Podcast

Dobrý den, moje jméno je Jirka Vicherek.
A já jsem Šimon Podhajský.
Společně vás vítáme u delšího dílu podcastu Data Talk.

Naším dnešním hostem je Marek Meltner, výzkumník umělé inteligence v oblasti udržitelné energetiky a interkontinentální maník, podle svých slov.

Ahoj Marku!
Ahoj oběma a zdravím všechny posluchače. Doufám, že mají krásný den.

Tak jo Marku, jak se z tebe stal interkontinentální maník? Mezi kterými kontinenty vlastně působíš a jak tě to baví?
Tak jsem maník mezi kontinenty Evropou a Severní Amerikou. Momentálně nějakým způsobem působím mezi Prahou a Stanfordem, kde dělám doktorát na ČVUT, ale mám i dvojitou afilaci na Stanfordu. Významnou část svého doktorátu jsem tak strávil tam. Mám školitele tady i tam, projekty tady i tam, a některé roky jsem primárně pobýval i v Kalifornii. Mám kalifornský řidičák, Real ID, takže většina lidí by asi řekla, že jsem tamní občan – naštěstí pro mě to tak není, jsem primárně český, tedy jedině český občan. Takto žiju rozkročený mezi oceány. Toto propojení mi nabízí unikátní vhled jak na společnost, tak na vývoj obou odvětví, která studuji: AI, což je dnes velmi zajímavé téma, a energetiku, která začíná být čím dál tím více relevantní. Spojení těchto dvou oborů podle mě v příštích letech bude hrát prim.

Věděl jsi už na střední, že chceš jít touto neobvyklou cestou, nebo jak to vzniklo?
Vůbec ne. Dokonce si pamatuji, že většina mých spolužáků by vsadila, že půjdu na práva nebo politologii, něco humanitního – protože jsem hodně organizoval a spoluorganizoval různé politické simulace. Mimo jiné jsem spoluzaložil Československou středoškolskou unii, kde jsme za středoškoláky lobbovali v parlamentu. Technika mě bavila, ale nebyla tak viditelnou oblastí mého zájmu. Nakonec jsem si vybral techniku, protože jsem chtěl něco konkrétního „osahat“, něco, co když vytvořím, naprogramuju, vymyslím, bude moci někdo jiný používat a s tím pracovat. To se mi líbilo víc než humanitní obory, v nichž jsem nepřemýšlel do hloubky. Také jsem cítil, že mé technické znalosti potřebují zlepšení, proto jsem po gymnáziu šel na FEL ČVUT a zbytek je historie, o které ještě budeme mluvit.

To je zajímavé, my s Jirkou se taky známe z modelu OSN a je fascinující, jak naše životní trajektorie vypadají podobně.
To byl Summit, že?
Ano, to byl Summit. Tam jsem působil jako delegát, několikrát za sebou, mimo jiné za USA a za Čínu – tedy za obě strany dnešní geopolitické rivality. Já si Marka pamatuji taky ze Summitu, mimo jiné proto, že jsem byl za Zimbabwe a KVR.
Já byl jen za USA, takže zase „buddies“.
Buddies!

Tady je opravený text, upravený pro jasnost a plynulost:

Točíme u téhle otázky: už sis začal bořit zdi? Hodně, hodně. Už na Gimpelu i na základní škole jsem boural očekávání toho, co vlastně školák nebo student může chtít, požadovat, dělat. Vlastně zatím asi držím to, že na každé úrovni školství – od základní přes střední až po bakaláře a magistra na různých školách a kontinentech – jsem získal nějakou cenu. Byla to ředitelská ocenění, ale také nějaké anticeny, ředitelské pokárání, průšvihy s policií…

Vlastně akademický průšvihy, takže rozhodně si myslím, že o mně lze říct s jistotou, že vystupuju z davu, z té kohorty v obou směrech většinou. Vždyť to byla i tvoje motivace v tomhle smyslu, ne? Protože já třeba můžu říct, že jedna z mých prvních motivací byla zlost – nevím, jestli se to dá nazvat záští. Právě proto jsem se naučil dobře anglicky. Zajímá mě, jestli tvoje motivace byla podobně zábavná.

Záleží na tom, k čemu je motivace. Já jsem většinou nebýval moc motivovaný dělat ty průšvihy – spíš se to tak stalo, protože jsem chtěl dělat něco jiného a občas něco nevýšlo. Jinak moje motivace byla hodně na osobní úrovni. Kvůli nějaké rodinné situaci, do které bych nezabíhal, jsem velmi rychle, už kolem 16 let, musel dospět. Nějakým způsobem jsem se začal starat sám o sebe, postavit se na vlastní nohy, začít pracovat, začít se živit, když to tak shrnu.

V té době jsem byl v módu „téměř přežít“, ale taky jsem přemýšlel, co mi jde a za co jsem schopen uživit rodinu a co mi dává smysl. To mi na oboru společnosti přijde fakt nejkrásnější: nemusím řešit, jestli budu schopný uživit rodinu a zároveň dělat to, co mě baví a co považuji za smysluplné. Měl jsem také velké štěstí, že jsem to dokázal nějak sladit, což je nádherné.

Tak pojďme se podívat na ty věci. Nejprve na techniku, software a AI – jaká tam byla situace? Myslím, že se sluší také hovořit o cenách, protože listing průšvihů se ti opravdu povedl, ale máš i své frčky.

Samozřejmě se ve mně probouzí ta obligatorní česká… Naopak, zapni amerického optimistu. Ne, ne, to neudělám. Ale co můžu, je předat příběh. Šel jsem na FEL s tím, že vím, že nejsem zrovna silný v technice, chodil jsem tam, aby mě to naučilo víc – což se obecně stalo, hlavně díky tomu, že jsem potkal skvělé lidi. Některé z nich jsem poznal jako velmi talentované a vynikající.

V té době začaly soutěže, které určitě znáte – Hackathony, kdy se za 24 až 36 hodin vytvoří nějaké technické projekty. Viděl jsem jednoho kluka na bakalářském stupni, který byl v AI docela dobrý. Tehdy jsme AI vůbec nevyučovali, minimálně ne na bakalářské úrovni, takže nám to moc nenabízeli. On to ale dělal už někde v práci. A tak jsme šli…

Pokud chceš, můžu pokračovat v úpravách nebo doplnit více textu.

Jasně, tady je opravený text:

A nějaký Hackathon. Vlastně jsem nevěděl, co od toho čekat. Udělali jsme tým asi ze tří nebo čtyř lidí. A já jsem byl vždycky takový – protože jsem přišel z těch pozic – takový byznysovější. Hodně jsem vydefinoval ten problém, vymyslel jsem, jak to odprezentovat. On pak udělal to technické řešení. Vymysleli jsme tehdy nějakou aplikaci, kterou jsme nazvali „Google procestování“. Člověk tam vydefinoval, kam chce jet, a aplikace mu našla letenky, jak se tam dostat, jakou zábavu tam na něj čeká a tak dál.

To jsme soutěžili, nebylo to něco, z čeho bychom mohli přímo vydělat miliardy. Pamatuju si, že to celé probíhalo v nějaké vile na Vinohradech, kde jsme následně čekali na vyhlášení cen. Cen bylo asi deset, prvních pět vyhlásili a my jsme nevyhráli. Byl jsem docela nervózní, ale říkal jsem si: „Nic, pořád je to super zkušenost.“ A pak těch zbylých pět cen jsme vyhráli všechny. Bylo to neuvěřitelné, úplně mě to polilo adrenalin, protože jsem si uvědomil, že to, co jsem byl schopen přispět a naučit ostatní, bylo na opravdu dobré úrovni. Od té doby se mi podařilo vyhrát ještě víc soutěží. V některých jsem byl více byznysový, v jiných více technický, takže se mi potvrdilo, že to nebyla náhoda. A to samozřejmě do určité míry zvýšilo moje sebevědomí, že to, co dokážu nabídnout, má pro ostatní hodnotu. Že jdu správným směrem, když se nesoustředím jen na čistý vývoj, ale chci to propojit i s lidským faktorem, pochopením zákazníka a především pochopením problému.

A když to mám uzavřít, tak je to něco, s čím se dodneška setkávám, klidně i v Americe, klidně i ve škole. Možná se to v Česku děje docela často v těch technických kruzích – technik dostane zadání, nějak ho interpretuje, a pak my jsme fakt skvělí technici v tom, že optimalizujeme tu funkci, jak splnit to zadání. Ale málokdo si všimne, jestli je to vůbec správné zadání, jestli optimalizujeme tu správnou funkci. A často to tak není. Přidanou hodnotou někoho jako já, kdo rozumí oběma světům, je, že než se začne optimalizovat, což je většinou ta drahá věc, je potřeba ověřit, že ta funkce je správně nastavená a že zadání jde správným směrem.

Vidím, že jak v softwarovém, tak v datovém průmyslu je největším trendem to, že superstar programátor má dnes mnohem menší hodnotu. Kód vzniká v týmech, produkty vznikají v týmech, a už je málo firem, které mohou řešit problémy bez zákazníka.

Jasně. Jak tohle přispělo k těm dalším věcem, které jsi se rozhodl…

Pokud chceš, můžu ti pomoct i s pokračováním!

Spořit? Jo, no, já jako ne. Všechno jsem zbořil, samozřejmě to je jedna věc, kterou je dobré zmínit. Kdo mě najde na LinkedInu, vidí, že tam mám spoustu věcí. Některé lidi to může i zaskočit, ale fakt za mnou občas chodí lidi a ptají se: „Jak ses podařilo všechno? Prostě na co sáhneš, to se ti podaří.“ A tak to samozřejmě vůbec není. Za každým úspěchem je třeba 10, 20 neúspěchů. Za každou soutěž, kterou jsem vyhrál, je deset, kterou jsem nevyhrál. Spíš je to tak, že když mě něco zajímá nebo zaujme, snažím se na to věnovat čas a zkusit to. Jak se říká: jediné, co je úplně jisté, je, že když člověk něco nezkusí, tak se to nepovede. Znamená to, že když to člověk zkusí, je tam vždycky nějaká šance. Tohle je taková mantra, podle které se do značné míry snažím řídit.

V rámci bakaláře, kromě soutěží a hackathonů, byl projekt, který mě formoval asi nejvíc. Na střední by to byly třeba politické simulace Středovskou skálně, ale já jsem měl štěstí, že asi týden před nástupem na bakalářské studium jsem šel na nějakou prezentaci fakulty. Nebyla to žádná párty, byla to poměrně vážná akce, ale byl tam jeden stánek, kde měli b-čep. To mě velmi zaujalo jako čerstvě osmnáctiletého kluka. U stánku byly nějaké žetony a já jsem přišel, abych se tam popovídal. Jeden můj kolega ze Středovské skály byl v týmu, který stavěl elektrickou formuli. Od mala jsem miloval závodění, zejména simulace na PlayStationu, takže stavění formule se mi fakt hodně líbilo. Zároveň jsem nevěděl, jak se to dělá a jestli bych mohl být užitečný, ale zašel jsem k tomu stánku, že si s nimi popovídám. Oni mě hned začali lákat do týmu: „Pojď k nám, potřebujeme lidi. Když nic neumíš, naučíme tě to.“

A nějak jsem se do toho naplno zapojil. Pamatuju si to jako v mlze – najednou byla jedna ráno, byly tam polonahé chlapi uprostřed dílny na FEL, někteří byli bakaláři, někteří inženýři, někteří doktorandi. Takže do sebe vlezli do nákupních košíků a udělali demoliční derby mezi soustruhy a částmi křídel formule. Byl jsem úplně v extázi, bylo to nádherné, jak mě ta komunita přijala. Hned na začátku studia jsem nastoupil i do formule a bylo to extrémně formující – když mi proměníš ten dvojsmysl.

Studium samo o sobě je super, ale spíš člověku nastíní, co se kde děje a v jakém oboru. Spousta studijních předmětů, myslím, že je trochu slabších v českých podmínkách, je moc povinných, takže mnoho z nich člověk využije jen zřídka. Studijní programy jsou většinou velké slepence, kdežto t... (text nedokončen)

A formule byla super, zaměřená na jednu věc – každý rok se postavila nová formule. Na začátku jsem dělal primárně nějaké interní softwary, protože jsem studoval software. Pak jsem ale zjistil, že síla týmu tehdy spočívala v tom, že měl skvělého řidiče, docela dobrou formuli, která dojížděla závody, ale vůbec neuměl tzv. statické disciplíny – tedy prezentovat, jak se formule navrhuje, jak by se mohla vyrábět ve větších sériích, a jak vytvořit business plán, jak formulí prodávat. Říkal jsem si, že jsem nějaký ten business dělal, takže to zkusíme. Oni přitom byli třeba první, druhý, nebo poslední.

Pak jsem s nimi jel na první závody, abych zkusil udělat business plán. Dopadl jsem asi čtvrtý z celkových 20 týmů, takže to byl jejich historicky nejlepší úspěch. Hned v druhé sezoně jsem podle mě vyhrál na českých závodech a později i na dalších závodech. Ukázalo se tedy, že jsem byl schopný propojit techniku s tím, jak to prezentovat, aby to lidi pochopili a viděli vizi. To jsem dělal během bakaláře a na jeho konci jsem přemýšlel, jak dál.

V rámci formule jsem tam byl už tři roky a viděl jsem, že se můžu buď ponořit do technických věcí – ale já jsem spíš softwarový člověk, a formule byla v té době hodně elektrická – nebo do business plánu, ale už jsem chtěl spíše předávat znalosti. V tu chvíli ale začala nová disciplína formule – celá soutěž se posouvala nejen od strojírenství a elektrotechniky více směrem k počítačovým vědám a vznikaly autonomní formule a závody. Říkal jsem si: „To je super, ale my to vůbec neumíme.“ Přitom tady máme katedru počítačových věd, kde jsem byl i já, ale vůbec jsme ji neuměli zapojit. Navíc podle mě na východ od Německa žádný takový tým nebyl.

Říkal jsem: „Musíme to udělat. Máme ty správné lidi, jen je musíme spojit, vytvořit základní rozpočet, podle mě to půjde.“ Říkal jsem si, že věci, které nejsou, jsou prostě možné. V českém prostředí ale spousta lidí – jak z týmu, tak i mimo něj, včetně profesorů – říkala, že to nejde: že se neseženou peníze, že nejsou lidi, že jsme v Česku s rozpočty oproti Německu vždy trošku zpomalení a že to není soutěž pro nás.

Ale tím jsem se nenechal odradit. Tvrdohlavě jsem bořil další zdi – občas pukla zeď, občas hlava, ale zatím se mi daří, že pukají ty zdi. Nakonec jsem přesvědčil jednoho profesora, je to profesor Matas, kterému jsem za to dodnes velmi vděčný, že…

Opravený text:

Vlastně ten projekt podpořili jak personálně, tak finančně. Díky tomu jsem si kolem sebe postavil tým a do 8 měsíců jsme měli funkční prototyp, zmenšenou verzi. Hned další sezónu jsme už jezdili a poměřovali se s nejlepšími týmy na světě. Později jedna z historek, kterou rád vyprávím, je, že jsme se poměřovali i s týmem, který byl mezi dalšími jako MIT. A další rok jsme je porazili natolik výrazně, že MIT tým se ten rok prostě rozpustil. Dokonce jsem si s nimi volal a jeden z nich říkal:

„Váš výkon proti nám je přesvědčivý, že my v tom nejsme moc dobří, takže to necháme mladším.“ To je smysl, kluci.

Přesně tak, přesně tak. Takže čutáci udělali dobré jméno. A co mě na tom vlastně těší nejvíc není to, že jsme tehdy porazili MIT, i když to bylo samozřejmě fajn, ale hlavně to, že já v týmu už přes pět let nejsem, ale tým prostě pokračuje. Dneska, kdyby tam člověk přišel, dělají neuvěřitelné věci, které by nás tehdy vůbec nenapadly. My jsme si fakt jenom hráli v podstatě, ve srovnání s tím, jak jsou teď profesionální. Nejvíc mě těší, že ten zárodek, který jsem měl tu čest tam vybudovat, se ujal, našlo se dostatek lidí, kteří to také zajímá, kteří se do toho chtějí zapojit a investovat čas. Ten tým teď žije vlastním životem a dosahuje výšin, o kterých jsem tehdy ani nesnil, a ČVUT se tím prezentuje po světě. Na to jsem opravdu hrdý.

Kdy do toho přišla Amerika? Amerika přišla mnohem, mnohem později.

Ještě moc přeskakuješ. Snažím se to trochu napilovat. Kdy do toho přišla Británie?

Přesně, nejdřív přišla Británie.

To je úplně mimo. Fakt jsem zklamaný. Tady jste briefing měli špatný, já jsem tu přípravu nečetl, sorry.

Nicméně po dokončení inženýra na formuli jsem přemýšlel, na co se vrhnout dál. S mou tehdejší předchozí manželkou jsme byli v Belgii na Erasmu. Řekl jsem si, že je to dobrý moment ještě něco zkusit, trochu zbořit nějaké laťky nebo očekávání, co je možné. Do té doby, kvůli rodinné a finanční situaci, ze které jsem vycházel, bylo jasné, že budu primárně studovat v Česku, protože vzdělání je tam skvělé a zároveň zdarma. Současně jsem pracoval na formuli a pracoval, takže jsem už měl nějaké finanční zázemí.

Přemýšlel jsem, nebylo by fajn trochu si poměřit zkušenost na nějaké top škole. Našel jsem obor, který mě velmi zaujal, jmenoval se Technologická politika, který kombinoval techniku, kterou jsem již měl, a zároveň společenský či byznysový pohled – jak technika zasahuje do kontextu. Tento obor byl na University of Cambridge.

V tu chvíli jsem hledal, zda se někdo z ČVUT někdy přihlásil na University of Cambridge. Našel jsem pár lidí z Karlovy univerzity, ale ze ČVUT ne. Neříkám, že se to nikdy nestalo, ale já to nenašel. Takže jsem neměl moc...

Zde je opravený text s důrazem na správnou gramatiku, interpunkci a stylistiku:

Ani nikoho se neptej, co a jak, ale v zásadě, když to zjednoduším, měl jsem velké štěstí, že se mi podařilo nejen dostat na ten obor, ale vlastně i získat částečné stipendium, takže jsem si to mohl dovolit a strávil tam další jeden rok. Studium na takové univerzitě – na to vzpomínám, odnesl jsem si odtamtud spoustu věcí. Mimo jiné to, že to byl můj jediný rok opravdu studentského života, kdy jsem neřešil žádný velký projekt ani žádnou formuli, ani jsem při tom nepracoval, protože to na Cambridge bylo zakázané. Opravdu jsem jen dělal svůj projekt, věnoval se svému oboru, sportoval a chodil po kavárnách a na párty – byl to vlastně kouzelný rok.

A sport? Já jsem právě dělal slovan, dělal jsem rugby, dokonce jsem šel i na lední hokej, protože jsem tam měl kamarády z amerického námořnictva v kurzu. Ti mi říkali: „Hele, ty jsi Čech, přidej se k nám!“ Já jsem říkal: „Vím, že jsem Čech, ale to neznamená, že mě hokej baví.“ Ti kamarádi však dodávali: „Znám spoustu Čechů, kteří umí hokej perfektně. Neboj, tam není zase tak vysoká úroveň, prostě pojď s námi hrát proti Oxfordu lední hokej.“ Tak jsem tam přišel a zjistil jsem, že tam byli například hráči z národního týmu Singapuru a Čechoslováci, kteří hráli od šesti let. Já jsem lední hokej hrál párkrát na rybníce, když mi bylo 14 let, ale nedokázal jsem bruslit pozadu stejně rychle jako dopředu. Přesto to byl skvělý zážitek, zahrál jsem si pár zápasů. Ne proti Oxfordu, ale aspoň jsem byl součástí tréninkového týmu, a to bylo úžasné.

Pak jsem alespoň v rugby hrál proti Oxfordu, protože tam se rychleji dalo dostat na použitelnou úroveň, což byl taky skvělý zážitek. Sportovní zážitky mám tedy skvělé. Co se týče výuky, můžu rychle říct, že to bylo skvělé na té kemistolu (chemické fakultě) a zároveň mi to dalo kontext. Vyučující nebyli všichni vždy lepší než kdekoliv jinde, byli tam dobrí, průměrní i horší vědci, stejně jako na ČVUT, Karlově univerzitě nebo na dalších dobrých českých univerzitách.

Vlastně ta přidaná hodnota těch škol spočívá hlavně v brandu a hlavně v lidech, které tam člověk potká, a v příležitostech, které mu univerzita dává i mimo studijní obor. To mi přišlo hodně zajímavé. Tenhle kontrast jsem si začal uvědomovat a hlavně mi to potvrdilo, že má smysl mířit výš, než by moje okolí kdy čekalo. Nemyslím si o sobě, že jsem nějaký super chytrý nebo výjimečně nadaný, ale na těchto univerzitách mnohdy nahlížíme na lidi jako na jakési superchytré. Když tam však člověk přijde, uvědomí si, že je to krásné město a...

Pokud budete chtít, mohu vám pomoci i s případným pokračováním nebo úpravou další části textu.

Opravený text:

Univerzita, ale prostě ti lidi tam jsou úplně stejně jako my. Občas tam je nějaký nobelista a když se s ním člověk popovídá, taky zjistí, že jo, měl chytrý nápady, dobrý, ale vlastně má stejných 24 hodin denně jako my. A ty věci jsou prostě možné. Jsou to normální lidi, dá se s nimi normálně bavit často.

Měl jsi tehdy už představu, co budeš dělat? Tak jsi konečně zažil ten studentský život. Už jsi mířil na nějakou metu nebo specializaci?

Já si myslím, že to zpětně vypadá, že jsem měl úplně jasnou představu, ale vůbec to tak nebylo. Já jsem se v tom strašně plácal. Vlastně možná mě to trochu rozhodilo, protože jsem přišel na obor technologie a politiky, že to je přesně to, co chci dělat. Promítá se tam technika i ten pohled na společnost, na business a na politiku, jak vysvětlovat technologický progres vůči regulaci. Zjistil jsem ale, že mě ten obor upřímně trošku zklamal. Úplně jsem se tam nenašel tak, jak bych chtěl.

Takže jsem končil Cambridge s tím, že jsem byl trochu zmatený, co si z toho vzít a kam jít dál. Protože mě taky začalo zajímat, jak vlastně ta současná společnost funguje, jak je průchod skrz společnost teď do značné míry ve všem liniový. Je to docela jednoduché, jak se to má. Samozřejmě jsou lidi, co vybočují – já jsem docela vybočoval – ale obecně je jednoduché si říct, co znamená být úspěšný člověk.

Na základce je to mít dobré známky a nikoho moc neprovokovat. Já jsem sice provokoval, ale známky docela šly, takže fajn. Na střední to bylo podobné. Na vysoké škole už si člověk třeba vyprofiluje, že si vybere obor, ale pak zase… Stačí mít dobré známky, udělat titul, ideálně z nějaké dobré školy, a vlastně to je všechno, co se od něj očekává.

Pak člověk jde do práce a musí se rozhodnout – jestli je lepší jít do consultingu, být programátor, jít na volnou nohu, nebo do financí. Fakt spousta lidí jde do financí. Já nikoho nesoudím, každý si musí rozhodnout sám, ale pro mladé lidi je to docela náročné.

Do té doby to nemusíme moc řešit – stačí se dostat na nejlepší obory, nejlepší univerzity, mít dobré známky a je to v pohodě. Ale najednou už to není v pohodě. Najednou musíš poprvé v životě fakt něco rozhodnout, co ti bude určovat další cestu.

S tím jsem si taky prošel, asi jako spousta lidí. A vyšlo mi z toho, že jsem předtím v Česku hodně pracoval v consultingu, v korporátech, a chyběla mi větší startupová zkušenost, tak jsem chtěl dělat startup. Několik let jsem strávil ve startupech – jeden jsem spoluzaložil, do jednoho jsem se přidal jako vedoucí technického vývoje. Byly to skvělé a zároveň náročné roky, které mě posunuly dál.

Jistě, tady je opravená verze textu:

A to bylo kde? To bylo zajímavé, vlastně jeden startup byl hned po Cambridge v Anglii, takže jsem primárně působil v Londýně, ale lítal jsem do Prahy, takže to už bylo takové rozkročení přes Anglický kanál, nebo Lamanč. A pak vlastně... takže to byl první startup, který jsem spoluzaložil. Pak další, kde jsem byl vedoucím technických týmů, byl trochu větší a nacházel se v Dánsku, takže jsem byl mezi Prahou a Dánskem. Tam mezi námi nebyla žádná velká vzdálenost, ale Dánové se vždycky...

A divili se? Počkej, jste ve stejné časové zóně? Já jsem říkal: „Jo, vy jste přesně nad námi.“ A takovéhle srandy. No a pak mě to posunulo, protože jsem nabral zkušenosti jak z byznysu, tak z technologií, a taky třeba finančně. Začal jsem přemýšlet, co dál, protože ten druhý startup mě postavil před několik problémů, které jsem měl vyřešit – nějaké inženýrské, ale pak se ukázalo, že větší jsou ty produktové, což se mi podařilo řešit. Nakonec jsem se tam sám udělal v podstatě nepotřebným tím, že jsem tam nabral správné lidi, a mě to už tolik neapplnilo.

V tu chvíli jsem tedy řešil, jestli se mám pohnout dál v nějakých startupech, nebo jestli se vrátit zpátky do korporátu. Říkal jsem si: Hele, posledních pár let jsem se soustředil na startupy, hlavně na finance. I když člověk dělá nějaký startup, který mu dává smysl, vždycky musí řešit, co chtějí investoři, co chtějí zákazníci, jak vlastně vydělat peníze. Startupy jsou prostě nastavené takhle.

Vzpomněl jsem si ale na Cambridge, kde jsem byl v rámci technické politiky a kde se hodně zdůrazňovaly klíčové hodnoty, které člověka zajímají. Třeba jsme tam řešili udržitelnost, což je mi hodně blízké srdci. Stejně jako spoustě lidí v naší generaci – klimatická změna, to opravdu vidíme. Když jsem byl malý, mohl jsem v Praze sánkovat, dneska je to během zim mnohem méně časté. Tak jsem si říkal, že bych chtěl pár let věnovat tomu, abych porozuměl této problematice víc a třeba i něčemu přispěl.

Otevřel jsem si proto jednu prezentaci z Cambridge a jeden graf, který teď všude používám a ukazuju, popisuje původ emisí skleníkových plynů – bereme v úvahu vědecký konsensus, že klimatickou změnu způsobují lidé. Je to takový koláčový graf, a kdyby si člověk laik poslechl média, mohlo by se zdát, že je nejdůležitější nejezdit autem, nelítat letadlem a nejíst maso. Samozřejmě, tyto věci pomáhají, ale pokud chce člověk opravdu dosáhnout významného dopadu, není možné se zaměřit na nic jiného než na energetiku. Energetika – elektrická energie, mobilita a teplo (například plyn) – totiž způsobuje zhruba tři čtvrtiny všech emisí. Takže pokud chce člověk být efektivní a opravdu něco změnit, je potřeba se energetice věnovat.

Pokud chceš, mohu text ještě dále upravit, zkrátit nebo přizpůsobit konkrétnímu stylu.

Tady je opravený text:

Jestli to bude o globálním stavu věcí, tak se na to zaměřím. Původně jsem sice vystudoval software, ale na Fakultě elektrotechnické, tak jsem si říkal, že by bylo vlastně symbolické, kdybych se trošku vrátil k tomu oboru. V tu chvíli jsem už pár let učil na Stanfordu, takže to vlastně začalo Americkou etapou mé kariéry. Učil jsem online, protože mě tam nejdřív někdo doporučil, pak jsem měl dobrý výsledky, díky čemuž mě doporučili na další kurz, a postupně jsem se propracoval ve vzdělávacím žebříčku výš a výš. Zajímal mě i přístup tamějších odborníků, protože existovala jedna laboratoř, která se zaměřovala na efektivní dekarbonizaci energetiky. Na to jsem chtěl aplikovat své znalosti, zejména v oblasti umělé inteligence, která je poměrně nová. Mnoho absolventů, kteří tomu rozumí, však bohužel často odchází do Facebooku, do Mety, aby optimalizovali funkce, které například vedou k největšímu možnému počtu duševních chorob. Mně to přijde dost smutné, protože jejich úkolem je pak hlavně prodat lidem co nejvíc věcí, přesně.

Zjistil jsem, že na světě je velmi málo laboratoří, které se tímto směrem zabývají, a jednou z nich je právě ta na Stanfordu. Stanford mě vždy fascinoval i díky své technologické scéně. Takže jsem tam navázal kontakt s naprosto skvělým profesorem, který mě tam chtěl mít. Řešil jsem trochu příjemnou, ale zároveň i komplikovanou situaci. Měl jsem totiž pozvánku dělat doktorát na Stanfordu, což bylo velmi lákavé, jenže to odporovalo tomu, co jsem chtěl ve svém osobním životě. Už tehdy jsem přemýšlel o zakládání rodiny a měl jsem jasno, že jsem docela český vlastenec a chci, aby moje děti také měly jasně ukotvenou českou identitu a vyrůstaly tady v Česku. Představa, že bych se měl přestěhovat do Kalifornie na velmi dlouhý PhD studium trvající třeba šest let, se mi nelíbila ani mně, ani mojí manželce.

Tak jsme řešili, co s tím. Začal vlastně docela dlouhý proces, ale nakonec jsme našli řešení, které bylo skvělé a za které jsem opravdu vděčný. Trochu jsem tím také prolomil určitou bariéru, protože to nikdo předtím ani na té laboratoři, ani v Česku neudělal. Mám doktorát z Fakulty aplikovaných věd na ČVUT, ale zároveň i afiliaci na Stanfordu. To znamená, že mám školitele tu i tam, budu mít dizertaci pod vedením obou profesorů a dělám projekty v obou zemích. Většinu svého studia mohu trávit zde, ale zároveň mám rozpočet a možnost jezdit na Stanford, učit tam i na nich studovat. Jediná podmínka byla, že jeden rok musím být většinu roku právě v Kalifornii. Takže v roce 2023 jsem skutečně strávil většinu roku na Stanfordu, což bylo také zajímavé.

Pokud chcete, mohu text ještě více upravit stylisticky, dejte vědět.

Velmi náročné, ale zároveň příjemné; pro mě to bylo ještě zvládnutelné, i když pro mou rodinu náročné. Teď už to dodělávám a zpětně musím říct, že to snad ani lépe nemohlo dopadnout. Vždy se objeví nějaké překážky, které je potřeba překonat, ale příležitost, která se mi naskytla, a vstřícnost, které jsem se dočkal z obou stran těch institucí, byla naprosto skvělá.

Zní to, jako by od momentu, kdy jsi absolvoval Cambridge, byla cesta jasná a věděl jsi přesně, na čem záleží a kudy se chceš ubírat. Bylo to opravdu tak, nebo jsi narazil i na slepé uličky a nepovedené pokusy?

Určitě. Za každým úspěchem je schovaných mnoho, někdy i desítky neúspěchů. Ten narativ, který vyprávím souvisle, odpovídá postupu, ale není to úplný a ucelený obrázek. Život je složitější a můžu to ilustrovat konkrétními příklady. Jak jsem říkal, byl jsem po absolvování hodně zmatený ohledně dalšího směřování. Začal jsem tím, že jsem založil jeden startup, kde jsem působil jako CTO a celý rok jsem programoval od rána do večera v Londýně. Nebyl jsem s tím ale úplně spokojený. Nakonec jsem projekt opustil, protože můj partner, obchodní CEO, chtěl firmu posunout směrem, se kterým jsem nesouhlasil. Otevřeně jsem mu to řekl a velmi přátelsky jsme se rozešli. Firma do dneška používá Weedcode, což je v pohodě, protože jsem odešel přátelsky, ale to, co jsem původně chtěl – že startup bude velká věc – se pro mě nestalo.

Poté jsem šel do druhé firmy, která byla o něco větší a pomáhal jsem tam škálovat inženýrské týmy. Nakonec jsem ale tolik nevstupoval, protože když jsem vyřešil produkt tím, že jsem přivedl někoho, kdo tomu rozuměl více než já, nevěděl jsem, co dál.

Mezi slepé uličky patřila i nabídka pracovat ve velkém VC fondu v Česku, který měl investovat do studentských projektů – téma mi bylo velmi blízké, protože chci podporovat studenty a přinášet příležitosti. Na tom jsem strávil několik měsíců práce, ale bohužel to nevyšlo, ačkoli nikoho nechci vinit.

Také spolupráce se Stanfordem nebyla jednoduchá – původně jsem měl domluveného jiného výzkumníka, který by mě mohl hostovat. Ale nakonec mi tady na ČVUT řekli, že to není úplně v souladu s představou, co bych měl na ČVUT zkoumat.

Jasně, tady je upravený text s ohledem na plynulost, gramatiku a stylistiku:

Vlastně jsem to musel iterovat několikrát. Nebyla to rozhodně přímá cesta, spíš to bylo takové to klikaté putování. Některé věci trvají třeba několik let a najednou se najednou všechno zamotá během pár týdnů. Třeba ta finální dohoda se Stanfordem – můžu to říct úplně konkrétně – byla přesně takový případ. Nejprve jsem dohodnul spolupráci s jedním výzkumníkem, se kterým jsem měl původně začínat, ale to nakonec nevyšlo. Pak jsem začal pracovat s laboratoří, na kterou jsem původně cítil, spolu s několika doktorandy na různých projektech, kde jsem se snažil ukázat, že mám pro ně přidanou hodnotu a že bych chtěl spolupracovat s profesorem.

Byla to taková ukázka toho, že na to mám a že mám co nabídnout. Pak ale dva měsíce se mi nepodařilo na spolupráci doktorandy sehnat. Začal jsem si říkat, že ten doktorát asi moc nepůjde a nevěděl jsem, jestli z toho něco bude. A najednou mi přišel hovor s nabídkou, že bych mohl přijet na Stanford za tři týdny. Říkal jsem si: „To asi nedám.“ Znělo to sice skvěle, ale tři týdny nejsou moc na to, sehnat letenky, přesunout se a všechno připravit. Navíc počítali s tím, že tam budu klidně dva roky.

Takže jsem začal řešit nějaké záležitosti, jak a co dělat. Do měsíce jsem už byl na Stanfordu, potkal jsem se s profesorem a hned jsme si padli do oka. Pak už to bylo nastavené dobře. Ale bylo tam několik momentů, kdy vůbec nebylo jasné, jestli to povede někam dál, než jsem se dostal do příjemné situace, že mě tam opravdu chtějí a že jsme na obou stranách vymysleli podmínky spolupráce. Teď, zpětně, to zní krásně a jednoduše, jak jsem se dostal tam, kde jsem vždy chtěl být, ale cesta byla plná frustrujících momentů, které mohly skončit propadákem.

Máš nějakou konkrétní radu pro lidi, kteří teď možná procházejí nějakým frustrujícím obdobím a snaží se vytrvale posunout z nějakého lokálního maxima?

Určitě. Rozhodně bych chtěl říct, že je potřeba mířit tam, kam člověk opravdu chce – ať už je ten cíl jakkoliv nejasný – a zkusit do toho jít. Klidně se může stát, že po cestě zjistí, že to není ten pravý cíl. Já například původně směřoval k autonomním systémům, postavil jsem tým na autonomní formule, ale pak jsem zjistil, že to není ta cesta, kterou chci jít – třeba kvůli některým etickým otázkám, které jsem nechtěl řešit. Tak jsem se přeorientoval a byla to super užitečná zkušenost.

Takže zkrátka – zkoušet to, riskovat a za druhé – nikdy se nevzdávat. Pokud vám to dává smysl, držte se toho, i když máte pocit, že je to složité a frustrující.

Pokud chceš, můžu text ještě víc zkrátit nebo upravit dle určitého stylu.

Zde je opravený a upravený text:

Víš, tak je dobré prostě to zkoušet a občas se ozvat těm lidem, protože občas jsou prostě lidé jenom zaneprázdnění. Není to tak, že s vámi nechtějí nic dělat, stačí se připomenout. To je hodně důležité. No a pak třetí věc je, že když třeba někdy něco nevyjde, tak pokud vám to pořád dává smysl, neznamená to, že to nevyjde nikdy jindy. Třeba samozřejmě jedna věc byla s tím původním profesorem, že se to pak změnilo, ale další věc je třeba ta, že kdybych byl v jiné situaci, určitě bych rád šel na Cambridge studovat už na bakaláře. Neměl jsem ale na to kontakty, peníze, ani mě to vlastně nenapadlo. A teď se spousta středoškoláků hlásí na Cambridge, kde nepřijímají na bakaláře, a jsou z toho úplně zklamaní. Nebo třeba na nějakou jinou prestižní školu. A já říkám, že to není takový problém. Můžete se hlásit na magistra, já jsem pak šel na druhého magistra na Cambridge a vůbec to nebyl problém. Neměl jsem pocit, že mě to nějak limitovalo, naopak jsem díky tomu vybudoval autonomní formu a dělal jiné věci.

On říkal: „No, ale já teď mám tu speciální maturitu na to a pak už ji mít nebudu.“ A já jsem říkal: „Ty se hlásíš z jednoho ze statisíc různých gymnázií na světě, oni to nemají jak porovnat. Takže bys mohl přihlásit z nějaké alespoň regionální univerzity, i to bude těžké porovnat, ale tvoje situace se nezhorší.“ On na to: „Ale...“

A jo, to mě napadlo. Myslel jsem, že teď je moje nejlepší šance, co v životě budu mít. Ale to vůbec nemusí být pravda. Funguje štěstí, funguje lepší příprava, když člověk na to míří. Takže je potřeba neustále přemýšlet o správných cílech. A pokud se ty cíle nemění, tak to zkusit znovu.

Dobře, pojďme se tedy vrátit k tomu Stanfordu a výzkumu, který tam děláš. Pochopil jsem, že tam máš jakýsi triumvirát výzkumných oblastí.

Jo, jasně. Vlastně jsou to tři témata, i pokud jde o obecnou oblast i o aplikace. Zaměřuji se na tři oblasti vycházející z udržitelnosti. Zajímá mě udržitelnost, zejména jak udělat energetiku udržitelnou. Energetika je totiž velký kolos, systém, na který se snažím aplikovat své znalosti. A moje znalosti, se kterými pracuji a které jsou zajímavé, jsou spojené s umělou inteligencí. Takže to je ten triumvirát témat a snažím se je konkrétně aplikovat. Nechci dělat jen vědu do šuplíků, chci spolupracovat s konkrétními firmami, ať už jde o přenosovou soustavu, distribuční soustavu, případně spotřebitele nebo obchodníky.

Snažil jsem se najít několik konkrétních projektů či témat, na kterých mohu během několika let svého doktorátu posunout status quo. Po tom, co jsem zkoumal, co je možné, je to například řízení sítí – tedy dostat energii z míst, kde se vyrábí v elektrárnách, do míst, kde se spotřebovává, což může být průmysl nebo domácnosti...

Pokud chceš, mohu text ještě dále upravit, aby byl plynulejší nebo formálnější.

Tady je opravený text s úpravami pro lepší srozumitelnost, správnou gramatiku, interpunkci a styl:

Ti, a mezi tím jsou nějaké dráty, které mají určité fyzikální vlastnosti, jež nesmíme překročit, a tak dále. To je problém, který je takzvaně NP-těžký, což znamená, že kdybychom na něj použili nejsilnější superpočítač, jaký kdy existoval nebo bude existovat, nepodaří se ho spočítat v rozumném čase. Dokonce i existence vesmíru by nestačila jako časový rámec, což je problém, protože v energetice potřebujeme tyto údaje znát každých pár minut. Takže škála problému nám moc nesedí, a navíc to potřebujeme počítat na relativně běžných počítačích, třeba na standardních pracovních stanicích.

Co jsme tedy navrhli s Čebskou a kam náš výzkum míří, je to, že existují obecné algoritmy, které poskytují přibližně optimální řešení, ale jsou stále velmi pomalé — trvá docela dlouho je spočítat. My jsme navrhli řešení pomocí umělé inteligence, tzv. surrogaty, což jsou jakési dvojníky, které se snaží přiblížit tomuto pomalému, téměř optimálnímu řešení, ale jsou přitom velmi rychlé. Jakmile jsou jednou natrénované, je samotná inference, tedy vytvoření výsledného řešení, velmi rychlá. To je tedy ten přístup k optimálnímu řízení.

Druhým problémem je predikce spotřeby. Dříve energetika fungovala velmi jednoduše: museli jsme stále balancovat poptávku a nabídku, což je v podstatě trh, ale bylo to docela jednoduché. Věděli jsme přesně, kdy lidé budou spotřebovávat energii — ráno se vzbudí, připraví si čaj, což je špička, přes den se spotřeba mírně sníží a večer nastává další špička, když přijdou domů. Nebo po fotbale v Anglii si všichni dají čaj a podobně. Když jsme tedy očekávali větší poptávku, prostě se spálilo trochu více uhlí nebo jiného fosilního paliva; při nižší poptávce se pálilo méně. Bylo to krásně jednoduché a energetický systém tak fungoval i několik dekád, od konce 19. století až do 80. a 90. let 20. století.

Ale teď jsme si správně uvědomili, že fosilní paliva nejsou úplně nejlepší — planeta doslova hoří a podobně. Máme sice jádro, ale také obnovitelné zdroje energie, nebo jak je u nás v Česku vtipně nazýváme, občasné zdroje energie. Současně to přináší komplexitu i na straně spotřeby. Na straně nabídky totiž nevíme přesně, kolik energie kdy vyrobíme, a na straně poptávky některé domácnosti, zejména v příměstských oblastech, už mají vlastní solární panely a baterie, a optimalizují si svoji spotřebu. To je také velmi těžké predikovat pro organizátora elektrické sítě.

Takže z obou stran zde je problém s predikcí. Proto jsme vytvořili model pro jednoho velikého distributora v USA — oblast pokrývá území od Louisiany až po Minnesotu na severu. Model odhaduje, kdy a kde bude potřeba kolik elektrické energie, což jim ušetřilo několik milionů dolarů. Byl to skvělý projekt, o kterém nám nyní vychází článek, takže kdo má zájem, může si o tom přečíst.

Třetím problémem je nějaké modelování — velmi častý problém, jak se energetika dynamicky vyvíjí s novými technologiemi, tak j...

Pokud chcete, mohu pomoci i s dokončením či dalším zpracováním textu.

Je velmi důležité umět si představit, jak by vypadaly různé scénáře a situace. Teď je velmi důležitá elektromobilita, která je úzce spojená s dekarbonizací energetiky. Když dekarbonizujeme energetiku, zelená nebo elektroauta budou mít vlastně nulovou, nebo minimální uhlíkovou stopu při provozu. V tu chvíli ale zase budou mít určité nároky na elektrickou síť, a proto si potřebujeme představit, jak to bude vypadat. Když je teď v Praze pět a půl tisíce elektroaut, jak to bude vypadat, až jich bude například milion? Navíc když k tomu připočteme elektromobily ze Středočeského kraje, může jít klidně o jeden a půl milionu vozidel. To bude velká výzva, takže je dobré si představit, jak a kde to bude fungovat.

My jsme vytvořili jeden z prvních modelů umělé inteligence, který ukazuje, jak se chovají jednotlivé nabíječky, a jako první jsme ukázali, jak konkrétně ovlivní umístění nabíjecích stanic v městě a jak se to bude chovat v praxi. To bylo velmi zajímavé. Tohle jsou tři případové studie, které jsem zahrnul do své dizertace, kterou právě píšu a nevzdávám se doktorského studia.

Na tom mi přijde zajímavé, že výstupem není jen akademický článek, ale i reálný projekt v praxi. Řekl bys, že je to vlastnost daného oboru, Stanfordu, nebo obecně anglosaského výzkumu? Protože většina lidí má jen články.

Myslím si, že je to určitá vlastnost, na kterou jsem se chtěl zaměřit, protože takto chci pojímat svůj výzkum. V mém oboru - v energetice - je hodně malý, ale obecně v jakémkoliv oboru jsou tací výzkumníci, kteří dělají primárně základní výzkum, vytvoří metodu a pak doufají, že ji někdo využije. Já jsem ale chtěl, když už dělám nové metody a přístupy, snažit se porozumět reálnému problému. Chtěl jsem být v kontaktu s provozovatelem soustavy a alespoň v obrysech pochopit, jak to reálně funguje. Co je skutečný problém? Není to jen obecná matematická definice, ale je to reálný fyzikální systém – například trafostanice, která někde stojí, jak je napojená, jak se ovládá, jestli tam je počítač nebo není.

Chtěl jsem pracovat s tím, jak to opravdu funguje, protože jinak je to jen teorie na papíře a jestli to bude možné někdy adaptovat, ukáže až čas. Toto se děje i v Americe i u nás.

Když porovnávám, jak se věda propojuje s praxí, tak spolupráce s průmyslem v Americe funguje obecně lépe na obou stranách. Průmysl je tam zvyklý chodit za univerzitami s tím, že má problém a chce ho pomoct vyřešit. Nemá interní výzkumné kapacity nebo by se mu nevyplatilo platit desítky... (text končí)

Tady je opravený text:

Vyzkoumat, aby nám výzkumníci neustále řešili nějaké problémy, je důležité, protože většinou jednorázově vyřešíme nějakou záležitost a další problém přijde až za pět let. A taky univerzity jsou schopné jít za průmyslem a mít co nabídnout. Mají totiž lidi, kteří rozumějí nejen vědě, ale i rozvoji byznysu, vědí, co na průmysl funguje, jak nabídnout služby, například za kolik peněz, a jak pojmenovat nějakou budovu nebo profesory. To na mě velmi zapůsobilo a snažím se z toho čerpat inspiraci a třeba otevřít nějaké cesty v Česku, které tady zatím nikdo neprošel. Budu se těšit, až po někom pojmenujeme tady budovu.

Když se ještě zastavíme u těch projektů, můžeš nás vzít dovnitř, „pod kapotu“, technologicky vysvětlit, co znamená mapovat a modelovat síť pro ČEPS? To je super, že ČEPS byl tady hostem, byl to skvělý díl, doporučuji. Dále jak jste dělali demand forecasting v Americe. A třetí část, kde jsem pochopil, že toho máš nejvíc, je ten model.

Rád. Rozhodně potvrzuji, že ČEPS je skvělý partner. Je to možná i další důvod, proč se nebát nějaké projekty zkoušet – před doktorátem bych nikdy nevěřil, že jeden z nejlepších partnerů bude stát za spojenou firmu. Obvykle by člověk očekával, že tyto velké firmy jsou spíše rigidní, ale ČEPS je plný skvělých lidí, kteří jsou otevření změnám. Mají reputaci na mezinárodní úrovni v rámci Evropy jako jeden z nejlepších a nejaktivnějších provozovatelů přenosové soustavy. Můžeme být na to pyšní a přenosová síť v Česku funguje opravdu velmi dobře. Skvěle se s nimi spolupracuje.

Rád tedy povím o jednotlivých projektech, například o Optimum Power Flow. Už jsme o tom mluvili i více do hloubky. Síť modelujeme jako graf – existují uzly, některé generují energii, jiné ji spotřebovávají, a mezi nimi jsou jednosměrné hrany, což jsou vedení s fyzikálními omezeními, kapacitou a podmínkami provozu. Vygenerujeme stovky scénářů, pro které se řeší pomalý výpočet téměř optimálního řešení. Pak různým algoritmům porovnáváme výsledky – některé jsou založeny na machine learningu, jiné jsou velmi jednoduché, například lineární regrese, o kterých víme, že jsou velmi rychlé. Některé jsme navrhli my, například neuronové sítě s různými architekturami.

Je potřeba zmínit, že i když se věnuji umělé inteligenci, nedělám vysoce specializované hluboké AI, které navrhuje nové architektury. Spíše se podívám na řešení, která někdo vyzkoušel na jiných problémech, a snažím se je aplikovat na vhodný problém v energetice. Jsem hodně aplikovaný a nevěnuji se tvorbě úplně nových hlubokých AI metod.

Konkrétně tyto problémy... (text pokračuje)...

Pokud chceš, můžu pomoci i s další částí textu nebo jej ještě upravit stylově dle potřeby.

Jistě, zde je opravený a stylisticky upravený text:

Tak vlastně se dají reprezentovat jako nějaký stav v tom grafu, to znamená, že je to nějaká x-dimenzionální matice, která je předpočítaná nějakým pomalým algoritmem, který má určité parametry. Většinou to trvá na těch zařízeních, která jsou k dispozici pro řízení sítě, například i pro síť velikosti České republiky. To může trvat několik hodin. Problém je v tom, že tento výpočet je potřeba provádět každých pár minut, aby se snížily ztráty v síti, které ovlivňují kvalitu jejího provozu. To znamená pravděpodobnost, že někde nastane nějaký problém.

Primárně však, vzhledem k tomu, že kvalitu reguluje několik stabilizačních systémů, má to také finanční dopad. ČEPS totiž platí skrz operátora trhu s energií za podpůrné služby.

My jsme se nyní dívali na to, že máme téměř optimální řešení předpočítané. Zatím jsme je ukazovali ne na reálné české síti, ale na typických otevřených IEEE datasetech, které jsme tam importovali. Nyní to teprve budeme aplikovat na síť v Česku. Ukázali jsme, že takový algoritmus funguje, ale je pomalý. Jak to tedy udělat rychlejší?

Triviální přístup je použít lineární regresi. Máme k dispozici x scénářů, které jsou předpočítané, ty rozdělíme na trénovací, validační a testovací sady a uvidíme, jak si lineární regrese poradí. Druhý přístup je využití Gaussian mixture models, česky směsí normálních rozdělení. Předpokládá se, že data sledují několik normálních rozdělení – vždy je tam střední hodnota, kolem které se data rozprostírají. Tyto směsi se zkombinují a dá se najít křivka, která datům nejlépe sedí v dané dimenzi.

My jsme pak vytvořili poměrně jednoduchou neuronovou síť, složenou z pár vrstev, která by měla tento problém taktéž dobře řešit. Spustili jsme to a výsledkem byla výrazně vyšší rychlost, což jsme očekávali, ale hlavně lepší přesnost. OPF je také...

Specifické je, že nejde jen o to, jak blízko je člověk optimálnímu řešení, ale na každém vodiči je určitá hodnota, kterou by se nemělo překročit, protože jinak by se mohl vodič přehřát a začít tát, tak si to představuju. Jde tedy o správnost a přípustnost řešení. To se většinou řeší zavedením penalizace v loss funkci, což znamená, že se penalizují řešení, která mohou způsobit například lokální blackout. To jsme se také snažili nějakým způsobem zahrnout a porovnávali jsme výsledky.

Zjistili jsme, že na malých sítích, které nejsou příliš reálné – třeba na velikosti několika bloků nebo městské části – by klidně lineární regrese...

Pokud chcete, mohu vám pomoci i s dokončením poslední věty nebo s dalším vylepšením textu.

Opravený text:

Regrese vlastně fungovala velmi dobře. Přibližovala se k optimálním řešením, což je fajn. Ale u složitějších systémů, například zjednodušeného systému z Velké Británie, už lineární regrese nezvládla problém zpřesnit, protože to není lineárně zpracovatelný problém. To znamená, že i vícevrstvá neuronová síť, která v tomto případě fungovala dobře, byla schopná nelinární prostor lépe modelovat a zároveň velmi rychle a efektivně. Standardní metody regrese pak nedosahovaly dobrých výsledků, nebo se nám je nepodařilo optimalizovat tak, aby dobře fungovaly.

Dalším krokem v tomto konkrétním výzkumu je tedy namodelovat graf přenosové soustavy České republiky, případně Ameriky, a zjistit, jestli je tato metoda škálovatelná, nebo zda bude potřeba adaptovat model, například složitější neuronovou síť, protože se jedná o vícedimenzionální problém. To je zajímavé.

Další téma: americký demand forecasting, který ušetřil miliony dolarů. Přesně tak – miliony dolarů ušetřené na podporných službách a softwaru pro provozovatele, protože je to složité, a navíc i obchodně zajímavé. Přenosové soustavy v Evropě i Americe jsou totiž regulované subjekty. Ačkoli jsou to firmy, fungují jako přirozený monopol. V Americe to znají možná i lépe než my, protože ideální trh zahrnuje několik subjektů, ale co se týče klíčové infrastruktury, nedává smysl, aby v každém městě bylo více potrubí pro vodu nebo více elektrických vedení. Takže je tu jeden regulovaný subjekt, který často patří státu nebo zemi – což je stejné u nás i v Americe. Paralelní systémy by se nevyplatily.

Struktura zodpovědnosti se v Evropě a Americe trochu liší, například přenosové soustavy v Americe pracují s mírně nižším napětím, ale to není zásadní. Jejich hlavní odpovědností je zabránit plýtvání zdroji – dimenzovat infrastrukturu vždy podle aktuální potřeby. Pro ně je naprosto klíčové přesně vědět, kdy a kolik elektřiny bude potřeba. K tomu využívají různé softwarové nástroje od specializovaných firem.

Jedna z úspěšných firem, kterou nebudu jmenovat, prodává forecastingový software za miliony dolarů – nejen pro energetiku, ale široce pojatý – využívající klimatické modely a další data. Já jsem do týmu na Stanfordu přišel v době, kdy už měli projekt rozjetý a adaptovali forecastingový predikční algoritmus, který vznikl pro Meta (Facebook). Ten algoritmus se původně používal na různé účely a bylo potřeba ho přizpůsobit na konkrétní energetický forecasting.

Tady je opravený text:

Věnoval jsem se energetice a to se mi vlastně strašně líbilo, tak jsem na tom začal pracovat a spoustu věcí se naučil. Náš přístup byl zajímavý tím, že jsme používali neuronové sítě. Šlo o hlubokou architekturu, která adaptovala některé postupy z long short term memory (LSTM). Dělali jsme také benchmarking oproti například XGBoostu, což je rovněž state-of-the-art algoritmus používaný pro predikce.

Naše hodnocení bylo v několika ohledech zajímavé. Technicky vzato jsme přišli s přístupem, který byl velmi přesný, přesnější než většina benchmarků, co jsme ukazovali. Zároveň některé ostatní benchmarky, které odpovídaly neuronovým sítím a často měly problém být vysvětlitelné – měly sice dobré výsledky, ale nebylo z nich jasné, proč vlastně predikovaly to, co predikovaly.

My jsme vytvořili architekturu, která umožňuje výsledky vysvětlit. Konkrétně se výstup rozpadá na jednotlivé zdroje vlivu, takže jsme byli schopni rozložit predikované číslo, například spotřebu na daném uzlu, a uvést, jaký vliv má to, že je pracovní den místo víkendu, jakou roli hraje aktuální teplota oproti jiné variantě, proč je to leden místo března, a že jde o průmyslovou oblast, nikoliv město. To byla další přidaná hodnota.

Z technického hlediska to tedy bylo zajímavé. Z obchodního hlediska pak byla zajímavá zkušenost sledovat, jak to funguje v Americe. Projekt jsme realizovali pro velkou firmu, která byla ochotná zaplatit relativně vysokou částku – stovky tisíc dolarů. Přestože formálně šlo o dar, takže nemohli očekávat žádný konkrétní výsledek, my jsme jako čestný výzkumný tým ze Stanfordu chtěli dodat co nejlepší řešení.

Zdá se, že oni projekt využili velmi efektivně, protože jsme pro ně vytvořili řešení, které na jejich infrastruktuře funguje lépe než systém, za který oni běžně platí miliony dolarů – tedy řádově víc. Navíc během práce na projektu zapojili své interní kapacity – datové vědce –, kteří mají za úkol replikovat náš přístup a vytvořit si tak vlastní interní nástroj a know-how. Nový nástroj proto stojí mnohem méně než současné roční náklady a zároveň umožňuje snadnější údržbu, rozšiřování a internalizaci znalostí.

To mě fascinovalo, protože třeba v evropském kontextu...

Pokud chceš, mohu pokračovat a text ještě zkrátit nebo upravit styl podle tvých požadavků.

Tady relativně těžko dokážu představit, že by nějaká firma měla ochotu a kuráž udělat to takhle intenzivně – že by se tak moc propojila s nějakým výzkumným týmem, že by jim vytvořila úplně nové nástroje, nový styl práce s jejich docela klíčovým, kritickým případem užití. Můžu se zeptat, když si to představím jako denní reálnou praxi – jak moc je to zadání diplomky, kde dostaneš datasety, jako na Kaggle, tady máte problém, jdete ho vyřešit, máte předem definovaná data, a potom doufáte v dobrý výsledek? A jak moc je to konzultantský – jakože jste tam byli, řešíte to, komunikujete, řešíte, na čem to poběží, vyžádáte si další data z firmy, máte někoho, kdo vám vysvětlí, jak vzniká tahle metrika a podobně? Určitě je to spíš to druhé. Už jenom proto, že se zadáním diplomky to vůbec není srovnatelné – tohle byl několik let trvající projekt, vystřídalo se na něm mnoho lidí. Jak říkám, teď nám o tom vyjde článek, ale pokud jsem správně počítal, je nás na něm jedenáct podepsaných. Takže na tom bylo odpracováno místo stovek hodin, které se obvykle spálí na diplomce, desítky tisíc hodin, tedy o několik řádů víc. A přesně tak, přistupovali jsme k tomu nejen z byznysového hlediska, ale i fyzicky jsme byli v té firmě. Já jsem musel například z Prahy vyplňovat interní školení – typické americké školení “co se stane, když vběhne aktivní střelec do centrály," třeba někde v Louisiáně nebo kde to bylo, a co dělat – kam se schovat, za jakou stoličku, kdy vzít třeba sešívačku a bouchnout útočníka do hlavy. To jsem dělal z Prahy, i když jsem tam ještě nikdy nebyl, takže to byla trochu absurdní nebo vtipná situace, která se mi ale poštěstila díky tomu, jak mám uspořádanou spolupráci mezi Čevou a Stanfordem. Chtěli jsme od začátku, aby to bylo využitelné přímo u nich, aby to fungovalo na jejich datech, a to znamená…

Vlastně to bylo nasazené i na jejich infrastruktuře. Neřešili jsme jen nějaký technický problém na základě dat – uděláme funkci a ona vyplivne nějaká data – ale řešili jsme i to, co oni potřebují, aby tomu porozuměli, aby na základě toho mohli rozhodovat, jak to natrénovat, aby to bylo robustní. Řešili jsme matematický, ale i reálný byznysový problém. Přesně – jak to nasadit. Že to poběží na serverech, které mají nějaký výkon a kapacitu. Přesně tak, my jsme to nejprve navrhli tak, aby to fungovalo, a teď oni to i řeší – jak to pochopit a dlouhodobě udržovat, třeba i na Stanfordu na základě vlastních znalostí. Je to strašně zajímavé a jsem rád, že jsem u toho mohl být, protože to byl typ projektů, který si myslím, že je i na Stanfordu výjimečný.

No a teď pojďme se podívat ještě na ten třetí projekt – elektroauta a mapu Prahy, kde se nabíjí a kde by měly stát elektronabíječky. To je super, tady můžu být technicky asi nejkonkrétnější, protože mě nejmíň smluv zavázalo jazykově, takže jsem pokračoval ve výzkumu, který už začal na Stanfordu.

U, tam jsem se s tím vlastně seznámil. Ukazovalo se, že v Americe je problém s elektromobilitou takový, že většina lidí, kteří mají elektromobil, jsou bohatí, mají svůj dům a tam mají vlastní elektrickou nabíječku. Funguje to tam tak, že člověk je celý den s elektromobilem v práci, pak přijede domů a zapojí auto do nabíječky. Ale všichni to dělají najednou, kolem páté hodiny, což znamená, že poptávka po elektřině kvůli nabíjení elektromobilů najednou vyskočí třeba o tisíc procent. Pro elektrickou síť je to extrémní zátěž. Proto řešili, jak tuto zátěž rozložit přes celý den.

Tehdy nikdo nezměřil, jak by to fungovalo, kdyby byly nabíječky u obchodů nebo na pracovištích, které by umožnily rovnoměrnější rozložení nabíjení během dne. Jedna moje kolegyně, která byla ve stejné laboratoři na Stanfordu a nyní působí na ETH Zurich, napsala skvělý článek v Nature Energy. Ukázala v něm, že pokud by byly veřejné nabíječky dostupné i na těchto místech, bylo by možné lépe rozložit spotřebu elektřiny během dne. To mě inspirovalo – je to super, ale je to hodně americko-centrované, velmi specifické.

Například v Praze mají lidé vlastní bývání v domě poměrně zřídka. Naprostá většina nabíjení elektromobilů tady bude probíhat spíš na veřejných místech – může to být u práce, u bydliště, ale spíše spojené do nabíjecích hub, například u supermarketů. To mě zaujalo a napadlo mě, zda bychom mohli udělat model pro Evropu, konkrétně pro Prahu, nebo dokonce obecnější model pro celý svět, podle místních podmínek.

Navázal jsem tedy na tuto americkou práci a kontaktoval Pražskou energetiku prostřednictvím svého bývalého školitele, prorektora a profesora, který mi velmi pomohl a otevřel mi tam dveře. Získali jsme skvělá data o nabíjení v Praze za několik let – kolik je kde nabíječek, jak se to vyvíjí, a také data z Českého statistického úřadu a Magistrátu Prahy, díky kterým jsme rozdělili Prahu na tzv. základní sídelní jednotky (je jich tisíc). Tyto jednotky jsou navíc definovány územním plánem, podle kterého se určuje, co se kde může stavět – například obytné zóny, smíšené oblasti s kancelářemi a obchody, zemědělské oblasti, letiště (dopravní oblasti), rekreační zóny a podobně.

Podle těchto údajů jsme začali klasifikovat nabíječky a vytvořili jsme model VITU pomocí běžně dostupných knihoven, který je replikovatelný a umožňuje ukázat data navenek. Nejprve jsme analyzovali chování nabíjení na jednotlivých částech města. Byla to první významná práce, která dokázala ukázat, že...

(Tento text končí nedokončeně, můžete mi zaslat pokračování, pokud chcete, abych ho také opravil.)

Jasně, tady je opravený text s úpravou stylistiky a gramatiky, aby byl čitelnější a plynulejší:

Nápadně, ale nikdo zatím neukázal, jak to vlastně vypadá, že se veřejné nabíječky v různých částech města chovají odlišně. V některých částech města to bylo podobné jako v Americe – nabíječky se hojně využívají přes den. Jinde, například na okrajích města, to bylo spíše večer. V rekreačních oblastech se nabíjelo hlavně ráno, v průmyslových částech zase ráno i večer, i když ne tak intenzivně.

Byly to zajímavé věci, které jsme předem nebyli schopní přesně formalizovat a vědět, jak to bude přesně vypadat. Další výzvou pak bylo udělat model. Na tom stále pracujeme, ale první model, se kterým jsme přišli a který funguje docela dobře, vycházel z toho, že jsme identifikovali čtyři základní vzorce chování. Řekli jsme si: „OK, vytvoříme model, který bude tyto vzorce chování zohledňovat.“ Ideálně by model měl simulovat pohyb aut přes město během dne. Neměli jsme ale dobrá data, například od telefonních operátorů, která by ukazovala, jak se auta pohybují – to jsme proto museli modelovat složitěji.

Řekli jsme si, že když vidíme čtyři různé vzorce chování, uděláme model s několika moduly, přičemž jeden z těch modulů se bude učit tyto vzorce chování. Abychom měli jistotu, že model dělá smysl, používali jsme součást validace – trénovali jsme model tak, aby se naučil vzorce podobné těm, které jsme skutečně pozorovali. Pokud se mu to podařilo, bylo to pro nás dobrým indikátorem správnosti přístupu a hypotézy.

Tak jsme tedy vytvořili model, který obsahuje modul F, jehož funkcí je kombinovat čtyři vzorce chování, které se trénují. Výstupem by měla být nějaká křivka spotřeby nebo nabíjení podle toho, v jakých hodinách se na konkrétním místě nabíjí více nebo méně. To je důležitá informace pro distributory – podle toho, kam nabíječky umístit, jakou kapacitu tam dát, a v jakých hodinách očekávat vyšší nebo nižší zatížení.

Druhou důležitou věcí, která je zajímala, byl tzv. peak load, tedy spotřeba v době špičky. Proto jsme vytvořili modul G, který vynásobil pravděpodobnostní rozdělení nabíjení během dne a tím posunul křivku nahoru nebo dolů tak, aby co nejlépe odpovídala zdrojovým datům, která byla zprůměrovaná.

Tento model je zajímavý i tím, že má určitou vysvětlovací hodnotu – když vezmeme jakékoli místo v Praze, kde nabíječky ještě nejsou, a použijeme náš model (realizovaný v Pythonu), jsme schopni rychle pomocí maticové transformace spočítat, jak by tam nabíječka pravděpodobně vypadala. Dokážeme také rozdělit chování na jednotlivé typy, takže víme, zda tam lidé nabíjejí spíše ráno kvůli rekreaci nebo v jiných časech. Navíc jsme schopni rozklíčovat i to, proč k tomu dochází, tedy jaký vliv mají jednotlivé vstupní podmínky.

Pokud chceš, můžu ještě upravit text do formálnějšího či naopak hovorovějšího stylu. Stačí říct.

Zde je opravený text:

Když jde o schraňování výzkumu, chápu, že výzkum není jedinou věcí, kterou se v posledních dnech zabýváš. Je to tak. Já jsem vždycky nějakým způsobem pendloval mezi různými aktivitami. To jste asi poznali. A rozhodně to nebylo tak, že bych si od začátku myslel, že budu někdy dělat doktorát nebo že budu vědec. Doktorát nikdy nebyl můj hlavní cíl. Prostě je to asi fajn mít další písmenka za jménem, ale pro mě byla opravdu cesta tím cílem. A mě to strašně bavilo, že jsem se mohl poslední čtyři roky nechat motivovat nejenom nějakými finančními hodnotami, ale vlastně pozitivním dopadem na svět, což bylo fakt super.

Nicméně samozřejmě je to specifické prostředí, každý má své pro i proti ve vědě. Je určitá frustrace, že i když člověk dělá aplikovaný věci pro průmysl, než se to dostane do nasazení, jsou to fakt několik leté projekty, během kterých zjistíte, jestli to funguje, nebo ne, a jestli energie šla dobrým či špatným směrem. Takže mi začalo trochu chybět to rychlé iterování a zpětná vazba od reálných zákazníků, možnost něco vyzkoušet.

Teď vlastně pracuji na tom, že vyvíjím produkt, který bude startupově komerční, a chtěl bych po doktorátu rozjet vlastní byznys, protože mi chybí to tempo. A bude tím polem energetika? Bude se jí to týkat? Ano, bude se to týkat nějakého širšího problému, který jsem viděl dříve v kariéře i v jiných oblastech.

V energetice se to také projevuje: je to určitý ústup od práce s mapami, s geospaceálními daty a jak s tím nyní pomáhá umělá inteligence v interpretaci těchto dat. Co ještě před rokem či dvěma nebylo možné, to díky architekturám, se kterými já pracuji, nyní dokážeme. To mě velmi zaujalo a věřím, že se nám podaří postavit něco super zajímavého a že o tom brzy uslyšíte. Když budu moct o tom mluvit víc, budeme se těšit, až nám o tom přijdeš povědět.

My tě rozhodně rádi pozveme znovu. A hledáš teď kolegy, jak to máš?

V současnosti jsme stealth, takže nemohu úplně říct, pod jakým jménem, s kým a za kolika. Mám ale jméno i doménu, jen je zatím neprozradím. Mám také spolu-zakladatele, se kterými to stavíme, takže je to všechno super. Zpětná vazba z průmyslu je tak pozitivní, že jsme se rozhodli hledat financování. Mluvím s mnoha investičními společnostmi na obou stranách oceánu. Věřím, že to do léta uzavřeme a budeme dál růst. Doufám, že jsem to teď nezakřikl a že příště, až se uvidíme, už to bude v jiné fázi – možná ne „pod pokličkou“ a možná už budeme mít první miliardové klienty, kteří se budou chlubit naším produktem.

Je to něco, co v Česku nemá tolik pozitivních příkladů jako světově úspěšné firmy, které vznikly nedávno. Celkově Evropa teď není...

Pokud chcete, mohu pomoci i s pokračováním nebo další úpravou.

Zde je opravený a stylisticky upravený text:

Známá tím, že by produkovala silné technologické firmy. Takže já se svojí proevropskou co-founderkou se to budeme snažit změnit. Zatím jsem měl štěstí v boření zdí. V tom boření zdí věřím, že se mi podaří zbořit i tuto imaginární bariéru pro úspěch evropsky založených společností. A budeme mít velké věci.

My ti držíme palce. Marku, děkujeme, že jsi přijal pozvání.

Děkujeme za pozvání. Těšíme se, co nám ještě ukážeš. Držíme moc palce a super, díky, že nám děláš taky jméno a že probouráváš zdi pro ostatní.

Díky moc, že jste se mnou dneska probírali jenom moje úspěchy a moc ne ty neúspěchy. Děkujeme, že jste to doposlouchali až sem. A díky také našim partnerům a členům Data Talk klubu, kterými jsou: Intax, Saska, Bistreet, Colors of Data, Revolt BI, Good Data, Kebula, Emark, Carl Data Company, Datamind, Notino a Flo.

Pokud chcete zůstat v obraze, co se české datové scény a globálních datových technologií týče, nezapomeňte se registrovat k odběru našeho týdenního newsletteru na datatalk.cz.

Nechť vás provází data!

Pokud chcete, lze text ještě více vyladit podle zvoleného stylu.