Podcast

Jirka Vicherek (00:00:03): Dobrý den, moje jméno je Jirka Vicherek a vítám vás u dalšího dílu Datatolog podcastu. Dnes tady mám dva vzácné hosty a těmi jsou Tereza Fukátková a Standa Babenyshev z TV Nova. Ahoj. Ahoj Jirka. Ahoj.

Jirka Vicherek (00:00:34): My se dneska podíváme do TV Nova a částečně na jich VOD platformu Oneplay a budeme se dívat co v TV Nova dělají s AI, protože Terka před tři čtvrtě rokem se stala head of AI v TV Nova. a Standa poslední zhruba dva roky dělá Machine Learning Teamleada tamtež. Takže se podíváme na bits and pieces a detaily toho, jak vypadá Machine Learning a AI v TV Nova. Začnu ale tebou Stando a tvojí cestou, protože jsi na nově deal, tak co tě vedlo do ML týmu TV Nova?

Stanislav Babenyshev (00:01:16): Ten můj příběh v ML začal ještě před 9-10 lety skoro. Já jsem v sděláním vystudovaný ikonóm, mám i doktorát z toho, takže jsem se k ML dostal ne skrz IT, jako klasicky se tam dostávají lidi, ale dostal jsem se tam skrz matematiku, pravděpodobnost jsem začínal na risku. a potom tam to byl docela zajímavý příběh, já jsem se dozvěděl od známého, že dělá nějaký machine learning, tak jsem se ho začal doptávat, co to vlastně je, co tam zhruba řeší, tak by mě začal říkat o logistické regresy a že tam ještě jiné klasifikační modely dělají, tak já jsem se uvěděl, že vlastně už dva roky v rýzku dělá machine learning. No tak mě to docela zaujalo, jsem se pak přesunul, jo v tom rýsku ještě bych to změnil, kdybych někomu doporučoval, jak začít tu kariéru, tak zrovna rýsk je jedna možnost a je to docela dobrá škola, protože tam ten mašinonik je hodně rigorózný. Je to tak, protože dopady jsou obrovské, ty modely, co jsme vyvíjeli, měly dopáde klidně i miliard eur, takže vy se pak uvědomíte, že to EDA, ta exploratorní analyza, MLOPS, data governance, to nejsou buzzwordy, to je nutnost pro přežití.

Takže po té bance a potom jsem se dozvěděl, že jsem ML engineer a jsem se přesunul do opravdové data science roli a jsem pracoval potom v MOLu a tam jsem se taky hodně naučil, protože MOL stejně jako Nova spadá pod PPF Tím pádem rychlost je tam klíčová, je to docela zrychlené prostředí a zároveň hodně se hlídá business impact, takže u každého projektu jsme měli business case a nebyl to machine learning pro machine learning, takže jsem se hodně naučil i z toho pohledu. Koukat na ML, kde to vyvíjet, kde nevyvíjet, kde dělat nějaký state of the art model a kde třeba nějaký jednoduchý if else. No a teď na nově vlastně tyhle věci spojuju, vědu tým a snažíme se o to samý, děláme rigorosně modely, lidáme ten business impact a myslím si, že nám se dárlí celkem.

Jirka Vicherek (00:03:37): No a já jsem toho zmiňoval v úvodu, tak když jsi přešel na nově,

Stanislav Babenyshev (00:03:41): Já jsem přišel před skoro dvěma lety a ten tým už existoval, ale byl malej, bylo tam tři lidi, přičemž dva z nich přišli tak pár měsíců přede mnou a za okol jsem měl jednak ten tým naškalovat, dneska už je nás osm, krom toho ještě ta část, která je přímo pod Terezu. a děláme mnohy víc projektů. Tenkrát to byl jeden projekt takovým neúplně zdravým stavu. Já jsem k tomu toho náboru měl za okol postavit tenhle projekt na nohy, anebo spíše tu pipeline, abychom ty modele dodávali tak, jak se mají dodávat... Nějaké production grade kvalitě, to obnáše jako spoustu věce, když tak se řekneme.

No a se mně v poslední řádi i ta kultura je teďko míná, to jsem měl taky za okol a za cíl vybudovat, aby tam byla opravdu vyvajarská kultura, protože dneska Nova ještě pořád vnímána jako ta stará Nova, já jsem sice tady nebyl při zakladení Nova před kolika třiceti lety. Hodně jsem to o tom slyšel a je to asi dáno, jako ta změna je dána i tím, že teď nevím přesně kdy, ale tak zhruba před 4-5 lety přišel na Novodangrund a on ji hodně změnil. Jako cítím to i na sebe, ten náš tím narostl, jak jsem zmiňoval, my jsme byli tři ML inženíři, dnes je nás osm, ale k tomu my máme ještě BI tým, který má data inženíři a těch taky bylo pár a teď je jich přes patnáct myslím, takže celý datový hub, se tomu dá říct, je teď přes třicet lidí a dal to roste.

Jirka Vicherek (00:05:22): Tam doporučím epizodu s Martinem Exnerem, který mluví o té evoluci BI datového týmu, jak vyrostl s příchodem VOD. K tomu se dostaneme. Teď ale ještě, ať dáme prostor i Terce, ať se představím. Ty jsi byla už jednou hostkou, tady DataTalk Podcastu, tak tam jsme to říkali šířeji a tak odkážu. Na tuhle dobu, když si dělala pro

Tereza Fukátková (00:05:53): F.E.G.

Jirka Vicherek (00:05:57): tak Fortuna Entertainment Group, tak tam jsme se tomu věnovali hloubš, tak zase jenom ať pro ty, co třeba náhodou neslyšeli tenhle díl a nemají ho mezi oblíbenými, tak představ se nám taky

Tereza Fukátková (00:06:13): Tak nějaký teleder. Začínala jsem studiem, který rozdíl toho standovýho je trošičku vzdálenější a to byla tam nějaká kombinace humanitnějšího směru, česko-německý studia a k tomu potom ještě podnikání a administrativa. No a tadyhle ta kombinace směřuje do statistiky a AI přes tu statistiku právě. Protože ty jsi s mě jednou ptal, že pokud tě zajímavá diplomka, ať to člověk zmíní. A já jsem měla statistickou analýzu trhu z jogurty a zpětněm za to tak jako Standa říkal, že se dozvěděl později, že je ML inženýr.

Tak já jsem se zpětně dozvěděla, že clustering patří taky do machine learningu. Takže nějaké zárodky už tam byly dřív. No a následně jsem potom pokračovala taktéž do spíš finančního sektoru, a to do kontrolingu v Lidlu. Tam, když to hodně zkrátím, Excel nestačil, takže jsem se naučila programovat. Pokračovala jsem k datový analýze do Seznamu.

Tam jsem postupně ten tým vedla, když trošičku se zvětšil, byla jsem tam první datový analytik. No a odtamtud už byla cesta do Fortuny, kde jsem měla tým v Indii, což je taková docela zajímavost pro firmu, která nemá ten svůj biznis v Indii, má ho vyloženě ve střední a východní Evropě, tak mít tým, který nemá ten kulturný kontext, ale je zase zkušený v těch technologiích, tak byla jako velmi zajímavá kombinace a zkušenost. No a tady už se dostáváme k té poslední kapitole a to je Nova.

Jirka Vicherek (00:07:57): No a tak co tě přemělo jít na novu?

Tereza Fukátková (00:08:01): No mě to nenapadlo samotnou popravdě a bylo to tak, že se mi znovy ozvali, teďka už to bude rok, někdy v únoru jsme se o tom začali bavit a nejdřív jsem k tomu byla mírně skeptická. Ale kamarádka mě potom přesvědčila, že tomu mám dát šanci, že si mám aspoň poslechnout to, co tam jde a třeba se rozvím nějaký zajímavý benchmark. No a tak jsem teda do toho procesu vstoupila a musím říct, že co mě přesvědčilo byly hlavně ty osobní pohovory. A tam už jako jeden zajímavý aspekt, co na tom byl, že byly tři v jednom týdnu, bylo to extrémně rychle za sebou, byly extrémně flexibilní v tom, jak se domluval vždycky ten další a další krok a to už samo o sobě je nějaký jako signál a řekla bych, že to byl velmi dobrý signál, protože i ta kultura je rychlá, je agilní, prostě flexibilně reagujeme na to, co je potřeba. Ale už i potom, když jsem se poprvé setkala s Ludskou Oravčíkovou, která má na nově na starost celý digital, tak to, jak popisovala ty projekty a tu ambici, kam chtějí s AI dojít, a to stejné potom popisoval i Dan Grunt, bylo vidět, že je tam to sladění a že ta ambice je celofiremní, že to nevidějí jenom jako kolonku, tak si očketneme, že máme AI.

Ale že ta digitální sféra, ta technologická sféra novy je něco, co je opravdu budoucnost a má tu televizní stanici, kterou si spousta lidí v tuhle chvíli spoje primárně s tím lineárním vysíláním, dovíz do té digitální budoucnosti.

Jirka Vicherek (00:09:43): Super, takže jsi nastoupila jako head of AI. No, když se podíváme na tuhle roli, tak koho máš pod sebou? Jak vypadá ta organizace? Standa už to jako nastínil.

Tereza Fukátková (00:09:57): Jo, tak já to ještě trošku rozvedu. Tam rozhodně klíčová část AI týmu je právě tým, který má na starosti Standa a to je ML tým, který se vyloženě věnuje hands-on tvorbě modelů, což vám určitě ještě tady popíšeme. A nicméně ta druhá část, která přišla až se mnou, tak je víc orientovaná na biznis, nebo dalo by se říct třeba i softovic, ale teď to myslím v tom pozitivním smyslu, protože je to chvíle, kdy to AI má opravdu šanci dostat se do celé firmy a to je opravdu jako od... Produkcí různých seriálů, reality shows a přes spravodajství až poté one play samotnej. Ale abych byla konkrétní, o jaký pozice se jedná, aby si to posluchači mohli představit, tak máme v týmu business analytiky, kteří se právě zapojí primárně, oni se zapojí po celou dobu toho procesu, ale velkou roli hrají na začátku, když potřebujeme definovat ten business case, když potřebujeme pochopit ty requirementy, Ale není to úplně jako pure business analytická role v tom, že v tuhle chvíli už by to opustili, ale ten projekt provází po celou tu dobu.

Protože ta komunikace s těmi týmy napříč novou je pro všechny ty naše projekty neskutečně důležitá. Tam potřebujeme průběžně sladovat a hlavně potřebujeme chápat to fungování těch týmů a co od nás potřebují. Protože AI ve svý podstatě, když bychom si to drželi ve skleninku, tak jako moc užitečný není. No a právě proto tam vidím tady ty lidi, který propojují AI team s celou novou, jako extrémně důležitý. Krom business analytiků, který, jak už jsem říká, nejsou tak úplně pure business analytici, tak máme ještě Delivery Leada, který se stará zase neskutečně univerzální člověk, hrozně šikovnej a stará se o všechno, co je zrovna v tu chvíli potřeba.

od organizace různých eventů přes různý procesní záležitosti a někdy je tam i třeba jako marketingový prvek, kdy potřebujeme nějaké naše projekty komunikovat i interně do firmy. No a potom poslední část, tu označuji nejčastější jako adoption. Ale zase je to spíš univerzální lidi, kteří mají ale ten fokus trošku jinde, ve smyslu spíš vzdělávání, governance, kontakt s našimi kolegy a taky je tam potom ještě skupina ambasadorů. Ty nejsou součást týmu, to ne, ale právě lidi, kteří se u nás věnují adoption, tak mají na starost i tadyhle ten komunitní prvek, který považuji Zadůležitý v tom, že jak je nová rozmanita, že opravdu je to od té produkce, správodajství, marketing, finance, sales, prostě všechno, tak my potřebujeme mít kontakt s tou firmou jako celkem a to je právě skrz ty lidi v těch odděleních, který se združují potom pod tou skupinou těch ambasadorů.

Jirka Vicherek (00:13:14): Super a celkově vás teda kolik?

Tereza Fukátková (00:13:18): Celkově v tuhle chvíli 13. Nicméně není to koneční číslo. Ještě do týmu dobíráme další lidi a celkově bychom letos měli být na 20.

Jirka Vicherek (00:13:30): No a tak pojďme se podívat na jakých technologiích vrátit se a trošku rozšiřit to, co jsi Stando říkal, že když si přišel, tak to byl suboptimální stav, že tam nějaký machine learning a IICO se řešilo, ale tvůj cíl bylo to posunout, jak na úrovni infrastruktury, architektury, tak nějaký firmní kultury na té druhé straně, tak když zůstaneme u toho stacku, tý infrastruktúry, tak na čem teď biežíte? Co je, co sú ty túly, co tohle podporujú technologicky?

Stanislav Babenyshev (00:14:05): velmi, velmi stručné v Databricksu, ale to asi je příliš stručné. Já tam částečně musel jsem i pořád zastávám roli architekta, abych přimýšlel o tom, kam dál se to vybíje. Určitě je to cloud, nám to řeší spoustu problémů, nepotřebujeme tak velký devops team, v podstatě žádný devops team. A kromě toho...

Jirka Vicherek (00:14:31): A cloud máte vybraný, můžeš to říkat?

Stanislav Babenyshev (00:14:34): Klaud máme a je to suboptimální, jak jsi zmiňal, ale já jsem myslel taky, že je to přerozené, protože ten tým roztl raketově, business casey příbývaly raketově a to, co se normálně škaluje během desíti let, se u nás naškalovalo za dva roky, takže tam prostě nějaké porodní mohlosti musely být, my těch klaudů máme v podstatě všichni tři a proto je ten Databricks, protože je to... a myslím všechny ty velké, které všechny znají, Hesco, Azure, GCP a každý má svůj důvod, neřeknu, že něco s noho je blbý. No a ten náš hlavní ML stack je Databricks, v tom vyvíjeme a důvod je ten, že to je takové trošku cloud agnostik. Ano, máme tam nějaký pro a proti, je tam nějaký markup, který platíme Databricksu za... a jeho službe na druhou stranu, když jsme například vyvíjeli Reko, tak my v podstatě měhem týdnu zmigrovali z jedné platformy na druhou a někdo se toho nevšiml.

A nám stačilo jenom GitLab Repo, které jsme přesunuli na jinou infrastrukturu. a přičemže jako možná se k tomu ještě pak dostaneme co je to reko, to je production grade projekt, má infrastrukturu v Terraformě.

Jirka Vicherek (00:15:48): K tomu se dostaneme, no jsou tam ještě nějaký jako klíčový, takže Databricks je ta platforma, úplně podvozek může být jakýkoliv cloud, ale tak ještě nějaký specifika, něco na co si hrdý, že vám tam funguje a a tak.

Stanislav Babenyshev (00:16:08): Jako nemyslím, jestli jsem hrdy, ale já jsem spokojený s tím, že je to tak, jak to má být jako production rate, se tomu normálně říkáme. My máme verzování, jak model, tak kodu, aby to konkrétně máme. Máme i ten proces vývoje nastavený tak, jak je nastavený ve velkých firmách, ve vojářských, máme pull request, review, podobné věci máme udělené prostředí, jako nic z toho tam před dvěma lety nebylo. a vyvíjelo se tak trošku jako pánkovým stílem. Na druhou stranu ten business case ten Belfort, jak jsem změňoval to PPF, tak ona to hodně tlačí.

A takže jako když řeknu, co to je, tak to je kombinace Databricks a GitHubu. V dnešní době hodně používáme i i assisted coding, takže třeba používáme VS Code většina z nás nebo někdo Cursor, to je z toho důvodu, že tam i GitHubku pilot. My jsme v tom VS Codeu. No a asi a tak, jako kdokoliv by dělá ML, tak si řekne, že to je nic neobykladné, to je prostě standard.

Jirka Vicherek (00:17:10): Golden standard, jasný.

Stanislav Babenyshev (00:17:11): To je na jedno stranu

Tereza Fukátková (00:17:13): standard, ale, na, na, na, na, ale na druhou stranu, jako musím říct, že standard to jako mimořádně drží v lati, že ten proces, který tam nastavil a na kterým trvá, tak je mimořádné. Jedna věc je, že si to firmy na papíře řeknou a druhá věc, že se to popravdu Bankovní rigoroznost. Ať už od toho business case přes to, jak je řazená ta confluence, že tam přesně všechny věci mají svý místo. Začíná se EDAčkem, UFCčko, dbá se na to, aby byly code reviews. Za mě tadyhle to je velmi krásně nastavené.

Stanislav Babenyshev (00:17:51): Bankovní

Jirka Vicherek (00:17:52): rigoroznost. Ano,

Tereza Fukátková (00:17:53): ano, tam se přesně promítá tohle zkušenost.

Stanislav Babenyshev (00:17:56): No, já jsem ještě mezi tím stylu pracovat dojčiteli komu. Německá. Německá filma. A právě tam jsem se to naučil. Věci trvaly strašně dlouho, ale bylo všechno bulletproof totální.

Občas až moc bych řekl, že se mi dalo nic nasadit. Takže jako... bych řekl, že jako z každého z těch odvěty jsem vybral to, co se tam to, co se nám hodí nejvíc a to, co je nejvíc užitečné a všechno jsem to přinesl na lovo a jsem rád, že u nás se to takhle ukotvilo a i ten tým je stotožněný nejvíc možná mě to naplňuje z toho dodo, že každý vyvojář v našem týmu, on vlastně za tím stojí. Třeba ty review zavedl jeden kolega, který přišel zhruba před rokem. A já jsem rád, jako měl má normální knowledge sharing mechanizmy, sdíleme ty ználosty, máme odborníky, jako v každé oblasti se pak ještě řekneme, co všechno děláme, není to jenom nějaká logistická regresa, predikce, churn a podobně.

...

Jirka Vicherek (00:18:53): No a než se dostanu k těm projektům, tak pojďme se podívat na těch, na ten tvůj tým osmi lidí, tak koho, koho tam máš vlastně?

Stanislav Babenyshev (00:19:02): My jsme jako já v poslední době, jakoby čím víc, čím dál tím víc na pohovorek říkám, že jsme takový tí shaped specialisti, jako každý z nás umí dobře statistiku, umí dobře programovat jako na úrovni software inženíra jako v Pythonu sice, jako což někdo nepovažuje za opravdu programovací jazyk, ale Já si myslím, že ty praktiky, které tam máme, jsou ze software inženýrství a umysleřeně machine learning. A pak každý má nějakou svou, jako to... V té část tu specializaci máme člověka, který třeba se specializuje na statistiku, on má studovanou statistickou fyziku, takže se specializuje na ABST causal inference. Máme lidi, který jsou víc zaměřené na MLOps, lidi, který jsou víc zaměřené na klasické ML, lidi, který jsou zaměřené na Gen AI a tak. Je tam nějaký společný prvek, jsme programátoři, umíme ML, umíme statistiku a pak každý je v něčem.

Jirka Vicherek (00:19:57): Flavors.

Tereza Fukátková (00:20:00): Já bych tam možná doplněla ještě jednu, no to se ani nedáří zdrobnost, protože v tuhle tu chvíli je to mimořádně důležitý projekt a to přesto, že jak Standa popisoval, všichni jsou to jako super technickí lidi, odborníci, tak velmi často dáváme prostor a to platí pro jakoukoliv z těch pozic projevit se nebo více pustit do něčeho, co se tomu člověku líbí, o co se zajímá. a jeden z našich kolegů Dan, tak ten má zálibu v AI-assisted codingu, je to něco, čemu se věnuje i volnočasově a mně potom přišlo úžasné tohleto spojit s tím směrem, kde obecně chceme s tím AI-týmem jít, ale nejenom v AI, tadyhle to se bude týkat veškerých technických pozic na nově, který, to je možná překvapí, je jich tam docela hodně. A v tuhle tu chvíli my jsme začali s tím projektem AI Assisted Codingu u nás. Asi před měsícem byl workshop, kdy Dan všem ukázal na třech hands-on projektech, jak to používat. Všichni už teďka mají GitHub Copilot.

Ne, že by předtím neměli. Nicméně bylo to zatím takový jako neorganizovaný. A myslím si, že jsme to ještě pořád tu technologii nevytěžili na maximum. Ještě se tam poohlížíme po Claude Codu. Je tam varianta, že by to bylo i nějak kombinovaný, případně i možnost výběru.

Nicméně jako směřuje to k tomu, že velká část vývoje se bude odehrávat právě tímhletím způsobem. A je to vedený v Data Science Team.

Stanislav Babenyshev (00:21:37): Ono už vlastně děje, je to silně podporováno, jak říkala Tereza, aj v týmu, já vidím ten buy-in a taky si myslím, že nám se to hodí, protože my víme, jak ten software vyvíjet. Já jsem osobně dělal to hands-on dlouho a jsem přesvědčen, že než tohoto člověk začne používat, musí se naučit to dělat rukama, aby kontroloval toho agenta. Jak měli tohleto umít, tak potom tohleto zrychluje neuvěřitelné. A to už vidíme na pár projektech.

Jirka Vicherek (00:22:03): Pojďme se podívat na ty projekty.

Stanislav Babenyshev (00:22:06): Co se týče projekto, já mám takovou měmost povolání, rád věci klasifikuju. My máme tři velké streamy, jeden klasický ML, pak GenEI stream a causal inference stream, pak řeknu víc dopodrobná o ostatních a začnu asi o tom ML, když už jsme ML team. Tam zase to rozpadává pěkně na lineární a VUD.

Jirka Vicherek (00:22:29): Aha, takže řešíte ještě klasickou telku?

Stanislav Babenyshev (00:22:32): Není to všechno

Jirka Vicherek (00:22:33): OnePlay?

Stanislav Babenyshev (00:22:34): Není to, máme toho strašně moc, řešíme i tu klasickou telku, i OnePlay, přičemže ještě ten OnePlay někdo, jako my občas sami sobě říkám, že jsme český Netflix, ale fakticky jsme větší jak Netflix, jak z hlediska. Asi můžeme prozradit, že jsme větší z hlediska počtu diváků a i z hlediska, dejme tomu těch biznes, kterým jsme taky větší, protože máme krom té výudí část ještě lineární část přímo ve OnePlay a sportovní část, který je taky přímo ve OnePlay.

Jirka Vicherek (00:23:04): A ještě, když se zeptám, tak to jsou ty produkty nový, ale to, co jsi říkal, tak zároveň děláte nějaké interní věci v produkci, to spadá pod linear a VOD, nebo řešíte něco pro finance a tak?

Tereza Fukátková (00:23:21): Taky tam jsou, i pro týmy, které jsou interní. Tam je třeba zajímavý model predikce sledovanosti reklamních bloků.

Jirka Vicherek (00:23:31): Pro obchod asi?

Tereza Fukátková (00:23:32): Jo, jo, přesně tak, pro obchod. My tomu interně říkáme sales model, ale kdybych řekla sales model, tak to nikomu moc neřekne. A v rámci obchodu byl ještě potom jeden projekt, to bylo ještě předtím, než já jsem nastoupila, a to jste s tam doskoumali délku a počet reklam.

Stanislav Babenyshev (00:23:51): Třeba.

Tereza Fukátková (00:23:53): Pak je velmi zajímavý ten.

Stanislav Babenyshev (00:23:54): Ten byl blíž k tomu causal inference a tam jako my máme poměrně dost propriety, tak se to říká propriety, tajních věcinků, nějakého know-how firměho, který nemůžeme sdílet. Takže proto jsem opatrný, ale až se vrátím, nebo než se vrátím k tým ML věcím, co my děláme, pro to vývdiv část asi je to teď nejintenzivnější, protože M1 Play se rozjel, je jeden rok starej a hodně věce pro něho děláme, aby se to lídilo divákům a fakticky musíme dodat v tom množstvě lidí, který jsme produkt, který kvalitou od ML strán si budou odpovídat hráčům typu Netflix, HBO Je to velmi náročné, zároveň je to velmi zajímavý. A já mám tam taky na starostě to pohlídat, aby to technicky jsme utáhli, protože prostě nemáme takový týmek, jak mají ty velké hráči. Asi největší projekt je rekomendační systém Rexis, většina lidí to takhle zná. O co jde?

Je to v principu něco podobného, nebo já osobně pro sebe... Představuju OnePlay jako velký marketplace, ve kterém musíme najít správního diváka pro správný kontent. To se mi co dělá třeba Jirka, co dělá mall. Takže ty modely pod kapotou jsou velmi podobné. Kdybych byl víc technicky, tak my teď v produkci máme několik modelů.

Nasazujeme skrz AB testování, to je ta causal inference noha toho našeho vývoje. Třeba ten nejslužitější, co my máme a aktuálně je Champion je Transformer, natrenovány from the scratch na viewership datech. Pokud někdo se podívá do našeho LinkedInu, tam máme i postery, je to Birdforex architektura. Jak on není to úplný state of the art model.

Jirka Vicherek (00:25:46): No počkej, tak

Tereza Fukátková (00:25:48): Tak no, ty to zlehčuješ. Je to největší projekt, co máme. A je jako naprosto skvělej.

Jirka Vicherek (00:25:53): Natrinovali jste vlastního transformera, transformera architekturu na Reko. Tak from the scratch. Tak pojďme from the scratch. U toho bych se celkem zastavil.

Stanislav Babenyshev (00:26:05): Já když říkám, že něco není state of the art, tak mám zase ten bias toho doktoráta. State of the art je rok, dva roky starý. Toto je článek z roku 2019. a myslím se, že na rekomendačních systémech jsem se podělil taky v MOLu a souhlasím s tím, že oproti tomu, co jsme tam tenkrát vyvíjeli, to je state of the art, je to opravdu složitá věc.

Jirka Vicherek (00:26:31): No tak jak se to staví? Attention is all you need, samozřejmě, ale tak co je attention?

Stanislav Babenyshev (00:26:37): Já přemýšlím, kde začít, tak pro posloucháče, co třeba do ML, do NLP vidí, znají ty architektury, tak my v podstatě, nebo a otořit toho článku a pak i my přišli na to, že k posloubnosti sledování u diváka se dá přistupit podobně jak k posloubnosti slov. Přičemž my jsme to vyvíjnuli, to je taky zajímavý, jak probíhá vývoj u nás, tenhle ten model byl vyvíjnout za tři dny v rámci hackartonu, ale to bylo jako něco, co by nám vůbec ukázalo, a typicky takhle ty věci děláme. Potřebujeme nějaký pilsí, který by ukázalo, že takhle můžeme něco rozumného predikovat, takže jsme bychom tři dnů zjistili, že ano, můžeme, a pak zhruba rok nám trvalo to nasadit do produkci, protože tam řešili latence a podobně věci, robustnost, MLO, všechno to. dohnuto a na projektu se podílilo i více týmů.

Jirka Vicherek (00:27:32): No a jak moc je to generic a jak moc je to úplně na vaše data a váš use case?

Stanislav Babenyshev (00:27:39): Je to úplně na našich datech, tak bereme posloubnosti sledování u diváku, samozřejmě ty data připravujeme, máme na to i naškalovanou infrastrukturu, docela jsme řešili v jednu chvíli, že nám došly kapacity GPU a VSK. takže jsme jednak museli navýšit kvoty, protože ty modely přetrnováváme denně, pak jsme přišli na to, že budeme mít nějaký base.

Jirka Vicherek (00:28:01): To je podobný, jak dokoukal jsem OnePlay.

Stanislav Babenyshev (00:28:07): Tak, tak, no. Ne, jsme tam museli navýšit tu kvotu, protože nerozumně byla postavena a nikdo neočekával, že někdo využije tolik GPUček.

Jirka Vicherek (00:28:15): Nikdo nečekal,

Stanislav Babenyshev (00:28:16): že budete stavit

Jirka Vicherek (00:28:16): vlastního transformer, no, architekturu.

Stanislav Babenyshev (00:28:20): No, ono se tak postupně se napoukla, takže nakonec Konec se to vydařilo, my jsme tam museli nějaké technické věci pořešit, aby to nebylo příliš drahé, tak třeba to netrenujeme from the scratch každý den jako Natranujeme jedno, ale pak děláme fine tuning v proběhům týdne a díváme se také na mětriky, kdy už je to blbě a je potřeba to přetranovat. K tomu, aby to nebylo jednoduché, tam už máme jako blíž k těm state of the art věcím, teď vyvíjeme grafovou sít na tohleto, pro stejný účel. Ta je ještě ve fázi PUC, tak uvidíme, jak se nám to vydáří v A-B testech, kdo zoom nevyhraje.

Jirka Vicherek (00:28:59): No a kdybych to vzal zpátky, kdyby dneska byl nějaký velký e-commerce a řešil Rekol, tak už to, že si stavíte vlastní, že nevezmete nějaký tool, je jedna věc, ale druhá věc je, dával by pak smysl Transformer, nebo vlastně to je vaše specifikum, že právě to dívání se je něco úplně jiného než nákupní proces? Je to dobrá otázka.

Stanislav Babenyshev (00:29:27): Akademicky možná, dokonce si myslím, že by byl i lepší, protože Transformer je dobrý na dlouhém posloupnosti a když lidi něco scrollují třeba, tak ta posloupnost bude mnohem delší než to, co člověk odkouká na OnePlay. Jenom pak přichází otázka o produksionalizaci, protože to musí být live před pokládem na nějakém marketplaceu, ty objemy jsou jiné a nejspíš tam bych do toho transformeru nešel. Jako i u sebe zvažujeme, teď aktuálně to funguje na VUD část, my to chceme rozšířit i na linear a na sport. tam už jako dátově to bude jinde a očekávám, že možná i přijde na nějakou jinou infrastrukturu a možná i infrastrukturu.

Jirka Vicherek (00:30:13): Hustý, hustý, tak teď mě dost překvapil, tak co jsou možná další projekty, kromě

Tereza Fukátková (00:30:20): Já bych ještě tam přece jenom zabrousala k tomu Rexisu. Standa tam totiž ještě zapomněl takovou drobnost a to, že diváci už teď mají možnost prakticky více než měsíc tadyhle ten náš výtvor používat... nebo prostě One Play a co musím říct, že je i velmi zajímavý, že to nasazení proběhlo neskutečně hladcem. Jsme byli jako velmi opatrný, protože jsme startovali ve stejnej den, jako startoval Survivor. To je takový omen, ale...

Ne, úplně. Nám se podařilo přežít na dnešního dne a daří se i nadále. A daří se dokonce natolik, že když si vzpomeneš, jak třeba LinkedIn nebo Facebook, když nasadí nový algoritmus, tak se strhne obrovský hejt, tak tady je úplně ticho po pěšině. MPS-ko se krásně jako drží, diváci vypadají spokojení, takže opravdu ten algoritmus, který Standa s týmem vyvinul, tak jako skvěle se trefil do toho vkusu, jako predikuje to fakt hrozně pěkně.

Jirka Vicherek (00:31:26): Co byla ta předchozí Next Best Alternative?

Stanislav Babenyshev (00:31:30): Ta předchozí byla editorský tým, kterému se strašně ulivilo s nasazením Reka, ale my jsme tak nějak vyvíjeli podobně v ankartonech. Aktuálně my máme těch kandidátních modelů. Krom toho Transformeru čtyři, předá říct, jsou architektonicky odlišné, jako první to klasická LS, tím asi všichni začínají, pak máme ještě nadrhovány Showtovek, jako ještě důležitý doložit, že ten výstup toho reka se používají na jiných projektech, třeba pro čornu my to používáme, že my ty zakazníky dokážeme popsat pomocí jich posloubnosti, jak se chovají a použít to pro predikci jejich čornu. To ILS-ko jsme jako pořád nechali naživu, protože je strašně rychlé a kdybychom museli přijít z nějakého důvodu přijde prostě business-periodá, takže musíte predikovat live něco, nebo přijít na nějakou jinou architekturu typu Retrieval plus Ranker, protože ten transformer fakticky v sobě má oba dva prvky, tak to ILS-ko tam máme. Případně jako i založení vrniáto, kdyby nám třeba řekli, že ten transformer strašně dráje a GPUčka už mít nebudete, to trenujte nějak jako na koleně, tak prostě budeme to dělat na ILS-ku.

a na offline medikách to nevycházelo, tak špatně. To je mimo jiné něco, co je taky současné mě práci, podívat se na to, jak funguje to jednoduché řešení a pak zvážet, jestli to služí, to je vůbec potřeba.

Jirka Vicherek (00:32:50): A tady dávalo to state of the art smysl, tak to mám radost a tví inženýři asi taky, že to je o něco zajímavější.

Stanislav Babenyshev (00:33:00): Ano, ano. Jak říká změněný dán, my máme práce krem dele krem, že my vyvíjeme ty zajímavé věci, nasazujeme to samé a mě osobně hodně těší to, že třeba někde kolem poledne řešíme a nějaký fix na tom reku, nasadíme to a když přijdu doma a osadme zapnut v antli, tak vidíme, jak tam ten karusel býží a že to přímo z našeho modelu, to je neskutečný pocit.

Jirka Vicherek (00:33:27): A já jako čistý uživatel, tak mohlo by se vám líbit, je pro mě uživatelsky hrozně složitá funkce, nebo důležitá funkce, protože to je takové to memečko, že přijdete na to VOD, a hodinu scrollujete ani jste si nevybrali, že jako co k jídlu a máte snězené jídlo a ještě jste si nevybrali ten pořad, tak to mám osobní zkušenost a myslím si, že právě ta jako návrh, na co se mám koukat je jedna z nejdůležitějších funkcí hned po šíři a hloubce katalogu.

Tereza Fukátková (00:34:09): Rozhodně to hraje jako obrovskou roli v retenci a to ve chvíli, kdy Oneplay je tak velká platforma, jak je, tak to hraje neskutečnou roli a má to jednoznačný business impact. Proto i to Rekoy má obrovskou prioritu v rámci těch našich projektů.

Jirka Vicherek (00:34:24): Takže to jsme se podívali na to state of the art a na tu královnu těch projektů, tak pojďme se podívat na nějaké možná oběžnější, s kterýma se naši posluchači můžou inspirovat více, než stavěci vlastní transforma na architekturu, ale boží, no.

Stanislav Babenyshev (00:34:43): Jasně, tak jak když o tom přimýšlím, tak fakticky ty matematické programátorské věci jsou stejné ve všech oborech. Prostě regresy, regrese, klasifikace, klasifikace. My děláme to, co dělá asi většina trhu krom toho Rexisu. Třeba churn model máme, to je asi klasika pro banky. V plánu horizontu máme navazující model na upsell nebo na next best action.

Už máme za sebou segmentaci, takové RFM, to je jako celkem recency frequency monitor je celkem známý pojem. a to je všechno pro VOD, no pak máme ještě projekty pro Linear, mám ještě důležitý říct, čím se vlastně řídíme, pro něco vy nemůžete udělat model, protože nejsou data, takže v tom VOD je to hezky z toho podležitých dat máme až moc, pro Linear je to opačně, těch data jsou složitějšie, jsou mén dostupné, ale na druhou stranu ten business case je mnohem zajímavější, protože ta televize pořád je živená. ty miliárními příjmy. Tam máme třeba v produkce teď model na predikci sledovanosti reklam. To je třeba možné zajímavý pro diváky, jak vůbec se prodává reklama na televizi.

Jako nevíte, kolik když se na to kouká. Takže se to měří pomocí takzvaných pytl metru, mohou to dohledat na internetu, to je v podstatě panelové data, které mají své specifické rysy, například jako pro kontext je to tak zhruba tři tisíce krabíček, které jsou instalovány v domácnostích po celé republice a oni měří sledovánost kanálu a pak se to extrapoluje na celou republiku, takže takhle odhodíme, kolik zhruba lidi koukalo na Jirka Víte napořád, což jako v prime timeu na velkém kanálu funguje docela spolehlivě, jenomže mi ten model musíme udělat na všechny kanály, na všechny časy, tak třeba pokud je to nějaký minší kanál ve tří hodiny ráno a někdo zrovna vypnul telku a šel spát, tak mám spadne o půlku rating. a to je to náročné na tohoto postavit model, který bude nějak rozumně preděkovat, kolik ten rating bude. Takže takový model máme teď v produkci. No, asi je to všechno, co se týče té ML části, plus máme ještě spoustu různých PUC, třeba jak zmiňovala Tereza v té causal inference noze, jsme testovali, které delky reklám jsou výhodnější, protože když začíná reklama, tak třirozně diváci odchází.

takže my musíte nějak vybalancovat zákonní omezení kolik reklamy může být během hodiny takže my musíme nějak vybalancovat kolik reklamných bloků dáme a jak dlouhý mají být abychom co nejmín poškodili toho diváka nejmín ho naštvali a nejmín přerušovali jeho flow sledovací

Jirka Vicherek (00:37:29): a zároveň na nich co nejvíc vydělali

Stanislav Babenyshev (00:37:31): Je to takové, jako je to jako lokální a globální maximum. Samozřejmě můžeme udělat v té konkrétní klámy maximum, ale když poškodíme zkušenost toho diváka, tak dlouhodobě budeme prodělávat. Takže to ve finále, já osobně to vnímám tak, že je takovej maximím, že potřebujeme maximalizovat zakáznickou zkušenost a minimalizovat propad těch čímů.

Jirka Vicherek (00:37:54): Super, tak pojďme se podívat do ty cool části, do Gen AI, tak čemu říkáte teda ten Gen AI Track, Gen AI Projekty?

Tereza Fukátková (00:38:07): V obě části jsou cool, ale je pravda, že tadyhle potom je teďka veliká poptávka a zároveň toto využití má, takže to není jenom cool, ale je to i užitečný. A tam máme několik velkých projektů, asi největší z nich je Novabot, což je interní AI chat a je to hodně propojený i s tou adoption částí, protože ten interní chat je založený na open source a má tam v sobě dostupný všechny ty velký modely. Protože velmi často, když se firma rozhodne, že předplatí všem zaměstnancům, dejme tomu ChatGPT, tak velká část už má v oblibě Gemini a další část má v oblibě Clauda, tak my jsme tam dali prostě všechny tři velký a jsou dostupní. Velmi jednoduše stačí mít přihlášení k firmnímu účtu a hnedka člověk může využívat jakýkoliv z těchto modelů. Postupně tam přidáváme další a další vylepšení.

Jsou tam krásné fičury typu, že si člověk může generovat ze dvou nebo ze tří modelů naraz. Máme tam dokonce i nanobanána a teďka už i ten obrázkový model od OpenAI. A s tím nanobanána, to je i taková pěkná historka kolem Vánoc, kdy tenhle ten čet byl spouštěný někdy v půlce listopadu. A my jsme měli cíl do konce roku, aby ho použilo aspoň dvakrát, aspoň třista lidí. A zrovna tou dobou tam Vítek, který Novabod viví, tak tam naimplementoval nanobanána.

a v tu chvíli nás napadlo tam vygenerovat jeden takový pěkný obrázek, to byl zrovna jeden z business analytiků, který se tam vygeneroval jako Santa Claus na saních, který tahnou kapibary. A jsme to hodili na tu interní sociální síť a teď jsme potom viděli, jak lidi začínají přicházet s dalšíma obrázkama. a adopci to jako samozřejmě nějakým způsobem. Kapejčko, jak přeplnit kapejčko?

Jirka Vicherek (00:40:16): Ne, ne, ne.

Tereza Fukátková (00:40:18): Kapebary. Ano, kapebary u nás hrají poměrně významnou roli generujeme často. Nicméně ono to nanobadána má na nově smysl v tom, že máme i oddělení grafiků a tam je to zrovna model, který nutně potřebuju. Větší část je ale samozřejmě jako v té textový části, kdy to umožňuje takový ty klasický funkcionality jako postavit si nějakýho vlastního asistenta, nějakou velmi jednoduchou automatizaci a mám fakt radost z toho, že zaregistrovaná tam je už většina firmy v tuhletu chvíli. No ale není to jedinej projekt No ještě, kdybych si říkala,

Jirka Vicherek (00:40:57): že to je postavené nad open source, tak jak je to open source?

Tereza Fukátková (00:41:01): Open Web UI tam je v základu Super No a když bych se přesunul k těm dalším projektům, tak tam využíváme generativní AI třeba na generování metadat veškerým našim shows, což takhle to může znít jako co s tím, ale je to právě vstup do té grafové neuronové sítě, kterou zmiňoval už Standa. a zároveň je to vstup i pro další projekty, jako třeba segmentace zákazníků podle toho, na jaký typ kontentu se dívají. A případně se to dá využít i v čern modelu, a nebo ještě je tam využití i přímo pro ten editorský tým, který tam hrál velkou roli v tom, že to spolu designovali, protože tadyhle to je něco... co my sice si můžeme vyrobit na koleni a tak nějak podle vlastního uvážení, ale oni tam do toho vnášejí to svoje letitý know-how, to, co jako dokážou odhadnout, že se tím divákům líbí, nebo co je ten důvod, co jsou ty kategorie, které hrajou roli. Je to země produkce toho filmu, Nebo je to to téma toho filmu, je to ta atmosféra, jo, a takhle my máme vydefinované prostě X kategorii, který tvořejí soubor metadat, který máš k dispozici o každý tý show.

A máme je teďka v tuhle chvíli, máme stoprocentně pokrytý VOD. A teďka přichází ty ještě víc challenging části, jako udělat tohle to samé pro ten linár a ještě pro sport, kdy v tom sportu to za mě hraje taky jako trašně zajímavou roli, kdy tenhle ten systém ti pomůže říct třeba, jestli v nějakém zahraničním týmu je český hráč a potom hypoteticky ten zápas může být o to relevantnější k doporučení českýmu divákovi. Jen a já ji tam potom pokračujeme ještě a to různýma produkcima. Třeba děláme projekt pro soutěž na lovu. Rozjíždí se nám, teďka oslovila nás i produkce Love Islandu.

a do třetice všeho dobrého, tam máme teďka už načetnutý a rozpracovaný requirementy pro ulici, což, jak vidíš, býváme prostě jako od transformy po ulici.

Jirka Vicherek (00:43:25): Rodinný stříbro.

Tereza Fukátková (00:43:27): No doslova, to je seriál, který běží už víc než 20 let.

Jirka Vicherek (00:43:32): Když jsme měli tuto otázku, jaký je nejstarší pořad na Nově, tak jsem tam dal ulici mezi odpovědi a bylo to jako nejpopulárnější false positive, že lidi řekli, že to tady bylo vždycky. ulice je naprostý fenomén, podle mě.

Tereza Fukátková (00:43:50): Je to neskutečný, že ten seriál se drží tak dlouho, což je jedna věc. A druhá věc je, jak obrovitánskou má sledovanost. Tak když jsem viděla ty čísla, tak se opravdu jako klobouk dolů těm lidem, který na tomhletom projektu pracují. No a my právě teďka máme to štěstí, že s nima můžeme spolupracovat a taky trochu si jako zapsat do historie tohohle fenoménu a to s Ragim, protože těch scénářů je už v tuhle tu chvíli tolik, že existuje jenom velmi, velmi málo lidí, který si pamatují celou tu historii. Kdo?

S kým? Jestli už se někdy potkali? Jestli si tyka? A všechno tady je ukryté v těch scénářích a v hlavách jenom velmi málo lidí. A ten projekt je tedy o tom, jak tyhle scénáře jim zprostředkovat skrz právě nějak jako četovací rozhraní, aby oni se mohli na tohle doptat.

A mám tam ještě jako jednu super historiku od našeho business analytika Michála, který se toho právě ujal po té úvodní stránce, zjistit co a jak a rozhod se vydat přímo na místočinu, znamená do ateliéru. No a byl domluvený s produkcí, jak když tam dorazil, tak už ta produkce se s někým bavila. a ukázalo se, že tam v ten stejný den přišel nějaký novej herec a ta produkce ho oslovila, vy jste ten business analytics AITV a herec se chytl role nečekané a popravdu začal, že teda jako jo a vyjasnilo se to až po chvilce, když tam potom Michal dorazil, ale musím říct, že tohle to se asi nikde jinde nemůže stát.

Jirka Vicherek (00:45:37): Skvělý, ale a Michal taky si neuměl říct. Michal byl taky přichopilý. Tak hrají instalatéra v díle 7239.

Stanislav Babenyshev (00:45:50): Skvělý. Musím se přiznát, že na televize takový historik máme jako celkem hodně, bych řekl. To je docela i zájmový pracovat z toho pohledu. Já se pamatuju, že... Snad to byl můj druhý týden, my máme kostumérnu totiž jako v Přízemě a šel jsem z oběda a na mě vyšel pán, který měl v sobě kožené kratěsy, vestu, takovou čipíci a byl na podpátcích a jako v osadě, takže mi to tak trošku zaskočilo, pak jsem zjistil, že tam je kostumérna a že natáčí nějakou reklamu nebo něco.

A pak už jsme se přestali divit a pokaždé, když přijde někdo novej do týmu, tak koukají z okna, že někdo v župánu bíží po ulici.

Jirka Vicherek (00:46:27): Mě na to fascinuje, že na té základní úrovni vaši rodiče nebo právě rodiče ví, co děláte. To je jako skvělý, že tam je ten štempl, že vysvětlovat někomu tady dělá ve startupu, co dělá SAS. a děláme něco, tak je jedna věc a druhá věc je, pomáháme scenaristům ulice zjistit, jestli Pepa s Hankou se někdy potkali a jestli si tykají nebo vykají, protože to bylo tři tisíce dílů zpátky, tak to mi přijde moc hezky.

Tereza Fukátková (00:47:07): Máš pravdu, že z pohledu jako uživatelů se nám naše práce vysvětlo jako velmi snadno, jako přizpůsobujeme vám one play na míru. Ale co bych řekla, že je těžší na vysvětlování, tak je uvést novu jako technologickou firmu. Ono to tam je, ale málo kdo to tak vnímá. I včera Standa s týmem byly na ČVUT na Jobfairu a já jsem se potom bavila ještě s kolegymi z HR s Alenou, jaký to tam bylo a tam mi říkala feedback, že ty studenti byly hrozně překvapený, co tam dělá Nova. Málo kdo si to právě spojí, že Nova je technologická firma, ale když si to vezmeš, tak ten OnePlay je ekvivalent Netflixu, ještě se spoustou featurama navíc a u Netflixu o tom nikdo nepochybuje, tam okamžitě to spojení funguje.

Zatímco u nás je to teprve něco, co my odkrýváme a ukazujeme, že ta technologická vrstva je velmi silná právě i na Nově.

Jirka Vicherek (00:48:08): A já moc doufám, že z vás taky vypadnou nějaké open source frameworky v čase, které budeme používat všichni.

Stanislav Babenyshev (00:48:19): Ještě pár standů.

Tereza Fukátková (00:48:20): Ještě šest konkrétně.

Stanislav Babenyshev (00:48:23): No, my máme interní balíček, ten nepublikujeme, ale ten třeba, jak děláme EDA, tu exploratorní analizu, tak jsme chtěli, aby to stílové zapadalo do toho, jaká je grafika na nově, máme na to nějaké guideline a tak dále, tak jsme udělali vlastní balíček, který v podstatě upravujeme matplot líp tak, aby kryslil ty grafy ve stílu nově. Tak třeba tam něco máme. Můžeme to dát open source, nemyslím, že to někoho bude zajímat.

Jirka Vicherek (00:48:49): Přesně, napište

Stanislav Babenyshev (00:48:51): Takže

Tereza Fukátková (00:48:51): pokud byste měli zájem o nová design grafy.

Stanislav Babenyshev (00:48:55): No, nebo můžeme ještě nějaký MCP server zkusit. No, třeba nad ulici uděláme. Pokud někoho bude zajímat, kdo se s tím polídil a kdo se s tím týká a tak.

Jirka Vicherek (00:49:08): Já se na to nekoukám, ale tohle by mě asi přesvědčilo zjistit, co se dělo v ulici. Tak zase posluchači můžete napsat, kdybyste si chtěli s takovýma datama hrát, anebo chtěli, ať některá z těch řešení, na kterých standa vyšší vás týmem, tak open sourceovat, když si staví vlastní transformery, No, pojďme dál, ty si už to naznačil, že ještě máte konzol inference.

Stanislav Babenyshev (00:49:44): Jo, to je ten stream, který vznikl historicky, dá se říct, je skoro poslední. Protože už těch projektů jsme měli hodně a pak by vstávala otázka toho business impactu, jestli opravdu třeba tím rekem jsme nějak zvětšili watchtime. Nebo například, že naši CRM kampáně opravdu mají nějaký efekt na toho diváka. nebo například, jak jsem zmiňoval, jak nasedopovat tu reklamu, jak i setup reklámy fungují líp, tak to je celá ta noha causal inference. To je obecně název, možná posluchači víc znají pojem A-B testování a když ani tohle to ne, tak klasicky snažíme se posunout se od korelace ke kauzalitě, abychom uměli vysvětlit, co na co má efekt.

Je to celkem zajímavý obor a pokud třeba někdo má obáve z té automatizaci, jak teď LLMka nebo ty Copiloty fakticky vyvíjí software, tak si myslím, že tohoto ještě dlouho dělat nebudou a třeba kolega, který se tím zabývá, tak není to tolik o programování a nějakém MLOps, kolik o přímýšlení a třeba jakou metodu použít na to, abychom právě prokázali, jaký efekt na náš viewership mělo nasazený reka, jaký efekt mělo, že to byl linear nebo výudí, jaký efekt mělo, že to byl Mělo, že to byl O2 divák nebo divák, který přišel z voje, z bývalného voje, nebo taky, jestli to byl divák, který sleduje hodně nebo málo, takže všechny ty věci my umíme odhadnout a vyjasnit efekt každého z těch parametrov. No, takže je to, kdybych řekl, co je pod kapotou toho procesu, tak to je statistika a pravděpodobnost. Třeba ten naškoliv, kde ten má background v statistické fyzice, a je to taky zajímavý obor a docela se tam bavíme.

Jirka Vicherek (00:51:28): No já moc děkuju za takhle jako deep dive do projektů a co vlastně v relativně malém týmu všechno dáváte a děláte a co vás teď čeká do konce roku, co jsou ty projekty a hlavní věci, co jsou pro vás ty nejdůležitější?

Tereza Fukátková (00:51:47): Nás toho čeká spousta, ty ambice jsou velký, protože AI je jedna ze strategických priorit novy, která se potom ještě dál rozpadá a to dodává, že na tebe a na tvoje rozpadání, na ty části. Ty části, které tam hrajou prým, jsou personalizace. O tom jsme tady obširně mluvili, to se týká primárně OnePlaye, ale i té komunikace s zákazníkama kolem toho. Druhá část je potom AI pro výrobu a produkci těch různých shows. Tam se do toho zapojujeme částečně a to z důvodu, že k nám patří třeba governance, Což v této oblasti hraje obrovskou roli, protože ve chvíli, kdy vytváříš kontent pro ohromný množství lidí, tak si nemůžeš dovolit, aby ti jakákoliv komplikace ohledně generovaného obsahu do toho hodila vidla.

No a ta třetí část se týká obecně nějakých procesů, aby kolegové víc používali AI v procesech, kde to dává smysl, kde jim to ulehčí. Třeba jak jsem zmiňovala ten Love Island, tak oni za námi přišli s tím, že... Vůbec nemáme strachu v práci, ale máme jí tolik, že od vás potřebujeme pomoc, aby jsme to vůbec zvládali. Takže to je ten přístup a tadyhle mám na mysli užití umělý inteligence v tomhletom smyslu. A k tomu nám právě dopomáhá jak ta governance, aby to mělo...

nějakou štábní kulturu i třeba po právní nebo komplainstránce a pak je tam ještě obrovitánská část, co se týká vzdělávání. Teďka jsme měli velký celofiremní průzkum, do kterého se zapojilo 85% celý firmy. plus ještě i někteří externí spolupracovníci a tam z toho vyplynulo hrozně moc zajímavých poznatků ohledně toho, pro koho je dává jaká specializace smysl. Ale celkově ten zájem vnímám velmi pozitivně i díky podpoře právě vedení, takže jak se sptal na budoucnost, budoucnost je velká v našem případě.

Jirka Vicherek (00:53:58): A když se podíváme na ten podvozek, tak stando u tebe, co dalšího téměř cutting edge, ne PhD research papery edge, ale production ready, tak co máte vy v plánu a v prioritách?

Stanislav Babenyshev (00:54:15): No mimochodem ty papery to máme taky jako trošku ambiciu, vidíme jak to zvládneme a občas my máme dva lidi s doktorátem v týmhle, takže máme takové flashback větnamské z toho doktoráta občas jako máme ambicii něco publikovat, ale vidíme jak nám to vyjde jako ta práce je priorit a máme je hodně. Nicméně co se týče týmu, já to osobně vnímám tak, že se nám čím dál víc ty role profilují. Vedle klasického ML, což je takový software engineering plus to pochopení porozuměným modelům se nám rysuje to, čemu se normálně v těch větších firmách se říká opravdu data science, to je ten kouzel inference. To je ta druhá rola. A ta třetí je něco, čemu dneska říká AI engineer.

Za mě je to zase software engineer na 80%, který umí používat endpoint od nějaké velké firmy. A mimochodem v této souvislosti, zrovna včera na tom veletrhu pracovním, jsem se uvědomil, že docela dost absolventů hledá práce a hledají dlouho. tak moje doporučení je, pokud se vám nedá říct nějaký hodovu najít práce přímo v nějaké ML roli, kde fakticky konkuruujete lidem, který mají pět let zkušenost a několik projektů za sebou, tak zkuste ten AI engineering, ono je hodně blízko a tam prostě neexistuje někdo, kdo má pět let zkušenost. Je dobor, který je tak rok starej a je velmi zajímavý, těch case je hodně a zdaleka není to prompt engineering, protože když jim říkám, no to je ten prompt engineering, no ne, to je 10% toho prompt engineeringu, a nějakých 70% software engineeringu a vydatuju ještě 20, který vůžadují právě tu ználost ML, abyste uměli kontrolovat to LLM, abyste uměli zajistit, jak říkáva Tereza, že Vám z toho nevlezi nějaký kiks na produkci.

Tereza Fukátková (00:56:13): AI inženýry je jedna role a co si myslím, že je do budoucna neméně důležitá role, kterou mimo jiné taky hledáme, tak je a teďka já to popíšu jako totálního AI unikorna, univerzála, ale původně jsem zkoušela tu pozici pojmenovat adoption specialista a teďka je i pod tímhle názvem pořád vypsaná. Ale vidím, že ty kandidáti, kteří se nám hlásí, tak jsou spíš 4GPT power users. A to není ono. Není to ta podstata a není to ten způsob, jak AI dostat do firmy víc a smysluplně. Je to kousek od produktáka, kousek od projektáka.

Musí to být člověk, který má vyloženě tak na branku, ale zároveň dokáže s lidma komunikovat a třeba i vést nějakou komunitu ambasadorů. tak v tuhle tu chvíli pomáhat lidem napříč firmou a rozumně AI používat a hledat tu cestu pro ně tak je neskutečně jako zajímavý skill a u nás je to člověk, který třeba tu zkušenost nemá, protože jak říkal Standa u AI inženýru to je něco, co vzniklo nově ale myslím si, že my už jsme tam si nějakou cestu ušli že už nějakou tu zkušenost máme a pokud někdo má ten mindset že se chce hodně učit chce vyloženě si ty projekty odmakat a má zájem i o technologie, tenhle ten aspekt nemůžeme vynechat, tak si myslím, že tohle je naprosto jako skvělá příležitost.

Jirka Vicherek (00:57:46): Z mého pohledu po trhu, tak to, co říkáte, tak... Po software inženýrech taková poptávka není, ale po AI inženýrech brutální, protože zase jeden dobrý AI inženýr nahradí 20 podprůměrných software inženýrů a na druhé straně jsme už v době, kdy o dopadech a důležitosti AI pro firmu a firmní procesy a produktivitu a efektivitu nepochybuje nikdo. Ale ten mezičlánek mezi tou technologií a mezi adopcí napříč velkýma organizacema, tak to se taky hledá. Tak díky moc za typy pro naše posluchače, pokud straglujou s tím najít Klasický job a držím Vám palce, ať ty nejlepší z nich namotivujete jít dělat pro nový Netflix, český Netflix a moc děkuju za sdílení a jsem hrozně zvědav, jaký další věci a jestli teda z toho nějaký open source vypadne nebo nějaký research paper se v tom roce objeví a těším se na příště.

Tereza Fukátková (00:59:01): Určitě nechte se překvapit. Díky za pozvání a za fajn povídání.

Jirka Vicherek (00:59:06): Děkuju.

Jirka Vicherek (00:59:10): Děkujeme, že jste doposlouchali až sem a díky taky našim stálým partnerům, členům DataTalk klubu. Těmi jsou Sazka, TV Nova, Direct Technologies, GoodData, Miton, Colours of Data, BizzTreat, FLO, Carl Data Company a intecs. Díky moc za podporu a nechtě vás provází data.