#55 (SLO): Meet the fellows - Valter Hudovernik in Mark Žnidar

Valter Hudovernik in Mark Žnidar prihajata s področja računalništva, podatkovnih ved in strojnega učenja. Valter je magister podatkovnih ved na Fakulteti za računalništvo in informatiko Univerze v Ljubljani ter inženir strojnega učenja na KumoAI, Mark pa je diplomant računalništva in matematike na FRI UL ter magistrski študent računalništva na Univerzi v Oxfordu. Kot ASEF štipendista sta lansko poletje opravila raziskovalni obisk pri prof. dr. Juretu Leskovcu na Univerzi Stanford, kjer sta se ukvarjala z relacijskim strojnim učenjem in temeljnimi modeli za relacijske podatke.

0:00 – Uvod in predstavitev gostov: Gal Gantar predstavi Valterja Hudovernika in Marka Žnidarja ter njun raziskovalni obisk pri prof. dr. Juretu Leskovcu na Stanfordu.
0:56 – Valterjeva izobraževalna pot: Od odločitve za študij računalništva do magistrskega študija podatkovnih ved in raziskovalnega dela na področju strojnega učenja.
4:10 – Markova izobraževalna pot: Pot od robotike v osnovni šoli do študija računalništva in matematike ter magistrskega študija računalništva na Oxfordu.
7:20 – Študij na Oxfordu in primerjava s Slovenijo: Mark predstavi izkušnjo študija v tujini ter primerjavo med slovenskim in britanskim akademskim okoljem.
8:20 – Šport, vztrajnost in raziskovalno delo: Pogovor o tem, kako se izkušnje iz košarke in brazilskega jiu-jitsuja prenašajo v študij, delo in raziskovanje.
11:14 – Kaj je strojno učenje?: Valter razloži osnovno idejo strojnega učenja, globokega učenja in nevronskih mrež.
15:03 – Vloga podatkov pri razvoju umetne inteligence: Mark pojasni, zakaj sta količina in kakovost podatkov ključni za razvoj sodobnih modelov.
18:56 – Temeljni modeli: Razlaga, kaj so temeljni modeli, kako se razlikujejo od klasičnih modelov in zakaj lahko rešujejo širok nabor nalog.
21:06 – Računska infrastruktura, odprtokodni modeli in energija: Pogovor o tem, zakaj so odprtokodni modeli pomembni za manjša podjetja in raziskovalce ter zakaj postaja energija pomemben omejevalni dejavnik razvoja umetne inteligence.
25:37 – Relacijsko strojno učenje: Valter predstavi relacijske podatke, grafe in modele, ki se učijo iz tabelaričnih in relacijskih podatkov.
32:37 – Benchmarki in vrednotenje modelov: Mark razloži, kako ocenjujemo zmogljivost temeljnih modelov in zakaj so dobro pripravljeni benchmarki pomembni za akademijo in industrijo.
35:31 – Uporaba umetne inteligence v industriji: Pogovor o praktičnih industrijskih primerih uporabe strojnega učenja, od oglaševalskih sistemov do napovednih modelov.
39:05 – Valterjevo delo v industriji: Valter predstavi povezavo med raziskovalnim delom na Stanfordu in svojim delom na področju relacijskih temeljnih modelov v industriji.
41:40 – Raziskovalni obisk na Stanfordu: Mark in Valter opišeta izkušnjo dela v laboratoriju prof. dr. Jureta Leskovca ter raziskovalno okolje na Stanfordu.
45:49 – Slovenska skupnost v Silicijevi dolini: Pogovor o stikih s Slovenci v Kaliforniji, slovenski skupnosti in dogodkih, ki povezujejo Slovence v tujini.
49:30 – Delo v laboratoriju prof. dr. Jureta Leskovca: Valter opiše dinamiko raziskovalne skupine, sodelovanje z doktorskimi študenti in delo na skupnih projektih.
51:12 – Vsakdan na Stanfordu: Mark predstavi življenje na kampusu, nastanitev, delo v pisarni in intenziven raziskovalni ritem.
53:59 – Prosti čas, šport in Kalifornija: Pogovor o surfanju, športnih možnostih na kampusu, San Franciscu in posebnostih življenja v Kaliforniji.
57:33 – San Francisco, hackathoni in tehnološka skupnost: Mark in Valter govorita o hackathonih, tehnološki skupnosti in razvoju idej v okolju Silicijeve doline.
59:22 – Kultura Silicijeve doline: Pogovor o ambicioznosti, sodelovanju in raziskovalno-podjetniški kulturi v okolici Stanforda in San Francisca.
1:02:08 – Pomen ASEF za Markov karierni razvoj: Mark razloži, kako mu je ASEF raziskovalni obisk pomagal pri razmišljanju o doktoratu in mednarodni raziskovalni poti.
1:03:23 – Pomen ASEF za Valterjev karierni razvoj: Valter predstavi, kako je ASEF obisk vplival na njegovo profesionalno pot in odločitev za delo v industriji.
1:04:47 – Zaključek: Sklepne misli in zahvala gostoma ter poslušalcem.

Pogovor je vodil Gal Gantar.

If you enjoyed this episode, share it with a friend, learn more about ASEF on our website and consider donating to support the ASEF's mission and programs!

Transcript

Gal Gantar: 0:02

Dobrodošli nazaj v ASEF podcast. Moje ime je Gal Gantar. Sem ASEF štipendist generacije 2025 in danes v podcastu Gostimo ASEF štipendista Valterja Hudovernika in Marka Žnidarja, ki sta lansko poletje opravila raziskovalni obisk pri profesorju dr. Juriju Leskovcu na Univerzi Stanford. Valter Hudovernik je magister podatkovnih ved na Fakulteti za računalništvo in informatiko Univerze v Ljubljani, Inženir strojnega učenja na področju AI. Ukvarja se s področji reinforcement learninga in kontaktnega učenja. Mark Žnidar je diplomant računalništva in matematike na Fakulteti za računalništvo in informatiko Univerze v Ljubljani in magistrski študent računalništva na Univerzi v Oxfordu. Zanima ga relacijsko strojno učenje in priporočilni sistemi. V današnji epizodi bomo govorili o Valterjevi in Markovi karierni poti, raziskovalnima in profesionalnem delu, strojnem učenju in raziskovalnem obisku v okviru programa ASEF. Mark, Valter. Lepo pozdravljena!

Mark: 0:51

Živjo! Živjo, Živjo

Valter: 0:54

lepo pozdravim tudi ti.

Gal Gantar: 0:56

Ja, v redu, pa bi začel mogoče z izobraževalno potjo. Valter, bomo začeli s tabo. Bi mi lahko prosim povedal malo več o tem, kdaj se je začel zanimati za znanost, kako si se odločil za študij računalništva in potem tudi kasneje. Kako si se odločil za magistrski študij iz podatkovnih ved?

Valter: 1:16

Ja, za znanost mogoče zares šele na magisteriju, saj da sem malo bolj vedel, zakaj se gre. Zdaj sicer bolj znanstvena fantastika. To me zanima že v osnovni šoli, ampak Star Trek si gledal kot mlajši nekaj časa televiziji. Ja, ja, ampak potem ko sem se za računalništvo odločil, v bistvu tako. Lahko bi rekel, da je cela ta zgodba neka serija srečnih dogodkov. Jaz sem nekako nisem vedel, kaj bi šel študirat. In potem nama je zadnji dan, preden smo oddajali te prijave na fakse. Brat od mojega najboljšega prijatelja svetoval, da računalništvo tam je prihodnost. To je zdaj tam, kar se bo dogajalo v naslednjih parih letih. In potem sem rekel Okej, sej saj vedo, da zanima računalnik, ki sem to opisal. Kolega si žal potem ni bil sprejet, tako da sem sam prišel na faks. Potem pa ja. Potem me je že kar kmalu začel zanimati kaj. Tako kot sem rekel znanstvena fantastika pa to. Danes se je to že čisto realnost in zdelo se mi je pa tako, da se učimo vse drugo kakor to, kar pač zdaj. Vem, da da je bilo zmota na moji strani, ne na strani profesorjev, tako da potem sem malo oziral vmes, potem sem pa tako padel v eno zelo dobro skupino sošolcev, ki so bili zelo pridni. in se tekom tega nazaj se fajn poglobijo noter padu študiju. Potem sem pa tud imel srečo. Še eno srečo, da sem pa dobrega mentorja dobil za diplomsko nalogo in tam sem pa tud jaz kombiniral potem z enim svojim hobijem, ki je brazilski jiu jitsu, pa sem videl, da bom tudi temu še kaj rekel, ker tebi tudi to zanima. Ja, v redu, v redu, ampak če prav razumem, vzel si pavzo med že med dodiplomskim ali potem šele med dodiplomskim. Med dodiplomskim, potem pa pač tekom te diplomske naloge. Je pa to res ful noter potegnilo. Tam sem delal z računalniškim vidom oziroma kako prepoznavati pozicije v brazilskem jiu-jitsu s strojnim učenjem. In potem me je pa tudi on priporočil, da naj grem na ta program podatkovnih ved za magisterij. Slišal sem tudi, da je to zelo težek program in sem se že nekaj naučiš. In potem sem se za to odločil. In zdajle, ko smo prejšnji teden dobili magistrske, lahko rečem, da zelo dobra odločitev.

Gal Gantar: 4:10

No, me veseli. Me veseli. Potem pa mark. Kar isto vprašanje Kdaj je tebe začela zanimati znanost? Ali si že od začetka vedel, da se boš ukvarjal z računalništvom, matematiko in kako je potekala tvoja izobraževalna pot?

Mark: 4:25

Ja, v bistvu sem pa zdajle šele povezal stvari, ki je v bistvu bil razlog, zakaj sem jaz mogoče šel v to smer. Jaz sem majčken, ne bom rekel len, ampak tekom avtorjevega odgovora Zdajle, zdajle, zdajle, zdajle takrat, ko je začel s staro rekel odlično odprli. No, v bistvu jaz ne bo tako ali pa še zdaj Vedno rad kul, avtomatiziran stvari, kot da bi nek test naredil sam. End to end. Nevem recimo v osnovni šoli je bila prva stvar, ki me je zelo zanimala, robotika. To v bistvu mogoče prvi znanstven, znanstveni, ampak naravoslovni korak, ki sem se ga lotil. In sva s kolegom bila tudi državna prvaka. Tako da je blo kr zanimivo. Potem podobno kakor Valter tudi sam nisem bil ziher, ali je računalništvo, računalništvo, matematika prava stvar, ki jo moraš študirat. V bistvu sem imel v glavi skoz ekonomijo bolj, ampak na koncu sem bil mnenja, da mogoče je to res prihodnost, pa da se lahko ekonomije mal zraven naučim, če pa je treba kdaj. Ja, no, in to nas je pripeljalo na študij računalništva in matematike, ki ga jaz vedno rad omenjam in ga res toplo priporočam vsem študentom, ki se vpisujejo. Ker se mi zdi, da se res veliko lahko naučiš, tako da to, kar zdajle rečem, da ne bom pozabil pol. In ja, ja, jaz tudi.

Gal Gantar: 6:11

V bistvu imam tako izkušnjo, da se mi zdi, da ko se vpisuješ na študij, pa še posebej tej študiji, ki so vključujejo neko matematiko, ki so malo bolj teoretični, imaš v glavi, da potem človek z ozadjem, ko konča ta študij, vse, kar lahko počnejo, rešuje neke teoretične probleme. Ampak v bistvu potem se mi zdi mogoče. Kolikor je Valter omenil šele na magisteriju, potem ugotoviš, kako bistvu ta teorija predstavlja temelje v vseh ostalih, tudi bolj aplikativnih, bolj kreativnih področij. In da je mogoče tudi tisti predmeti, ki jih v prvem letniku si se s težavo učil nekje, potem ti še kaj prav pridejo. OK, to je v redu, to bi jaz oprosti tvoje pojme.

Valter: 6:56

Zdaj sem se spomnil. Mark, ti imaš take just-in-time kombinacijo. Ja, to ste mogoče za tiste, ki me ne poznajo tako dobro, da sva bila na tem forumu, saj bomo potem o tem govorila, sem se spomnil. Oni tudi magistrsko nalogo zagovarja, medtem ko sva midva, se za hackathon pripravljala. Hahahaha. Ja, no ja, jaz sem kar zadnjo minuto, tako da ja, ampak potem je dobro.

Gal Gantar: 7:20

Slaba lastnost. Ja. Ja, v redu, pol pa me me zanima še. Mark Se pravi delaš magisterij na Oxfordu. Zakaj se odločil za študij v tujini?

Mark: 7:33

V bistvu je bila kmečka želja mogoče pogledati malo v tujino, kako se stvari odvijajo, če je res boljše kot pri nas. In mogoče high level, bi samo rekel da. Je znanje, ki sem ga dobil na študiju tukaj. Računalništvo in matematika v Ljubljani je zelo primerljivo stilu učenja oz. nivoju zahtevnosti na Oxfordu, tako da je to pomembna primerjava, ker lahko mogoče kakšnega drugega spodbudi, da ni iti v tujino na neko dobro univerzo, recimo nek tak bav bav, ampak da je to v bistvu nekaj zelo podobnega.

Gal Gantar: 8:20

Ja, ja, jaz imam podobno izkušnjo tudi na EPF, Lj. Na Tehničnem inštitutu v Lozani. Bi rekel, da je interdisciplinarni študij računalništvo in matematika zelo, zelo dobra podlaga in iz teoretičnega in praktičnega vidika se mi zdi zelo dobra kombinacija. In da da, da, da v bistvu s tem študijem pridobiš zelo dobro odskočno desko za študij v tujini, potem pa nadaljujemo s športom. Oba se rada ukvarjata s športom. Mark, ti si košarkaš, Valter, ti treniraš, imaš črni pas v brazilskem Riu? Zanima me je mogoče vprašanje za oba, a potegneta kakšne paralele med športom in delom in študijem in raziskovanjem? So neke veščine, mogoče neke lastnosti, ki jih lahko iz športa preneseš v delo? Mark, jaz bi, kar te bom začel. Ni problema.

Mark: 9:14

Ja, jaz mislim, da je vztrajnost. To je po moje prva lastnost in mogoče ena taka informacija. Se mi zdi, da v tujini te najboljše prakse na svetu, ko se vpisuje ljudi na dodiplomski študije, zelo preferirajo ljudi, ki imajo nek športen background, ki so pokazali, da so pripravljeni vsak dan, se pojaviti od trenirati težke treninge, recimo. In to se po navadi dobro slike, za uspeh tako na faksu kot študij, kakor tudi potem pol kasneje, recimo v življenju akademskem akademskem okolju recimo že kaj dodal Valter.

Valter: 10:01

Ne vem, če imam kaj za dodati. Ja, to se sliši kot kliše, ampak ja, vztrajnost, premagovanje samega sebe, to ti kot nek tekmovalec, vsaj v športu. Temu se ne moreš izogniti in to je pa potem zelo prav. Pride, ko je treba stisniti zadnji in zadnji teden izpitov. Ali pa zadnji dan članka, ko je treba ponoči spet buden, pisat, paragraf, popravljati. Tako je to res.

Gal Gantar: 10:34

Prav pride. No, zdaj spet.

Valter: 10:36

To se sliši klišejsko, ampak pri odzivu je ena. Rek da črn pas je v bistvu samo bel pas, ki nikoli ni nehal. In to je točno to. V bistvu točno to pove, da tudi doktor znanosti je samo gimnazijski maturant, ki ni obupal. V bistvu ne.

Gal Gantar: 11:01

Ja, res je. Tako bom rekel. Ne bom komentiral, ker ker noben od nas nima doktorata.

Valter: 11:09

Ampak ja, tako se učim. To se prevede, da se prevede tako.

Gal Gantar: 11:14

OK, potem mi pa majčkeno zavil še v v v strojno učenje. Torej vsi mi trije se ukvarjamo s tem področjem in bi mogoče malo na splošno poizkusil opisati glavne probleme, s katerimi se to področje ukvarja. Ali pa mogoče Valter zdaj na splošno povej, prosim, kaj je. Kaj je strojno učenje in kako? V bistvu. Predvsem me zanima. Globoko učenje je področje strojnega učenja, s katerim se ukvarjamo vsi trije. Kako je strojno in globoko strojno učenje, Kako se razlikuje od statistične analize podatkov? Mogoče bi lahko pogledali, kako je podoben, ker v zelo veliki meri, a ne vidiš, da gre za statistiko zadaj, ampak čisto na splošno, če rečemo, kaj je strojno učenje.

Valter: 12:04

To je neko področje znotraj računalništva in matematike. Verjetno. Ukvarja se s tem, kako mi lahko naučimo nek model, da bo na podlagi podatkov, torej nekih prej videnih podatkov o procesu, ki ti podatke generira, se naučil lastnosti tega procesa in na podlagi tega bo potem lahko napovedoval za neke nevidne dogodke oziroma posplošil to znanje in ga lahko prenesel na nove probleme oziroma specifično, v tem primeru na neke nove pojave. Zdaj glaven namen tega je vsaj v veliki meri se to uporablja za razvoj nekih napovednih modelov. Tako kot sem že. Že sama definicija se zelo dobro prenese na nek problem napovedovanja. Torej, mi imamo nek proces, naučimo model, ki ga zna modelirati in potem lahko napovedujemo za nove vrednosti. Delamo napovedi za nove vrednosti. Ja, kaj pa globoko učenje? Torej globoko učenje je pa to je pa nek pot, ne podmnožica pod področje kot področje pa je še boljši. Tega področja, ki se pa ki pa temelji na globokih nevronskih mrežah. Zdaj v bistvu lahko bi rekli, da večino tega, čemur danes rečemo umetna inteligenca v narekovajih, v bistvu temelji na globokih nevronskih mrežah. Kaj so globoke nevronske mreže? Ja, neka matematična abstrakcija, ampak tako pač ni neka matematična struktura, ki jo znamo dobro. Ampak če pogledamo čisto praktično, a ne? Že ime namiguje na možgane. Navdihnjene so po človeških nevronskih mrežah. Ampak v bistvu gre za precej bolj enostavno zadevo. To je pač ja. Ko smo delali nek matematični model, ki pa je iz vidika vsaj implementacije in učenja dokaj enostaven. Torej gre za nek matematični model, ki ga zelo enostavno sprogramiramo z modernimi programskimi jeziki in po tem tudi učimo. Kar je pa tako vsaj nam računalničarji zelo všeč. Samo sprogramira stvar, potem pa mečeš noter podatke in se stvar nauči. Če malo poenostavim v hecu in izkaže se, da stvar kar dobro generalizirana različne probleme in da tudi v praksi zelo dobro. Tako, to je pa glavna glavna lastnost, ki jo iščemo pri strojnem učenju.

Gal Gantar: 15:03

OK, potem pa Marko, vprašanje za tebe. Ko učimo te modele, rabimo velike količine podatkov oziroma odvisno od modela, Ampak še posebaj moderni modeli z veliko parametri porabijo ogromne količine podatkov. Zanima me, kako je kvaliteta modela odvisna od količine podatkov in kakšna je vloga podatkov v strojnem učenju. Torej, zanima me, če si podjetje ali institucija ali pa raziskovalni nek raziskovalni zavod, kako pomembno je, da imaš dober, dober model in kako pomembno je, da imaš dobre podatke. Ja, mislim.

Mark: 15:44

Ena stvar, ki je zelo popularna v zadnjih časih. Spelling glossy, kar v bistvu pomeni to, da. Smo pokazali oziroma kot človeštvo. Znanstveniki so pokazali, da z večjo količino podatkov, z večjimi modeli in z večjo količino računalnikov. Se. Se. So rezultati veliko boljši? Se pravi performans modelov je veliko boljši. In če mene vprašaš, je v bistvu glavni razlog, zakaj smo prišli do te stopnje umetne inteligence. Ker ko je bilo to vzpostavljeno ti zakoni. Potem je prišla velika investicija kapitala iz vseh koncev, kar je povzročalo še hitrejši razvoj v smislu več inženirjev. in raziskovalcev je delovala na teh problemih. In nas privedla do te točke, kjer smo danes. Kar se pa tiče kvalitete podatkov, je pa to zelo pomembna stvar. Recimo te naši splošni veliki

Valter: 16:51

jezikovni modeli, ki jih vsi poznamo, so bili so

Mark: 16:54

najbolj natrenirani v bistvu na skoraj vseh podatkih na internetu. V bistvu se veliko govori o tem, da nam bo zmanjkalo podatkov, o katerih še niso bili natrenirani modeli. V začetni fazi. Ampak potem recimo nadaljnjo do treniranje, ko se recimo modeli, ko želimo, da se modeli prilagodijo malo bolj na nek specifičen problem. Ne samo, da razumejo, kako naš jezik funkcionira na nekem takem. Visokem pogledu na neke višje točke. tam pa v bistvu kvaliteta tvojih podatkov naredi res res veliko razliko. Ja, zato se tudi veliko investira v to, da se dobiva kakšne eksperte na nekih področjih, da res pripravijo podatke, ki so res visoke kvalitete. In potem dobiš model, ki performa veliko boljši, kot recimo, če bi imel samo neke podatke iz celotnega interneta. Recimo tako tako. Data is the new oil, pravijo podatki so nova nafta. Ja, samo ne, ne napast naših podatkovnih centrov tako ali tako tako tako. Ja. V redu, mogoče pa zakaj je prišlo do teh investicij? Pa ker so ugotovili, da se precej dobro da napovedat to, kako bo stvar delovala, če uporabljamo še več in še več. tako in v bistvu te firme na svojih podatkih naredile napovedi, kaj če pa mi investiramo še 50 milijard v infrastrukturo bo pa še 30% boljši model. Tako da to ni bil problem. Potem it denarnico pa ven vržt. Velike vsote tako za za zelo specifične določene institucije, ki si to lahko privoščijo.

Gal Gantar: 18:56

V redu, potem pa mogoče še malo o temeljnih modelih. Valter. Zanima me torej temeljni modeli so v so v strojnem učenju trenutno ena najbolj popularnih in najhitreje rastočih področij. Zanima me, kako se temeljni model z zelo preprosto, zelo na visokem nivoju razlikuje od navadnega modela, recimo namenjenega prepoznavanju psov in mačk iz slik.

Valter: 19:19

Ja, ja, temeljni model je v bistvu nek model, ki lahko niti ne rešuje specifično samo enega problema A tukaj gre še zmeraj za danes, predvsem za neke velike globoke nevronske mreže. V veliki meri tudi temeljijo na arhitekturi Transformerji, ki je samo neka nadgradnja nevronske mreže, da lahko deluje na sekvencah podatkov na posameznih. Podatkovnih točkah, enotah podatkov. Vektorji. No, zdaj zakaj torej? STA pa dva glavna cilja, ki jih hočejo doseči? Torej en je, da bomo lahko iz njih naučili neke specifične klasične modele, ampak jih bomo bolj učinkovito lahko naučili, ker so že pridobili neko bolj splošno znanje, tako kot je rekel prej Mark a ne dobijo nek tako razumevanje domene, na kateri so bili naučeni na nekem visokem nivoju oziroma neko znanje pridobijo s tem lahko rečemo. Druga stvar je pa da ker je pa pač tako nekako v zadnjih letih mislim, da 20 20 so se je uveljavil ta izraz je pa da se lahko učijo iz konteksta. Torej mi tega modela ne rabimo naučiti vnaprej problema, ki ga hočemo reševati. Mi modelu podamo opis našega problema in nekaj primerov In potem lahko že iz tega našega opisa model Extra polira in rež rež. Točno ta problem, ki smo ga mi hoteli, oziroma neke nove modele, ki jih pa še ni videl med učenjem.

Gal Gantar: 21:06

Razumem, razumem in potem pa mogoče še vprašanje za Marka. Kaj pa kaj pa infrastruktura? Torej treniranje velikih modelov zahteva veliko količino računske moči in vemo, da ta računska moč je neenakomerno porazdeljena, skoncentrirana v nekaj deset podjetjih. Kaj pa ostala podjetja, ki tega nimajo? Ali sploh lahko tekmujejo v dirki razvoju čim boljših modelov? Ja, mislim,

Mark: 21:38

to je po moje glavni razlog, zakaj se je močen del skupnosti usmeril v odprtokodne modele, kot je recimo na primer Lama od mete. Samo podjetje, neko manjše, ki nima kapitala za razvoj nekih fundamentalno temeljnih modelov. Je to skoraj nemogoče, bi jaz rekel. Ampak ker imamo ti neke odprtokodne modele z. Odprtimi javnimi utežmi, potem pa lahko vzameš ta model in ga zgradiš oziroma treniraš za tvoj specifičen problem. Tako da v bistvu to je meni zelo pri srcu oziroma je zelo pomembna odločitev vlade, če bo ta razvoj v odprtokodno smer, da ni šlo vse samo v zapiranje in tako. Ravno zaradi tega, ker odprtokoden model podjetja, ki bo razvilo model in ga javno objavilo načeloma poslovni model, je bistveno bolj zakompliciran, ker kar naenkrat vsi ljudje imajo že svoj model in moraš potem ti naknadno nekako preverjati, kateri od teh podjetij uporabljajo tvoj model in katera ti potem tudi pripravljena plačati za svetovanje ali za neko integracijo ali za nadgradnje. Ampak v bistvu se je izkazalo, da odprtokodni modeli zelo, zelo pomembni. Tukaj danes imamo že na desetine podjetij, ki delajo odprtokodne modele, ki so na marsikaterih medijih zelo primerljivi z modeli, ki niso, ki niso odprtokodni. In ja, tako kot si rekel to. To omogoča tudi manjšim igralcem, da igrajo igro. Ja, ja, ampak tako kot si rekel. V bistvu je vsa kompozicijska moč skoncentrira v nekih koncih, recimo. Kar bo bolj pomembno, pa mogoče ni še čisto splošno. Opazno je v bistvu energija. To je to. Je v bistvu glaven faktor, ki bo prišel v igro. In tudi se dogaja neke ideje. Recimo SpaceX ima zdaj mastno idejo, da bi postavil center v vesolju, kjer pa spet v bistvu odpre mogoče nek drugačen pogled. Kako naj bi izgledalo ti čipi? Ker mogoče so lahko bolj ko ni nujno, da optimizirajo iste metrike. Recimo Nvidia mora zelo optimizirati recimo porabo energije in tako naprej. Ker smo na Zemlji, recimo konstante za energijo proizvajamo, medtem ko je mogoče. Recimo, če si v vesolju in imaš nek satelit z sončnimi celicami. Mogoče ta potreba po energiji ni več glavni omejevalni faktor in v bistvu odpre nek drugačen razvoj teh čipov. Kar je zanimivo vprašanje. Tudi hlajenje ni več, pa je je v vesolju. Ja, to je to. To si. To si v bistvu zelo, zelo zanimivo vprašanje odprl, da, v bistvu ta tekma, ki je bila mogoče še 2 leti nazaj tekma v tem, katero podjetje ima več računalniške moči, bo mogoče na neki točki prešla v to, da bomo tekmovali, kdo ima več energije, ker enostavno že energetska potreba tega, da ne treniramo. Modele z trilijon parametrov, bo presegla to, kar si lahko neko normalno podjetje privošči. Tako da to je v bistvu dejansko postaja globalno vprašanje in bo še toliko večje globalno vprašanje. Za vsak večji model, ki bo imel še več parametrov, zahteva še več energije. Ja, mislim, jaz vidim, če v roku petih let ali pa v limiti recimo bo neka taka inteligenca konvergira k energiji oziroma k ceni energije, kot bi temu rekel nek tak trend,

Gal Gantar: 25:37

ki je zelo zanimiv, ki ga opažam. Zanimivo, ja, ja, ja, ja, zanimiva opazka. OK, potem pa bi mogoče prešel na hiter, na relacijsko strojno učenje. Torej oba sta. Oba sta opravila raziskovalni obisk na univerzi v Stanfordu in oba sta se ukvarjala z relacijskim strojnim učenjem. Mogoče Valter na hitr opisal, kaj relacijsko strojno učenje, s čim se ukvarja? Glavni problem, ki ga rešuje tukaj,

Valter: 26:04

torej relacijsko strojno učenje, je strojno učenje, ki gre za nek načrt za razvoj modelov strojnega učenja na relacijski podatki relacijski relacijski podatki. Kaj so? A ne gre za? Gre za podatke, ki so shranjeni v tabelah. Lahko je to. 1 Tabela. Torej, tabele si lahko predstavljamo tako kot Excel tabelo za tiste, ki niso računalničarji. Torej, mi imamo neke stolpce in neke vrstice. Podatki so pač vsaka vrstica predstavlja nek dogodek ali osebo ali predmet. Stolpci pa hranijo podatke o njihovih atributih. Če imamo več tabel, potem pa govorimo o relacijski bazi. Tam so pa te tabele lahko povezane med sabo. Recimo lahko imamo podatke o neki stranki in pa nakupih, ki jih ta stranka izvaja oziroma lahko imamo podatke o nekem bolniku in pa o obiskih v bolnici in pregledih, ki jih je izvedel. No, in ta struktura, ki nam jo definirajo tuji ključi, se pa potem zelo elegantno prevede v graf. Graf je spet neka matematična abstrakcija, kjer imamo mi neke vozlišča, ki so pa med sabo povezane s povezavami. Tako kot so pri nas tabele oz. vrstice v podatkovni bazi povezane med sabo in zaradi tega, ker lahko uporabimo to zelo. uporabna abstrakcija za ta problem zelo zelo naravno abstrakcijo, potem lahko naučimo modele, ki že tako nekako naravno razumejo te podatke. Torej so primerni tako za strojno učenje na grafike zelo razvito področje in potem lahko uporabljamo znanje iz tega področja, ki se je razvijala že desetine let potem da jih apliciramo nazaj, ampak recimo čisto na visokem nivoju relacij v temeljni relacijski model lahko mogoče pomaga neki bolnici, ki ima neko tabelo, ki je strukturirana na drugačen način kot vse tabele, ki jih je model videl prej, da naredi prediktivno o pacientih, brez da bi porabili denar, da bi trenirali svoj model. Ali je to tako, da zdaj, ko pa govorimo o temeljnih relacijskih modelih, so pa To je pa nekaj, kar je zelo dobro Pri recimo relacijske globokem učenju samem je, da je to, a ne mi. To shemo podatkovne baze oziroma strukturo relacij lahko z njo lahko predstavljamo podatke na zelo različnih področjih in nam že to poenoti razvoj naših modelov. Če pa imamo nek relacijski temeljni model, pa lahko potem brez da bi sploh učili te modele, lahko rešujemo probleme na različnih področjih, brez da bi rabili sploh svoj svoj model učiti. In to je mogoče glavna atrakcija teh temeljnih relacijskih modelov. V bistvu so zaradi tega še toliko bolj atraktivni, ker ne samo, da ne rabimo učiti tudi zelo širok nabor problemov. Torej, temeljni relacijski model bi lahko uporabljala banka, bolnica, neka neka firma, ki se ukvarja s kulturo, prodajalna športnih oblačil. Vsi zelo zelo, zelo mogoče dodam, ker je ena glavna stvar, ki vedno rečem, da se ukvarjam z medicinskimi modeli, recimo je. Ja, zakaj pa ne daš tega samo noter v chatbot recimo. To je mogoče začetno vprašanje, ki si ga postavimo in chatbot teh relacijskih problemov, kjer je v bistvu neke informacije o tvojih podatkih. Recimo neka graf, graf, struktura, recimo. tega chatbot ne zavzame zelo dobro. Ni zasnovan. Temeljni modeli niso zasnovani, da lahko to informacijo dobro izkoristi. Samo to sem hotel reči, da ljudje dobijo občutek, zakaj ne morejo. Ker chatbot recimo dobiti nekaj podobnega, kar mi delamo.

Gal Gantar: 30:31

Ja, mislim, da tu si zelo dober, kajne?

Valter: 30:34

Jezikovni modeli, oni pri njih je prvi. Pri njih je domena, na kateri so doma jezik. Relacijski modeli so pa doma na relacijski bazi in tu pa še to mogoče. 3. 3. 3 Glavni tipi problemov so, ki jih lahko rešujejo. Eni je neko pripoved priporočeno zanje oziroma napovedovanje novih povezav. Tukaj so jezikovni modeli.

Gal Gantar: 31:00

V bistvu lahko tukaj znajo biti Valter za vsako od teh tipov.

Valter: 31:04

En tak preprost primer. Zelo znan je Torej najprej imamo neko priporočila. Torej imamo neko podatkovno bazo s strankami in produkti in mi bi radi stranki priporočil produkt, ki bi jih najbolj zanimala. Tukaj bi bilo to potem napoved. Potem lahko napovedujemo lastnosti posameznih entitet. Torej mi mogoče vnašamo nek nov podatek v bazo za nekoga, ki se bo pridružil neki spletni strani in mi mu lahko že vnaprej predlagamo kakšno lastnost, brez da rabimo vsako stvar ročno vnašati. Zdaj verjetno najbolj zanimiv problem, ki ga rešuje, je napovedovanje prihodnjih dogodkov. In to je pa tudi to. Tukaj so pa tudi veliko boljši od jezikovnih modelov. Tako kot je Marko omenil, predvsem, če imamo mi neke Številske podatke. Če jih hočemo napovedati, neko število. Proda število nakupov, ki jih bo, ki jih bo neka produkt imel, ali pa stranka, ki jih bo naredila v prihodnjih. V naslednjem mesecu. Tukaj so pa veliko bolj natančni oziroma kalibriranje pri svojih napovedih, kot so recimo to jezikovni modeli, ki pa pač dobro razumejo jezik.

Gal Gantar: 32:37

OK. OK, razumem, super hvala. Potem pa mark. Mogoče vprašanje zate. Kako pa ocenimo zmogljivosti temeljnih modelov? Torej? Valter je omenil, da so temeljni modeli. Da so temeljni model lahko aplicirati na zelo širok spekter nalog. Ampak potem kako pa ocenimo, kdaj je en temeljni model boljši od drugega? Kako ocenimo, kako dober model v resnici je?

Mark: 33:00

Ja, mislim, to je klasično vprašanje, tako kot v akademiji, kot tudi v industriji za podjetja. In odgovor je benchmark. Ponavadi ne vem, če je to prav slovenski izraz. Uf, ja, tudi jaz ne vem kako bi rekel besedo. Mogoče samo pri tem. Ja, ja, mislim da ja v angleškem izrazu nabori nabori podatkov, ampak ni čisto isto. Ja, ja, ja, ja, ja. V glavnem, držimo se besede benchmark, ker rečemo benchmark benchmark. Ja, ja, se pravi ideje o tem, da ti pripraviš neke neko podatkovno množico, ki zelo dobro reprezentira tvoj problem. Recimo, če si v podjetju, te zanima neka specifična naloga. Recimo recimo, da bi rad naredil matematiko, potem te zanima, kako dobro modeli recimo deluje na reševanju nalog in recimo ne vem. Ja, in potem uporabiš to isto množico, da nekako oceniš, kako dober je model, tvoj model in na podlagi tega lahko vzameš različne modele, recimo različne velikosti modelov. Ker to je sploh zdaj aktualno vprašanje, ker trenutno so cene teh velikih jezikovnih modelov oziroma teh frontier modelov zelo visoke. In potem vprašanje, kaj je v bistvu najmanjši model oziroma najcenejši model, ki bo še kar dosegal neke cilje, ki si jih želimo. Tako da to je v bistvu tak klasičen pristop, ki ga v bistvu spodbujam, da ga vsi naredijo, ne da, ker če recimo imaš nek problem recimo v podjetju neko manjše podjetje, ki nima nekih podatkovnih znanstvenikov. Prva stvar, v katero je mogoče dobro investirati, v pripravo takšne čim večje množice, ki najbolj reprezentira tvoj problem, da potem, ko bo recimo nek napredek modelov, recimo bo entropija novi modeli bodo boljši, prvi modeli bodo, boljši boš lahko zelo hitro se odločil, kaj je res tisti sweet spot oz. tista izbira modela, ki odgovarja tvoj problem. OK, ok, razumem, razumem zelo

Gal Gantar: 35:31

zanimivo, potem pa mogoče zdaj. Saj v bistvu je to tema, ki se jo dotikamo na malo že tekom celega pogovora. Ampak industrija, torej modeli so zanimivi teoretično, na njih se dela, piše raziskovalne članke, ampak vsi vemo in tudi že cel svet in nekako velik del tega področja se obrača proti temu, da se te modele monetizirati in da se te modele prodaja. Torej, zanima me tudi vidva imata oba izkušnje v industriji, a mogoče Mark bi prosil najprej tebe. Daj na kratko povej, kakšne so tvoje izkušnje v industriji, kaj si, kaj si kaj počel in kako se to, kar si delal prej v industriji, povezuje s tem, kar počneš zdaj.

Mark: 36:16

Hmm, Okej, super je. Ja, jaz sem kar nekaj različnih stvari dela v industriji, od recimo nekaj bolj finančne industrije do nazadnje bolj v bistvu prodajanje oglasov, ampak bolj iz tehnološke strani. Se pravi, kako v vsakem trenutku recimo veliko ljudi išče stvari na internetu in po navadi vidimo oglase. Ampak v resnici to večina ljudi ne ve, kako to deluje. Ampak na začetku, ko ti obišče spletno stran, je v bistvu ta okvirček, kjer bo oglas potem čisto prazen. In to specifično oglasno mesto se potem razpošlje vsem ljudem na svetu, ki so pripravljeni staviti na na ta na. Oglasno mesto in kjer sem jaz delal v podjetju tukaj v Ald Brain oziroma TIC. Sedaj smo se ukvarjali s tem, kako uporabiti strojno učenje, da napovemo, kakšna je verjetnost, da bo uporabnik klikne na oglas. Ti sistemi so v. Jaz sem bil v tem podjetju v tej industriji, recimo kakšno leto in pol nazaj, ker je v času nekega tega napredku inteligence kar zelo veliko. Tako da v tistem trenutku sistemi še niso vključevali nekih teh temeljnih modelov, ker so preveliki oziroma se jih ne splača uporabljati stroškovno. To je ena ena dimenzija, druga dimenzija pa v bistvu čas, ki ga ti temeljni modeli potrebujejo, da proizvedejo nek rezultat, je čisto prevelik v primerjavi s čim se ukvarjamo v tem oglaševalskem internetu, kjer morajo biti odločitve narejene v roku milisekund, medtem ko recimo, če uporabljaš več kot po navadi, lahko čakaš tudi minuto po minute, da dobiš nek odgovor. Ampak sem slišal oziroma je že takrat bilo malo usmeritve, kako so lahko ti temeljni modeli uporabljajo, da obogatijo reprezentacije, obogatijo podatke, ki jih recimo imaš o uporabnikih in s tem v bistvu pripomore k boljšem napovedovanju verjetnosti, da bo uporabnik kliknil na glas, tako da je ta trend, da da temelji vse industrije, vse panoge. Ja, tako tako. Ja, v bistvu oziroma tako, da vemo, vsi iščejo, kako jih uporabiti. Ampak odgovor na to, ali je to stroškovno efektivno za vsak problem, pa še ni čisto jasno.

Gal Gantar: 39:05

No, v redu, Valter, potem isto vprašanje še za tebe. Ti si letos poleti profesor doktor Jureta Leskovca na Stanfordu in tekom tega raziskovalnega obiska si se ukvarjal na razvoju relacijskih temeljnih modelov, ki si potem ta razvoj tudi nadaljeval. Zdaj kot podatkovni znanstvenik v Humu. Jaz bi malo več povedal o tvojem delu v humorja in kako se to povezuje s tem, kar si prej raziskoval na Stanfordu.

Valter: 39:31

No ja. Torej, komu je? Kaj je start up iz Silicijeve doline, Ker ga soustanovitelji tudi Jure? Oni se. Glavna misija je, da to, kako omogočiti strankam napovedovati. Na podlagi njihovih podatkov napovedovati prihodnje dogodke. Torej ne samo analiza, ampak dejansko neko napovedovanje stvari, ki jo omogoča potem boljše sprejemanje odločitev. Zdaj, kot si rekel oni so razvili že ogrodje relacijske globokega učenja in potem so okoli tega začeli graditi produkt. Zdaj, ko so pa ti relacijski modeli oz. temeljni modeli relacijske in tabelarični podatki prišli do take mere, pa tudi razvijamo svoj relacijski temeljni model in pač, kar je pa zdaj tako zelo všeč je pa da zdaj pa tudi lahko vidim, kako to stranke v praksi uporabljajo. Na tem sva tudi prej oba z Markom delala tekom svojega obiska. Zdaj pa ni več samo ta, akademski pristop, torej izkoriščamo en model, ga ovrednotimo na podatkih vidimo, da dobro dela, spišemo nek članek, ampak zdaj pa dejansko tudi poskrbimo, da stvari delujejo in dobivamo feedback. Kaj bi še imele stranke, kaj jim je všeč In tako iz tega vidika me je ta del. Zelo mi je zelo všeč. Tako da znanje iz tistega članka zdaj prevedla v produkt, ki dejansko je uporabljen v industriji in verjetno bo uporabljen še več v prihodnosti, ko bo temu tako. Tako da ja, no, vsaj ja, vsaj na podobnih problemih rešujemo. Ne bom pa zdaj čisto razkrival o tem, kakšen model pa imamo. No, no, tako tako tako.

Gal Gantar: 41:40

Ja ja, no, ampak v vsakem primeru to, kar si raziskoval na Stanfordu del tega znanja in v bistvu enaka tehnologija se je prenesla tudi v tvojo profesionalno pot in v bistvu ASEF. Obisk je bil dobra podlaga za to, kar počneš tudi profesionalno. Tako da ja v redu. Potem pa še zadnji del našega pogovora bi se osredotočil na vajin raziskovalni obisk. Torej, obadva sta istočasno lansko poletje opravljala raziskovalni obisk pri mentor profesor dr. Juretu Leskovec na Univerzi v Stanfordu. Tam sta preživela, če se ne motim, dobra dva meseca. In ukvarjala sta se oba v bistvu na tem relacijsko strojnem učenju, v katerem smo veliko povedali že prej, zdaj. Mogoče bi vprašal Mark tebe, kako je, kako je v bistvu, kakšne so tvoje izkušnje iz raziskovalnega obiska. Torej prišel si tja v novo okolje, novo univerzo, novi sodelavci, mogoče nov sistem. Kakšne so, kakšne so tvoje izkušnje, kakšna je? Kako je potekal tvoj raziskovalni obisku v laboratoriju profesorja

Mark: 42:53

Leskovca? Ja, perfektno. Ja, ja, mislim za računalničarja. Ne vem, če je kakšen drug kraj na svetu bolj magičen kot Silicijeva dolina. Pa Stanford sploh. Ja, ampak že prej sem bil malo v tujini, levo in desno, tako da. Tujina zame ni bila neka taka novost, ampak je Stanford prav gotovo. Razsežnosti kampusa v smislu, kako je res kampus ogromen, da rabiš skoraj z avtom oziroma vsaj s kolesom iti levo in desno. To je bila prva stvar, ki me tako šokira. Mogoče je malo različno od tukaj v Ljubljani, kakor imamo, ker so fakultete razpršene po celem mestu. Tam je bistvu en ogromen kampus, ki je v bistvu ne vem koliko 10.000 študentov študirajo istočasno. Še več. Čeprav, če pogledaš površino oziroma razdalje med fakultetami znajo biti kar primerljive, samo tam je vse na kupu. Ja, samo v Ljubljani greš čez pol Ljubljane, tam pa samo mimo drugih stavb, drugih fakultet. Ja, ja, ja, to sta dobro opisala. Valda si dobro opisal. Ja, super podnebje, moram rečt. Ena stvar, ki je bila zelo všeč, ampak tako malo bolj malo bolj resni strani, recimo. Ja, ljudje so res izjemni tam okoli. In to, da si lahko okoli nekih ljudi, ki so res v špici, v špici tega, kar delajo, zelo pripomore k temu, kako se razvijaš. Recimo kot raziskovalec v tem primeru. Je pa tudi veliko nekih takih priložnosti okoli stvari, ki se dogajajo Recimo izven izven kampusa, recimo greste čez cesto, vi pa si v Palo Altu. In tako naprej, tako da sta imela

Gal Gantar: 44:58

kaj priložnosti zapisala Palo Alto. STA šla pogledat kakšna podjetja tam?

Mark: 45:06

Sva šla malo naokoli, sva šla celo na Google. Nama je uspelo priti noter, ker smo poznali ljudi. Aha, no, v bistvu še to omenjam. Prišel je tudi pozdravit Andraž Tori, ki je tudi mentor na ASEF. Če se ne motim. Tako da še to omenimo. In potem smo šli skupaj malo naokrog, da sem predstavil do ostalih Slovencev okoli okoli. Palo ata in jaz smo šli na kosilo v Google in je res res noro. Ko si znotraj Googla, imaš vse vključeno tako da bari so vse brezplačno. Kosilo je vse brezplačno, neskončno opcij, tako da ja, tudi to je bilo zanimivo videti.

Gal Gantar: 45:49

OK, potem pa mogoče še majčkeno več o tem. O tem. Slovenskem slovenski skupnosti torej, ali sta na Stanfordu spoznala kakšne druge Slovence, ki tudi poleg Jureta in vaju, ki delajo tam?

Valter: 46:07

Ja, tam sva spoznala dva doktorska študentka, Petra pa delo. Z njim smo se kar precej družili. Tudi. Bil je tudi bivši tam ASEF štipendist Blaž Stojanovič, ki pa živi v tem duhu in je tudi moj sodelavec pri Kumu. Tako da je bilo zelo fajn imeti tam že neko družbo, v katero sva se zelo lahko vključila. In ja, mislim, da tudi. Pa tudi, tam je tudi slovenski dom. Ko smo se peljali mi enkrat v San Franciscu s Petrom po glavni vpadnici v mesto noter in vidimo en ogromen napis. Slovenski dom v San Franciscu je slovenski dom. Ja ja, ja. Ful zanimivo, ko se voziš tam v San Francisco in vse kar vidiš so Tako te vsi plakati, ko nas vidiš. Ne vem za Petrola al za neke reklame. Tam je vse za neke firme, za umetno inteligenco. Vse je povezano s tem. Potem pa se mi tam peljemo in vidimo en ogromen napis Slovenski dom, ampak sta čisto random neka skupnost tam zelo močna, že slovenska. OK, okej,

Gal Gantar: 47:33

pa sta šla obiskat slovenski dom, pozna koga, ki je obiskal Slovenijo.

Valter: 47:37

Žal te prilike nisva dobila. Smo pa bili na enem srečanju. Zamejcev v Sloveniji ne vem točno, kako je ime zveze in smo smo ravno imeli takrat srečanje. No, ko sva midva zaključevala

Gal Gantar: 47:55

svoj obisk, to je bilo v kateri dolini točno Marka. Se ti spomniš? A to je ta Tomb Brendi. Tako smo šli skupaj.

Mark: 48:07

Ja, ja, ja, to je to! Je častni konzul Republike Slovenije v Kaliforniji. Tomb Brendi je organiziral in organiziral neko skup. Ja, ja, mislim, da Združenje Slovencev v Ameriki, v Kaliforniji. In mislim, da so se pele slovenske pesmi. Jedla se je potica. Tako v bistvu. Tudi mene je zelo presenetilo, kako veliko Slovencev se je se je nabralo tam na kupu. Kar polna hiša iz 50 50 Slovencev. Aha, pa v bistvu ljudje, ki s slovenskimi koreninami, ki mogoče niso vsi govorili slovensko, pa so vseeno pa so vseeno prišli, se podružili in se mogoče naučili kakšno besedo, poizkusili slovensko hrano. To dejansko. To je mene kar presenetilo, da je, da je slovenska skupnost v Kaliforniji tako močna. Ja, seveda je treba dodati, da je bila vožnja eno uro in pol nekaj takega, tako da ni bilo to tako, da greš za 15min tamle na trolo pa si pa se dobiš s kolegi. Ampak je bilo tako. Ja ja, ja, nek effort vloženo notri tako tako. Tako smo se morali peljati, pa če se ne motim, smo celo malo imeli malo težav, da smo našli naslov v Mariboru. Najti tapravi vinograd smo se ene parkrat parkrat zgubili vmes,

Gal Gantar: 49:30

potem pa me zanima, ali sta ali sta tam, ko sta bila v Stanfordu, kolaborirali še s kom. Pri tem raziskovalnem projektu. Kako je to? Kako je to potekalo? Nekako dinamika znotraj laboratorija.

Valter: 49:45

Jure ima tam kar v bistvu, kolikor jaz razumem dva laboratorija, ena, ki se ukvarja s dva laboratorija oziroma dve skupini znotraj laboratorija, ena, ki se ukvarja bolj z informatiko in nekako se ukvarja bolj s strojnim učenjem. Midva sva oba delala v tej skupini za strojno učenje. Midva sva bla glih poleti gor, tako da je bilo veliko ljudi, ki so delali pripravništva v industriji, tako da niso bili vsi tam, ampak tudi ne vem koliko nas je bilo. Ene 8 tam nekje okoli 10 bi rekel, da je bilo članov laboratorija tekom poletja prisotnih in seveda sva midva. Sem sodelovala z njimi na projektih, ki so jih oni že prej delali. Potem smo še nadaljevali nekaj sodelovanj, kako pa po končanem projektu pa je to potekalo? Doktorski študenti. Kako pa je to? Pa tudi z recimo doktorskim študenti oziroma kar pa nekako tudi Juretu pomagajo voditi laboratorij, Pa da je vsa delovanje laboratorija na dnevni ravni, pa tudi projekti tečejo tako gladko. Kako pa je potekalo mogoče

Gal Gantar: 51:12

vprašanje za Marka? Nekako povprečen dan tam, kje sta stanovala? Ali sta vsak dan delala v pisarnah ali sta vozila, se na Stanfordu stanovala blizu kampusa? Je bilo težko najti nastanitev, ki sta, ko sta se enkrat odločila, za kateri datum bosta šla na obisk. Ja, ja, ja,

Mark: 51:33

midva sva stanovala na kampusu, ampak ker je tako izpostavil eno stvar za vse prihodnje štipendiste, ki bodo odšli na Stanford. Prosim kontaktirajte prejšnjo generacijo in bomo poskusili vas povezati z ljudmi, ki so trenutno na Stanfordu, ker vam oni. Verjetno je že tako, da potem mogoče na njih oni naslednja povežejo naprej. Super perfektno, da obstajajo take bolj cenovno ugodne opcije, da lahko stanuješ na kampusu. Midva sva se malce več plačala zato, ker nisva imela te informacije, ampak za prihodnje. Za prihodnje štipendiste je to kar zelo uporabno. Potem delala sta po pisarnah, zgodila prosti? Ja, tako da se tudi. Zelo hitro se je zgodilo. Midva sva v bistvu tako. V bistvu pravzaprav nekje leto nazaj, ne mogla pa blokirati nastanitev za čez poletje. In potem sva pa že kmalu, potem pa že kmalu odletela. Ampak na srečo tudi Stanford tukaj nekako pomaga finančno. Torej sva dobila neko sofinanciranje teh nastanitev, kar je. Tako sva bila zelo hvaležna za to. Ja, ja, ja, mogoče nadaljevati še več. Kako izgleda povprečen dan? Midva sva bila kar pridna. Moram reči, pa sva tako en drugega malo puščala, tako da sva recimo ob devetih vstala. Potem sva že letela s kolesom do do do pisarne. Kjer smo delali lahko do polnoči s kakšnimi odmori vmes za kosilo. In to je to. Ampak je zelo tako. Kolikor si pripravljen investirati, toliko lahko investiraš in rezultati so primerljivi temu. Tako da, midva sva bila kar malo produktivna, da nama je uspelo oz. da nam je uspelo spraviti publikacije v takem času. Ja, ampak seveda neka druženja, sploh s temi Slovenci, ki so na kampusu tudi izven kampusa. Kakor je Valter že prej omenil, smo se veliko dobili, pa smo šli recimo Surfat. Kam pa ste šli recimo na top golf? Recimo, da sva midva surfal Mark. Ja, recimo temu rečem surfanje.

Gal Gantar: 53:59

Ampak kam ste šli surfat? Nisem vedel, da je surfanje v Kaliforniji ali to nekam na obalo. Forni. Srfanje ja je v južni Kaliforniji. Sploh je ful popularno. Kam smo šli vsa Santa? Santa Clara, Ampak jaz vem v Bay area da Bay area. Načeloma valovi naj ne bi bili. Ne, ne greš, greš, greš na drugo stran, torej na ocean. Ja, ja, ja, ja, ja. Se pravi ne znotraj kot se reče znotraj tega dela, kjer je bajer zaliva. Ja, ampak na drugi strani tam, kjer je odprto morje. Razumem, razumem, to so šli Slovenci ali z nekimi kolegi iz laboratorija.

Valter: 54:44

Ja, Slovenija, Slovenci, Petrol tam študira. Ja, kaj pa kakšen izlet sta imela čas za izlete? STA si ogledala, ki jih v okolico Palo Alto v Kaliforniji, San Francisco Marin County. V bistvu za nas slaba. Na tem področju tako razen tega izleta, surfanja pa tako malo, kar smo si tam pogledali. Okolica Silicijeva dolina. Tam sva si pogledala. Drugače pa izven San Francisca niti nisva prav veliko. Vi ste šli še na en high mark. Jaz sem pa ravno. Mislim, da je članek moral recenzirani oziroma popravljati glede na recenzije, tako da je veliko stvari za delati v golu Stanforda, tako da to ni težava. Ja, verjamem, da je čas, da najdeš, da si vzameš čas, da vse tako, kot je rekel Mark, res zanimalo. Toliko sva delala in sva potem pač veliko časa temu posvetila. Pa mogoče bi lahko več si šla

Gal Gantar: 55:50

pogledat. Pa čas za šport je vprašanje zate. Čas za šport. A jaz sem si tudi za to, kar je

Valter: 55:55

našla. Ali sta bila preveč zaposlena? Ja, no, to pa sva si to. Pa sva si vzela tam kot študentu. Ti res omogočijo, Ti imaš dostop do fitnesa, do bazena, do plezalnih sten. Golf igrišče je na kampusu si moraš sam plačat žogice. Tudi jaz sem potem odkril po nesreči tudi klub za brazilski jiu jitsu in sem potem hodil tja trenirat in v bistvu sem na koncu tudi jaz učil. Precej precej treningov, ker je njihov njihovega trenerja ravno tam ni bilo, ker smo bili tekom tekom poletja gor, tako da je priložnosti za športat kar najdeš. Pa tle so to so pa še probali,

Gal Gantar: 56:49

da niso samo tam v laboratoriju. OK, ok, ena informacija, ena pomembna stvar, sem se spomnil. Poglejte, kakšno je vreme v San Franciscu, kjer presenetljivo ni nujno, da bo tako vroče, kot si človek predstavlja. Ko reče Kalifornija, ima taka opozorila. Okolica je res naučila prvi del našla Ja. Prvi vikend sva šla v San Francisco

Mark: 57:18

in sva se tresla od vetra, ki je pihal iz oceana. Precej mikro klima v San Franciscu, ampak Palo Alto tam je pa zelo zmerno. Idealno podnebje. Kaj pa San Francisco sta

Gal Gantar: 57:33

obiskala San Francisco, ko sta šla na kakšen dogodek na kakšen hackathon? Kaj podobnega? Mogoče vprašanje za Marka a.

Mark: 57:46

Evo super ja. Ja, sva šla 2x v San Francisco. Ja, ene parkrat več. Mimo San Francisca. No, drugi obisk je sva šla na humorja Hekaton, kjer v bistvu je točno to, kar je Valter rekel. Vprašanje je bilo, kako lahko uporabimo te modele te temeljne modele za relacijske podatke, za neke resnične probleme, ki si jih ril would probleme. Recimo tam sva v bistvu razvila nekaj takega agenta, Ki v limiti oziroma za dodatni in dodatnim delom bi mogoče lahko nadomestil nekega data scientist. A se pravi, da lahko nekdo, ki ni zelo tehničen, uporabi ta najin produkt, Najino idejo, ki je v ozadju poganjanja za recimo tem temeljnim modelom Kubota, ki dela na bazi direktno in v bistvu ustvari neke produkcije za določen problem, ki nas zanima. In potem najin agent nekako sugerira vse skupaj sestavi podatke skupaj in v bistvu z njim lahko komuniciraš tako v naravnem jeziku. Vprašaš neko vprašanje, ne rabiš biti tehničen in on to potem pretvori v potrebno obliko, ki jo potem lahko dava ta model in dobiva neke dobre produkcije.

Gal Gantar: 59:22

pa sta, bi rekla atmosfera San Francisca, Kalifornija iz Silicijeve doline. STA to čutila? Je to opazno drugače, kot je v Sloveniji? Mogoče vprašanje zate. Valter. Ja ja men.

Valter: 59:37

Men je blo to tko en najbolj zanimivih delov tega obiska, da je tam je že samo tako razmišljanje vseh ljudi tam, ki v okolici živijo, je tako. Sploh ne oni tam se razmišlja. Tko kaj je najbolj zanimiva stvar, ki jo lahko reši? Kaj je najbolj tak problem, ki je lahko rešen in sploh ne razmišljajo? Ali lahko to al tle je problem tle tle je ta problem, ampak tko. To je ful dobra stvar, ki bi jo mi radi rešili. To je najbolj pomemben problem in tako zelo zelo ambiciozen in tko ful enkrat zagona, a ne vsi. Vsi so zelo motivirani, vsi zelo trdo delajo in tako ja, kar vidiš tam že vsak z vsakim. Ko se pogovarjaš, tako takoj vidiš, takoj vpraša Ej, način pa ti delaš. Ja, kaj je pa stvar k tebi?

Mark: 1:00:36

Ja, jaz imam podobno izkušnjo. Predpostavka je, da da vsak na neki ful zanimivi stvari dela tko kar mi je bilo tako zelo všeč. Ja, in tudi odgovarja zdaj, ko imam sodelavce iz tam. In ta podoben pristop se mi zdi, da atmosfera res v San Franciscu, tam okrog. Kakršen koli greš v bar, greš na nek dogodek. Tudi jaz sem se na parih hekatonu tam udeležil. Se mi zdi, da dejansko ljudje, ko stopiš do nekoga, lahko precej varno predpostaviti, da ta človek počne nekaj zelo zanimivega. In to, kar počne v tem, je zelo dober in se mi zdi, da vsi zelo radi govorijo o tem, kaj delajo. Vsi so zelo ponosni na to, kaj delajo. Vsi so zelo, zelo veliko znajo, znajo povedati o svojem področju. Načeloma cela atmosfera. Se mi zdi, da je atmosfera je taka, da da spodbuja sodelovanje in rast. Torej vsak človek, ki pristop do tebe, pristop do tebe z namenom, da bo s tabo počel nek projekt in potem tekom pogovora ugotovi, ali bo počel s tabo res rad počel nek projekt ali ne bi. Mislim, da dejansko celotna kakršen koli pogovor v osemdesetih odstotkov barih v San Franciscu se poteka o nekem potencialnem nadaljnjem sodelovanju v prihodnosti, kar je tudi zelo zanimivo,

Gal Gantar: 1:02:08

se mi zdi v redu. Potem pa za konec. Mark, zanima me, kaj je ASEF pomenil za tvoj karierni razvoj?

Mark: 1:02:23

Hmm, Mislim, da je bilo kar veliko stvari. Kako je vplivalo name? Ena glavna stvar je to, da je mogoče malo bolj spodbudilo razmišljanje o tem, ali bi šel na doktorat. Druga stvar pa mogoče o tem, da sem res dobil občutek, kako ne izgleda tisto okolje, kjer je človek res lahko produktiven oziroma kjer se lahko izdelajo neke najnovejše stvari, neki največji napredki. V bistvu to, da sem bil postavljen v okolje, ki ne vem. Petdeset let se je oblikovalo do te stopnje, da je danes, kjer je v bistvu narejeno za to, da res proizvaja neke inovativnosti tako v akademiji kot tudi v industriji in razmišlja iz zasnove, kako se te dve stvari povezujeta. Ne eno za drugo posebej.

Gal Gantar: 1:03:23

Potem pa Valter enako vprašanje zate. Kaj bi rekel, da je glavna stvar, ki ti jo je ali pa obisk dal?

Valter: 1:03:26

ki ti jo je ali pa obisk dal? Ja, tu bi bil zelo odgovor zelo podobno kot Marka. Tu vidiš, da da se ne rabiš vedno ubadati samo kaj lahko, kaj, kaj? Zakaj imamo zmožnosti, recimo v računalništvu, Zakaj imamo računske sposobnosti, da jih imamo, Ampak tako če prideš v tapravo okolje, pa si obkrožen s pravimi ljudmi, se potem lahko vprašaš, kaj je pa to, kar me res zanima, da veš kaj je pa ta problem, na kateremu bi res rad delal in takrat potem pač lahko na tem delaš. Čisto praktično pa je tako nekako tudi spremenil nekako trajektorije. Jaz sem zelo resno razmišljal o doktoratu. Sem pa že bil v nekih dogovorih. Ampak ker sem pač dobil to priložnost, potem iti najprej na prakso, v to podjetje, kjer bi se ukvarjal naprej. S stvarmi, ki sem jih prej, se raziskovalno z njimi ukvarjal in sem potem rekel, da bom vzel to opcijo. In zaenkrat sem zadovoljen. Ja, čisto praktično. Me je pa malo spremenilo karierno pot. Ampak spremenil karierno pot na pozitiven način,

Gal Gantar: 1:04:47

seveda na dobre. Tako tako. Valter Hudovernik, Mark Žnidar. Hvala za udeležbo. Hvala poslušalcem, ki nas spremljate in se vidimo v naslednji epizodi. Hvala, da ste poslušali ASEF podcast. Če vam je bila epizoda všeč, jo delite s prijatelji in pustite oceno na Spotify. Apple Podcasts. Tako pomagate, da nas odkrije še več poslušalcev. Za več vsebin sledite ASEF na družbenih omrežjih in se nam pridružite v naslednji epizodi.