Podcast

Jirka Vicherek (00:00:03): Dobrý den, moje jméno je Jirka Vicherek a vítám vás u dalšího dílu DataTalk podcastu. Mým dnešním hostem je Michal Řehák, Head of Enterprise Architecture ve společnosti Česká spořitelná. Ahoj Michale.

Michal Řehák (00:00:16): Dobrý den, ahoj a díky Jirko za pozvání.

Jirka Vicherek (00:00:36): My se dneska s Michalem podíváme na téma, které je to téma. A to jsou samozřejmě agentní systémy a jak je nasazovat do produkce, jak má vypadat v architektura a celý systém, když se připravujete na agentní dobu a když tam agenti řádí. My se na to ale podíváme z pohledu České spořitelny, jedné z nejstatějších institucí a firm v Česku, velké banky, která je samozřejmě svázaná mnoha regulacemi a s někým, kdo má za sebou Spoustu historie a zkušeností s datovými nástrojemi, tak z tohohle kontextu se podíváme s Michalem. Michal má totiž na starosti velkou transformaci v České spořitelně, aby jste dostali právě současný modern data stack nebo data stack do té agentní doby. A o tom všem se dneska s Michalem budeme bavit.

Než se ale dostaneme do roku 2026 a agentní přítomnosti a budoucnosti, tak pojďme začít na začátku. Jaká byla tvoje cesta k datům, jak jsi dostal do spořky, jak jsi s tebe stal tady pan Head of Enterprise Architecture, takové samé velké a významná slova.

Michal Řehák (00:01:58): Jo, jasně. Tak jo, tak já zkusím něco říct o sobě, o svý historii a co dneska dělám. Já jsem dneska v roli, ona se ta role jmenuje Triplead Architecture and Data Tribeu a v podstatě to znamená, že máme na starosti, řekněme dvě oblasti a to je Enterprise Architektura v celý český spořitelně a do toho nepochybně datová architektura patří. a zároveň řekněme, že vedu nějakou jako jako přechod banky na jednotnou datovou AI platformu z pohledu dat, to je ta datová část. Možná ještě abych uvedl na pravou míru, v český spořitelně mi vlastně za odpovědnost za datovou strategii je vůbec jako za data je distribuovaná, to znamená my se a můj tým věnujeme hodně těm platformním věcem, nějakému data engineeringu, standardu, Kolem vývoje dát a máme na starosti takový ty foundational datový řešení pro českou spořitelnost, znamená data warehouse, data lake, rtodesk, prostě takový jako heavy komponenty, který často využívá celá ta organizace pro nějaký další datový cvičení.

Tak to je dneska to umístění moje, řekněme v český spořitelně. Jinak co se týče nějaký historie, já jsem v tom vlastně teďka intenzivně rok, to znamená vždycky říkám s pokorou, že v datech intenzivně se tomu venu a v té šíři poslední rok. Nicmé, hodně se to učím, to znamená, snažím se, protože jsem jako galup, profilový learner, to mám jako silnou, tak silnou řekněme nějakou kompetenci, tak se to snažím hodně doučovat data. A historie moje, já jsem ve spořce více než 22 let, no to zní jako hrozivě v podstatě, ale je fakt, že jsem měl tu přijetost a čest ty pozice jako měnit třeba jednou za tři, za čtyři roky. A to mu odpovídá, je ta moje poslední angažma, že už jsem teďka vlastně rok zase v jiný pozici v Český spořitelně.

Je to velmi osvěžující mimochodem takhle změnit pozici. A za těch 22 let já jsem se věnoval CRM-kům, marketingovým řešením, prostě webovým řešením, dělali jsme toho spoustu, ale vlastně to, co mě přivedlo k datům, moje vlastně první potkání se s datama bylo, když jsme řešili Master Data Manager klinický hra v CRM. Český spořitelně, což už bude takových dvanáct let, tak to jsem poprvý ochutnal, co znamená se stvarat dvo data, jak je to složitá disciplína, řekněme. A potom, co se týče těch datových platform, kde jsem se s tím setkal, bylo, když jsme začali v podstatě řešit personalizaci v Český spořitelně, digitální marketing a přinesli jsme vlastně do Český spořitelně platformu Databricks, kde prostě jako dneska moderní personalizaci bezdat nejde dělat.

Jirka Vicherek (00:04:43): A to je kdy? Ta personalizace?

Michal Řehák (00:04:46): Ta personalizace začala zhruba asi 5-6 let zpátky, takže nějakých 5-6 let zpátky jsem se začal víc věnovat s týmem jako datovým oblasti, tak aby jsme vlastně měli jako ten engine pro tu personalizaci.

Jirka Vicherek (00:05:00): No, tak do toho rodnou skočme. Ty jsem teď zmínil Databricks a to velká diskuze a velké téma, jak ve spořce, tak na té datové scéně je teď ta vaše transformace a opouštění některých softwarů a platform ve prospěch jiných. A tak to je vždycky takový jako... Zábavný nebo jakoby, že se kolem toho vždycky vedou debaty. Je to jak Apple versus Android třeba nebo podobný, že to má nějaký potenciál se pohádat a nebo se zasmátat.

Ale pro vás to musí být obrovské, velmi důležité rozhodnutí a velká aktivita a transformace. Tak když to zhrnu, jak to chápu já, tak přecházíte z nějakého... Předešlého steku, který stál hodně typicky na Keboole a na stonflake, tak teď maximum věcí transformujete a přenášíte do Databricks. Říkám to takhle správně, je to součástí něčeho většího nebo tohle je jako ten.

Michal Řehák (00:06:17): Jo, zjednodušeně to tak je jako vlastně, že tam moje mysle začát před tím rokem. Tím, že jeden z mých úkolů v podstatě bylo rád dohromady nějakou, řekněme, ratovou strategii, kvůli teda jako poběžíme v Český spořitelně, samozřejmě je nutno zmínit, že jsme součástí větší skupiny, která se jmenuje Herste Group a nějaký alignment jako i se Herste Group je určitě důležitý a ten Databricks v tom hraje nějakou roli historicky, protože řekněme, že Česká spořitelná byla u zrodu v podstatě příběhu Databricks v celý Herste Group, jo, než když to začínalo, tak vlastně to začínalo ve spořce a pak se to nějak uchytilo v a je potřeba tenhle kontext chápat. Ale ta moje mysl vlastně začala s tím, že měli jsme rád hromad nějakou datovou strategii a říct vlastně, na kterých platformách tu strategii v podstatě chcem stavět, protože jako datová strategie, její jeden stavební blok jsou jako platformy, jo, není to jako celý, jenom o platformách, aby to zase vypadalo. takže takže hledali jsme nějakou cestu prostě kudy. Datová strategie

Jirka Vicherek (00:07:12): Databricks. Datová strategie Snowflake. To není datová strategie. To chápu. Ale je to její součástí.

Michal Řehák (00:07:18): Jako symbolicky symbol to je samozřejmě, protože budete mavit s lidma v český spořitelně, tak prostě že ta situace jako byla trošku vnímaná jako datová strategie a jsme v tom materiálu datový strategie, to na začátku měli jako určitý competition vlastně mezi dvěma platformama, což byl Snowflake a Rita Bricks, takže jako symbolicky to i vlastně takto chvilku vypadalo, že to je vlastně hlavně o tom, ale není. Ta platforma, já říkám, v té strategii o tom hodně mluvíme a dostanu se k ty tvý otázce, jako datová strategie, její úspěch, Dravujou platformy, můj názor je tak zeseti procent. To znamená ty platformy jsou nutné, musíte mít prostě jako je to jako základní kámen, ale úspěch dát v té organizaci, jestli z toho má organizace nějakou hodnotu, stojí jako zeseti procent na těch platformách. Zbytek je v procesech a v lidech a skillech lidí. A to tam si myslím, že bychom se pak měli zaměřovat, že když už travíme, kam běží ty platformy, tak pak se soustředit ne na tolik na ty platformy, ale spíš na ty ostatní oblasti.

Jirka Vicherek (00:08:19): Tomu rozumím?

Michal Řehák (00:08:21): A co se týče potom Databricksu, jako ten úkol vlastně byl jako zjednodušit ten, řekněme, ten datový ekosystém, jo, jako zadání nebylo, udělejte jednu platformu, zadání bylo, pojďte se podívat na ten ekosystém, protože on, ten ekosystém, ten jako je vlastně mnohem širší, jo, ono co sice vypadalo symbolicky, že to je jako Snowflake versus Databricks, ale... Ale že my máme Keboolu, máme Data Lake Clouderu, máme Warehouse, nebo vůbec jako obecně Oracle X komponent, ať už je to RTO DSK, ať už je to prostě Data Warehouse a různý další přidružený komponenty, tu analitický data store, prostě, data marty různý, ale zároveň ještě další tool, jo, Tableau, Power BI, jo.

Jirka Vicherek (00:09:01): Možná začíná být jednodušší říct, co tam nemáte.

Michal Řehák (00:09:06): To znamená, ten ekosystém je fakt jako košatý a samozřejmě ty technologie se hodně vyvíjejí a ty platformy, četl jsem na to ještě, promiň, že takhle budu odpořit.

Jirka Vicherek (00:09:17): Ne, ne, ne, pojď, pojď, tohle je pro mě téma. Jo, jakože uvažování nad novou nebo nad novou platformou, jak se, jak udělat rozhodnutí, které ovlivní dalších minimálně prostě 4-5 let budoucnosti firmy.

Michal Řehák (00:09:31): Jo, to znamená, ta story byla, pojďme simplifikovat ten ekosystem, pojďme se podívat o to, ve jaké platformy se chceme jako vlastně opřít, jo, a to jsme hledali odpověď v podstatě, jo. A samozřejmě, že ty platformy nám to svojím přístupem neulehčujou tu úlohu, protože pokud, a já to sleduju třeba Snowflake vůči Databricksu, fakt si jdou docela po krku i na trhu a často ty firmy mají tendenci přenášet ten svůj fajt do té organizace dovnitř. A to se stalo podle mě u nás s tím Databricksem a Snowflakem. Ta kompetence, která vzniká mezi těma firmama a těma velkýma hráče, tak se často přináší do té firmy, protože jedna platforma má jedny fanoušky a sejluje, druhá platforma má druhý fanoušky a toho já jsem nechtěl. Já jsem řekl, ne, prostě to je strategie Český spořitelny, to není strategie tady Snowflake, Dita Brickson nebo Kebooly a nechci, aby jsme se tady nechali vláčet s těma jako dodavatelama.

Já mám rád vztahy dobrý s vendorama, ale zároveň prostě my si musíme říct, kolik běžíme. Strávě jsme s tím nějaký měsíc a v podstatě nám z toho vyšlo, že půjdeme do Databricksu, do jedné unifikované platformy, samozřejmě asi články na téma, jestli jako vlastně stavit Composable architekturu, to znamená prostě mít to zamíchaný z různých komponent nebo prostě vsadit na jednoho hráče. My zatím věříme tomu, že vsázíme na Databricks jako jednoho hráče. to je to, co nám z toho vyšlo, protože prostě jako ty benefity jsou tam pro nás silnější, než prostě možná je to i Chyméra, jo, stavět úplně jako kompozitní jako datovej systém prostě z různých jako komponent. My věříme tomu, že prostě Databricks je ta jako way to go, jako jediná platforma a samozřejmě pokud se bavíme o Databricks třeba se Snowflakem, tak prostě Jako nepochybně ty platformy prostě konvergujou k tomu jako samýmu.

A ten overlap mezi nimi je čím dál větší.

Jirka Vicherek (00:11:27): No toho bych se rád zastavil na chvíli, protože jste dělali tohle rozhodnutí a tady můžu použít versus takže Snowflake versus Databricks, co bude ta kritická klíčová platforma, kolem které se to bude točit. Co ti to řeklo o Databricks a Snowflake, jaký máš na to teď samozřejmě? V čase, kontextu, v tvojí roli, tak jak vnímáš rozdíl těch dvou platform, nebo co vám vyšlo s rešeršema, co byly inputy do toho rozhodnutí?

Michal Řehák (00:12:03): Ale víš co, já možná, ale my jsme s tím strávili fakt několik jako měsíců, jo, dělal jsme se dělali assessmenty, porovnávali si nějaký typy workloadů, my jsme neporovnávali jako řekněme veškerý workload na těch platformách, ale vybrali jsme si nějaký jako workloady prostě, který jsou víc k tomu warehousingu, protože, protože tam jsme měli určité jako nejistotu, jestli Databricks by ty warehousingový údy zvládl.

Jirka Vicherek (00:12:28): Jo, to mi zní jako silnější úloha, jako zase, nemám tu hands-on zkušenost.

Michal Řehák (00:12:33): Jo, jo, a to jsme měli tu vlastně diskuzi, říkali jsme, hele, pojďme se na to jako podívat, protože Databricks prostě vyrost z nějakého světa, že jo, prostě někde kolem AI machine learningu spíš, jakoby, a to byla ta jeho trajektorie, když to vlastně ten Snowflake vyšel z toho jako cloudovýho warehousingu. Tak jsme si říkali, hele, pojďme se podívat na ty workloady, které jsou víc jako k tomu, jako warehousingu, jestli skutečně už tam ten Databricks je a můžeme vlastně na něj vsadit, tak jsme dělali nějaké assessmenty loni na podzim a říkám, strávili jsme s tím špekulování na tou strategii asi jako dva, tři měsíce To, co nám vyšlo, samozřejmě jako, že, nebo já jsem to i čekal, že Snowflake jako je v těch worklodech, který jsou mu blížší, jako je efektivnější, jo, a teď jsme stáli vlastně před tím rozhodnutím, co to pro nás znamená pro tu architekturu vlastně, jo, budeme kombinovat ty dvě platformy, jo, budeme kombinovat jako vedle sebe, jo, to znamená, že postavíme jako dvě, jako věže vedle sebe, což jsme do té doby takhle stavili, já jsem říkal, že to je nejdražší rozhodnutí, který můžeme udělat v té firmě a že já ho teda dělat nebudu, jako, jo To znamená, jako hledali jsme nějakou, jako hledali jsme cestu, jako buď ty platformy nějak zkombinovat, spíš jakoby na nějakých vrstvách a nebo prostě vsadit na jednu platformu strategicky s tím, že prostě věříme tomu, že tam třeba ty gapy časem zavře, protože ono je to právě takový trošku složitý, protože ty můžeš dělat, jako ty platformy vydávají ten jako databázový engine prostě jako nebo ten Compute Engine, prostě každou chvíli, teď to Brics uvedl na tom Summitu, prostě, jako že má nové Raiden jako engine, že to vypadá to slibně, kdyby teď samozřejmě musíme to vyzkoušet v realitě a to znamená, jako my jsme si říkali, hele dobře, tak jako když uděláme teďka nějaký snapshotový porovnání, a teď vydáme, ty platformy mi vydají nové engine třeba jenom za půl roku, co budeme dělat, budeme to furt přehodnocovat, furt vyhodnocovat, furt poměřovat, já jsem říkal, mně to přijde, že to je blbost. Prostě dáme nějakou strategický sásku na jednu platformu, ale to znamená, že nemůžeme furt porovnávat věci mezi sebou každou chvíli, když ty platformy změní něco na tom svém engine. tak to byl jeden jeden rozměr toho toho přemýšlení druhý toho druhý rozměr toho přemýšlení byl my jsme se dívali jestli jako je možný ten warehouse vlastně v tom database udělat to znamená tenhle ten typ workload to vlastně loni na podzim to potvrzení bylo ano můžeme to tam udělat má to nějaký svoje jako downside downside vůči snowflake, protože ten je na to více jako ready. Ale je otázka, jestli nám ten rozdíl vyváží třeba to, že máme tu jednu platformu, strategicky se opíráme o jednu platformu.

Takže tohle jsme vzali taky v nějaký potaz. Pak jsme vzali potaz to, co jsem říkal, že jaká je důležitost platformy na úspěchu těch dát, jestli prostě to nepřetěžujeme. ty platformy, jako ve smyslu toho, jak tomu dáváme důležitost dětový strategii, protože jak já říkám, můj názor je, že prostě je to kolem deseti procent úspěchu, tak potom ale se soustředit na těch deset procent vlastně v té organizaci taky není úplně jako možná efektivní. Takže to byly nějaký, jako řekněme, témata, který jsme zvažovali a potom

Jirka Vicherek (00:15:42): No a počkej, promiň ještě, nebo možná jdeš k té odpovědi. Proč je super data Databricks?

Michal Řehák (00:15:48): Jo, já ti ještě možná doplním, co jsme ještě zlažovali. Další věc je jako ten trend, kam to běží. A dneska o tom budeme mluvit. Jak ty pozičňuješ data v té organizaci do budoucna? Jestli je to o tom ve housingu?

Nebude to o těch agentech a kde vlastně chceš mít do budoucna, kde vidíš tu váhu těch dat v té organizaci. O to, že jsme banka, nepochybně musíme dělat nějaké reportingy jako směrem do Bídně a k regulátorovi to je jako jasný a to tady vždycky bude, ale je otázka, jakou velkou roli to do budoucna bude hrát v té datové oblasti. A jedno z věcí, kterou jsme taky tam do toho jako přemýšlení dávali, bylo, že věříme tomu, že ta agentizace vlastně a to rozhodování agentu na základ nějakého kontextu a informací a dát vlastně v té organizaci je to, kam to běží, že to bude vlastně možná ta gravitační středobod do budoucna těch datových platform. A v tomhletom jako nepochybně zase ten Databricks je jako dost daleko, protože on vyšel z tíhletý jako trajektorie A oni hodně se věnovali v oblasti jako datový governance a to je úplně zásadní pro tuto agentizaci, takže si myslím, že tam mají náskok, jako strategicky, jako oproti Snowflake můžeme diskutovat a podobnávat, jestli je Cortex lepší než jiný, jako jasně prostě v nějakých Snapshotech je to vždycky nějak, ale vidět, že potom se udělá nějaký samý, tam se udělá nějaký ohlášení, najednou se to zvrtne, takže je to nějaká strategická volba, ale určitě to téma toho AI jako bylo taky taky zvažovaný a pak samozřejmě jako je to nějaká to říct no jako redukce komplexity, pokud jsem přišel a říkám, hele my bysme chtěli jako zjednodušit ten ekosystém, no tak začít s tím, že potřebujeme mít kombinovaný věn nebo tři platformy, taky nevypadá moc jako důvěry hodně, to znamená ta otázka, může fakt jste zvážili všechno, jako nemohla by to být jedna platforma, nemůžeme to opravdu ten stack simplifikovat do do jednoho ekosystému. Já věřím, že se ukáže časem, že to byla jako dobrá volba.

A poslední věc, a to je úplně vlastně v podstatě, jsou se možná mohl začít. Ersta tomu pomohla i tím, že prostě někdy na konci minulého roku udělala Ersta rozhodnutí, jakože strategická platforma na veškerý datový workload je prostě během pěti let jako VitaBrix. Jo, to znamená to už, že to je rozhodnutí. Má urovni prostě jako vlastníka skupiny.

Jirka Vicherek (00:18:18): Tím si mohl možná Moje otázka je, mohl si tím začít a skončit a nebo vlastně ne?

Michal Řehák (00:18:24): Ale my jsme tím nezačali, ještě zajímá ta story, jak jsme se k tomu dostali, tak tohle rozhodnutí přišlo až na konci minulého roku a my jsme předtím strávili ten čas s tím, že jsme vlastně dělali to rozhodnutí lokální Takže to je super, ne?

Jirka Vicherek (00:18:36): Tak jako vlastně, že už jste byli tak jako tímhle směrem a tohle už to rozseklo úplně, že kdyby jste byli opačným směrem, tak asi jste měli velké mrzeníčko

Jirka Vicherek (00:18:51): No, tak začali jsme u těch deseti procent, o kterých mluvíš, o výběru platformy, jak je to teď, jakoby nějaký status quo, tak jste udělali to rozhodnutí, zase nepředpokládám, že Jste všechno vyply a řekli, dějte to na Databricks, že to je transformace, delší, tak spíš kde jste teď, jaký je výhled čistě v tom, jaký projekty běží v Databricks, jaké je ještě na jiným stacku a jak je svičujete.

Michal Řehák (00:19:25): Jo, hele, je to transformace, jak říkáš, samozřejmě to, co se stalo, jo, ta kompetence byla budovaná v Český spořitelně hodně kolem právě Orejku historicky, kolem Kebooli, potom kolem Snowflakeů, ten Databricks tím, že byl jako v podstatě níž, byl jako orientovaný na tu personalizaci, tak ta znalost vlastně té Databricksí platformy v Český spořitelně nebyla nějak jako široká, jo. Bohužel s tou transformací a s tom, řekněme, nastavením té strategie nám odešli velmi kvalitní lidi, jo, který tady k tobě chodí do Eta Talku taky, takže vlastně došlo tam k nějakému jako vlastně krátkodobnému oslavení v podstatě jako našeho skillu a naší kompetence jako stavit tu platformu, takže my jsme museli udělat nějakou reorganizaci kolem v podstatě té strategie, jo, abychom byli schopni podpořit tu strategii směrem právě k jednotný platformě, tak jsme tam udělali nějakou reorganizaci, ale to je bolestivý proces, trvá toho měsíce, lidi to nemají moc rádi, takže my jsme podstatě někdy od prvního dubna teprve zorganizovaným nějakým setupu, který říkáme, že je ten, o který se chceme opřít, řekněme, v té dodávce té strategie. Máme týmy, který už dneska mají roadmapy, dodávají ty věci, to znamená jako... Já kdybych ti z toho měl potom tady vytáhnout pár věcí, tak co vlastně řešíme je určitě jako co máme vlastně letos, řekněme, abych to tady zase jako nedozpatlával do detailů každýho kvartálu Co určitě letos chceme udělat je, že potřebujeme postavit ten Databricks do role veškerých datových workloadů český spořitelně, což obnáší prostě vytvořit tam prostředí, kde můžou týmy prostě pracovat. Mluvíme o takzvaných data factories, to byl mimochodem koncept.

který jsme zavedli na Snowflake, takže velmi jako vlastně úspěšný koncept, takže ten koncept jenom musíme přenést na ten Databricks. Jo, teď už jsme ve stavu, že už to máme, máme první týmy, kterým vlastně ty Data Factory zpřipravujeme, to je způsob organizace vlastně práce na té platformě, ale já nejsem fakt jako expert úplně, takže tady budu o tom mluvit trošku manažerský. A to, co připravujeme, potřebujeme samozřejmě, aby jsme tam měli data. Jo, to znamená, ta Databricks platforma potřebuje ty data. Jo, a ta gravitace historických těch dat byla jako Snowflake, Keboola, Oracle.

Jo, to znamená, teď, co je před náma, co řešíme, vlastně, jak dostat efektivně data, nějaký kvalitě s nějakou latencií do Databricksu. Jo, teď jsme v nějaký fázi, že samozřejmě přirozeně ingestujeme data do Databricksu tam, kde je ingestujeme napřímo, teď tam migrujeme Data Lake, takže běží nám projekt migrace vlastně kloudeřího Data Lakeu na Databricks, což chce se zvětší důstupnost těch dál, protože tam máme nějaký historovací systému.

Jirka Vicherek (00:22:11): A v těchto projektech je to straightforward tak, jak to vypadá díky standardům a věcem a teď AI a konektorům, tak

Jirka Vicherek (00:22:24): Nebo jinak, jak moc velký cítíš vendor log u těch jednotlivých platform?

Michal Řehák (00:22:31): Jak to myslíš ještě?

Jirka Vicherek (00:22:33): Myslím to tak, že všichni říkají, pojďte k nám, všichni tě budou lahkat, budou říkat, že jsou nejlepší a na druhou stranu budou říkat, hele tohle jsou standardizované, nedržíme vám ten vendor log, u nás není, protože tady máme iceberg.

Michal Řehák (00:22:52): Vezmeš.

Jirka Vicherek (00:22:55): Lift and shift do jakýkoliv jiný moderní databáze nebo platformy. To zní na papíře a nezažil jsem, že by to tak nikdy v realitě bylo. Ty to teď máš.

Michal Řehák (00:23:05): Ale není to tak. Je to jedno, jestli je to Keboola, Snowflake nebo Retabricks, každý tě chce trochu zavřít dovnitř. Jo, tím vytváříš tu gravitaci vlastně jako ty firmy k tomu a pak samozřejmě jako odgravitovat se a odkopnout se je trochu složitější. Možná zpátky, jak jsem ti říkal o tom, jsou nějaký dvě teze, já si o tom hodně čtu, prostě někdo říká hele stavte ten stack jako kompozible, to znamená prostě dávejte tam open sourceový engine, jo, vrstvěte to na sebe a pak vlastně to můžete trhat jak chcete. Druhá možnost je vsadit na nějaký velký hráče typu Snowflake, prostě jako Databricks a tam se vždycky nějaký vendor lock-in v podstatě děje.

A teď jako jsou na to jako to je jeden jeden pohled, jeden rozměr. Druhý rozměr je jako, když jsem na to četl, takový zajímavý článek, jako když už vždycky z nějakého jako pohledu máš nějaký vendor lock-in, když vsadíš na nějakého partnera, velkého hráče, Je otázka, jak ho využiješ. Jeden takový docela chytrý budec říkal, no když už ho máš, ten mendorlokyn, tak ho ale hlavně využij. Jako bez svůj prospěch, to znamená, benefituj z toho aspoň. To znamená, když už ho máš, tak zkus využívat se na maximum to, co máš, to mendorlokyn.

A to je jeden, to je druhej rozměr.

Jirka Vicherek (00:24:19): A to je myšleno jak? Jakoby já si to vykládám po svým, já si to vykládám OK, tak když je tady platforma, která je nastavená takhle tímhle směrem, tak by se mělo rozhodnout, jestli vlastně, když už jsi vendor locknutý do této platformy, jestli trošku víc tím směrem nejít, i když bys bez ní nešel třeba, tak to je využít toho vendor lockinu.

Michal Řehák (00:24:42): No jako využít, když už máš ten vendor lock-in, tak využít na maximum těch feature, který máš v tom lock-inu víš, jakože spíš jakože nesnažit se uměle jako zeslabovat ten lock-in, ale spíš využít, když už ho máš, jako nepochybně, tak jako tak, tak aspoň využít na maximum těch feature, který dostáváš z toho lock-inu vlastně v podstatě, tak to je jako jeden takový další rozměr. No a poslední je Ale samozřejmě, že v tom datovém světě se řeší, ale ty platformy už dávno maj vyřešený jako oddělený komputu od storage, to znamená, data jsou tvoje a můžeme se bavit o tom, jestli je lepší formula delta nebo jako iceberg, myslím si, že ten trh ukazuje, že iceberg i Snowflake i Databricks do toho investujou, prostě to znamená, že vidět, že pro ně tenhle ten format čím dál více je nativní, ač prostě Databricks třeba vyrost na deltě, že jo, a je to úplně zarosovaný, jako v statě formát, tak stejně prostě vidět, že jo, jak byly VHSky a Video8, že jo, se taky něco prosadilo, ve které se prostě prosazuje ten iceberg a vypadá to, že to stává jako industry standardem. Ale jak říkám, lock-in na tom, že ty data by nebyly tvoje a byly zavřené v té platformě, to už podle mě dneska není. To znamená, máš oddělený computer a storage, takže tady v tom ten lock-in není. A pak když po těch vrstvách nahoru, samozřejmě, a teď je to o nějaký openness, jako kdyby nám se na tom Databricksu vždycky líbilo, ale má to samozřejmě svoje limity, že on často řešení open sourceuje.

Jo, prostě to znamená je open sourceovaný MLflow, jo, je open sourceovaný jako Delta Live Tables, jo, teďka přišli na tom na tom summitu 14 dní zpátky z Omnigent, jo, jako by vlastně jako orchestrační menžen na agenty zase open sourceovali, jo, takže Takže nám se jako líbí, že ten Databricks jako má tenhle ten open sourcing narativ, to znamená samozřejmě jako zeslabuje to trošku ten lock-in, protože kdyby jsme jako jednou chtěli teda migrovat nebo něco, tak by se dalo říct, že přes ten open source bysme nějakým způsobem mohli, ale nikdo to nikdy nezkoušel, jako je to spíš taková. Nechciš to dělat. Tak v tomhle se nám to líbí. Jako že vlastně ten Databricks v tomhletom můči touhletou otevřeností a sám to jako prodává, že na těch různých vrstvách v podstatě se dá uvažovat o tom, že by ten lock-end se dal zeslabit, ale jinak stejně jsou tam prostě vždycky nějaké háčky.

Jirka Vicherek (00:27:09): Chápu, co teda pro tebe teď Databricks má všechno požrat, co už a zase myslím si, že Snowflake by velkou část toho jako požral taky toho value chainu, že jsou to platformy prostě, které požírají celý ten stack. Ale když si budeme bavit o Databricks, tak kde už ti Databricks nestačí a potřebuješ jiný řešení, tak budu předpokládat, že ve vizualizací stoprocentně. No tak v tým posledním, i když je to otázka v agentní době, jestli si ji nenecháš rendrovat.

Michal Řehák (00:27:44): To je hrozně zajímavý do těch vrstách.

Jirka Vicherek (00:27:47): Nebo jinak, možná to otočím. Tak pojďme si bavit o té době agentní a jak má vypadat agentní platforma. A jaký je rozdíl mezi teď platformou pro developery a business usery, když tam se vlezou business usery a mezi budoucností, když tam operujou jako více agentů. Tak je tam nějaký paradigm shift?

Michal Řehák (00:28:10): Ta naše strategie a nějaká taková dlouhodobější roadmapa, jo, jako máme ji namalovanou, řekněme, na tři plus roku, říká, pojďme dát veškerý datový workloady prostě na Databricks, jo, to znamená, jo, a teď řešíme nějakou sekvenci, ale na čem už teďka děláme, prostě děláme na Databricks migraci z cloudery vlastně do Databricksu, ten projekt běží, prostě to znamená, Databricks skončí jako jedna, řekněme, jeden workspace, lomeno jedna Data Factory. Na podstatě v Databricksch zjednodušeně, to znamená, zanikne ten technologický vztek jako ty Cloudery, takže to je jakoby Data Lake, pak bysme tam chtěli vlastně začít migrovat takový ty prostě legacy komponenty, warehouse prostě, prostě ty naše datamarty, který máme v Český spořitelně. Chtěli bysme tam migrovat analyticky DataStore, takže to je něco, co teďka připravujeme nějaký plány na příští rok, protože jak říkám, nejte měří, musíme z toho Databricks udělat tu platformu, kde se dá robustně vyvíjet, má připojení na data a druhá věc, že tam začneme migrovat ty komponenty, takže ta velká migrace by se měla odehrát příští rok. S čím si teďka, teďka hrajeme ještě letos, snažíme se tam zmigrovat, já nevím, dva, tři projekty z Kebooly, který teda si myslíme, že ani na té Keboole neměly být, že prostě z povahy toho, jak je povaha toho datového workloadu, tak už jako na Kebooly vlastně to přerostlo do platformu, tak letos se snažíme zkusit si odmigrovat dvě, tři komponenty prostě nebo dvě, tři jako řešení projekty, jak se to jmenuje v Keboole do Databricksu, abychom si taky vyskoušili tu migraci. a přemýšlíme o nějakých samozřejmě workloadch ze Snowflakeu, že bychom si měli vyzkoušet migraci, ale samozřejmě migraci, co se budeme vyprávat, to nikdo nemá rád, protože to nepřináší žádný value, stojí to jenom náklady prostě s nějakou nejistotou, takže my trošku jako fůzovkách lehce vyčkáváme na to, že prostě ten AI svět a ten agentní svět se tak rychle posouvá, že za posledních měsíc, pár měsíců se tolik posunulo, že už jsou vidět casey, jako na světě, kdy třeba tyhle ty migrace byly z 80, 90 % udělaný agensky.

Říkáme, že ještě jako vlastně, že nechceme dělat jako manováně, protože to nám nikdo nezaplatí, prostě jako bude to složitý, nikde nebude ta value, bude to prostě jako bolest.

Jirka Vicherek (00:30:28): A nikdo to nechce dělat.

Michal Řehák (00:30:29): Někdo to nechce dělat, takže hledáme nějaký způsob, jak to s těm lidem co nejvíc jednodušit. Teď se ukazuje, že to jen ten agentskej způsob migraci mohlo být to ono. My s tím ale máme prd zkušenosti, takže potřebujeme někoho, kdo už to někde zažil a máme nějaký firmy kolem sebe, který říkají, že už jsme to někde dělali. A Databricks sám říká, že na to má nějaký řešení. Tak si to chceme vlastně během léta tak nějak jako připravit, vyzkoušet a podívat se na to, jak bychom vlastně mohli t třeba tu migraci řekněme akcelerovat.

Jirka Vicherek (00:30:58): Já jsem si chtěl podívat ještě na tu Keboolu. Ty jsi říkal, že nějaké projekty nebo workloady budete přinášet, protože přerost ty Keboolu nebo protože už nejsou vhodné na tu Keboolu, tak kde je zase z tvého pohledu ten limit nebo kde je Keboola boží a kde začíná ztrácet dech?

Michal Řehák (00:31:24): Taky jako citlivý téma, že jo, pro spoustu lidí, ale hele, já řeknu můj svůj pohled, já říkám to s nějakou určitou pokorou, že nejsem úplně jako expert na všechno, prostě mám nějaký manažerskej oversight, řekněme, nad těma věcma, ale hele, Keboola má rozhodně kredit za to, že v České spořitelně historicky se hrála nějakou dole v nějaký demokratizaci vývoje dat. V dobách, kdy jsme měli centralizovaný vývoj na Orejku v Everhausu, tak Keboola byla jako velmi jako velký osvěžení pro tu organizaci, protože jsme dokázali dostat ty data k lidem prostě do každého fůzovka, jako u ta České spořitelného. To, co Jako takže nepochybně Keboola má jakoby a dneska tu hodnotu furt má jo to znamená prostě je to low code prostředí pro nějaký jako jednoduchý prostě jako vývoj dát řekněme v biznesových unitách a má to nepochybně prostě 600 plus konektorů prostě na různý jako řekněme zdroje dát se jo a v tomhle tom jako ty to value proposition rozhodně Kebooly a my furt tam jako vidíme jo český spořitelně na druhou stranu prostě do Kebooly se dostaly projekty Třeba jako, který sdílej data do regulatorní oblasti. A regulatorní obraz Český spořitelně má velký nároky na to, z pohledu nějaký datový architektur, co to má umět, ta platforma jako třeba, já dám příklad, který vím, ale tam určitě nepochybně, i kdyby tady seděl můj kolega, tak řekne určitě dalších pět věcí. Ale třeba počet prostředí, že Keboola u nás má jedno prostředí produkční, tady se očekává, že se ty věci prostě dávají na vývojový prostředí, testovací prostředí, nasazujou se nějak řízeně, prostě je tam nějaký audit zatím, a to třeba v té Keboole prostě nemáme a to je takhle nikdy stavěná vlastně s touhle robustností, pro Českou spořitelnou nebyla.

Ale přesto se stalo, že jsou tam typy workloadů, který vlastně se takhle chovají a sdílejí data třeba i do té regulatorní oblasti. Tak to jsou nějaký projekty, který, anebo komplexita těch projektů, že už jsou jako hodně sdílený po té organizaci, takže jsou věci, který si myslíme, že už tam neměly být a ty stěhujeme na tu robustnější datovou platformu. V našem případě je to teda ta cílová Databricks. A když jsem se vybavil s klukama, když jsem přišel před tím rokem, tak kluci sami říkali, že už vlastně sami zvažovali, že některé věci z té Kebooly bychom měli stáhnout teda do snowflake, když jsem přišel já, ale jako v podstatě už ta idea tady byla další dobu. Takže Keboola má nepochybně hodnotu pro byznyslužovatele, který jsou prostě jako s datovým skylem na tom, jako nejsou nějak extrematurovaný, to znamená dávají jim to nějaký jako low-code jako prostředí, kde můžou vlastně hrát s datama.

Připravovat si data, sdílet je dál do té organizace, prostě dělat nad tím nějaký řekneme vizualizace potom. A tam dneska taky byla furt je, ale na druhou stranu sledujeme ten trend a vlastně i ten summit dneska Databricksí, jako když bych měl dát nějakou ještě z toho insight, tak se prostě ukazuje, že ty velký hráči typu Snowflake a Databricks prostě do těhle těch dovedností investují. jako důležitý signál. To znamená, že je to pro ně investiční téma. To znamená, tak jak oni si dělají nějaký prioritizace uměř, tak je prostě vět, že to téma pro ně.

Já jsem tam viděl dvě věci, které bych jako zmínil v tomhle kontextu. A to je, že vlastně Databricks oznámil na summitu 100 plus vlastně konektorů, managovaných, jako přímo na Databricks platformě. To znamená, to portfolio těch konektorů začíná být jako významný. A je to managovaný, to znamená garantovaný. Databricksem existuje nějaký zhruba 30 plus ještě komunitních konektorů, to znamená s nějakou mírou a můžeme si psát vlastní teoreticky samozřejmě, takže jako zdá se mi, že prostě Databricks do toho investuje, to znamená do týhletý jedný value propozice jako jde.

Já Snowflake tohle nesledu, tak jsem omlouvám jenom publiku, kde je více jako Snowflake, že tam to nedokážu okomentovat, ale věřím tomu, že to dělají stejně, protože ty platformy od sobě dostala v opisu. Druhá věc je, že prostě Databricks investuje právě do toho, protože on byl vždycky slabší jakoby na ten uživatelský komfort Řekněme, vyšlo to víc toho inženýringovýho Data Science jako prostředí, takže bylo to víc jako komplexnější na prouživatele a ten Snowflake vždycky do toho šel víc taky tímhletím jako jednoduchosti používání řekněme. Ale ten Databricks to jako do toho zase investuje a jako dohání to. To znamená třeba, my máme v pipeline v road mapě někdy, myslím, že na přelomu Q3, Q4, máme Lakeful designer, což je vlastně produkt Databricksu, který přímo adresuje to, jak jednoduše vlastně dělat. transformace prostě, jo, v podstatě do budoucna jako promptem, jo, to znamená, že já jako nemusím znát některé věci a pokud my budeme schopni pod tím postavit ten ekosystém nějakých pravidel a nějakých details, tak vlastně tohle může sloušit velmi dobře jako netechnickým lidem, aby vlastně byli schopni si jako napsat transformaci.

Chcem si to vyzkoušet, protože upřímně, já zatím nemám u Databricksu ještě zkušenost s tím, když se něco anunciuje, že je GA jako produkt, jakou to má použitelnost. Prostě jsou některý platformy, řekněme, který znám, kde to trvá třeba rok, že je dobrý počkat rok prostě od toho announcementu GA na to, než si to člověk jako dovolí fakt dát nějaký škále. do produkce v té organizaci a my teďka Lakeflow Designer je nový produkt poměrně, chcem si to vyzkoušet někdy na přelomu Q3, Q4 a vidět, jestli ta zralost toho produkto je dostateční maturitě, že si troufleme vlastně to rád do té organizace ve škále. Ale to je ta druhá velká velvý propozice, kterou dneska Keboola pro nás má, zdá se, že prostě ten Itabrix do toho investuje, takže uvidíme, necháme se překvapit, člověk méní život mění, jak se říkáme, že uvidíme, ale jako já z toho svýho manažerského pohledu vidím, že tam prostě ta investice jde, to znamená, že tam bude docházet k tomu, že tam skutečně bude taky vznikat ten overlap mezi těma platformama a budeme se tím muset nepochybně zabývat.

Jirka Vicherek (00:37:15): Díky, já bych se podíval možná na tak dělali jste nějaké rozhodnutí o platformě na roky dopředu a už to několikrát naznačil nebo naplno řekl, že ta budoucnost bude agentní. No, že tímhle směrem to nějakým způsobem jde, to je ten hlavní externí faktor, který do toho vstupuje je Jaké další capabilities nám AI odemkne ve vývoji a datují analytice a datujem managementu a na tuhle budoucnost bychom se měli chystát, tak jak to bude vypadat podle tebe, jakoby když teď nikdo se rozhoduje o své infrastruktuře, tak na co by neměl zapomenout, co jsou jasné trendy, které vidíš a které do toho rozhodování vstupovali.

Michal Řehák (00:38:12): Jo dobře, kdybych všel potom stacku, tak jako, že jo, co potřebuješ mít na té platformě data a mít nějak zvláknutý data engineering, to znamená nějaký prostě frameworky, nějaký nástroje, orchestrace, prostě takový ten základ vlastně data engineering, jo, to je to, co teďka v té platformě Databricks máme něco autobox, něco stavíme a mimochodem samozřejmě máme takový těžký témata, Jak udělat trade-off mezi tím, že ta platforma přináší nějaký jako řekněme nativní nástroje té platformy versus to, že máme nějakou historii v té organizaci, jak tohle skombinovat, prostě řešíme konkrétní témata, máme custom build třeba orchestrační tool, který se jmenuje Rockify v Český spořitelně a teď řešíme, jo prostě Databricks má na nasazování prostě na orchestraci jiný nástroj, přímo nativní v té platformě, jak tohle to vlastně skombinovat. Kdy přejít třeba na ten nativní jako nástroj té platformy jo, to jsou těžký otázky prostě a tyhle ty řešíme a každý ten konkrétní key vždycky si rozhodnem, jestli prostě release management budeme dělat tímhle způsobem nebo tímhle působem, jestli dejta kvalitu, která se mimochodem dá dneska díky AI taky posunout úplně někam do jiný roviny, jestli budeme dělat postaru, jak jsme byli zvyklí s tím toolsetem, anebo prostě použijeme novej toolset, nebo na nějakou dobu prostě jako použijeme ten stávající toolset a pak budeme postupně vycházet. na jaký modernější přístup třeba, jo, tak to jsou určitě těžký jako témata, který máme na těch spodních vrstách, jo, jako jak se starat o ty data ve smyslu data kvality, aby tam byly inžestovaný prostě a tak dále, tak dále. Pak přichází ty vrstvy nad tím, jo, jedna věc je vlastně, jak se starat o ty data z pohledu governance a jako já tady mám takovou hezkou větu, tak jako já ji přečtu, jo, ale jako v podstatě jako governance z dat říká, kdo smí data vidět, Ale jako governance agentu říká, kdo s nimi smí něco dělat, jo? Je to vlastně úplně jiný jako přístup vlastně k těm datům.

Ale datová governance je jako velký téma v Český spořitelně, právě protože za prvý jsme regulovaný, ale to není jenom o té regulaci, jo? Prostě ta nám nakazuje nějaký prostě věci, jo? BSE 239 prostě nějaká regulace, neznal jsem to před rokem, už už vím. Dora, jo? Taky nám říká něco i směrem k datům.

To znamená, my jako regulovaný subjekt se tím musíme zabývat, ale já si myslím, že by se tím měly zabývat ty firmy, které vůbec regulované jsou, protože to, jakým způsobem já se starám o ty data, kdo má přístup k těm datům, kdo s těma datama může jak nakládat, je jako velký téma. A to je vrstva nad těma datama, když už je teda mám, tak tohle potřebuji nějakým způsobem řídit. a ono to pak určuje i to právě, že ta konzumační vrstva, teď jsem u toho zůstal, dneska, že to bylo hodně o tom, že prostě vznikne report prostě a ten report kouká do těch dát prostě a lidi tam něco vidějí v tom reportu. Česká spořitelná má, my máme asi 1300 jako Tableau reportu, asi 300, 400, 500, ale to jsou takové různý čísla, co tak člověk po cestě slyší a Power BI reportu. To znamená, my máme hodně reportů.

Jirka Vicherek (00:41:12): A reporty není hnouse.

Michal Řehák (00:41:13): No a samozřejmě klasický jako pochybnosti o její hodnotě pro tu organizaci, protože to stojí dost energie a prostě samozřejmě si budeme vyprávět na všechny prostě tu hodnotu nejspíš mají v té firmě. A to, co my teďka přemýšlíme a vidíme, kam se ten svět hejbe, že vlastně v té jako analytice, takový tý jako self-service, se to hodně právě posouvá díky tomu AI k tomu, že si v podstatě uživatel může na míru vlastně vytvořit svůj report, prostě svůj insight, jo, prostě může s tím pracovat s těma datama úplně jinak, než prostě mít statický report a teď vlastně nekonečnýma, že jo, drobnýma požadavkama furt ten report tudit, jo. To je jako velký téma a my vidíme, že myslíme si, že ten způsob konzumace tímhletím nebo ta proporce do budoucna toho, že budu konzumovat data spíš tímhletím způsobem, ne s těma statickými reportama, bude jako proporcionálně prostě těmajorytou. velmi brzy. To znamená, o čem přemýšlíme a co řešíme samozřejmě a máme to taky, mimochodem ve Q3 máme takzvaně jako aktivitu, která se jmenuje BI strategie Český spořitelný ve smyslu jako toho toolingu, kde si bude odehrávat ta interakce vlastně uživatelů s těma datama.

A to, co máme jako ty témata jsou vlastně, že jo, Power BI, jako jestli jo nebo ne, protože RST je to jako poměrně jako, bych řekl skoro jako standard, Protože Microsoft to dělá chytře, že jo, on to prostě zabalí do nějaký licence, že jo, dneska my máme e5-kový licence, Česká spořitelná a Power BI v tom je, že jo, takže to vypadá v podstatě jako, že to je vlastně zdarma, jo, ono to úplně není, že jo, ale jako vypadá to na první pohled, že to je zdarma. My máme potom Tableau, jo, sadili jsme historicky na ten jako na ten BI nástroj jako na Tableau, protože tam máme ten největší footprint vlastně těch reportů dneska v Tableau. Ale zároveň prostě vidíme, že ten Databricks investuje do této vrstvy, že o Databricksu se to jmenuje AIBI, zase ve Snowflakeu by se to jmenovalo jinak vlastně, ale jakože ty platformy velký do toho vlastně jdou a říkají pojďte konzumovat ty data, jinak pojďte to konzumovat vlastně přes nás. A teď my to téma máme a chceme se rozhodnout na konci kvého trojky, kvůli vlastně teda budeme. Jaká bude ta proporce?

Nihle nepochybí o tom, že tady nějaké statické reporty budou potřeba, ale v té proporci věříme tomu, že možná to bude dneska z těch reportů, co máme, 20% zůstanou ty statické a 80% ty konzumace bude prostě jako přes nějaký SSDs a prostě jako jinou interakci s těma datama. Takže bychom se chtěli rozhodnout na konci květřiku, kdy vlastně běžíme a mění se i vlastně ten licenční model, že jo? Prostě jo, Databricks to má consumption base, říká, ale prostě jako neplatíš uživatelskou licenci. Samozřejmě ta bude uživatelská licence, Power BI je svým způsobem taky i když zabalená ve pětkových licencích. To znamená, i si říkáme, kudy vlastně tohleto poběží, jak ty platformy na tobou reagovat.

Všechno je dneska do konzumce, prostě udržej ten model vlastně licencování přes uživatele, tak je to nějaký takový proskoumávání vlastně toho prostoru, nějaký špekulování s tím, kudy se vydáme.

Jirka Vicherek (00:44:11): No a tak to je pro mě to jedno téma OK tak byznysi uživatelé budou mít chat nebo budou mít svůj tooling napojený a prostě budou sosat zvašit do tvé platformy a už neotvírají PDF report nebo Power BI prostě ve svém prostředí, které už je agentizované, tak ve chvíli dají správný příznak, tak je tam konektor a hodím to čísla z Q2 loňskýho roku. No tak tohle chápu. Moje otázka je, jak vnímáš a jak se připravujete na tu agentizaci vývoje. Mluvil si o počtu lidí, kteří jsou nutní pro zprávu té platformy, pro její udržování pro ty data ops nebo AI, agent ops, jakýkoliv v tom dáme, pro ten podvozek, pro tu infrastrukturu, ať to funguje. Tam vnímáš nějaký trend, nebo že to ten stack celý a nějakou tu architekturu a infrastrukturu zamíchá s ní nějaký principy, které platili tady dlouho, tak najednou neplatí, protože nepotřebujeme tři stádia a tak.

Jedu waterfall, protože pomocí Jirka vykopneme 100 variant a necháme se mezi sebou pobít a ty tři se potom podíváme. Nebo něco takového?

Michal Řehák (00:45:38): Ale víš co, no, jako hodně témat v jednom, jo, já to zkusím nějak trošku.

Jirka Vicherek (00:45:44): Nebo jinak, tak agentizace hodně ovlivňuje tu delivery visual, prostě tu serving vrstvu, ten last mile k tomu klientovi těch dát. No, tak to vidíme, kde podle tebe dál se mění paradigma stavení ty infrastruktury nebo koukání na tu datou infrastruktury.

Michal Řehák (00:46:06): Ale co je vidět, že úplně jako zásadní vlastně pro tu a jedno jestli je to jako forma četu, anebo je to jako akentský zpracování, jako je v těch datech. Že mluví se o tom jako o semantice, nebo o kontextu, nebo o ontologii, prostě jako různý termín, nebo každý má zrušku svůj jako význam specifický, ale to, co je prostě jako jednodušeně vidět, že to, že mám data a nad nimi mám nějakýho chatbota agenta vlastně nestačí, protože on vlastně neví, on nerozumí tomu, dneska jsem to říkal svojí manželce usnída, nějak dělá se osfor s Český spořitel, nějak máme občas takový jako rozpravy, a tak jsme měli nějakou rozpravu a já jsem mi vlastně vysvětloval, že ten agent třeba, když má v jední tabulce trvalou adresu a v druhé tabulce má klienta, on neví, co to znamená ta trvalá adresa učitomu klientovi, co znamená kontaktní adresa učitomu klientovi, to znamená Ten způsob, jakým se třeba dělali data do teďka, vlastně nestačí. Ten zagen potřebuje mít ten kontext a čím má ho bohatší a specifičtější popsaný, tak tím lípo neschopnej potom dělat vlastně autonomní akce. A to kouzlo vlastně, jo, jedna věc je, že určitá část populace věří tomu, že si chatuji s datama, vlastně dostávám nějaký výsledky a napíšu, hele, kolik máme aktivních klientů, dostanu jedný číslo. To je specifická věc, protože samozřejmě tady je i téma jako těch business metric.

Jo, protože pokud, že jakoby agenti jsou furt postavený na LLM modelech. LLM modele je prostě by design jako halucinu. Jo, a furt jsou nějaký techniky, jak to minimalizovat, ale furt halucinu. A jedna z možností, jak jako snižit té halucinace třeba v oblasti dát, je mít jako určitý metriky biznesový vlastně napočítaný. Jo, to znamená, když chci používat, já nevím, aktivní klienty, tak možná je lepší tu biznesmetriku napočítat a mít napočítaný aktivní klienty, než každým dotazem nechat agenta přemýšlet o tom, co by tak mohli být na tabulku klientů aktivní klienti.

Samozřejmě jedna možnost je mít ty metriky, druhá možnost je nějakým způsobem v podstatě popsat, jak se pozná aktivní klient a on musí tuto jako návod ten agent mít. A pokud to v těch datech samozřejmě najde, tak potom, když ty data jsou tomu způsobeny, tak ty výsledky jsou v podstatě jako konzistentní, přes x uživatelů, kteří se na to dotazují. Tak to určitě je jedna téma. A to je nějaká jako řekněme spolehlivosti toho výstupu těch dát. Druhý téma jako u těch agentů je vlastně nějaká autonomie.

Protože to kouzlo těch agentů podle mě není o tom, že si s tím chatuju a máme to jako tool, ale jako že mi to udělá vlastně kus práce za mě. Abych mohl dosáhnout ty autonomie, tak musím právě řešit několik jako věcí, pod tou vrstvou, není to jen o tom, že mám ty data, dostanu se k nim, ale že taky musím ty data u mě správně interpretovat, to znamená, že mám jasný pravidla, jak ty data můžu použít, k čemu můžu použít. A to už je vlastně toto, kde se začíná a tady to je docela jako nový téma bych řekl. A tam si myslím, že bychom měli hodně investovat jako Česká spořitelná, protože.

Jirka Vicherek (00:49:15): Tohle téma je jakoby governance, data management, nebo je to semantická vrstva, nebo.

Michal Řehák (00:49:21): Hele, víš co, ono je takhle ještě možná zpátky k té naší datové strategii. Datová strategie je v podstatě český spořitel, ono se skládá z takových čtyřech datových, jakoby čtyřech stavebních bloků. Platformy, nějaký data engineering, nějaký practices, to je to, co vlastně řeším, řekněme já. Pak máme Data Governance, ta je dneska u CFO, vlastně u Jardy Mendla, jako v České spořitelně. Pak máme datovu architekturu, která je dneska jako v té Interprese Architektuře, která je u nás, jako zase v Tribu.

A pak máme to Business Věruji. Já mám vůbec ta hodnota z těch dát. A tohle musíme se skládat dohromady, aby nám to jako celé kselo. A to, co vlastně, abych ti odpověděl na tu tvůj otázku, jo. To znamená, jako...

Jde o to, že prostě já si myslím a je tomu jako názor, který si nějak tak študuju po internetu, že jako podstatě to, co stavíme je takové jako digitální dvojče vlastně té organizace postupně, že děláme jako odraz té firmy tak, jak funguje procesně prostě v těch systémech, tak vlastně jako, že bychom měli stavit podstatě tu digitální dvojče té spořitelny v tom na té platformě a teď mi ji stavím jako je jedna propozice, že to stavíme na té datové platformě vlastně. A už to není ale potom jenom datová platforma, je to nějaký takovej jako agentský operační systém v podstatě, který má abstrahovaný některý ty artefakty typu, že tam je nějaký data, že jsou nějak dělaný a tak dále, vlastně jsou abstrahovaný, to ten agent neřeší. Ale že bysme měli vlastně udělat to digitální dvojče, který v podstatě potom umožňuje tu autonomii těch agentů. Jo, protože ten agent potom bude vědět, jak ta firma funguje, bude znát ten kontext, bude chápat, jak ty procesy běžejí a pak je vlastně schopný určitý autonomie. A tuhletu vrstvu vlastně postavit nad těma datama, to si myslím, že je ten úkol, jo, před náma.

Jo, ať už tomu říkáme semantika, ať už tomu říkáme biznesmetrika, ať už tomu říkáme ontologie, prostě jde o to, dát z toho prostředí tomu agentu, a je to samozřejmě o přístupech na data, jo, jak řeším senzitivní data, jak řeším přístup na data na úrovni řád Tohle všechno vlastně je potřeba jako skombinovat a postavit jako podstoho agenta, aby on potom skutečně na tom dokázal autormě fungovat a my jsme tomu věřili.

Jirka Vicherek (00:51:38): A tohle bude v Databricks?

Michal Řehák (00:51:42): Tohle bychom chtěli stavit Databricks a Teď jako vlastně přemýšlíme o tom, jak a ještě tam mám potom jedno téma, to je vlastně vůbec orchestrace agentů a nějaká governance agentů jako takovej. Tohle ještě furt, že mám nějaký datovej kontext, nějaké porozumění těm datům, vztahům, něco, něco a to je, aby ty agenti mohli nad těma datama dělat nějaké rozhodnutí autonomní. Tohle si myslím, že máme stavět a začít se tomu jako intenzivně vědomat a taky hledáme nějakou cestu, kudy do toho jít, protože vlastně Zavřít se teďka na tři roky a říct lidem, ať popíšou, co tam vlastně dělají v té firmě, prostě to taky jako zase nikdo nebude úplně chtít čekat, jo. Takže hledáme nějakou cestu a zase třeba Databricks teďka anáncoval na tom summitu, tak 14 dní z pátky něco, co říká jako genie ontology a podstatě říká, že ty snippety, ty znalosti a ty ontologie se dají sbírat po té organizaci, prostě a že se s tím nějak jako pracuje a oni třeba říkají, že to rankují v podstatě a Google ranking, že to je prostě Google search. Tak jako vlastně říká, my sbíráme ty snippaty po té firmě, nemusíte přijít a teď to všechno přepsat do nějaký vrstvy v té firmě.

Pojďme to zkusit té organizaci nějak jako přirozeně sbírat, ale potom to znamená, že taky musíme pracovat s důvěryhodností té informace. A na co třeba Leta Bricks jako říká, my jsme přišli s tím rankingem a díváme se na to vlastně jako na tu důvěryhodnost, aby jsme řekli tomu agentovi, tohle je nejspíš důvěryhodná informace, může s ním pracovat. Jo, tak to je taky nějaká jedna z cest, ale je to fakt čeství, jako že se na to díváme, jako vlastně do toho, jak to naplnit v podstatě, jo. A samozřejmě řeší se Open Semantics asi, že jo, to je taky téma, že jo, teďka všichni jsou kamarádi, že jo, prostě někde v nějakým Open Semantics jako initiative.

Jirka Vicherek (00:53:22): Je to hrozně zajímavé, jak to zamýšalo kartama, jak governance bylo z prostý slovo, protože to bylo vlastně regulatory, no, protože move fast and break things, pojďme tady stavět, šelmo stroje a všechno a potom najednou governance, mám pocit, že teď je jeden z jednotících principů napříč biznesem a těma technologiema.

Michal Řehák (00:53:47): Je to tak, ono to vždycky bylo takový srovství slovo, já jsem to taky dlouho nerozuměl, když tam někdo řekl, ale co to je, jako dej tak, ale říká, ježišmarjá, to je nějaký takový, zní to jako hrozně, tak jako akademicky, jo, bych řekl, ale nahrál jsem ještě trošku, je pravda, že my v té bance tu governance jsme měli hodně utaženou směrem k té regulaci a nějakému výkaznictví a to děláme fakt velmi dobře, jako kdyby to znam, máme tam zmaklo dejta kvalitu, máme tam prostě nějaký kontroly, jako jo, je to utažen protože tam si nemůžeme dovolit jako selhat. To nechceš. V tom biznisu už to ale nikdy vlastně tolik nebylo. Ten biznis tohle nikdy moc neřešil. Máme data, něco s tím uděláme, ale myslím si, že dneska ty agenti je takový jednotnicí prvek, protože agenti je biznisový téma.

Agenti je o tom, že získám vyšší hodnotu nebo nějakou výšší míru automatizace toho, co dělám. To znamená, získávám nějaký čas, nějakou úsporu. A to v jednotící prvek si myslím, že dneska je ta governance, to znamená, že můžu se jednotit bez hledu na to, jestli je to ten, a já říkám jako defenzivní forbál, že prostě musíš naplnit nějaký náležitosti, regulace, výkaznictví a podobně, a kontrolingu samozřejmě, abys měl také v celéku čísla. Ale vlastně i ten ofenzivní fotbal, který mu říkáme, že to je ten biznis, který prostě chce mít hodnotu z těch dat jako v biznisu, tak si myslím, že ty agenti jsou tady ten jednotný tří prvek, který povede k tomu, že zharmonizujeme tu governance jednotně bez hledu na to, jestli je to ofenzivní nebo defenzivní fotbal.

Jirka Vicherek (00:55:17): To je, mi přijde jako moc hezké přirovnání. Znamená to, že typicky agenty nasazujete víc na ty, na ten útečný fotbal, že tam jako v rámci automatizace a v rámci toho, protože regulatorika je.

Michal Řehák (00:55:36): Ale děláme to, jako kdyby, že. My máme takhle AI pro Českou spořitelnou jako velký téma, máme to jako jeden z vlastně našich strategických cílů, v podstatě borděláci o tom mluví, to znamená jako má ten narrativ, chceme to dělat, vidíme v tom prostě velký potenciál do budoucna, takže do toho investujeme nějakým způsobem a učíme se to samozřejmě, jak říkám, ono se to každých pár měsíců přetučí a změní, takže člověk musí být trošku jako v postřehu. Vůbec řet ne a musí se prostě dívat a nebych překvapený, že se to prostě každý tři měsíce někam trošku zhoupne. A my investujeme a máme nějaký agentský řešení směrem k nějakým byznysovým procesům, nějakým automatizacím, který jsou a takový spíš jako umím získat informace ze znalostní báze, zeptám se, dostám odpověď nebo nějaký vyčítání dokumentů, že máme prostě řešení, kdy prostě, když mi přijde nějaký nestrukturovaný text, prostě já nevím, Někde do datový schránky, tak já to umím jako rozkouskovat, rozparsovat pomocí modelů prostě a poslat to někam do procesu, tak tohle věci už děláme a došestří nám to dost času, samozřejmě, a my voiceboty, máme chatboty, které nejsou jako agentní, ale používají hlavné modely. Tohle jo, snažíme se to dostat do softwareového engineeringu, jo, Rychna u nás docela hodně do toho investuje, jo, to myslím, že vidět je na venek.

Jak vlastně dělat agentskej vývoj Já bych do zemna říkal nějaký čísla, že už se objevují docela nějaký procenta řekněme naší codebase už je vlastně vyvíjený agentama A my se chceme v těch datech dostat do toho samýho Za prvý, aby jsme byli schopní dělat agentní vývoj datových řešení A druhá věc je, aby jsme ty agenty mohli opřít o ty data v momentě, kdy potřebujeme agenta, který skutečně má dělat nějaké úterovní rozhodnutí na základě informací znalostí té organizace, ve z toho to vlastně jakoby nepůjde. Tak já nevím, jestli odpověděl jsem možná trochu...

Jirka Vicherek (00:57:30): Já, já, já. Řekl jsi mi mnohem zajímavější věc, než na kterou jsem se ptal, takže all clear.

Michal Řehák (00:57:39): Ale teď jsme se jako hodně soustředili na tu governance těch agentů v tom smyslu, jako jak přistupuje k datům, jo, to znamená taková ta vrstva, aby jako rozuměla v té organizaci, co se kde děje, jak ty věci spolu souvisí, jak běží procesy, co je v těch datech a tak dále, jo, zase mluvili jsme o nějaký, řekněme, ontologii, semantice, prostě nějakým kontextu. To je jako jeden prvek, jo, ale další část té governance těch agentů je o tom, že vlastně agent není jenom ten konzument těch dat, jo, ale on z podstaty je ten jako, jak se říká, aktor, jo, to znamená, on spouští akce, volá nějaký nástroje, může psát zpátky do systému. Jo a v tomhle tomu je to už potom jiný, protože ono je vlastně, ono vlastně vychovanává práci člověka. A to je další vrstva v podstatě, která bych řekl, že teďka nejmíň nejmíň jako zmaturovaná obecně jako v těch platformách a jako celosvětově, jo. Každej do toho nějak investuje a je to ta podle mě taková ta poslední vrstva vlastně, když se budeme bavit o nějakých governance agentů, jo.

Jirka Vicherek (00:58:42): V té autonomie nějak.

Michal Řehák (00:58:44): No jasně, ono to souvíjí s tím jako vlastně i s tou identitou, pod jakou identitou vlastně ten agent jako vystupuje v té organizaci. Jo, jako. Jestli je to nastroj tady

Jirka Vicherek (00:58:56): Michalův agent, anebo jestli je to.

Michal Řehák (00:58:57): Přesně tak, jestli vystupuje pod Michalem a jeho identitou, anebo vlastně se chová jako autoromní agent, který má vlastní identitu v té organizaci. To je velký témat teďka, ale si myslím, že to je nejmím maturovaný témat teďka obecně, a my se tím zabýváme v Český spořitelně, protože pro nasazení agentů ve škále tohle prostě potřeba mít vyřešený.

Jirka Vicherek (00:59:19): To je to, co si říkal, že uživatel, jestli vidí nebo nevidí data a agent, jestli s nima může nebo nemůže pracovat.

Michal Řehák (00:59:28): Přesně tak, ale pak je to o tom říkám, jako že vlastně, jestli má agent vlastní identitu, protože dneska, když se podíváš na to, jak řídíme identity, že prostě ve firmách, máš nějaký agent třeba intra ID, prostě tam máš prostě lidi i uživatel s nějakýma privilegiema, ale agenty si tam neobjevujou. A teďka, pokud máme za víc agenty jako ty ID vlastně v tom jako identitním systému a mají tam vystupovat pod svýma vlastníma identitama, tak to musíme vymyslet. a ono to souvisí pak i s auditovatelností. To znamená, že jsem schopen i ty akce, pokud toho agenta jenom nečte data, nebo odpovídáme na to, kolik máme klientů, tož je furt dobrý. A je to jeden z těch scénářů a use casesů, který určitě chceme mít.

Jirka Vicherek (01:00:08): A není to agentu.

Michal Řehák (01:00:09): Jo, tak jako, ale druhá věc je, že ten agent dělá právě autonomně ty akce. To znamená, že zavolá tu něco někde prostě udělá. A ty příběhy z těch firm, já nevím, já jsem si občas na internetu, jsou firmy, kterým už agenti smazali databázi, že jo. Ale koupé zásadní databázy, protože prostě to privilegu měli a udělali to. A tohle to, když chceme nastavit do škály, tak my musíme mít nějaký governance systém nad těma agentama, jak vlastně tohle to zajišťovat, včetně nějaký auditovatelnosti a včetně nějaký traceability.

Jirka Vicherek (01:00:38): No tak není to to samé jako člověk, jako když si juniora pustíš do týmu, tak vlastně jedna ku jedne. Kde se to liší v tomhle, že taky máš stejně moc jako jsem slyšel příběhů o tom, jak smazal někdo databázy, tak ten samý příběh jsem slyšel předtím roky, předtím jenom tam byl junior nebo tady host mým podcastu, který říkal, kdo si nesmazal databázy, tak ten

Michal Řehák (01:01:07): Můj napohled na to je, že možná, když je tam ten člověk, ten interface, tak čekáme na tom, že tam je nějaký jako common sense, že tam prostě je nějaký jako přirozený jako intelekt, který někomu třeba zamezí v tom, i když má oprávnění a mohlo by smazat databázy, tak si řekne tyho, ty je asi fakt blbý, to dělat nebudu, ale on to ten agent neví. On třeba nepozná, že to je blbý. To znamená, není to nějaký přirozený inteligenci lidí, kde prostě někde se sází na to, že ty privilegie nejsou třeba tak silně vyřešený a sází se na nějakou kompetenci toho člověka. Těch agentů si to dovolit třeba nemůžeme. To rozumím.

Jirka Vicherek (01:01:50): A asi asi souhlasím, často se říká, že to je, že AI znamená alien intelligence, že v něčem prostě, že to nejtěžší v tom je, že v něčem je to tak hrozně chytrý borderline geniální a v něčem tak hrozně moc blbý. A my nemáme ještě naučené to očekávání nebo ten feel pro to, takže nás překvapí, jak v některých úlohách, ve kterých to umí, tak je to geniální a v některých věcech, které považujeme za úplně primitivní, tak to dělá školácké chyby a je to zvláštní. To očekávání a nastavení systému o to těší.

Michal Řehák (01:02:28): Jo a samozřejmě záleží na začátku té pozici, pokud máš perfektně zmáklý tohleto jako z pohledu přístupu lidí na data, z pohledu přístupu lidí do těch řešení, nějakých privilegií, tracovatelnosti těchto věcí, auditovatelnosti. A když to máš jako zmáklý pro lidi, tak možná, že ten přidat to agenta vlastně do toho ekosystemu už není tak složitý. Pokud to ale třeba nemáš, tak ty agenti tě donučí k tomu vlastně to, úplně stejně jak jsme se bavili o té governance, že tě to donučí k tomu, aby si třeba zharmonizoval, mělý jako ofenzivní, defenzivní futbal, mým žargónu jako na jednom řišti, tak úplně stejně tě vlastně to donučí na této úrovni governance, ať už je to sekurita, tak dále vlastně dostat to do stavu, kdy to může operovat ty agenty. Že to nejsou jenom lidi. A to souvisí s tím, že víš co, že se díváš, máš fakt, vidíš jako, máš nějaký kokpity, vidíš, co ty agenty vlastně dělají, jaký akce performují, jsi schopný jako to trackovat, co vlastně on za tu akci udělal, až po to, že jsi ho schopný třeba zastavit, protože se může začít chovat nějak, neprodikovat a ty potřebuješ mít nějaký nástroj, kdy vlastně ho odstřihneš.

Killswitch Killswitch Killswitch U lidí to uděláš tak, že jim ve sebereš všechny oprávnění, zařízen naším identitu jako v identitním systému je otázka, jestli to byl agenty, budeme dělat s jiným způsobem Myslím

Jirka Vicherek (01:03:46): si, že ještě jednodušej, že to budou udělat agenti a když to otočím na tu druhou stranu

Michal Řehák (01:03:52): Jo, já ještě možná doplňujeme, kde to chceme dělat, ale ta vrstva jakoby toho přístupu na data, ten kontext, tak to chceme nepochybně dělat v Databricksu, tam není žádných pochyb, co teďka interně řešíme ve sporce, je nějaký rozhodnutí, kde dělat s tuhletou agentní governance. Je to fakt nová oblast, víme, že to potřebujeme mít nějak jako nastavený, Databricks zase znovu jako na tom posledním summitu teďka při 14 dníma jako do této oblasti přišel se spoustou jako anoncementů, jako kdyby, že vlastně on chce Všichni chtějí být tady v té governance vrstvě, aby se to hrálo přes ně, takže to teďka řešíme. Nemáme to dořešený, řešíme to, zkoukáme u nás, co mají na starosti, jako řekněme, nějaký AI Feralsta a vůbec jako tu tématiku, my jako z architekturu, prostě dáváme to vlastně dohromady a jeden ze zvažovaných scénářů je, že to bude hrát ten Databricks. Ale tohle nemáme ještě rozhodnutý.

Jirka Vicherek (01:04:39): OK, a když to teď otočím, tak bavili jsme se o platformě, bavili jsme se nějak o governance a procesech, jak se mění, tak když to otočím na naše posluchače, stále ještě z velký většiny lidí, tak jak se ti to promítá a jak ta strategie se dívá na workforce, na tvoje kolegy, na tu organizaci, jestli zase říkáš, že jste se chvilku prali, že jste měli míň těch seniorních lidí a Databricks nebyl ten nejstandardnější stack, takže tam byla nějaká learning and development prostě část. Tak jak se díváš na tohle? Hirujete teď? Změnila se profil člověka, kterého hledáš do týmu?

Michal Řehák (01:05:34): Jako určitě budeme hajdovat možná nějaký jako expertní role typu jako e-architect nebo něco takového, protože to je vidět, že prostě v tomhletom nemáme tu výbavu. My jsme hodně jako datově, jako expertní, řekl bych, jo. A určitě nás Česká edukace našich lidí na Databricks jako stack, jo. Prostě to je jedna z bariér, když jsem mluvil o tom, kde jsou ty bariéry, jako používat ve škále Databricks, tak jedna z těch bariéry samozřejmě znalost lidí a naskillovanost na tu platformu a tomu se teď hodně věnujeme, takže začínáme Já vlastně svým lidem říkám, že bych chtěl, aby každý z nich se stál Databricks expertem. To znamená, já chci věnovat prostor našim lidem, aby se rozdělali, když mají tu znalosti banky a těch heavy dát, aby se rozdělali na tu platformu a začali jsme se učit tu platformu, takže chceme tomu věnovat velký čas.

Teďka během Q3, Q4 chceme mít jako nějaký standardní vzdělávací programy na Databricks, certifikace připravujeme. Máme teďka prouživatele připravenou AI Summer School, to znamená kolegové z mého týmu připravou jako vzděláváním vlastně kolem těch AI nástrojů, právě kolem těch jako Genie, jak konzumovat data v self-service a tak dále, takže vzdělávání je určitě velký téma pro nás, spíš a zase bych chtěl odpovědat tu otázku, neděláme nějakej extenzivní jako O intenzivního, jak to prostě, děláme velký hiring, jako bych řekl, jo, budeme spíš nějak specifický seniorní role hledat, ale jinak spíš budeme chtít navzdělat ty naše lidi a tu naši datovou okupulaci, která čítá v té organizaci prostě stovky lidí na to, aby prostě ten etabry jsou měli profesionálně jako používat a byli to experti na tu platformu a do toho investujeme.

Jirka Vicherek (01:07:08): No a zase v rámci té strategie vidíš, že tohle v budoucnu třeba nebude takový problém. Myslím si, že už hodně lidí kontroverzní říct, že 10% celé datové strategie je platforma, tak už to s tebou stoprocentně souhlasím. Na druhou stranu je to těch 10%, které je věnováno 90% fokusu nebo diskuzí nebo komunikace. Tak Myslím si, že tohle číslo ještě bude klesat s tím, s AI-kem, s tím, jak jsme agnostik, s tím, jak se ty platformy k sobě přibližují. Mě jako fascinuje, že nejmodernější nebo nejaktuálnější AI stack, který je jako nebo nejaktuálnější standard jsou textové dokumenty.

Vlastně jako on je to jako velmi logické, jsou to velké jazykové modely, fungují na základě promptu, jo jakože z toho technologického pohledu to chápu úplně, ale vlastně jsme se dostali k papírkům, to je úplně skvělé, to je Z toho světa, kdy všechno prostě hodnota jednáš deset a snažíme se jako psychometria všechno zaškatulkovat, tak jsme k tomu, že nejpokročilejší technologie tady světa, tak pomocí poznámek.

Michal Řehák (01:08:37): Víš co, já ti zkusím nějak volně odpovědět a když tak mě zkoriguju, ale co se týče třeba profese data inženýra a taky se tomu věnujem, chcem nějak standardizovat data inženým v český spořitelně, tak určitě je vidět, že s těma toolama jakoby se ta role posouvá. Posouvá se od toho, že znám ten tool a umím udělat transformaci IPLSQL do toho, že už nemusím nutně znát třeba i ten jazyk, že vlastně v podstatě víc bych měl být architekt.

Jirka Vicherek (01:09:06): Víc možná owner?

Michal Řehák (01:09:07): Víc owner, přesně tak. A víc třeba řešit prachy, kolik to stojí. Jo, jako to si myslím, že tam se to posouvá, že z toho harte neví, že prostě vím, jak ty data udělat, jak je ztransformovat ty nástroje, prostě čím dál víc podou k tomu low codeu a nějakým prostě možná šagentským jako způsobu práce, tak jako samozřejmě nikdo musí postavit ty agenty, to je takový zajímavý téma, že nikdo ty agenty samozřejmě postavit musí. Ale jako myslím si, že ten data engineering se posouvá tímhle směrem, no. Být upovědné vůbec za celou tu architekturu, jak je to vlastně postavený, aby to bylo robustní dostatečně, aby to bylo za nějakou cenu, aby to prostě nebylo, že to jako sice jako střílí prostě hromadu tokenů, že jo, ale stojí tu bambylion a perfektně to běhá, ale aby to prostě měl nějaký reasonable price.

Prostě tak, jak říkáš, ten ownership nad tím vlastně, no, si myslím jako, že je úplně zásadní. Dochodem k tomu governance ještě, už jsem mě vrátil, vždycky něco zapomenu, jo, u toho governance je úplně zásadní ownership těch dat a s tím si myslím, že budou bojovat všechny firmy a u nás je to úplně, jako nevím, nech to samý, jako zařídit to, aby ten, kdo produkuje ty data i vlastně, jo, přes tu konzumace ještě magentům, to známe byl za ně zodpovědnej v tom jako celým stacku, Říkal já, to jsou moje data, já řídím k ním přístupy, vím co v nich je, jsem schopný to popsat. Tak to si myslím, že je velký téma pro nás, jo? A jsme tam.

Jirka Vicherek (01:10:29): To asi nikdo, protože ještě to má dvě vrstvy, že jo? Ta jedna vrstva je, já jsem ten creator, nebo já jsem prostě u toho senzoru a říkám, jo, fakt pršelo. A druhá je, já jsem garant té domény a toho, že to pojmenování je správně, že ta logika je správná a to bývají dva různý lidi a jsou to dva různý data governance přístupy, jestli odpovídám za přesnost těch dat vlastně z té jedné strany, anebo jestli odpovídám za správnost, biznisovou správnost těch dat, tož v některých případech je to to samé, ale vy jedete jako klasický data management, data governance, že máte takový ty datový heraldy, jak se to jmenuje, stevardy, stevardy, datové stevardy a tohle je framework, kterým se na to teď díváte.

Michal Řehák (01:11:30): Ale do té stewardy se o tom bavíme právě s koukama z data governance, řešíme to úzce, protože ta governance, my chceme fakt dát do cajku, je prostě vět, že ty data stewardy, když seš čím víc jsi v tom defenzivním fotbalu, tak to funguje perfektně. Čím víc jsi v tom ofenzivním fotbalu, tak to moc nefunguje. I když tam to jako je etavlovaný, máme tu roli data stewarda, tak ta jako ten impact a ta funkce jako do té organizace prostě nemá takový vliv jako Když seš tomu ofenzivní fotbaloval, my jsme to právě chtěli jako sjednotit, že mluvíme o datových produktech, o jejím vlastnictví, jako kdyby, prostě a to taky řešíme na té platformě, máme kolibru, že ten governance máme postavené jako řekněme několika vrstevně a jedna věc, že máme něco, co se jmenuje kolibra, což je jeden z možných nástrojů, jako vlastně Takže my se tomu snažíme dát nějaký pravidla a nějak to řídit, aby to nebylo úplný freestyle. nějaký schválení, protože jako nejhorší co se může stát, že řekneš jako dejta produkty, tady máte platformu a jeďte, tak prostě za chvilku budeš koukat a budeš tam mít prostě 1500 bordelů. Takže my se tomu snažíme dát nějaký pravidla a prostě nějak to řídit, aby to nebyl úplný freestyle.

tak to je jako jedna vrstva, to je tak spíš ten business interface, ale pak je ta technická řekněme a to je u nás ten Unity Catalog nad Databricksem, který právě jako už je ta technická vrsta pro ty uživatelé, jako který konzumují ty data a teď je to jedno jestli přes chaty, víš jako přes nějaký jako dashboardy, chaty, anebo agenty nakonec, anebo tu autonomii potom těch agentů, tak tam se odehrává ta technická část a tohle potřeba, aby bylo úzce integrovaný, tak to je třeba ta jsou dvě vrsty úplně zásadní, který se snažíme teďka sestavit dohromady, aby nám to jako fungovalo bezpočce.

Jirka Vicherek (01:13:10): Nezní to, že před sebou máte hodně dost práce a že to je velká, velká mise. Jsem rád, že jsi tady s náma sdílel, jak nad tím uvažuješ a uvažujete. Pustil nás i do těch dne tak jako příjemných a navoněných. Hlavně děkuji za to, že si nečekal, až za dva roky to budete mít hotové a pak přijdeš a začneš povídat v roce 2025 jsme se rozhodli, tak to je takové vždycky smutné, protože ten svět je rychlejší. Takže jsem moc vděčný za to, že jsi nás vzal do spořky a nelakoval jí na ružovo a držím hrozně pálce, protože zní to, že jste to zase vzali za hrozně správný konec.

Konsolidaci vidíme napříč, platformizaci taky. To, jak mluvíš o agentním přístupu, tak takovéhle věty slyškávám víc od realistech startupů, AI startupů, než od tady 100 plus staré banky a jeho zástupce. Takže to všechno květuju. Na co ty se nejvíc těšíš? V příštím roce je tam nějaký milník, který nebo nějaká část, nebo teď to prostě těší se, až to bude hotové a budete v čistém.

Máš tam něco,

Michal Řehák (01:14:31): co je pro tebe? Já mám rád, když uvidím, že to se je, jak se říká, to znamená, já se těším na to, až skutečně uvidím, že prostě v tom Databricksu ve škále děláme ty řešení, fakt to funguje, má to business benefit. Já jsem ze svý kariéry historické, jak jsem dělal hodně s biznisem, tak jsem takovej Že mám rád.

Jirka Vicherek (01:14:51): Show me the money.

Michal Řehák (01:14:52): No, jako mám rád ten výsledek, jak kdyby, jo, v podstatě a teď jsme byli v takovým procesu, jo, děláme strategii paperwork x měsíců, teď prostě nějaká transformace, lidi odešli, reorganizace to nevytvářil moc hodnoty zatím, jo, jakoby to znamená, bylo to spíš takový, prostě jo, museli jsme to nějak udělat, nějak jsme to museli rozhodnout, ale moc tý hodnoty z toho nebylo vidět, tak já si těším, že už teďka dostaneme tu platformu do stavu, kdy lidi ji budou umět používat, prostě budou na tom dělat tu hodnotu a bude to už vidět prostě i pro nějaký výsledky té organizace, tak tam na to se nejvíc těším.

Jirka Vicherek (01:15:26): Držím moc palce.

Michal Řehák (01:15:27): Samozřejmě na lidi, že to budou vnímat pozitivně, ne všichni to vnímali prostě u nás tu změnu pozitivně, ale prostě je to vidět i v náladě v tom týmu, abych jim rádo přál to, aby aby tu náležu měli dobrou, chodili rádi do práce a bavilo je to, co tam děláme.

Jirka Vicherek (01:15:46): Máte k tomu hezky našlápnuto, držím palce, ještě jednou děkuju. Podíváme na update se děšit.

Michal Řehák (01:15:53): Mějte se. Ahoj.

Jirka Vicherek (01:15:58): Děkujeme, že jste doposlouchali až sem a díky taky našim stálým partnerům, členům DataTalk klubu. Těmi jsou Sazka TV Nová, Direct Technologies, GoodData, Miton, Colours of Data, BizzTreat, FLO, Carl Data Company a intecs. Díky moc za podporu a nechtě vás provází data.