Latest / Verbos: AI og Softwareudvikling / #39 - AI Rekruttering: AI Roller, Værdifulde Skills og Kendetegn Ved Attraktive Virksomheder

Transcript

#39 - AI Rekruttering: AI Roller, Værdifulde Skills og Kendetegn Ved Attraktive Virksomheder · Verbos: AI og Softwareudvikling

0:00
Har allesammen og velkommen til babos podcast afsnit nummer 39.
0:04
I dag skal vi snakke om e rekruttering eller hvad skal vi
0:08
sige jobmarkedet? AI, hvad skal man ligesom kunne
0:12
for at være en attraktiv i ingeniør?
0:13
Hvad skal en virksomhed gøre for at gøre sig attraktive over for
0:17
a ingeniører? Og hvad med alle de her titler,
0:20
du ved? Der er nogen der snakker om
0:24
datacenter og der snakker om gearing ingeniør.
0:26
Der er også noget der begynder at hedde AR engineers.
0:29
Data engineers. Alt muligt altså de der ting det
0:33
skal vi snakke om i den her episode og det glæder jeg mig
0:36
til. Godt set Jonas.
0:39
I lige måde. Går det godt.
0:43
Ja stille og roligt. Jeg har stadig huben på i dag.
0:47
Det er vinter. Det er jo minus -4 grader eller
0:51
Sådan et eller andet tror jeg. Det er ligesom vi kan, ikke?
0:55
Du skal slippe af med det der. Vi kan ikke rigtig slippe af med
0:58
det der frostvejr, synes jeg. Vi må rejse til et varmt sted.
1:02
Ja nå anyways nu skal vi begynde at snakke om vejret, fordi så er
1:06
det da en åbenlys falliterklæring.
1:10
Så er det en meget dansk podcast vil jeg sige at vi begynder at
1:13
snakke om vejret. Men så apropos vejret, Det er jo
1:17
det vi Det er jo Det er jo også lidt det Vi skal snakke om i
1:19
dag, fordi at ære og rekruttering og jobmarkedet.
1:22
Det er jo lidt ligesom vinden blæser nogle gange, og man kan
1:28
godt lave lidt sjov og lige nu der blæser vinden i en helt
1:32
særlig retning i forhold til kompetencer og titler og det ene
1:35
og det andet. Det er ligesom med.
1:38
Ja skal jeg lige lave en endnu sjovere?
1:40
Det er ligesom det der du lige lavede.
1:41
Det er ligesom de der vejrværter gør eller eller du ved tv avisen
1:45
var der gør når de skal over til ping pong over til vejret ikke
1:50
segway snart. Vi er snart klar til til til
1:53
live tv tror jeg også tog med det her format.
1:57
Han lå bare lige okay sidste være joke ikke.
1:59
Vi kunne faktisk godt have inviteret Lasse esper holdt ind
2:03
fra fra Google, hedder det Google brand ved ikke om det
2:06
hedder mere i hvert fald, men ham der du kan huske kan du
2:08
huske Lasse vi mødte til driving AI som som forskede hos Google
2:13
II hver modeller. Ja sindssygt sindssygt fedt
2:18
område, og Det er faktisk en rigtig god idé, at vi kunne
2:21
snakke om det, så Det er ikke det Vi skal snakke om i dag.
2:24
Så kan man starte med RI vejret, men det overhovedet Vi skal
2:26
snakke om i dag. Hvad hedder det Jonas?
2:31
Skal vi lige prøve at starte med de her roller her de her titler,
2:34
som man jo opererer efterhånden opererer med i.
2:38
Hvad skal man sige i data science verdenen?
2:41
Altså som jeg 4 af de store for mig Det er.
2:45
Altså man kan være data scientist, og Det er også det
2:47
der altid oftest står i jobopslag.
2:50
Det er altså man kan være data scientist, machine learning
2:53
engineer, data engineer og nu er der også begyndt at komme flere,
2:57
hvor der står æg engineer. Hvad fanden skal man?
3:03
Hvad fanden hvad fanden skal det betyde altså?
3:05
Jamen jeg. Jeg tror at at ære og ingeniør
3:07
kom jo ligesom ind fordi emil engineer.
3:10
Hvad var det nu for noget? Ikke alle ved lige pludselig
3:12
hvad ære en eller undskyldning? Ja ARR og og den der gamle emil
3:17
engineer titel der den er jo Sådan so last year, så nu må det
3:20
hedde noget med r fordi jeg forstår folk det jo ikke så det
3:23
og og Det kan du kan jo ikke skrive.
3:26
ML slash i ingeniør eller Sådan? Du kan også bare skrive
3:31
ingeniører. Men Jeg tror Det er det, Jeg
3:34
tror simpelthen. Det er derfor.
3:36
Så tanken er ligesom at at hvad hedder det?
3:38
Der er flere der kender forkortelsen â i inden for Der
3:43
er folk der kender forkortelsen ML eller machine learning, og så
3:46
går man helt sikkert bredere. Men altså hvad?
3:50
Hvad laver en ære af ingeniører, som er anderledes end den gamle
3:53
ML ingeniør? Jeg tror ikke på den måde, at
3:57
Det er så meget anderledes. Nej virkelig heller ikke.
4:02
Måske skal vi prøve altså måden jeg ser det på.
4:05
Jeg ser meget. Jeg synes Der er en ting med med
4:10
mange. Der altså der ligesom
4:13
beskæftiger sig med med machine learning og e og så videre.
4:16
Og Det er at de folk som ligesom er uddannet til det typisk eller
4:20
Sådan, ligesom har det med for at uddannelsens baggrund på en
4:22
eller anden måde, eller de er ofte skolet i at bruge
4:26
programmering til at udvikle modeller eller algoritmer eller
4:30
lave du ved matematik eller optimerings eller andet problem
4:35
løst optimeringsproblem og så videre.
4:38
Og Det er ofte ikke noget som kræver at.
4:42
Og Det er ofte ikke engang noget, der kræver, at det andre
4:44
skal arbejde sammen med en på det kode, eller at det skal
4:48
kunne køre robust og har en masse brugere at skulle køre
4:51
robust på den måde. Eller at.
4:55
Altså Sådan det det på en eller anden måde noget man ofte kan
4:58
lave Sådan en eller anden notebook et eller andet sted.
5:02
Ja nogle gange ikke. Altså hvis man bruger et
5:06
framework som peger touch nogle gange, så kan det være ret
5:08
omfattende. Jeg går ud fra for eksempel til
5:12
dem, der måske har hørt det derude, at Vi har jo den her
5:14
supercomputer i Skandinavien lomi som kører på nogle af DP
5:18
ur, som vi lige har hørt for nylig, at Der er blevet trænet
5:20
en lille, en lille, stor dansk model på.
5:23
Nå men det det skulle jo siges at være ret besværligt at få
5:27
Sådan noget til at køre på distribueret måde på MDPU, så
5:31
der vil formentlig være ret meget mere engineering arbejde i
5:35
det end Sådan den gennemsnitlige der kan man vel snakke om om om
5:39
engineering ikke altså? Bare at få noget, altså selve
5:45
træningslog uppet og koden til, ligesom at at altså at køre
5:49
selve træningen set fra pit touch perspektiv er sikkert ikke
5:53
særlig stor, altså det formentlig ikke virkelig småt,
5:56
men alt det der så skal til for ligesom at få det til at virke
5:59
på. På Sådan et kloster Der er GPU.
6:02
Det er nok det sikkert rimeligt omfattende.
6:05
Ja Sådan er det ikke er en vilje i behøver, men MD giver.
6:09
Det skulle vist også være en udfordring, fordi Der er så
6:11
meget standard til til en video her efterhånden.
6:15
Men hvad er det, man kan sige? I hvert fald måden jeg ser det
6:17
på. Det var også lige en tanke, jeg
6:18
kom ud på, men måden jeg ser det.
6:19
Det er at en data science test, Det er meget Sådan en, der
6:21
sidder og laver modeller algoritmer i notebooks og
6:24
ligesom laver Det er Sådan en eller anden Sådan meget Sådan
6:26
research and development rolle, hvor man ikke nødvendigvis
6:29
regner med at Det er dem der skal tage.
6:32
Det de laver og så banke det ud II virkelig altså ud til i
6:35
produktioner og serverer det for for nogle brugere.
6:40
Er det også Sådan du forstår det.
6:42
Ja altså jeg ser jo det designes i hvert fald som noget Der er
6:48
ret tæt på dataet ikke og ligesom forholder sig til.
6:53
Til Sådan science delen af at at køre de her eksperimenter og
6:57
ligesom sikre sig, at når man når man måler og vejer på, om
7:00
det går op eller ned II træning af modellerne.
7:03
Og så har man ligesom styr på det og styr på hvad Det er for
7:05
noget data man fodrer algoritmerne med og så videre.
7:09
Og personligt er det jo noget, Jeg har lavet en del tidligere,
7:14
men ikke laver særlig meget mere.
7:16
Og sætter min lid til andre. Det Sådan laver det.
7:22
Der arbejdede i udviklingsforstyrrelse.
7:24
Der kaldte vi det for modeludvikling.
7:26
Det var ligesom dem, der udviklede modellerne, og så kan
7:29
man sige, det lyder ikke så fedt at sige model træner, vel?
7:32
Men, men dybest set, så er det jo det, man man sidder og gør,
7:35
når man forsøger at at optimere på det.
7:38
Og den klassiske altså Sådan beskrivelse af en data sciences
7:44
arbejde er jo så, at Det er 80% at sidde og lave date of ranking
7:48
i virkeligheden. Altså at at bare at have en
7:52
kæmpe skills skuffe, inklusive pandas og hvad der ellers kommer
7:55
med. Til at sidde og rangle en masse
7:58
data tekst eller whatever det hvor det nu måtte komme fra, for
8:01
ligesom at altså til sidst at spytte det ind i et træningsløb
8:04
og så trykke trykke. Og det, og det synes jeg faktisk
8:08
det du rammer noget der. Hvad hedder det når Sådan helt
8:10
konkret når du siger rampling, altså data ranking, hvad vil det
8:12
så sige? Jamen så betyder det jo at du
8:16
tit så arbejder du med nogle kilder af data som jo er er
8:20
meget mudret og det skal kleines og.
8:25
Man forsøger jo at rense i data for netop at fjerne støj for
8:29
eksempel, for ligesom er at få indsnævret det signal i data,
8:33
som man egentlig forsøger at modellere.
8:36
Og Det er jo det, Der er vigtigt.
8:38
Det er jo også, Det er jo modellen modellering, så den
8:41
disciplin, det kræver, at man har prøvet mange gange om og om
8:45
igen at finde ud af. Jamen, hvordan fodrer jeg bedst
8:49
det her data ind altså Jeg kan godt gå ned og bare hente 2 års
8:53
data, men hvis jeg bare Sådan. Første forsøg bare at skyde det
8:58
hele ind i den her model, så vil det formentlig bare være noget
9:00
forfærdeligt vås. Jeg fik ud af det.
9:02
Ikke fordi der ikke er noget data i den her verden, der bare
9:06
kommer af og er klart Sådan det her.
9:11
Det her data, Det er skabt til at jeg så nu kan du bare køre
9:14
Det er bare du skal jo du skal Sådan set bare Sådan en datasæt
9:17
findes kun på castle ikke også og og og.
9:22
Hvor der ligesom er på en eller anden måde.
9:24
Nå men det her, Det kan rent faktisk modelleres, hvor du får
9:29
får en eller anden. Præstationsevne ud af den model,
9:33
du du får ud af, eller hvad ved jeg.
9:35
Ja, så er der en masse. Bare ikke i virkeligheden.
9:39
Så Der er ingen på en masse analyse og arbejde.
9:42
Der er en masse Sådan transformering samarbejde og en
9:44
masse sammenlægning af data. Og det ser jeg som en en del
9:49
udvikler slash. Det er da sciences opgave ikke
9:52
så og de skills der skal med det her, Det er helt klart.
9:57
Det er helt klart til noget. Og så det her med at træne
9:59
modellen også. Jeg tror du er faldet ud hos
10:03
mig, Jonas. Jeg prøver at se, om Jeg kan få
10:05
fat i dig på slik Jeg tror at Jonas hash the building.
10:09
Jeg håber han kommer tilbage. Hallo hej Jonas.
10:13
Jeg røg sgu ud. Du røg lige ud, ja, men nu er
10:16
det tilbage, og Det er det vigtigste.
10:19
Jeg kan godt se dig. Der har vi lidt tekniske
10:21
problemer der for første gang efter brug.
10:25
Det plejer vi ikke at have. Hvad er det for noget?
10:29
Skal vi tilbage til stadighed har det OK.
10:32
Vi snakker om en dataene til det her, og Jeg synes, Vi har fået
10:34
det godt indkapslet. Det er en der ligesom arbejder
10:38
med alle modeller og så en masse med de her data ringling aspekt
10:41
kan man sige, så har vi. Machine learning engineer slash
10:47
engineer rollen hvordan opfatter du den?
10:51
Jamen det ser jeg jo som en der når nu man ligesom har trænet de
10:56
her modeller så er det jo meget fint at ja her er en zip fil
11:00
ikke og og hvad så tit så fodrer man jo noget data ind.
11:06
Man genererer nogle features som man laver alt muligt undervejs,
11:10
for ligesom at lave bygge det her perfekte træningsdata, sæt
11:13
og så kører man trænings, men når du så skal lave en
11:16
produktion, så skal det samme data.
11:21
Format og den samme feature ingeniør du har lavet på det.
11:25
Det skal ligesom på en eller anden måde fodres ind til den
11:27
her model her, og Det kan jo være nogle gange, så kan det
11:29
være. Det er så simpelt som at køre
11:31
det samme lille script man har kørt på på data for i går og så
11:38
data for næste dag og næste dag næste dag og så kører man bare
11:41
en gang om dagen og så har man nogle protections man kan bruge
11:43
i en anden sammenhæng, men tit. Er det?
11:47
Allersjovest når en model kommer ud og lever Sådan tæt på
11:51
broderen live i en eller anden forstand.
11:54
I hvert fald et eller andet, hvor det Det er Sådan og det, og
11:59
der ser man ligesom at udfordringerne med at lave et
12:01
system, der rent faktisk kan servere live features og få
12:06
nogle live productions og Sådan nogle ting, og de kan blive
12:08
brugt til at tage nogle beslutninger i en eller anden
12:10
sammenhæng på et website eller hvad ved jeg.
12:13
Det der en Emilie gener ligesom kommer ind.
12:16
Det, Det er Sådan jeg hører at ML slash og engineers.
12:21
Arbejde, Det er tit ligger i. Og Det er det der tætte
12:25
applikations arbejde at få modellerne ud at leve så at
12:28
sige. Ja så når de skal ud og
12:30
notebooken og ud til den den virkelige verden.
12:34
Ja men Jeg synes også jeg ser Sådan m ingeniør rollen.
12:37
Det er også lidt mere. Jeg synes også pengene måde, så
12:40
synes jeg også den dækker meget godt over hvad en data scientist
12:44
kan. På en eller anden måde, så
12:46
tænker jeg at. Fordi Jeg tror man skal også en
12:49
anden forståelse for at modellering, altså modeller og
12:52
så videre og feature engineering og data ringling og alt muligt.
12:58
For ligesom at kunne forstå det som en eller anden eventuelle
13:01
data scientist har givet en. Eller også er man selv i stand
13:04
til ligesom at træne de modeller og har så meget erfaring med
13:06
det, at man ikke behøver at bruge så meget brain power på,
13:10
at det tænkte på måske også at vælge en transformer ud af en
13:14
til fight f eller et eller andet, så kan man bare Sådan OK.
13:18
Det er lidt altså ja ja Jeg synes Jeg synes bare også.
13:22
Jeg synes også Jeg synes ML ingeniero rollen også rækker.
13:26
Altså Der er et stort overlap, synes jeg mellem data scientist
13:29
og engineer ikke? Jo Det er det altså det man man
13:32
er jo måske. Vokset op i data science rollen
13:37
og så blevet en eminent med tiden, fordi man også har en
13:40
begyndt at interessere sig for, at ens modeller ikke bare er
13:42
endt som zipfil. Og måske har man også endda
13:45
været med til nogle projekter engang, hvor at man synes, at
13:48
man havde en rigtig god model, og Det var utroligt
13:50
frustrerende, at den ikke kom ud og levede og skabte værdi, og
13:53
derfor begynder at interessere sig.
13:54
For hvad er det, der mangler her siden at hvorfor er det de ikke
13:57
bare tager den der fil eller gør noget ved den eller Sådan og.
14:01
Måske så og og Det er Sådan en af de der rejser Jeg har været
14:07
på i igennem de år, Jeg har lavet Sådan nogle modeller og
14:11
endt med ligesom at se, at der manglede rigtig meget den der
14:15
overgang. Og så begynder man jo naturligt
14:20
at interessere sig for. Ja HTTP server netværk.
14:27
Hvad er det der rest API og hvad, hvad betyder det og altså
14:33
den slags der ikke? Lever op senge og Sådan noget.
14:37
Hvordan når de så er sat op i produktion eller whatever?
14:41
Hvordan holder man så ligesom øje med dem?
14:42
Og hvad så når de går ned og så skal de også til det skal man
14:46
til at teste og man skal til at monitorere og måske tænke på en
14:51
eller anden form for at sige pipeline og Sådan nogle ting,
14:53
ikke? Altså.
14:54
Det er jo så en helt anden rolle, som jo tror.
14:58
Virkelig sjældent er Sådan fuld blonde.
15:00
Nogle er ansat som emil ups ingeniør eller noget i den dur
15:04
der hvor de ligesom deres opgave er simpelthen at at at
15:08
understøtte at holde styr på det der.
15:10
Det ser jeg meget sjældent. At bliver bliver prioriteret.
15:16
Det der model observer bility og de der life cycles og Sådan
15:20
nogle ting det Det er Sådan tit noget der bare lige per projekt
15:23
bliver stykket sammen og så. Har man måske nogle tanker om,
15:27
at det skal genbruges til næste projekt, men.
15:30
Det bliver aldrig rigtigt, og så går det Sådan videre til til
15:33
Sådan nyt format. Man gør ting på Sådan.
15:36
Det. Det er i hvert fald.
15:39
Det er i hvert fald mit indtryk, eller også så er det, eller også
15:42
så forbliver man i et eller anden rigidt format af, hvordan
15:47
man ligesom du skal deploye på den måde.
15:49
Du skal gøre de her ting her. Men jeg jeg, Jeg har endnu at se
15:54
nogen der har fundet en balance i det der.
15:56
Så skal jeg helt ærligt. Ja okay og så hvad okay, så lad
16:01
os bruge videre ned til til. Ja på en eller anden måde.
16:05
Det virker som om, at vi begge 2 har en fornemmelse af en eller
16:07
anden enighed om, at en machine learning engineer er mere Sådan
16:11
en, Der er tættere på produktionens lægningen af
16:16
maskinlæring modellerne, men også har en altså forståelse for
16:19
machine, altså selve modelleringen og databehandling
16:22
og transformere altså alt matematikken bag.
16:24
Men Jeg er ikke fuldt beskæftiget med, at hvad skal
16:28
man sige at træne modeller og udvikle rangle data og Sådan
16:32
nogle ting? Hvad så med hvad så med?
16:35
Data engineer rollen hvad er Vores dahl about?
16:38
Fordi den synes jeg også. Det synes jeg også, man ser
16:41
Sådan en konsekvent at så søger folk sgu en data engineer.
16:47
Det. Der kunne jeg godt tænke mig der
16:50
var noget der fandtes der hed AR data engineer bare lige for at
16:55
gøre det rigtige Sådan en en Der er Sådan en.
17:03
Der er Sådan 1 1 1 tendens til at en datalinjer i dag.
17:09
Åh, nu skal jeg passe på hvad jeg siger ikke, men data
17:11
engineer rollen er ligesom blevet Sådan en en Sådan en
17:15
upgrade af nogen der har siddet og lavet meget af det her
17:19
klassiske datavarehus arbejde. Og det ved jeg ikke om om til
17:23
dem Der er Sådan nogle gamle kender derude.
17:26
De ved jo, at der har været Sådan 1 1 1 1 hel ære II det her
17:31
i den her data verden med at Vi skal skabe værdi af data big
17:35
data, ja big data og alt det der.
17:37
Det startede ligesom med at. At at nu, nu skulle vi.
17:41
Nu skulle vi indsamle de her data her, så alle Vores
17:44
applikationer vi havde og ting og sager og steder, hvor der
17:47
ligesom blev genereret data, det skulle det, skulle vi samle det,
17:50
skulle vi skulle hårdt af det her data, og så skulle vi lægge
17:52
det et sted hen, og der blev datavarehuset, ligesom Det var
17:57
allerede opfundet. Men det blev Sådan gjort endnu
18:00
mere populært, at Det var Sådan. Nu skulle vi have det her
18:02
liggende, og hele den nu karikerer jeg den en lille smule
18:06
ikke. Det er mit, mit bud er hele den
18:08
der episode er Sådan IT, hvor vi havde datavarehuset som den
18:13
store mastodont. Den er endt med, at Der er
18:15
nogen, Der er blevet solgt en hulens masse.
18:20
Diskplads og og en masse servere der.
18:25
Tit ikke har lavet en fløjtende fis med det der data og i bedste
18:29
fald har lavet nogle genereret nogle rapporter og måske nogle
18:32
dashboards. Der var Sådan et smut ind til
18:34
interaktive, men måske bare nogle rapporter hvor at serverne
18:37
kørte kun den der de der 2 timer om natten og resten af tiden
18:40
stod de bare ikke lade være. Med det der data der, og Det er
18:44
Sådan, når vi kommer ind, så som som emil engineers og æres af
18:50
hvad der ellers er og så skal begynde at prøve at at bygge
18:53
nogle løsninger oven på det der så ser vi rigtig tit.
18:55
Vi får det der datavarehus der værsgo og det Det var så fra fra
18:59
30 år siden 20 år siden Det er Sådan en gammel gamle ting og
19:02
Det er så den man får. Man skal prøve at bygge 1 1 1
19:05
applikation ovenpå ikke? Det r, Det er derfor Jeg kan
19:10
tænke på noget der hed a date ingeniør som kunne finde ud af
19:13
ligesom hvad hvad hvordan skal jeg bygge 1 1 1 backend der
19:18
serverer det her data på en kompleks og fordi Det er ret
19:22
komplekst måde at forstå hvad Det er for noget data i hvilke
19:25
formater og hvordan man man de skal fodres ind i de her
19:28
modeller. Det savner vi, det savner.
19:32
Jeg noget, du tænker mere Sådan noget feature, store agtig
19:35
noget. Eller hvad er jo en?
19:39
Hvad kan man sige? Det er jo 1 1 1 teknologi som jo
19:41
netop forsøger at placere sig imellem det der som du siger
19:45
klassisk data, varehus og koblet med med hvad kan man sige noget,
19:51
noget en eller anden form for servering af serving af data
19:55
til. Til AR og m applikationer så ja,
20:00
feature står udviklingen, som jo er en teknologi.
20:02
Det skal jo siges, at en feature står.
20:05
Teknologi er typisk i virkeligheden et sammensurium af
20:08
forskellige ting. Jeg har noget postgres database,
20:10
Jeg har noget redis Jeg har et eller andet, og så har man et
20:12
lag henover, hvor man ligesom siger, her kan vi ligesom samle
20:16
ting, så vi kan servere det. På en fornuftig måde til noget
20:19
nogle applikationer, men men tit er det jo altså.
20:23
De bygger jo ovenpå nogle andre kilder, hvis de kilder for
20:26
eksempel er. Nå jamen de er jo en dag bagud i
20:31
forhold til kildesystemet ikke så så får man ære ære
20:36
applikationer. Der kommer super power ære
20:39
model, som hele tiden er en dag bagud.
20:40
Ikke også så bruges til at lave prediction.
20:43
Jeg siger altså bare lige. Jeg jeg.
20:46
Jeg sidder altså ikke og arbejder for at få super
20:48
production power og så kommer i med en dag bagud i data ikke
20:51
også så skal jeg lige være endnu en dag bedre i min model også
20:55
for lige at kompensere for for at jeg får data for sent.
20:58
Det er altså bare Det er bare not good enough for me altså.
21:03
Og det det det skal blive bedre til altså det.
21:06
Det er det det siger jeg bare til alle dem der sidder derude.
21:10
Vi skal have nogle r data ind til det her, som er pissedygtige
21:13
og ved hvad det vil sige at servere data til ære og
21:15
applikationer. Det skal vi have noget mere af
21:17
skills. Det skal vi have mand, men.
21:21
Brandtale det der. Men Det er fedt at det gør der.
21:24
Det er godt at høre nogle gange nogle nogle nogle nogle saftige
21:27
holdninger hvad hedder det? Ja okay så hvad hedder det?
21:31
En del af ingeniører er, virker det til at Vi er enige om,
21:37
selvom jeg ikke har sagt noget? Jeg forstår en en data engineer,
21:40
som ligesom står for det her med at.
21:44
Hvad skal man sige? Opbevare data?
21:45
Altså ligesom at sørge for, at data er struktureret og ligger i
21:49
nogle databaser og nogle datavarehuse warehouses eller.
21:54
Feature størs eller hvad fanden man har lyst til at kalde dem
21:56
ikke nogle databaser ligesom Norden ned i hvad er der
22:00
forskellige databaser der findes?
22:02
Hvad for noget passer til de aspekter og de requirements der
22:05
ligesom er med hensyn til hastighed og så videre.
22:09
Hele det der arbejde, og det kræver en masse forståelse
22:13
omkring databaseteknologi og så videre.
22:17
Og så kan jeg godt se at og så igen, så er vi her lidt igen.
22:20
Ikke fordi så når man ligesom så er Sådan en data engineer.
22:24
Så kan man være nok så god til rigtig mange ting sikkert, men
22:28
Det er også vigtigt, at man har en eller anden form for
22:30
forståelse, for hvordan bliver det brugt i en æra sammenhæng?
22:33
Og hvordan skal vi ligesom indrette det her?
22:37
Data jeg eller det her data eldorado og datastore whatever
22:43
eldorado, således at det det giver mening i forhold til
22:48
transformere om til features til at blive serveret hurtigt nok
22:52
til. Ligesom at ja alle mulige ting
22:54
er sikker. Hvis ligesom at date en til NS
22:58
formentlig også har været. Sådan historisk mere knyttet til
23:03
til business intelligence afdelinger, der ligesom skulle
23:06
rapportere nogle nogle af de her business intelligence data.
23:10
Hvordan går det med? Hvad ved jeg Vores antal af
23:14
kliks medlemmer, antal et eller andet den her brok skal gå op,
23:19
for Det har vi besluttet. Hvordan måler vi det og alle
23:22
Sådan nogle ting? Og Det er den der mere klassiske
23:26
BII rolle, der ligesom har nogle rapporter.
23:30
Man skal vise nogle beslutningstagere, og der skal
23:33
der selvfølgelig også være en forståelse mellem, hvad er hvad
23:35
Det er vigtigt i de her data i forhold til korrekthed og Sådan
23:38
nogle ting, og det skal en del af ingeniører forholde sig til.
23:40
Det samme gør sig gældende for. Det er og for hvad kan man sige
23:45
modeller og træning? Og at forstå, at hvis du så har
23:49
en model, du har deployeret, som er trænet på en bestemt type
23:55
transformation af data, så kan det ikke nytte noget.
23:57
Du kommer med en en anden version af den transformation af
24:01
data, når du skal lave productions for eksempel.
24:04
Fordi at Det er en hvad kan man sige 111111 Sådan data version
24:10
du ender ud i der ikke er kompatible med modellen.
24:13
Så så der har været med på at rejsen rejsen som data har haft,
24:16
og hvordan Det er blevet transformeret og hvad for noget
24:18
data der passer til den ene model og det andet altså bliver
24:21
meget og det kræver en forståelse for Det har du ret i.
24:24
Det kræver noget forståelse for for hvordan det fungerer, ikke
24:27
det der med. Vi tager det for givet, at
24:29
selvfølgelig skal de igennem den samme data pipeline.
24:32
Jeg har skrevet mit notebook, ikke notebook.
24:36
Men problemet? Er bare Det er fucking notebook
24:38
altså. Det er en notebook kan altså
24:40
bare ikke lige give til en dataene og sige, kan du ikke
24:42
lige bare køre den her notebook live på en server eller jeg ved
24:47
ikke hvad jeg skal sige til det, altså det det.
24:50
Det er enormt svært også at finde ud af præcis.
24:53
Det er fordi. Jeg har selv været med til at se
24:56
systemer som. Som serverer data en lille bitte
25:00
smule anderledes end det data der egentlig er blevet trænet
25:03
på. For ikke at sige meget
25:07
anderledes og stadigvæk få Sådan nå jamen det du ved at lave en
25:11
AB test og se at det det går der i en sikkert meget godt.
25:14
Det kan jo se den her AB test så noget må den der model jo komme
25:17
ud af den. Men lige indtil man finder ud
25:20
af, hvis man nu lavede et system der var der var meget mere
25:23
korrekt i sit data input til modellerne og i forhold til
25:27
træning og Sådan nogle ting, så vil man sikkert få nogle endnu
25:30
bedre resultater, ikke? At forstå det der datalinjer og
25:36
database for helvede. Vi kunne blive ved til
25:38
juleaften. Det er crazy.
25:41
Det er crazy komplekst område og og det Det kan man man er nødt
25:44
til at have nogle Der er specialiseret i den del der
25:46
fordi og og sætter sig ned og virkelig nørder det her data.
25:51
Og forstår domænet, fordi at som model udvikler kan man heller
25:56
ikke forholde sig til. Altså du ved præcis hvor data
26:01
kommer fra at skulle gå hele vejen ned igennem og helt til
26:04
kilden hver gang Det er rart at kunne tage udgangspunkt i noget
26:07
der ligner bare en lille smule cache datasæt og så starte sin
26:12
træning og komme videre. På en anden måde.
26:14
Jeg tænker også tit på det Sådan her, som om at du ved data
26:18
arbejde er jo tit krav. Og fokus og kræver det, ligesom
26:22
at man har det der. Nej, men det ikke og så videre.
26:25
Og så kræver det altså bare at Der er nogle andre der tager.
26:28
Altså Det er bare Det er bare noget andet arbejde hvis man
26:30
laver det der m ups eller m ingeniørarbejde eller data
26:33
engineering arbejde, så kan man bare ikke tid til at lave det
26:35
andet og så vurderingssystemet og evaluering af modellerne og
26:38
så videre. Så det ville være også n
26:42
efficient at man man som hvad kan man sige team og individ
26:45
også task switcher imellem alle mulige dele af af hvad kan man
26:50
sige af teknologi stakken? Der er selvfølgelig nogen der
26:53
skal have et overblik over det, for ligesom at kunne.
26:56
Kunne se hvor, hvor hvor bevæger vi os hen og Sådan nogle ting og
27:00
det og det for at sige noget om, hvad hvad jeg selv laver rigtig
27:04
meget i dag, så er det jo det overblik jeg jeg selv synes Jeg
27:08
er sjovt at have. Og ligesom på en eller anden
27:12
måde mestre og være være en af de få, der rent faktisk forstår
27:16
hele kæden, fordi det Det er svært at være inde i alle dele.
27:20
Og Det er heller ikke selv, men men jeg gør virkelig.
27:24
Til det, men det kræver også tit Sådan, hvis som hvis man sidder
27:26
som data scientist eller som data engineer, så kræver det
27:29
også tit en eller anden, der ligesom.
27:31
Er har det overblik ikke for ligesom at kunne tale mægle
27:36
mellem de forskellige og sørge for at alle har den samme
27:39
forståelse af, hvordan tingene skal gøre sig.
27:41
Ja, så det. Ja, Der er mange teknologier man
27:44
skal forstå, fordi at at folk kommer også og taler med
27:47
udgangspunkt i forståelsen af en eller anden teknologi, når man
27:50
siger hvad er det og er det bare Sådan cash ting?
27:54
Jo jo Det er det, men at du ved ikke altså.
27:57
Det det, det kræver noget. Det kræver noget dybde i de
28:01
forskellige teknologier, også fordi at man det man kan ikke
28:04
kommunikere på Sådan en overfladisk snak særligt
28:07
fornuftigt i hvert fald. Det bliver meget hurtigt ikke så
28:10
informativt. Vi skal ned i materien, skal ned
28:14
med det. Jonas ja Vi skal snakke om Vi
28:18
skal snakke om det næste emne Vi skal snakke om.
28:21
Det er hvad for nogle nu er nu. Det er jo meget.
28:23
Hvad skal man sige belejligt for mig at snakke om kan man sige
28:26
fordi Jeg er jo pt jobsøgende, så jeg går jo og tænker meget
28:30
over du ved hvad skal man kunne som machine learning, ingeniør
28:33
og data scientist? Det er nok meget der i de 2
28:36
kasser jeg befinder mig, hvad skal man ligesom kunne?
28:39
Hvad er det for nogle skills som gør at.
28:42
At forskellige eventuelle arbejdsgivere finder min
28:46
arbejdskraft attraktiv. Altså hvad skal jeg ligesom
28:49
kunne for at at kunne trives i et eller andet moderne?
28:53
Hvad skal man sige? Machine learning jeg setup eller
28:56
hvad skal jeg sige? Ja, hvad tænker du om det?
29:01
Så du, du tænker, hvad skal hvad skal?
29:02
Hvad skal virksomheder ligesom gøre for at at at være
29:06
attraktive overfor og ligesom? Tænker vi snakke om det tænker
29:10
vi. Det er det, Vi skal snakke om
29:13
nu. Det er, hvad skal individet
29:15
kunne. Altså hvad for nogle skills er
29:16
det, hvis du skulle ansætte ind i morgen, der skulle være med på
29:19
på de 10 hvad, hvad er hvad? Hvad er Sådan?
29:24
Hvad, hvad, hvad, hvad for et sprog er det man snakker?
29:26
Hvad er det for nogle ting, man forventer af hinanden er
29:30
hinanden, at man har forståelse for og så videre.
29:34
Det kommer jo netop an på hvad for nogle roller man skal
29:36
udfylde, og Jeg vil jo sige at. Jeg vil sige man kunne godt r
29:44
engineers slash ML engineer. Rolle og komme fra en en
29:48
software ingeniør baggrund altså.
29:51
Hvor man har måske udviklet noget back end, og man har måske
29:56
også været lidt med på bølgen og prøvet lidt det der med at.
30:00
At det pløje og køre nogle af de her møde.
30:03
Ellers så man kunne tage ned fra en hylde og forstå, og det vil
30:06
sige at installere paytons og se oh my god det fylder næsten
30:09
gigabyte og og alt Sådan noget. Det er jo næsten fejl jeg får.
30:14
Intense, intense. Det var for få uger den her
30:18
tendenser, der siger, at den har en forkert shape.
30:21
Nå man. Shape.
30:24
Shape og og og det vil jeg sige det kunne man godt.
30:26
Det kunne man godt forestille sig, at der var der var mange
30:30
software engineers, som begynder at bevæge sig i den retning og
30:33
og synes Det er interessant det der a og Sådan nogle ting, og de
30:36
kunne meget hurtigt blive ML slash og ingeniørs og aldrig har
30:39
prøvet at udvikle en model selv. Det er fint nok, det vil jeg.
30:42
Det ville jeg have det super godt med, fordi de kommer med
30:46
nogle andre skills som har været rigtig savnet.
30:48
II, hvad kan man sige Vores felt?
30:51
Verden. Ja savnet blandt data sciences,
30:53
fordi data sciences tit er kommet fra fysik og matematik og
30:57
været meget Sådan matematisk model, læringsorienteret og
31:00
fokus på på data korrekt tid og og hvad kan man sige kan
31:05
modellere det Jeg vil med mit data og altså de der nygreen
31:08
ting som som jeg også snakkede om modeludvikling.
31:12
Så Det er jo meget meget kærkomment så så Det er jo nogle
31:15
gode skills at have dem man har som software engineer.
31:19
Hvis man vil noget med ære i dag.
31:21
Rigtig god skills. Men, men må jeg så lige prøve at
31:24
udfordre det der? Fordi ja, så kommer man ind som
31:27
software engineer har styr på på hele den del, men tror du så
31:32
ikke Der er vel også et ret stort sprog man så skal jeg lære
31:35
at altså den der indsigt i hvordan det fungerer når man
31:39
sidder og udvikler modeller når man versioner data når man
31:42
evaluerer og hele det der ML feedback loop og så videre.
31:47
Der har vel også Der er altså. Det er vel også det det vel.
31:50
Det er Sådan noget man skal lære ikke?
31:52
Altså så skal man lære. Hvad er en tensor for eksempel
31:56
ikke og hvordan? Hvad?
31:58
Hvad er de her modeller for noget?
32:00
Fordi man skal jo stadig ligesom have de der modeller i hænderne
32:03
og bruge dem. Og ligesom sørge for at der
32:06
kommer en vektor i den ene ende og den anden vektor ud i den
32:08
anden ende og og hvis mænd, du ved jeg hvis man som klassisk
32:13
softwareudvikler, som jeg forestiller mig det ikke er og
32:16
du ved. Kæmpe haj indenfor lina algebra,
32:20
så så er det da også noget af en barrier, altså en barriere
32:24
ligesom at komme over. Men Det er det 100% og der vil
32:27
jeg så sige, at hvis man hvis man nu kom og havde en en
32:31
universitetsuddannelse og man tilfældigvis.
32:34
Havde en universitetsuddannelse, hvor man havde haft noget.
32:38
Statistisk metode, en eller anden art og Sådan noget one one
32:42
statistik og måske har har lavet en linje af regressionsmodel
32:47
engang, så er det fint. Det behøver ikke mere, men hvis
32:54
hvis bare du det mener jeg seriøst.
32:56
Hvis hvis du ligesom bare har lidt grundlæggende forståelse
32:59
for statistik, faktisk bare læse de de første 2 kapitler om
33:03
normalfordeling og. Jeg synes at gotiske antagelser
33:08
II øst og vest og bare Sådan tænkte.
33:11
Ja, Det er meget abstrakt og mærkeligt, men Det er okay.
33:14
Jeg lever med det. Så har man det så så har man
33:17
altså rimelig godt sæt. Man forstår hvad en
33:21
standardafvigelse er. Man forstår hvad de der ting er.
33:25
Man behøver ikke mere efter min mening, for ligesom at være en
33:29
del af af. Jamen model for altså Sådan.
33:33
Fordi at. Man skal bare forstå at altså
33:38
det som man man forsøger at lave i en en lineær regression, at
33:42
man forsøger at tage en lige linje ikke og finde den korteste
33:47
afstand til alle de der punkter. Jamen Det er seriøst så simpelt
33:50
Det er, Det er bare Sådan hvis bare man kan forstå at alt hvad
33:55
chen lønninger og i det handler om at optimere den der skide
33:58
afstand imellem de punkter og den skide linje der altså og og
34:04
så og så forstår man nå ved Det er det det der vil sige at
34:08
modellere ja og så bagefter finder du ud af.
34:10
Hvilken hældning har den skide linje?
34:12
Så okay super så har du dit estimat i det, altså hvis bare
34:18
du så har du set. Altså Der er ikke noget i det.
34:22
Jeg mener virkelig Det er så simpelt som at gå tilbage til
34:25
til til den gamle og så er du så er du kørende.
34:28
Og Jeg tror dine din meget passionerede snak her nu omkring
34:33
det der som Jeg kan høre du føler meget for, og som jeg godt
34:36
kan forstå. Det kommer helt klart som jeg
34:39
ser Det er en. Mangel på de der skills IIMLAI
34:44
verden nemlig at dem her de her folk man får ind som er rigtig
34:49
gode til modellering og til at læse papers og til at udvikle
34:52
algoritmer og rangler data og Sådan noget.
34:56
Der mangler typisk noget lidt mere Sådan software de der
34:59
software praksisser, som som ligesom er med til at få tingene
35:04
ud i virkeligheden og køre robust.
35:08
Ja, Det er det Vi har savnet i lang tid.
35:10
Ja lige præcis, og Det er også ligesom om at de skal Sådan.
35:14
Det er Det er ligesom om, at de skal ligesom Sådan ind i den her
35:19
og det det. Det er også sjovt, fordi Jeg
35:20
synes virkeligheden materialiserer sig på en anden
35:22
måde ved at Jeg kan også huske, da jeg arbejdede på ekstra
35:24
Bladet. Der søgte jo også der ville vi
35:26
også gerne have en pa ML. Jeg tror faktisk Det var din
35:29
din. Hvad hedder det job opstillingen
35:31
eller jobopslaget til den stilling du end man bliver ansat
35:34
til Jonas der fordi der var nemlig også Jeg tror at
35:37
jobopslaget var Sådan noget python udvikler eller pythons of
35:40
udvikler eller altså hvor det Det var ikke det, det kom ikke
35:43
fra den der machine learning, Vi har ikke brug for en eller anden
35:45
machining Vi har brug for en der kan.
35:48
Software hvad er så for udvikler?
35:50
Ikke fordi man gerne vil have fat i den den den målgruppe
35:53
ikke? Ja Sådan en udvikler type, Der
35:58
er mere fokuseret på programmering som håndværk, og
36:01
Det er i øvrigt en skill. Det kan være vi uvi.
36:04
Vi har mange minutter allerede kørende, men det.
36:07
Det er jo også en en skill det der programmering.
36:10
Hvordan bliver man god til det? Altså fordi bliver.
36:14
Du er god til programmering når man sidder i notebook, og man
36:17
kører nogle nogle nogle cache ting og Sådan noget ej det gør
36:20
man ikke vel, så bliver man god til programmering, når man
36:24
ligesom prøver at at udvikle noget selv, altså opfinde dybe
36:29
tallerkner selv i en eller anden sammenhæng.
36:32
Ja det gør man skal man skal man gøre det hele tiden på sit
36:36
arbejde hvor at ting virkelig skal fungere når man kommer som
36:39
Det er dentist ej det skal man nok ikke, men man skal på en
36:42
eller anden måde have en eller anden form for for sandkasse.
36:45
Hvor man kan sætte sig ned og og kaste lidt med sandet og komme
36:49
til at ramme sit nabo uden at det gør skade, ikke?
36:54
Og og og det Det er altså også lidt lidt en en barriere for dem
36:59
der kommer som Det er designet sidst at få et miljø, hvor de så
37:02
kan få lov til ligesom at skrive deres.
37:06
Altså du ved Sådan jamen jeg kunne godt tænke mig at prøve at
37:09
skrive en server hvor jeg server den her model selv.
37:12
Jamen det skal du slet ikke tænke på.
37:13
Du skal bare smide den herover og så så klare Vores automatiske
37:17
system det Vi har bygget de sidste 2 år.
37:19
Det er selv for dig. Jamen hvordan Jeg vil gerne
37:22
forstå det her, men det det det Det kan du så ikke nu fordi Det
37:25
er ligesom bygget og Det er der ikke nogen der skal rode med.
37:28
Så sidder man jo også fast kan man sige ikke så der vil jeg
37:32
også bare sige shoutout til folk der sidder derude og tænker
37:35
hvordan skal jeg så gå i gang med det der?
37:37
Det siger bare byg et website til din mormor og altså købe et
37:43
domæne køb en lille server. Løsning til din mormor?
37:48
Et eller andet altså fordi at Det er den eneste måde at lære
37:51
de her ting på, hvis man er design test.
37:53
Fordi Det er virkelig svært at få lov til at at lave noget
37:56
kritisk infrastruktur på sin arbejdsplads, hvis man er vant
37:59
til kun at køre notebooks altså det.
38:01
Det ved jeg godt. Der er mange der egentligt er
38:03
virkelig kan meget mere slet ikke det, men men man kan jo
38:06
være ny, og man kunne være ikke særlig.
38:09
Ja omvandrende i den en en intens ind til det.
38:13
Der kunne godt være Sådan noget at lave Sådan nogle små.
38:16
Hvad skal man sige tools r tools i stream lidt for eksempel eller
38:20
et eller andet eller lave nogle små demoer som kan vise det man
38:24
kan med machine learning, fordi så får du lige pludselig Sådan
38:26
en lille applikation hvor du kan komme ud og få nogle brugere og
38:29
du kan ligesom begynde at forstå den her med at sætte noget live
38:35
ud til nogle brugere som bruger det og så kan du også forstå,
38:38
men så får du noget data tilbage og Det kan måske gemme i en
38:41
database og. Hey så kan jeg også få det frem
38:43
igen og vise det på en skærm og og hey altså fordi så øver man
38:48
sig på Sådan mini skala på en eller anden måde lidt II hele
38:51
den der med at putte ting i produktion, ikke?
38:54
Ja. Det er noget Jeg har rigtig
38:56
meget glæde af i hvert fald. Jeg er fuldstændig enig på den
38:59
måde. Jeg streame lidt fantastisk.
39:02
Jeg Jeg kan kun anbefale det, også selvom Jeg er stort set
39:07
aldrig har prøvet det selv, så er det fordi jeg ved at Der er
39:09
rigtig mange der nyder det derude som Sådan en hurtig måde
39:11
at komme ud over stepperne med en løsning på og det skulle være
39:16
det. Det skulle være meget meget
39:17
venligt for for det designes, og Det er nemlig som du siger den
39:20
der følelse af at man så ligesom.
39:24
Ja wow Jeg kan faktisk få noget til at komme hele vejen ud selv
39:28
uden at være afhængig af andre. Jeg tror i virkeligheden, hvis
39:31
man er, hvis man er data scientist, for eksempel i
39:34
virkeligheden, måske hvis man er whatever, hvad man er, så tror
39:37
jeg i virkeligheden det der med hvis man kan på en eller anden
39:39
måde stræbe efter at få det man let.
39:43
Laver serveret til nogle brugere på en eller anden måde, altså få
39:46
det ud og få nogle til at bruge det i en eller anden form for
39:48
UI. Det det lærer man sygt meget af
39:52
og det. Det giver også det.
39:54
Det giver en helt ny dimension af arbejdsglæde ved at lave
39:57
Sådan nogle ting, at der rent faktisk er nogen, der ligesom.
40:00
Uden man ligesom på deres egen computer uden man ligesom ser
40:03
sidder og ser på det. Hvad skal man sige bruger det
40:05
man har lavet ikke og man lærer bare vildt mange ting ved at nå,
40:08
men så kan det også gå i stykker hvis de bruger det på en måde,
40:11
så man ikke lige havde regnet med og nå så skal man måske
40:14
tænke over at lade være med at skrive total spaghetti kode som
40:17
er og når de så gerne vil ud Det er jo fedt det du har lavet, men
40:20
Vi skal lige have ændret det her nå okay jamen så skal jeg
40:23
refaktorere, alle mine koder og det Der er sikkert med lortekø
40:25
Jeg har skrevet væk eller Sådan det synes jeg bare virkelig man
40:28
lærer noget af, ikke så. Jamen Jeg synes jo mere erfaring
40:32
man kan få med at få andre til at bruge det man laver.
40:36
Jo jo bedre virkelig. Ja 100% altså, men man lærer nye
40:42
ting man lærer måske også nogle begrænsninger II selv og finder
40:46
ud af hvor man måske hører til, fordi Det er jo også noget af
40:48
det som som kan være lidt svært. Altså så Jeg tror også Der er
40:53
mange der syntes der kunne sidde derude og måske nu nu har jeg
40:56
ligesom trænet min fair share af neurale netværks og Jeg synes
41:00
faktisk ikke Det er spændende mere og eller altså du ved ikke.
41:06
Eller nu er det ligesom ordnet. Formen er opfundet.
41:09
Altså du ved altså man ikke altså på den måde ikke så det.
41:13
Det forstår man jo også rigtig godt blive lidt tørt i længden.
41:18
Jo ja ja, hvis vi bare lige hurtigt skulle droppe nogle
41:22
teknologier, altså frameworks, teknologier og
41:25
programmeringssprog whatever, hvad, hvad, hvad, hvad?
41:28
Hvad er Sådan det der de første? 10 2030 40 50 stykker der kommer
41:33
oppe i dit hoved. Altså sidder man som ã r slash
41:36
emil ingeniør derude, så skal man selvfølgelig være rust i
41:39
dag. Det er det første går ud og.
41:44
Det vil jeg så ikke lige anbefale, skal jeg lige sige.
41:47
Hvis du er du har, hvis du har hvis du er lidt senior du har du
41:50
tænker nu har jeg også tærsket det der python noget tid hvis
41:55
sagt på en anden måde. Hvis du er lidt ligesom mig
41:57
måske går ud og gå ud og lære noget rust altså nå ja jeg fandt
42:03
jo ud af hvad der var galt med den server der.
42:06
Ja. Ja på Vores website og
42:08
podcast.dk. Lidt frem og tilbage med med min
42:13
min. En real life chat GT Niels inde
42:17
på på ekstra Bladet og og og så fandt vi ud af at Det var Det
42:21
var Det var nok et. Altså vi havde nok blokeret en
42:25
tråd og så hvor i min hvor i min kode har jeg blokeret den tråd,
42:30
så fandt jeg ud af at Det var et Det var et mutex jeg havde
42:32
importeret fra et sink library i stedet for et assink library.
42:37
Det var klart, så fik jeg jo blokeret hele toget der ikke så
42:41
nå det. Kunne jeg godt det der.
42:44
Så nå men hvad hedder det? For aabospodcast.dk powered by
42:51
rust nu. Ja ja ja, Det har det været
42:53
længe nu. Ved du hvad Jonas?
42:54
Vi skal snart lige have Sådan en dag der som sidst hvor vi lige
42:58
drikker en øl og sidder og udvikler lidt videre på det der
43:00
site der fordi Jeg har lavet store planer det ved jeg du også
43:04
har det fucking sagt Det er altså Det er nu sidder jeg bare
43:07
nogle gange så går jeg på sejlet, så sidder jeg bare og
43:09
refresher og tænker fuck det går stærkt der.
43:14
Det er rost. Det gør slet ikke stærkere end
43:17
det ellers ville gøre, men du du opdager ikke forskellen, men til
43:21
gengæld så så kan den tage imod rigtig mange brugere.
43:24
Så du coasts. For fanden, så når Vi er, når vi
43:28
breaker så et eller andet nå, OK hvis men hvis du skal sige noget
43:32
andet end rust noget andet end en rust noget andet end just.
43:36
Nu. Teknologier og frameworks og
43:39
programmerings ting og sager. Jamen så tror jeg Jeg er jo
43:41
meget til Sådan. Hvad kan man sige arkitektur
43:44
altså Sådan systemmæssigt ting og en en stor ting inden for
43:48
generative jeg. I de her dage.
43:50
Det er jo det her rar og retrieved augmente generation
43:53
og. Det er jo begyndt ligesom at
43:58
være rigtig mange ting, altså ritualer generation er virkelig,
44:02
virkelig mange ting og kan stykke sammen på rigtig mange
44:05
forskellige måder. Og Der er mange forskellige
44:09
arkitekturer for hvordan man laver en rar løsning i
44:11
forskellige kontekster og Sådan nogle ting.
44:13
Det er. Virkelig fedt at dykke ned i, og
44:16
det synes jeg det synes jeg man skulle gøre Sådan tjeneste og
44:19
Jeg har sendt til oversat skulle gå ind på coursera og tage et
44:24
kursus III rack som er fra en en fra lama indeks som jo bare er
44:31
the rag company lige nu og lama Index i øvrigt og noget man også
44:35
skal gå ind og tjekke ud og lære og forstå det framework og hvad
44:39
Det kan og prøve det af ham. Jeg havde jo en blogposter,
44:44
trendede på hacker news, var på nummer 4 eller Sådan noget så
44:48
ham founders Index. Han delte min min blogpost.
44:51
Uha. Bare lige før bare lige for at
44:55
flekse lidt. Ikke?
44:57
Men prøv nu Jonas. Jeg vil gerne teknologi og du
45:00
ved dogger er det dogerne er det fars dag i er det pandas er det
45:04
nu OK ja name dropper jeg de ting Jeg synes Der er
45:07
interessant at at lære ikke pandas pige touch så cyklerne
45:12
fast i. Sql model eller en eller anden
45:16
anden ord om som kan styre en anden form for relationel
45:18
database dogger i hvert fald til husbehov og så chatty for
45:24
resten. Jeg synes også Sådan noget som
45:29
hvad hedder det? Ja hvad?
45:32
Hvad? Jo selvfølgelig noget som
45:34
hockings fase, transformers og datasets.
45:38
Det er jo man kan sige. Det er jo lidt nedenunder.
45:39
Det er jo pyar trick men men. Men Det er jo det der ville jeg
45:44
jo nok sige altså det. Det er jo igen det der med.
45:47
Ja, alt alle de der du ting du nævner der.
45:49
Det er jo Sådan Det er da science essential starten hvor
45:54
at nogle af teknologierne er mere til til nogle emil
45:56
engineers og nogle er er mere til til til det designtips, men
46:01
jamen så vil jeg da lige smide polars ind igen fordi det fordi
46:05
Det er jo selvfølgelig skrevet i rust så ja.
46:10
Jeg skriver lige. Jeg bruger polars til skolep
46:14
projektet, og Jeg er faktisk ret glad for det det gør.
46:17
For det første går det hurtigt, men den kommer også med forslag
46:20
i når man får altså når den den kommer med forslag til i
46:24
beskederne Sådan wings til og hvordan du kan optimere din
46:28
kurv. De skriver altså II selve
46:33
sproget og selve framework. Der er også Sådan ligesom
46:35
anbefalinger til hvordan du altså du kan skrive bedre kunne
46:38
følge bedre praksisser i koden og Det er jo Det er jo Sådan
46:42
noget der så tager frameworket på en eller anden måde ansvar
46:45
for at man skriver bedre kode, ikke altså hurtigere performance
46:48
og. Sådan noget er Det er vanvittigt
46:50
godt library til. Altså Det er Det er Sådan set
46:54
det eneste jeg ville bruge i dag til at ringe det.
46:56
Jeg ville aldrig nogensinde gå tilbage til pandas men det og
46:59
det Det kan være Sådan lidt. Ja.
47:02
Så kan man Sådan lidt sagt det der meget kontroversielt sagt,
47:06
men men altså igen rust er det skrevet i og Det er pit dansic
47:12
som. Er.
47:13
Jeg er heller ikke heller ikke dum at lære, vel?
47:16
Det, Det er ligesom den her nye python.
47:20
Udvikler standard ikke alting skal være type, er noteret og og
47:24
pedantisk og så bygget op omkring det her med, at når du
47:26
typer noterer ting, så får du også validering af typerne i
47:29
python i din python klasser. Og version 2 er pedantisk.
47:34
Har skrevet ruth. Det er jo så det.
47:36
Ja Der er noget der hedder pige dansk care i rust ikke som så
47:41
gør at at din validering af de her data jo er meget hurtigere
47:46
og det vil sige at i dag så kan du faktisk og vi laver jo altid
47:50
shamet for at være langsom i python.
47:52
Det har vi jo slet ikke når bare vi bruger noget rust så der kan
47:56
du køre Sådan en Sådan en fast og pr server med som vi bruger
48:00
på dansic til at validere og generere skemaer og alle Sådan
48:03
nogle ting og få datavalidering. Altså få noget en noget et ret
48:09
hurtigt web framework. På på siden, så hvis man kan,
48:13
man kan sagtens sætte det i produktion og surfe det til.
48:16
Til flere millioner brugere. Og Det er jo der hvor første p
48:21
er jo også bygger sig også på dansic og i og med at pardans er
48:24
blevet så meget hurtigere fordi de bruger rust, så så faktisk.
48:29
Det er jo også blevet hurtigere i hvert fald hørt så.
48:34
Så derudover synes jeg også Sådan noget som linux og Sådan
48:37
noget basic linux, men Det er måske lidt bedre.
48:40
Måske Sådan OK forventet. At man kan det ikke, men altså
48:44
bare noget med at kunne være i en terminal og forstå det nogle
48:47
kommandoer og Sådan noget. Ja lige.
48:51
Præcis. Nå hvis Vi skal nå det sidste,
48:53
så skal vi videre. Vi har 10 minutter til at snakke
48:55
om, hvad virksomheder skal gøre for at gøre sig attraktive
48:58
overfor e ingeniører. Jonas.
49:01
Hvad skal de gøre? Hvad fanden skal vi gøre?
49:06
Det ved jeg ikke. Jeg synes Jeg har lyst til at
49:07
spille bold tilbage til dig nu. Fordi ellers så bliver jeg Sådan
49:11
en der har svaret på alt Det har jeg bestemt ikke.
49:14
Har du også lagt mærke til at jeg bare har spurgt?
49:16
Så har du bare snakket. Men men men men men men jeg Jeg
49:20
vil lige nu prøver jeg lige og så tager du den lige videre.
49:24
Det skal være sjovt at gå på arbejde.
49:26
Uh ja det den er god. Den er god.
49:30
Jeg tror at noget Jeg synes Det er rigtig vigtigt for altså.
49:38
Jeg tror Jeg synes, Der er rigtig vigtigt for en
49:40
virksomhed. Det er, at de tager Sådan, skal
49:42
man sige softwareudvikling seriøst og dækker Sådan en du
49:46
ved nå ja, det skal vi jo også lige.
49:49
Husk at gøre altså Sådan fordi det arbejde Jeg synes Der er
49:53
rigtig mange virksomheder som måske startede som ikke
49:57
softwarevirksomheder, men så er de gradvist blevet til
50:00
softwarevirksomheder, men software afdelingen eller
50:04
udviklingsafdelingen er stadig bare den der Sådan.
50:07
Nå ja, Det er de der nørder. Vi skal huske at give noget
50:09
pizza en gang imellem og Sådan altså du ved og det der der
50:13
synes jeg måske ofte at. Hvis man har den tilgang til til
50:20
til udvikling hos en virksomhed. Hvis ikke man ligesom giver
50:26
noget power til til til dem, der sidder og udvikler sig software
50:33
også lader dem sidde med ved bordet på en eller anden måde og
50:35
ikke ligesom behandler dem som børn nærmest eller Sådan.
50:40
Nå ja det de skal også ligesom håndteres.
50:43
Det synes jeg. Det synes jeg det synes jeg godt
50:45
nok. Det synes Jeg er meget lidt
50:48
attraktivt. Kan du genkende det bare
50:51
remotely? Eller ja, Det kan jeg godt
50:54
altså. Men Jeg vil også sige, at hvis
50:58
du er en virksomhed der ikke har, hvad kan man sige.
51:02
At der altså du ikke har 1 1 1 historie.
51:06
Hvor du har haft 1 1 1 udviklers afdeling.
51:10
Og selv udviklet noget software internt hvad ved jeg det kunne
51:14
være du havde. Det kan være du havde noget CMS.
51:19
Det kan være du havde et eller andet du ligesom hvis ikke du
51:21
har haft nogle udviklere. Men du måske havde du måske
51:26
havde du et datavarehus med nogle nogle business
51:28
intelligence, folk og Sådan noget som lavede det der, men at
51:30
du aldrig har haft udviklere som Sådan til at sidde og og
51:34
programmere noget kode og vedligeholdt det og Sådan nogle
51:36
ting. Så ville jeg ikke begynde at
51:39
ansætte det, da scientist og emilius overhovedet fordi at
51:43
faren er, at de kommer til at sidde man man tror de hører til
51:47
tættere på datavarehus. Dette klassiske ETL arbejdsfolk
51:50
og og hvad hedder det og business intelligence?
51:53
Og det gør de ikke, de hører ikke til der, og så bliver de
51:58
meget både ensomme II hvad kan man sige den der programmerings
52:03
verden, men de bliver de bliver også tabt mellem 2 stole.
52:09
Fordi at. At at du har jo.
52:14
I princippet. Ikke muligheden for ligesom at
52:19
altså hvor skal hvor skal de her folk så hvem skal de snakke med
52:23
når Det er noget Der er lidt mere teknisk end det de plejer
52:26
og og hvor skal de ud og leve og hvordan kommer det ud og leve de
52:29
steder? Og hvis ikke hvis du har de de
52:31
andre folk i huset, så er det også rigtig svært at ligesom at
52:33
tage det helt til ende med en eller anden.
52:36
Hvad ved jeg med skinnende model, ikke?
52:39
Så ændrer det måske. Bare i en BI rapport som et
52:42
stykke tal, og. Det det, det skal man ikke bruge
52:47
design tips til hvis Det er det Der er ens mål med det.
52:51
Det det Det er spild vil jeg vove at påstå.
52:54
Ja, så der skal være en grad af modenhed omkring hvordan man
52:58
arbejder med softwareudvikling virksomhed for at sige, nu skal
53:03
vi også have i og Sådan noget, så man skal have styr på basic.
53:08
Det er bare obs og alt Sådan noget.
53:10
Jamen i hvert fald mene, at hvis man hvis man mener det seriøst
53:14
med at man nu vil begynde at udvikle internt ære i sig selv
53:19
og og lave ting selv, så skal man enten have noget historie
53:24
for at have gjort det. I noget i en anden software
53:27
sammenhæng. Man måske har man bygget en app.
53:29
Måske har man bygget nogle nogle nogle ting til en virksomhed for
53:32
at optimere på nogle processer eller andet man skal have noget
53:37
erfaring med det før man ansætter Sådan nogle og ikke tro
53:41
at man kan sætte dem ved siden af analytikere slash, business
53:45
intelligence, folk og og Sådan datavarehus klassisk
53:51
datavarehus. Det, det kommer ikke til at gå
53:56
det det det bliver. Det bliver en designtips der
53:58
bare sidder alene og ikke kan forstå hvorfor vedkommende er i
54:01
den organisation. Men Jeg tror Der er rigtig mange
54:04
der allerede har gjort sig den erfaring derude, og Det har jeg
54:07
hørt mange historier om, men jeg bare sige det skal man ikke
54:09
gøre. Det skal man ikke gøre.
54:14
En anden ting, som Jeg synes er er attraktivt ved altså ligesom
54:18
gør virksomheden attraktiv i forhold til at arbejde som i
54:21
ingeniør eller. Også bare Sådan software
54:25
ingeniør hvis Det er det Det er at.
54:29
Være, at Der er Sådan en eller anden form for besættelse af
54:32
brugere eller kunder. Jeg tror, Det er Amazon, der har
54:36
Sådan en eller anden. Jeg kan ikke huske hvordan her,
54:39
men de er i hvert fald Sådan Jeg har hørt fordi jeg hørt den der.
54:41
Jeff basels podcast med alex friedmann hvor at hvor han
54:45
ligesom. Udtrykker, at det vigtigste.
54:49
Hos Amazon Det er brugerne og kunderne ikke altså Sådan.
54:53
Det handler om at være totalt optaget af hvad, hvad de laver,
54:57
hvad de vil have, hvad hvad deres adfærd er, og hvordan man
54:59
ligesom kan hjælpe dem ikke. Og Jeg tror bare Sådan.
55:06
Man kommer bare hurtigt til at arbejde på ting, som ikke giver
55:10
særlig meget mening, hvis man hvis man ikke er tæt på kunderne
55:13
på en eller anden måde eller tæt på brugerne på en eller anden
55:15
måde ikke. Så kommer man hurtigt til Sådan
55:18
at sidde og lave noget, som ikke bliver brugt til noget, som man
55:21
måske bare ved bliver smidt ud, eller som ikke rigtig skaber
55:24
værdi for nogen eller aldrig noget ud til nogen ikke.
55:28
Og Jeg tror især Jeg tror Det er noget der Der er noget i, at man
55:33
ved at man bliver. Man er en eller anden form for
55:37
virksomhed, som har det som en del af sin Kultur.
55:41
At. Sørge for, at det, man arbejder
55:44
på, at det som. Loser.
55:48
Kundernes problemer de største kunder problemer som kunderne
55:52
brugerne har man ligesom optaget af det, fordi ellers så er det
55:56
meget demotiverende at sidde og arbejde på noget, som man ved
55:58
ikke rigtig kommer nogen vegne eller kommer til at skabe noget
56:01
værdi for nogen, men også fordi at hvis man er på mange måder,
56:06
så føler jeg også, at Det er meget det.
56:07
Det er Sådan ret essentielt at være tæt på brugerne.
56:13
Af ER løsninger, som ER ingeniør fordi at.
56:19
Fordi at. Det er nogle ret organiske
56:22
systemer du sender ud og og du du det.
56:26
Det er tit rigtig brugbart at kunne forstå hvordan brugerne
56:31
bruger det, hvordan det ligesom har indflydelse på brugernes.
56:35
Hvad skal man sige måde at bruge et eller andet produkt på?
56:38
Og så er det rigtig ofte også rigtig tit at at bruge, altså
56:43
fed feedback fra brugerne kan gavne.
56:49
Ligesom tage et eller andet form for AR setup til det næste
56:52
niveau, og det kræver ligesom at man forstår hvad for en
56:56
sammenhæng ens ting indgår i, og hvordan det bliver brugt og
57:01
Sådan nogle ting ikke og det, og det kræver alt sammen, at man er
57:04
tæt på borgerne, og Det kan man kun være.
57:07
Det får man kun lov til at være, tror Jeg vil Jeg vil sige, hvis
57:11
man er i en virksomhed, som har en Kultur for at gå op i at være
57:16
tæt på bordene, giver det overhovedet bare Sådan en lille
57:20
smule mening? For dig.
57:21
Jonas det giver super god mening at jeg Jeg tror ikke Der er så
57:26
meget mere at sige om om om lige præcis det der med motivationen.
57:30
Hos designtips, slash engineers eller hvad Vi skal kalde os nu
57:38
altså det. Det er super vigtigt at være
57:39
motiveret. Det gør også at man er glad på
57:43
ens arbejde og en af måderne man bliver motiveret på er at man
57:45
kan se at det man laver rent faktisk bliver brugt.
57:47
Det er sindssygt vigtigt, så 100% vigtig ting at have styr på
57:54
før man ansætter nogle data sciences at man kan ligesom
57:58
lykkes med det og så ved jeg godt.
58:01
Men det nogle gange er man den 1 designs der kom ind i en
58:04
organisation og man skal lige starte op og men så skal man
58:08
huske at Det kan man så ikke gøre med en nyuddannet der ikke
58:12
har prøvet. Og ligesom det der et par gange.
58:15
Ikke fordi ja det. Det bliver de hurtigt skuffet af
58:18
og så smutter de. Og så kommer man faktisk ikke
58:20
rigtig videre med sine backs og det de ambitioner man har så og
58:25
Det er rigtig svært at finde. Selvfølgelig erfarne.
58:28
Det design sidst men ja, men så kan det være man man skal prøve
58:33
at angribe det på en anden måde eller også så må man bare.
58:36
Bide det sure æble og og starte fra scratch og få de der hart
58:40
learnings på en eller anden måde.
58:42
Så ja, Jeg er helt enig, men. Yes.
58:47
Ja. Skyggerne ved at blive lange.
58:49
Det må man sige. Det må man sige.
58:52
Hvad hedder det om 20 sekunder? Har vi snakket om en time?
58:56
Det er et perfekt tidspunkt og sige Det var en interessant
59:00
snak. Det var det og ja.
59:05
Der er sikkert meget mere snak om.
59:06
Det kan vi laver et par 2 på et tidspunkt, men Jeg synes i hvert
59:08
fald Det var. Ret spændende at snakke om og
59:11
super relevant for min situation PT.
59:13
Også og bare generelt nogle tanker jeg gør mig rigtig meget
59:16
i øjeblikket. Så tænker der andre der også kan
59:20
få brug for det og har brug for det derude både virksomheder og.
59:24
Individer ikke. Altså Der er nogen der sidder
59:27
derude og har nogle nogle nogle take på det der.
59:30
Gode match. Vi er jo skal.
59:33
Opfylde II alle Vores job situationer.
59:37
Jamen så fyr løs hvis i laver podcasten Carsten pods ja det
59:44
lyder næsten som Carsten. Nu er det også lidt Carsten så
59:49
fyr løs derude og vi vil altid gerne høre om også historier Der
59:54
er gået godt og skidt og Sådan noget i forhold til den de der
59:57
matches som vi ved jo Der er en masse derude, hvor Det er at Det
1:00:00
er nogle crazy historier man har været igennem.
1:00:02
Ikke de er altid lidt sjovt. Nej, Det er ikke fordi Vi skal
1:00:05
snakke om alt muligt. Ja.
1:00:08
Ja men 1000 tak for i dag Jonas og tak fordi i lyttede med derud
1:00:13
vi ses eller vi lyttes og ses måske i næste uge.