale co z toho budu mít?“ On na to: „Nic.“ Tak jsem mu řekl: „Co kdybych vám například udělal nějaký design?“ A najednou jsme si rozuměli. Najednou jsem říkal: „Jasně, udělej nám tady design mobilní aplikace na hady a já ti pověnu diplomku.“ Plácli jsme si a diplomová práce bude za týden a aplikace na hady za měsíc.

Když se vrátíme ještě k roku 2018 až 2019, pořád jsi dělal fulltime v Kiwi, a byl jsi tam i na Masarykově univerzitě jako etický komisař. Jak to bylo s Flower Shakerem?

Ve Flower Shakeru mezitím došlo k vývoji. Především už v roce 2019 byl ZorFlow na světě čtyři roky. To znamená, že jsme využili framework od Google, konkrétně Deep Learning Framework, vzali jsme ho a pustili na naši databázi – proprietární databázi rostlin, což byla naše přidaná hodnota. Nejen že jsme skriptovali databáze z internetu, ale měli jsme také vlastní, profesionálně vybranou databázi.

Všechno to znamenalo spoustu práce. I když on pracoval se známými postupy, které jsem mu doporučil jako výzkumník, našel si čas to dotáhnout. Pak samozřejmě bylo potřeba nějakým způsobem říct modelu, aby nám oznámil, jak moc si je jistý klasifikací. To byly v té době novinky a jemu se podařilo z embeddingu, z té předposlední vrstvy neuronové sítě, vyčíst toto číslo. A ono to opravdu fungovalo! Vždycky jsme měli radost, když nové verze vyšly.

Pro srovnání, tehdy jsme určovali 40 druhů rostlin, vlastně 39, a když jsme releasovali verzi, určovali jsme asi 10 tisíc druhů s přibližnou přesností 70 %. A nyní, v roce 2024, určujeme 30 tisíc druhů rostlin, ale už nestojí za to to dále zvětšovat, protože by se jednalo o obskurní druhy.

V té době se nám podařilo strojové učení natáhnout natolik, že už to fungovalo, a tak jsme udělali webovou aplikaci, zveřejnili jsme ji na internetu, a kdo chtěl, mohl určovat rostliny přes API. A pak jsme čekali, co z toho bude. Hned po vydání přišly některé velké firmy. Myslím, že jedna z nich byla švédská firma Planta, která řekla: „Chceme udělat aplikaci na poznávání rostlin. Aplikace umíme dělat, ale strojové učení je pro nás cizí, tak si to od vás budeme kupovat.“

Pak přišel další klient a pro mě to bylo značně náročné, protože jsem nejen vyjednával s právníky o ceně a obchodních podmínkách s Američany, nejenom se Švédy – Švédové byli jednodušší – ale Američané měli své právníky a experty, kteří celý život jen vyjednávali o ceně. A já jsem proti nim stál jako jediný člověk. Nakonec jsme to za vyjednávali, a dodnes máme nejlepší cenu asi kolem 20 %. Takže to byly první obchodní zkušenosti.

Pointa ale byla, že o to začal být zájem, a my jsme vlastně nic dalšího neudělali, jen jsme na web napsali, že to umíme dělat. Byla to trefa, i přestože jsme byli pomalí.

Mezitím od TensorFlow v roce 2015 do naší „hokejky“ v roce 2019 uběhly čtyři roky. Podle mě bychom to mohli mít hotové za dva roky, kdyby co-foundingři nedělali doktoráty a nebyly jim to tak důležité. Já jsem už jako dropout nechápal, proč nechtějí pořádně dělat startup, když jsou to právě oni.

Musel jsem to pro sebe trochu dusit, pak si s nimi vyjasnit otevřeně situaci – nešlo to jinak. Naučil jsem se, že vlastně oni jsou board (správní rada), a já jsem CEO, tak musím poslouchat, co říká board. Nejsem od toho, abych jim říkal, že mají dělat věci jinak, to vychází z jejich dvojí role.

Byli zároveň vlastníky i pracovníky startupu. S tím jsem se vypořádal a řekl si: „Dobře, oni potřebují dodělat doktoráty, my nebudeme růst, a je to v pořádku.“ Naše hodnoty byly jiné. Budeme mít malou firmu, která bude růst, ale nebude největší.

Náš největší konkurent, který přišel o rok dřív, PictureThis z Číny, udělal aplikaci a ukousl si z trhu dvacetinásobek podílu. My jsme měli jen relativně malý kousek trhu – všichni naši klienti dohromady tvořili jen zlomek toho, co PictureThis.

Teď už to nikomu nevytýkám, přijde mi to normální. My jsme si prostě zvolili tuto cestu. Jen bychom byli mnohem větší, kdybychom byli rychlejší.

Každopádně „hokejka“ byla „hokejka“ a já už v Kiwi nemohl být dál, protože jsem tam vlastně nic nedělal. Bylo vidět, že tam nic nedělám a nechtěl jsem to. Bylo to dobré rozhodnutí odejít a byl jsem rád, že mi k tomu trochu pomohli. Děkuji Mikymu Muštenclovi, který mě vlastně k tomu trošku navedl.

Vrátil jsem se tedy do Flower Checkeru a té „hokejce“ se podařilo ukotvit. Jak jsi přistupoval k tomu, že jsi přešel z OKDu na full-time do Flower Checkeru? Začal jsi shánět investice, přemýšlel jsi, zda zdoláte Číňany, nebo pojedete cestou nerůstu? Jak to probíhalo?

Peněz jsme měli, protože jsme pět let sbírali data a také peníze z mobilní aplikace Flower Checker, takže jsme měli asi půl milionu korun na účtu, což bylo dost na fungování. Sice jsme si v té době neplatili žádné mzdy, ale bylo jasné, že začneme platit, protože nám rostly tržby.

Potřebovali jsme tedy naškálovat moji práci, protože jsem to přestal stíhat, a nabrat první zaměstnance. Nabírali jsme kolegyni, která měla stáž ve škole a byla velmi šikovná COO, což mi pomohlo uvolnit ruce.

Nabírali jsme tedy lidi a platili je z tržeb, které jsme měli, a stačilo nám to. Výhodou našeho modulu bylo, že jakmile spustíme model na serveru, nemáme náklady jako například agentura, která musí platit lidi. My jsme se dokonce neplatili vůbec, takže problém s náklady nebyl.

Když jsme měli na účtu asi milion korun, začali jsme si platit mzdy stále více a během dvou let jsme měli tržby větší.

Business na začátku spočíval v automatizaci onboardingu, komunikaci s klienty, samozřejmě řešení back office, což byl pro mě největší problém, takže to řešila Domča.

Také jsme se snažili dělat marketingové věci, abychom nečekali pasivně s webovkou, ale oslovovali mobilní aplikace. Na to jsem najal brigádníky, třeba kamarády. Byla to obyčejná práce, rozhodně ne developerská.

V té firmě jsem měl a stále mám na starosti úplně všechno, co není technické. To bylo nesmírně osvěžující a pomohlo mi rychle překonat syndrom vyhoření, který jsem cítil. Sama komunikace, nastavování procesů, nabírání lidí – to byla pro mě nová zkušenost.

Zajímá mě ta dvojakost. Když mluvíš o klientech, už mluvíš o jiných mobilních aplikacích na rozeznávání rostlin, zatímco vy jste měli Flower Checker, který generoval první půl milionu zisku. Jak jsi na tohle koukal – aplikace pro koncového zákazníka versus API? Jaký byl tvůj mindset v tomto ohledu?

To je dobrá otázka. Naše zkušenost s provozem vlastní aplikace byla jasně špatná. Bylo za tím hrozně moc práce se zákaznickou podporou, regulace se v této oblasti pořád zpřísňovala.

Na vývojáře dopadaly požadavky App Store, různé regulace, které bylo potřeba dodržovat, například přidávat nové tlačítka a další funkcionalitu.

Bylo to hodně práce, kterou jsme nechtěli dělat, proto jsme se rozhodli, že budeme dělat jen aplikační rozhraní, aby si to naši klienti mohli dělat sami svůj marketing a UI, aby si našli své segmenty.

Tohle nebyla naše silná stránka. My jsme se zaměřili na strojové učení a tím jsme si ušetřili hodně práce, a jak jsme později zjistili, i spoustu potenciálních peněz.

Před pár lety jsme udělali analýzu, která ukázala, že naši klienti si vezmou 95 % z tržeb od koncových uživatelů a u nás zůstane jen 5 % z toho, co oni získají.

Takže jsme vědomě připravili o velkou část trhu, ale umožnilo nám to dělat to, co nás baví – tedy strojové učení.

Bylo to rozhodnutí, se kterým jsme smíření. Řekli jsme si: „Tržby nejsou hlavní věc, po které půjdeme. Chceme dělat, co nás baví, v čem jsme dobří, najít si pozici, mít životní rovnováhu a prostě nikdy nebudeme velká firma.“

Kolik vás je teď?

Jedenáct.

To je skvělé. A co Flower Checker jako aplikace? Stále funguje? Najdu ho v App Store?

Už ho v App Store nenajdeš. Minulý měsíc jsem zrušil jeho prezentaci, ale v telefonu ti nezmizí, dokud si ho sám neodinstaluješ. Aplikaci postupně ukončujeme. Příští měsíc už nebude možné ji vůbec nalézt. Již dva roky ji dotujeme.

Trend je takový, že se všichni přesunuli na machine learning a nikdo už není ochotný určovat rostliny pomocí lidí, protože už to není přesnější.

Pokud se podívám do App Store v kategorii rostlin, zjistím, že největší aplikací je stále čínský Big Chalice. V Evropě nejznámější PlantNet. To jsou naši konkurenti, řekl bych téměř jediní.

Většina ostatních aplikací, které najdete v App Store, jsou naši klienti – například Plantar, Plantstory, všechny s rostlinami.

Měli jsme strategii být nejlepší v určování rostlin.

Nedávno přišel vědec, profesor Hamlin z Británie, který provedl srovnání aplikací a zjistil, že jsme opravdu nejlepší. I Evropská komise dělala podobná srovnání a docházela ke stejnému závěru.

Ale před třemi lety náš růst zpomalil. Co jsme zvolili za strategii?

Nebudeme dělat jen rostliny, ale budeme škálovat produktově. Překopali jsme systém a začali uvádět nové rychloprodukty – za krátký čas jsme vydávali nové produkty. Například rozpoznávání hmyzu, hub, rozpoznávání zdravých rostlin.

To s rozpoznáváním zdravých rostlin bylo náročné, protože jsme si museli vyrobit vlastní data ve spolupráci s lékařkami z Mendelovy univerzity.

To nám teď umožňuje uvádět nové produkty.

Problém začal, když jsme si loni všimli, že multimodální modely také umí klasifikovat. To přišlo ještě dřív, před dvěma lety. Google zpřístupnil Google Lens, Apple Apple Vision Pro, což znamenalo, že tuto technologii úplně demokratizoval.

Každý má v mobilu klasifikátory zdarma od svého výrobce operačního systému. Je pravda, že to určuje rostliny dost špatně, ale pro nejčastější druhy to stačí.

To podle mě snižuje trh nejméně o polovinu v současnosti. V kontextu multimodálních modelů se trh podle mě zmenší na opravdové náročné uživatele, kteří chtějí mít to nejlepší, co je teď možné, a jsou ochotni zaplatit jeden euro za identifikaci.

PlantNet to prodává ještě pětkrát levněji, a jejich služba je asi o 10–15 % horší z hlediska přesnosti.

My jsme asi o deset procent lepší, ale zároveň si účtujeme pětkrát více.

Takže naše pozice na trhu je, že jsme nejlepší.

Zbytek trhu nám teď samotné multimodální modely ukrajují, už jim sežere trh Google Lens, Apple Vision Pro a je potřeba se tomu přizpůsobit.

Je demokratizace rozpoznávání jen u rostlin, nebo jsou ostatní segmenty, jako houby, hmyz, zdravé květiny, už technologicky vyřešené? Jsou tyto úlohy technicky těžší, nebo jde o něco jiného?

V podstatě je to všechno hotové. Úlohy jsou si navzájem velmi podobné.

Naše přidaná hodnota je v tom, že říkáme, jak moc je model jistý – to Google Lens například neřekne. Ani ChatGPT to neudělá. ChatGPT číslo vydoluje z nějaké vrstvy, ale nedává to moc smysl.

Pak jsou zde některé doménové záležitosti. Když určujeme rostlinu, rovnou řekneme odkaz na Wikipedii, jak se o ní starat, ukážeme podobné rostliny.

Pokud někdo vyfotí například modrou fialku nebo odkvetlou pampelišku, ukážeme reprezentativní obrázky téhož období vegetace, aby si uživatel mohl ověřit, zda je to správně.

Nepředkládáme například neodkvetlou pampelišku, ale odkvetlou, protože je potřeba, aby se fáze vegetace shodovala.

To jsou doménové nuance, které asi vždy budeme umět lépe, ale „nejnáročnější“ uživatel to nepotřebuje.

Když se teď zeptám ChatGPT, co máme dělat, když nám bere trh, řekne: „Integrujte ChatGPT.“

To jsme také udělali. Když uživatel učí kytku, houbu, hmyzu, hady nebo kameny a minerály, co plánujeme, tak tam je chat, se kterým si mohu povídat.

Například: „Hele, vím, že je to vltavín, kde ho mohu prodat, co se z toho vyrábí?“ Odpověď sice přijde, ale nemá velký zájem.

Máme spuštěný chatbot na bázi GPT dva měsíce a zájem o něj není příliš velký.

Takže ChatGPT lhal, když říkal, že je potřeba ho integrovat, protože lidé si moc povídat nechtějí.

Co nás tedy trápí a jak se vypořádat s tím, že modely budou lepší a lepší?

Poslední rok jsem intenzivně pracoval na výzkumu, co dál dělat. Existuje několik směrů.

První je dělat něco úplně jiného, co jazykové modely nikdy nevyřeší. Například takzvané hardwarové věci.

Spolupracujeme s dalšími čtyřmi firmami na systému „plečka.“ Je to systém, který jede na poli pod traktorem, sleduje, kde je plevel, a likviduje ho vodním paprskem.

Na to jazykový model nepoužijete.

To je dobrý trend, protože se stále méně používají pesticidy a herbicidy, a chceme likvidovat plevel mechanicky.

Řešíme také projekt s dronem, který létá nad lesem, odhaduje kubaturu dřeva, pozná jednotlivé stromy, určí druh, výšku a odhadne množství dřeva pro vlastníka lesa.

Máme víc takových projektů, jsou zhruba půl roku až rok od dokončení.

To nás vyvádí z uličky pohlcované multimodálními modely.

Jsou totiž zavrtaní hluboko do hardwaru a domény, a jazykový model nemá smysl použít třeba tak, že mu ukážeš fotku lesa a řekneš: „Ukáž mi u každého stromu druh a výšku.“

Tyto informace tam nejsou skryté.

Co dalšího má smysl, je zkoušet například mikrosnímky. Vyfotím si něco pod mikroskopem…

Koberec analyzuje částice prachu a sdělí mi, jaké mám alergeny. Opět platí, že tyto informace nejsou přenášeny na internet, jsou tyto věci zpracovány lokálně. Nová strategie tedy spočívá v tom, nedělat rychlé produkty, které se jen tak povalují na internetu, ale provádět důkladný výzkum, dohodnout se s někým na získání datasetu a vyvíjet pomalé produkty, které jsou hluboké a na něž jazykový model dlouho nebude mít dostatek dat, aby je zvládl.

Ty jsi už dříve zmiňoval, že se vracíte ke konceptu vlastní aplikace. Eticky, neeticky jsi „zneužil“ svého studenta, že Adam naprogramuje UI, a tak jste udělali ten kompromis. To je tedy ta druhá cesta – vzít si celý proces end-to-end a znovu se vrátit ke koncovému zákazníkovi.

Podle mě je tato cesta funkční, ale jen v krátkodobém horizontu. Rozhodnutí vytvořit vlastní aplikaci padlo ještě v době, kdy jazykové modely nepředstavovaly hrozbu, protože mít vlastní aplikaci ještě neznamená automaticky získat více tržeb, pokud neinvestujete vše do marketingu. Nicméně pro koncové zákazníky je to jen otázka času, kdy si uvědomí, že jejich jediná aplikace na telefonu, například ChatGPT-4, bude řešením na úplně všechno.

Jakmile se toto dostane i k těm koncovým uživatelům, což pochopitelně potrvá déle než u byznysových zákazníků, nastane změna. Byznysoví zákazníci totiž už nyní využívají jazykové modely k určení nejčastějších problémů. Nejprve to pošlou do GPT-4, a pokud výsledek nevypadá dobře, teprve poté posílají k nám. Byznysoví uživatelé jsou v tomto ohledu mnohem agilnější a technické řešení si najdou.

Koncoví uživatelé podle mě přijdou na to později. Nevím, jestli získáme třeba tři nebo čtyři roky, než si uvědomí, že na všechno mohou využívat jazykový či multimodální model. Vlastní aplikace nám pomůže tu životnost na trhu vlastně prodloužit.

Ještě se zastavím u toho, co jsi říkal o tom, že i vaši zákazníci, kteří mají své aplikace, samozřejmě nějaké multimodální modely používají a zkouší. Když je postavíme do competition matrix, srovnával jsi to s nějakou aplikací, která je pětkrát levnější, ale o 10–15 % horší. Když to pak dáme vedle nejmodernějšího GPT-4 Turbo, předpokládám, že ten bude aktuálně ještě horší a dražší, ale je to otázka času?

Ano, je to tak. GPT-4 je teď jen o něco málo horší než náš hlavní konkurent, řekněme PlantNet, který má také aplikaci, ale zároveň je levnější. Ne, je levnější než my, ale přibližně stejně drahý jako náš konkurent. Obava vychází z předpokladu, že se multimodální modely ještě zlevní, takže současná situace není až tak velký problém, ale brzy to bude problém.

V tomto nevidím žádnou jednoznačnou cestu úniku. Třetí směr je přidávat funkce do našich produktů, které multimodální modely neumí. Například když určíme nemoc květiny, zároveň naznačíme na fotografii, kde jsou viditelné symptomy – například toto je toto, toto je toto. To bude nějakou dobu trvat, a jazykový model na to zatím nemá dostatek dat.

Kde teď vidíš hodnotu vaší firmy? Co je vaším „zlatem“? Jakože jste dlouho sbírali data, abyste mohli dělat strojové učení. Teď hodně mluvíš o produktu, o tom, že doménu znáte, že znáte uživatele a co opravdu potřebují, že jim ukážete stejnou květinu v tom stejném květináči, nebo co to bylo. S tímto fenoménem moc nerozumím. Máte nějaký tým a jste v machine learningu hodně hluboko. Jak na tohle nahlížíš? Kde je hodnota firmy a co jsou silné stránky, na kterých můžete stavět?

Nám hodně pomohla změna mentality a díky nové strategii budeme spouštět nové produkty v rychlém tempu. Přepracovali jsme technický stack a teď jsme schopni velmi rychle natrénovat strojové učení, pokud dostaneme data. Deklarativně jen řekneme, že toto jsou data, takto se určují třídy, stiskneme pět tlačítek a produkt vydáme. Stále je potřeba vývojář, ale nyní, když za námi přijde firma a řekne, máme tato data, chceme API, jsme schopni to udělat velmi rychle – natrénovat model, poskytnout API a provozovat ho spolehlivě a levně.

To je velké know-how, které je velmi cenné. I když se to dříve či později demokratizuje natolik, že každý produktový manažer bude bez vývojáře sám spouštět produkt v cloudu, my to dokážeme udělat ještě levněji a lépe, protože víme, kde neuronovou síť „říznout“, máme zkušenosti s různými architekturami a víme, kdy co použít. Stále je zde velká znalost.

Kromě toho máme také produktové manažery. Podařilo se mi svou práci – od výzkumu přes výběr tréninkových dat až po vydání – převést na ostatní produktové manažery, takže už to nemám na starosti a oni to dělají sami. Když za nimi přijde klient nebo když máme jen nápad na produkt, dokážou to dotáhnout do konce, což nebylo jednoduché.

Ti produktoví manažeři nejsou technici, ale díky mnohaleté úzké spolupráci s našimi top lidmi v machine learningu jsme do nich „nalili“ znalosti. Teď chápou, co znamená přesnost (accuracy), dívají se na další tři metriky, sami si s tím hrají. Stali se z nich lidé, kteří rozumí machine learningu, i když nejsou technici.

To je krásné a podle mě by hlavní tíže práce na machine learningovém produktu neměla být na programátorovi. Možná programátor nakonec ani nebude potřeba, protože potřebuji člověka, který rozumí datové vědě, doméně a je ochotný a schopný s klientem experimentovat s různými nastaveními, aby to dotáhli.

Jsem na to velmi hrdý, že se mi podařilo takové lidi vychovat a oni to zvládají sami a dobře. To podle mě není samozřejmost. Jsou firmy, které nechávají vývoj machine learningu výhradně na programátorech, což je velká chyba, protože jim může chybět celkový přehled. Navíc není jejich úkolem být produktovými manažery a řešit celý proces.

Moc se mi líbí, s jakou otevřeností a upřímností etický komisář v tobě otevírá tyto otázky. Nový název v Flour Checklu „Kind Wise“ mi brandově sedí s tím, jak tě vnímám, a jsem moc rád, že takto nabízíš své zkušenosti a postřehy světu.

Když jsme prošli tvou dosavadní kariéru a díváme se na ni, jak vnímáš sebe sama v tomto kontextu? Na začátku jsi říkal, že jsi hodně hledal, byl na všech stranách. V Kivy jsi byl hluboko v nějaké technice, málem jsi vyhořel nebo jsi vyhořel – to nechci hodnotit. Teď jsi startupista, hodně ses posunul k produktovému CEO, procesům. Co tě to vlastně naučilo o tobě samotném? Našel ses? Už nemáš impostor syndrom?

Je to tak. Když se na to podívám zpětně díky vašim otázkám, mám pocit, že pracovní trh je nastavený tak, že musíš dělat jednu věc na plný úvazek. Já jsem celý život takový „tragl“, chci to dělat na částečný úvazek, abych mohl dělat i jiné věci. Nikdy jsem ale nebyl dostatečně dobrý, abych si to mohl dovolit. Trvalo mi to dlouho.

Až ve vlastní firmě si mohu dělat více věcí a zároveň někdo ocení mou práci. Konečně pracuji ve firmě, kde mám pestrou práci, mohu se hodně rozvíjet, dělat různorodé věci a učit se nové. To je nádherné, nemusím se soustředit jen na jednu věc do hloubky, a trvalo mi asi deset let, než jsem si to uvědomil.

Pochopil jsem své silné stránky, schopnost přesvědčit lidi, pracovat v týmu, což není řešení složitých softwarových problémů, které mě dříve trápily. Rád problém pochopím a změním z neuchopitelného uchopitelný, vymyslím řešení, ale dotáhnout je do konce nebo programovat celý sám, to jsem nikdy nechtěl.

Jsem teď obklopen týmem, který realizuje mé nápady, případně mě upozorňuje, že mé nápady jsou nesmyslné, což je skvělé. Poprvé mám pocit, že mě práce baví. Je to můj vysněný job.

Vím, že dříve nebo později budu muset svou roli předat dál, což je velká výzva, na kterou se netěším, ale rád bych to zažil. Teď jsem v stabilní fázi života, která mě baví a je skvělá.

Nevím, co z toho vzít, snad jen to, že pokud lidé mají pocit, že se nemohou zaměřit na jednu věc, existují pozice, kde mohou fungovat rozstříleně a jsou oceněni za to, že dělají více věcí zároveň. Takových pozic není mnoho a já mám štěstí, že jsem si svou našel.

Ondro, myslím, že…

Nemohli jsme přát lepší závěr tohoto osobního i technologického produktového rozhovoru. Moc ti děkujeme, že jsi s námi a našimi posluchači sdílel své zkušenosti. Přejeme hodně sil a úspěchů v další dekádě tvých nových výzev a dobré celé tvé týmu.

Děkujeme moc, ať si udržíš spokojenost a zároveň se dál rozvíjíš a učíš nové věci. Díky moc za pozvání, bylo to příjemné.

A to je vše. Děkujeme, že jste doposlouchali až sem. Děkujeme také našim partnerům – Big Hubu, Intexu, Sastce, Bystrýtu, Colors of Data, Revolt BI, GoodDatě, Kebulé, eMarku, Karl Data Company a Datamindum.

Pokud vás zajímá víc, navštivte prosím naše stránky datatalk.cz a přihlaste se k odběru našeho newsletteru.