Blog

Blog je mesto gde možeš da čitaš o navikama IT-evaca, najavama IT dešavanja, aktuelnostima na tržištu, savetima i cakama kako da uspeš na ovom dinamičnom polju.
Mi pratimo trendove, na tebi je da se zavališ u fotelju i čitaš :)

Blog Cloud
Tag: Cloud (123 rezultata)
26.03.2024. ·
5 min

Održavanje koraka s tehnološkim promenama: Značaj i evolucija Jave

Java programski jezik ostaje ključan stub u svetu programiranja i tehnologije, a njegova primena proteže se kroz različite industrije - od razvoja softvera i aplikacija do big data tehnologija i sistema za upravljanje poslovnim operacijama. U Srbiji, kao i globalno, potreba za Java programerima je konstantna, što je posledica široke primenljivosti ovog programskog jezika, objektno-orijentisane paradigme i platformski nezavisnog izvođenja. Analiza tržišta rada u Srbiji za 2024. godinu, kako je pisao Infostud, pokazuje da je pozicija softver developera, uključujući one koji se specijalizuju za Java programski jezik, među najtraženijim i najbolje plaćenim zanimanjima. U razgovoru sa Aleksandrom Gavrilovićem, senior Android developerom i Bratislavom Damnjanovićem Android developerom u kompaniji Cake.com, dobili smo uvid u trenutnu vrednost i buduću perspektivu ovog sveprisutnog jezika. "Java je i danas, uprkos sve bržem razvoju tehnologije, temelj mnogih aplikacija koje koristimo svakodnevno. Njena platformska nezavisnost, robusnost i ogromna zajednica čine je nezamenljivim alatom u razvoju softvera", objašnjava Gavrilović. Ove karakteristike Jave omogućavaju programerima da kreiraju aplikacije koje su pouzdane, sigurne i dostupne na različitim platformama, što je čini idealnim izborom za projekte od web razvoja do enterprise aplikacija. Bratislav Damnjanović, Android developer u Cake.com, deli slično mišljenje, takođe naglašavajući sveprisutnost i adaptabilnost Jave. “Mantra ‘Piši jednom, pokreni bilo gde’ je nešto što je obeležilo evoluciju Java programskog jezika. To praktično znači da kod koji je napisao programer, može da se izvrši na bilo kom uređaju na kome je instaliran Java Virtual Machine (JVM)”, objašnjava Damnjanović. “Bez obzira na pojavu novih programskih jezika i tehnologija, Java i dalje igra važnu ulogu u različitim domenima i industrijama. Velikim delom je zaslužna i aktivna zajednica programera koja doprinosi njenoj evoluciji. Obiman ekosistem biblioteka i alata koji okružuju Javu pruža programerima bogatstvo resursa za optimizaciju razvoja, poboljšanje produktivnosti i rešavanje različitih potreba aplikacija”, naglašava on. Java u srcu različitih industrija Gavrilović dalje ističe kako se Java koristi u širokom spektru projekata, uključujući razvoj Android aplikacija, web i enterprise softvera, kao i u big data tehnologijama i finansijskoj industriji. "Posebno je značajna u razvoju Android aplikacija gde, uprkos popularnosti Kotlina, Java zadržava svoju primarnu ulogu zahvaljujući istorijskom nasleđu i stabilnosti", naglašava on. Različite industrije imaju specifične potrebe koje Java uspeva da zadovolji, od sigurnosti i skalabilnosti u finansijskom sektoru do fleksibilnosti i pouzdanosti u telekomunikacijama. "U finansijskoj industriji, na primer, neophodna je visoka sigurnost i stabilnost, dok u telekomunikacijama tražimo sposobnost brzog adaptiranja na promene. Java nam omogućava da udovoljimo ovim različitim zahtevima", kaže Gavrilović, ističući univerzalnost Jave. U Cake.com konkretno, kako nam je objasnio Damnjanović, Java nalazi primenu u backend servisima koji podržavaju Pumble, aplikaciju za poslovnu komunikaciju sličnu Slack-u, što pokazuje njenu široku upotrebljivost u različitim sektorima. Tehnički izazovi i rešenja u radu sa Javom Kada je reč o tehničkim karakteristikama koje Javu čine posebno pogodnom ili nepogodnom za određene projekte, Damnjanović ističe njenu podršku principima objektno-orijentisanog programiranja, što ovaj jezik čini idealnim za izgradnju modularnih i skalabilnih sistema. "LinkedIn se u velikoj meri oslanja na Javu", kaže on, navodeći korišćenje frameworka kao što su Spring i Hibernate koji pokreću osnovne funkcionalnosti ove platforme, uključujući autentifikaciju korisnika.. Međutim, za projekte gde je ključna optimizacija memorije, drugi programski jezici mogu biti prikladniji zbog Javine upotrebe Garbage Collector mehanizma. Damnjanović navodi i konkurentnost kao jedan od glavnih izazova kada je rad u Javi u pitanju. “Jedan od izazova u radu na sistemima koji su pisani u Java programskom jeziku je konkurentnost. To je praktično sposobnost programa da izvršava više zadataka istovremeno. Često se dešava da više niti (threads) pristupa deljenim resursima. Problemi koji mogu da se jave u ovim situacijama zovu se Race Condition i Deadlock i rešavaju se različitim tehnikama kao što je korišćenje mehanizma Mutex”, objašnjava on. Gavrilović, s drudge strane, navodi da su neki od najvećih izazova sa kojima se susreo tokom rada sa Javom uključivali upotrebu zastarelih verzija biblioteka i framework-ova, optimizaciju performansi, upravljanje memorijom, testiranje, i implementaciju sigurnosnih mehanizama. Da bi prevazišao ove izazove, ističe važnost pažljivog proučavanja dokumentacije, traženja alternativa, optimizacije koda, korišćenja efikasnih algoritama, i primene najboljih praksi za sigurnost. Posebno naglašava kako je optimizacija memorije i izbegavanje cikličnih referenci ključno za prevazilaženje izazova u upravljanju memorijom. "Upravljanje memorijom i GC su me često stavljali na probe, posebno u projektima sa velikim brojem objekata. Optimizacija upotrebe memorije i izbegavanje cikličnih referenci su bili od suštinskog značaja", kaže Gavrilović, dodajući da je testiranje posebno izazovno, ali neophodno za uspešnu realizaciju projekata. Budućnost Jave u AI svetu Gavrilović i Damnjanović sugerišu da će Java nastaviti da zauzima centralno mesto u softverskoj industriji, čak i usred rastuće popularnosti novih tehnoloških trendova kao što su veštačka inteligencija, Internet stvari (IoT), i cloud computing. "Java se već koristi u razvoju AI alata i aplikacija za IoT, a njena prisutnost u cloud computing-u je neosporna", kaže Gavrilović. Damnjanović dodaje, "Java ima svoje mesto zbog svoje brzine, bezbednosti i sposobnosti za multithreading u oblastima kao što su mašinsko učenje i neuronske mreže, što sugeriše da će Java i dalje imati svetlu budućnost u tehnološkom pejzažu." Java, sa svojim bogatim ekosistemom, aktivnom zajednicom i sposobnošću da se prilagodi novim tehnološkim zahtevima, ostaje ne samo relevantna, već i neophodna u svetu softverskog inženjerstva. Uvidi Damjanovića i Gavrilovića pokazuju da, uprkos izazovima i promenljivim trendovima, Java zadržava svoju poziciju kao jedan od ključnih jezika za razvoj softvera. Njihove priče oslikavaju Javu kao tehnološki alat koji se neprestano razvija, prilagođava i inovira, osiguravajući njenu dugovečnost i značaj u budućnosti tehnologije. Bez obzira na evoluciju tehnološkog pejzaža, Java će, prema svemu sudeći, nastaviti da igra ključnu ulogu u oblikovanju budućnosti softverske industrije, omogućavajući razvoj novih inovacija i rešenja koja će oblikovati naš digitalni svet.

HelloWorld
0
20.03.2024. ·
2 min

Google je u 2023. godini lovcima na bagove isplatio malo bogatstvo

Google je lovcima na bagove isplatio 10 miliona dolara u 2023. godini. U pitanju je 600 lovaca iz preko 68 zemalja. Tokom godina, Google-ova zajednica lovaca na bagove igrala je ključnu ulogu u identifikovanju i ispravljanju velikog broja ranjivosti na brojnim platformama kompanije. Google-ova posvećenost motivisanju ovih istraživača izrodila je nekoliko novih programa, ali je donela i poboljšanja na postojećim. Među novitetima posebno se ističe lansiranje Bonus Awards programa koji nudi dodatne nagrade za sve izveštaje koji se odnose na Vulnerability Reward Program (VRP) mete. Dodatno, program nagrada proširen je i sada uključuje i Chrome i Cloud. Google je nedavno predstavio i Mobile VRP, gde je fokus stavljen na Android aplikacije, a vredno spomena je i lansiranje Bughunters bloga koji pruža detaljniji uvid u celokupno putovanje ka bezbednijem internetu. Tehnološki gigant nedavno je u Tokiju održao i svoju godišnju konferenciju posvećenu bezbednosti, ESCAL8, sa brojnim događajima koji su uključivali takmičenja, radionice i predavanja lovaca na bagove i zaposlenih u ovoj kompaniji. Kada je bezbednost Androida u pitanju, Google je ostvario nekoliko ključnih momenata dodeljujući 3.4 miliona dolara istraživačima koji su otkrili ranjivosti unutar ovog ekosistema, dok je maksimalna nagrada za otkrivanje kritične ranjivosti iznosila 15.000 dolara. Proširujući domet programa, dodat je i Wear OS kako bi se podstaklo istraživanje u novoj kategoriji nosivih uređaja i obezbedila bezbednost korisnika. Na ESCAL8 konferenciji, tokom hakerskog događaja za Wear OS i Android Automotive OS, dodeljeno je preko 70.000 dolara u nagradama istraživačima koji su tom prilikom otkrili kritične ranjivosti. Kada je reč o bezbednosti Chrome-a, gigant je predstavio različite inicijative koje uključuju MiraclePtr Bypass Reward i Full Chain Expoloit Bonus sa ciljem da motiviše istraživače da krenju sa proveravanjem bezbednosti potpuno novih sfera. Uprkos izazovima, Google je nagradio bezbednosne stručnjake sa 2.1 miliona dolara za njihov doprinos povećavanju bezbednosti Chrome pregledača. Kompanija je posebno naglasila i svoje delovanje na polju AI bezbednosti preko bugSWAT haking događaja koji targetiraju LLM proizvode. Kompanija je primila 35 izveštaja, koji su uspeli da sakupe 87.000 dolara u nagradama, ali i otkriju kritične probleme koji pogađaju AI sisteme.

26.12.2023. ·
5 min

Istraživanja pokazuju da je GenAI izuzetno neprecizan za poslovnu upotrebu

Kako Ai generativne platforme u sebe “usisavaju” sve veće količine podataka i povezuju se sa više i više korporativnih baza podataka, stručnjaci polako počinju da aktiviraju alaram kako bi skrenuli pažnju na jednu važnu stvar – ovi alati su izuzetno neprecizni i polako počinju da budu sve zatvoreniji. Veliki jezički modeli (LLM), algoritamske platofrme na kojima se generativni AI alati kao što je ChatGPT grade, izuzetno su neprecizni kada su povezani sa korporativnim bazama podataka i sve manje transparentni u svom radu, tvrde dva nova istraživanja. Studija Stenford univerziteta pokazala je da dok veliki jezički modeli nastavljaju da upijaju masivne količine informacija i rastu, postaje sve teže pratiti izvore tih podataka. Zauzvrat, to kompanijama otežava da saznaju da li mogu da bezbedno kreiraju aplikacije koje koriste komercijalne genAI modele, dok istražvači ne mogu biti sigurni da su podaci koje dobijaju za svoja istraživanja precizni. Takođe, sve ovo otežava i zakonodavcima da dizajniraju smislene zakone koji bi zauzdali moćnu tehnologiju, tvrdi ovo istraživanje. Veliki jezički modeli kao što su GPT, LLAMA i DALL-E, pojavili su se tokom protekle godine i transformisali veštačku inteligenciju, pružajući mnogim kompanijama priliku da sa njima eksperimentišu i poboljšaju svoju produktivnost i efikasnost. Međutim, sve te prednosti dolaze sa određenom dozom nesigurnosti. Transparentnost i odgovornost u AI tehnologiji „Transparentnost je ključan preduslov za bilo kakvu javnu odgovornost, naučne inovacije i efikasno regulisanje digitalnih tehnologija. Manjak transparentnosti oduvek je bio problem sa kojm su se suočavali korisnici digitalnih tehnologija“, izjavio je Rishi Bommasani, vođa istraživanja. Primera radi, OpenAI, koji u svom imenu sadrži reč „open“ (otvoren), jasno je stavio do znanja da neće biti transparentan kada su u pitanju brojni aspekti GPT-4 modela, naglasili su istraživači Stenford univerziteta. Ocena transparentnosti jezičkih modela Kako bi procenili nivo transparentnosti, istraživači su oformili tim koji je uključivao saradnike sa MIT i Prinston univerziteta, kako bi razvili sistem bodovanja nazvan Foundation Model Transparency Index. Ovaj sistem procenjuje 100 različitih aspekata ili indikatora transparentnosti, uključujući i način na koji neka kompanija kreira osnovni model, ako on radi i kako se koristi. Istraživanje je ocenjivalo 10 jezičkih modela, a rezultati su pokazali da je srednja ocena transparentnosti bila svega 37%. Najvišu ocenu dobio je LLAMA (52%), a potom slede GPT-4 (48%) i PaLM 2 (47%). „Ako nemate transparentnost, regulatorna tela ne mogu da postavljaju prava pitanja, a kamoli da nešto preduzmi“, dodao je Bommasani. Sa druge strane, gotovo 95% šefova vetuje da njihovi zaposleni regularno koriste genAI alate, dok 53 odsto njih veruje da oni sada praktično vode određene sektore unutar kompanije, pokazalo je istraživanje koje je sproveo Kaspersky Lab. Rezultati su pokazali i da gotovo 59% odsto direktora poseduje određenu dozu zabrinutosti u vezi sa bezbednosnim rizicima koje ovi modeli nose sa sobom i načinom na koji bi oni mogli da ugroze osetljive kompanijske podatke. Problem sa ovim jezičkim modelima ide znatno dublje od puke transparentnosti jer je i preciznost njihovih podataka dovedena u pitanje. Preciznost i pouzdanost jezičkih modela Juan Sequeda, glavni istraživač data.world AI laboratorije, izjavio je da je njegova kompanija testirala jezičke modele povezane sa SQL bazama podataka tražeći od njih odgovore na specifična pitanja u vezi sa kompanijom. Rezultati su pokazali da su u svega 22% slučajeva dobijali tačne odgovore, dok su gotovo sva pitanja koja su zahtevala napredne odgovore dobila netačne odgovore. Nedostatak odgovarajućih text-to-SQL benčmark testova koji su skrojeni po potrebama poslovnih korisnika može da utiče na davanje tačnih odgovora ovih velikih jezičkih modela. Strategije za poboljšanje tačnosti i upravljanje rizikom Već sada je vidljivo da im nedostaje interni poslovni kontekst određene kompanije, a to je jedna od ključnih stvari koja garantuje preciznost i tačnost odgovora. Sa druge strane, kompanije ulažu milione dolara u cloud skladištenje podataka, poslovnu inteligenciju, alate za vizualizaciju i ELT i ELT sisteme, kako bi mogle da bolje upravljaju podacima. Mogućnost korišćenja jezičkih modela za postavljanje pitanja u vezi sa tim podacima otvara velike prilike za unapređivanje ključnih procesa kao što su ključni indikatori performansi i strateško planiranje. Ovo istraživanje bilo je fokusirano isključivo na GPT-4, a preciznost dobijenih podataka iznosila je svega 16%. „Podaci koje smo dobili uopšte nisu ohrabrujući. Šta se dešava kada pred bordom direktora koristite netačne cifre, ili pred istražnom komisijom? Cena te nepreciznosti mogla bi da bude izuzetno visoka“, izjavio je Sequeda. Problem sa ovim jezičkim modelima leži u činjenici da su u pitanju statističke mašine koje predviđaju sledeću reč na osnovu reči koje su bile pre nje. Ova predviđanja bazirana su na šablonima posmatranja kompletnog interneta, Zbog toga, rezultati koje će dati će biti mogući, ali i neprecizni, pogotovo ako nikada ranije nisu uočili šablon koji je vezan za neku specifičnu kompaniju. Tačnost velikih jezičkih modela (LLM) povećava se na 54% kada se postavljaju pitanja preko reprezentacije baze podataka SQL preduzeća u obliku grafikona znanja. "Zbog toga, ulaganje u prućžaoce ove usluge obezbeđuje veću tačnost sistema za odgovaranje na pitanja koji koriste LLM", rekao je Sequeda. "Još uvek nije jasno zašto se ovo dešava, jer ne znamo šta se dešava unutar LLM-a. "Ono što znamo je da, ako LLM-u pružite upit sa ontologijom mapiranom unutar grafikona znanja, koji sadrži ključni poslovni kontekst, tačnost je tri puta veća nego kada to ne učinite", nastavio je Sequeda. "Međutim, važno je postaviti pitanje, šta znači 'dovoljno tačno'?" Da bi povećale mogućnost tačnih odgovora od LLM-a, kompanije moraju da imaju "snažnu osnovu podataka", ili ono što Sequeda i drugi nazivaju podacima spremnim za veštačku inteligenciju; to znači da su podaci mapirani unutar grafikona znanja kako bi se povećala tačnost odgovora i obezbedila objašnjivost, "što znači da možete naterati LLM da pokaže svoj rad". Još jedan način da se poveća tačnost modela je korišćenje malih jezičkih modela (SLM) ili čak specifičnih jezičkih modela neke industrije (ILM). "Mogu zamisliti budućnost u kojoj svako preduzeće koristi nekoliko specifičnih LLM-ova, svaki podešen za određene vrste pitanja", rekao je Sequeda. Za sada, pristup i dalje ostaje isti: predviđanje sledeće reči. Ta predikcija može biti precizna, ali uvek će postojati šansa i da će ona biti pogrešna. Svaka kompanija mora da se postara da pruži nadzor i regulaciju ovih sistema kako bi sprečila da osetljivi podaci budu ugroženi od strane modela koji nisu precizni.

25.12.2023. ·
2 min

IT tržište Srbije u prvih devet meseci: Pad potražnje za kandidatima i skok konkurisanja

Broj oglasa za IT pozicije u prvih devet meseci 2023. godine je manji za čak 52% u odnosu na isti period prošle godine, pokazali su najnoviji podaci sajta HelloWorld.rs. Najplaćeniji posao i ove godine u IT sektoru bila je Software inženjer, sa prosečnom platom između 1.807 i 1.985 evra. Istraživanje našeg sajta takođe pokazuje i sve veću potražnju za juniorima kojima je namenjeno čak 15% oglasa za posao, dok je potraga za seniorima konstantna i taj udeo oglasa je 22%. Pad broja oglasa primećen krajem 2022. godine Analizirajući podatke od januara do septembra 2023, uočen je značajan pad od 52% u broju IT oglasa u odnosu na isti period prošle godine. Ovaj trend primećen je u poslednjem kvartalu prethodne godine kada se desio i pad broja oglasa na sajtu. I pored toga, zabeležen je rekordan broj konkurisanja kandidata - u 2023. godini veće je za 55% u odnosu na 2022. Ovaj trend nastavlja se i u trećem kvartalu ove godine. Za Software inženjere nema krize U poslednjih nekoliko godina, IT sektor beleži sve veću potražnju za stručnjacima iz različitih oblasti. Dok se Software inženjeri i dalje nalaze  na ključnoj radnoj poziciji, postoje i drugi visoko traženi poslovi u IT-ju. Na listi najtraženijih su: Software Inženjer IT Help Desk / Support System Administrator / Inženjer Frontend Developer Data Warehouse / Business Intelligence Developer HelloWorld je radio na unapređenju platforme za prikaz informacija o platama, kako bi te podatke učinio preciznijim i relevantnijim za korisnike. Ovaj korak ima za cilj veću sigurnost korisnika sajta u to da prikupljeni podaci odražavaju što realniju sliku o platama u IT sektoru u Srbiji. U saradnji sa Data Science timom smo razradili metodologiju koja će nam omogućiti ovakav pristup. Najplaćeniji su i ove godine Software inženjeri, pored njih se visoko kotiraju i Project menadžeri. Ovako izgledaju prosečni opsezi plata po pozicijama: Software Inženjeri: Prosečna plata se kreće od 1.807 do 1.985 evra. QA Specijalisti: Zarade variraju od 1.047 do 1.245 evra. IT Help Desk: Prosečna plata je između 700 i 790 evra. Test Engineer: Zarade se kreću od 1.106 do 1.365 evra. Project Manager: Prosečna plata iznosi od 1.414 do 1.765 evra. Kada govorimo o najtraženijim tehnologijama u septembru 2023. godine to su: SQL, JavaScript, Cloud, Git i Java. Konstantna potražnja za seniorima i pad broja oglasa za rad od kuće U poređenju sa 2022. godinom, beležimo značajne promene u potražnji kadrova po senioritetu. Konkretno, potražnja za juniorima beleži skok sa 9% na 15%, dok je kod mediora uočen pad sa 68% na 63%. Seniori imaju stabilan udeo oglasa od 22%. U 2023. godini, udeo remote pozicija u ukupnom broju oglasa smanjen je sa 32% na 22%. Ova promena sugeriše prilagođavanje poslovnih modela kompanija, koje sve više naglašavaju potrebu za angažovanjem kadrova koji su fizički prisutni na radnom mestu.  

HelloWorld
0
09.11.2023. ·
3 min

Apple i Bing: Šta bi se desilo da je Microsoft prodao svoj pretraživač gigantu iz Kupertina?

Microsoft je oko 2020. godine razmatrao prodaju svog pretraživača Bing kompaniji Apple, prema izvorima upućenim u tu stvar. Dogovor bi značio da bi Bing zamenio Google kao podrazumevani pretraživač na iPhone, iPad i Mac uređajima. Međutim, pregovori nisu otišli dalje od razgovora između izvršnih direktora obe kompanije, Satje Nadele i Tima Kuka. Zašto je Microsoft hteo da proda Bing? Jedan od razloga je bila želja kompanije Microsoft da se fokusira na svoje druge poslovne segmente, kao što su cloud computing, veštačka inteligencija i gejming. Bing je bio gubitak za Microsoft, koji je ulagao milijarde dolara u njegov razvoj i promociju, ali nije uspeo da ostvari značajan udeo na tržištu pretraživanja. Prema podacima kompanije StatCounter, Bing je imao samo 2,7% globalnog udela na tržištu pretraživanja u septembru 2023. godine, dok je Google imao 91,5%. Zašto je Apple odbio da kupi Bing? Jedan od ključnih razloga je bio novac koji je Apple zarađivao od Google-a za to što je njegov pretraživač podrazumevana opcija na Apple-ovim uređajima. Prema izveštaju Bloomberga, Google je Apple-u plaćao između 4 i 7 milijardi dolara godišnje za tu privilegiju. Ovaj dogovor je bio predmet antimonopolskog suđenja između Google-a i američkog Ministarstva pravde, koje je ukazivalo na Google-ovu dominaciju na Apple-ovim uređajima kao dokaz da Google ima monopol na pretraživanje. Drugi razlog je bio kvalitet i sposobnosti Binga u poređenju sa Google-om. Eddy Cue, viši potpredsednik Apple-a zadužen za usluge, koji je sklopio dogovor sa Google-om, nedavno je rekao na sudu da je smatrao "Da niko nije ni približno dobar kao Google u pretraživanju, ni tada, ni sada". On je dodao da Apple nije koristio druge pretraživače jer nije postojala "validna alternativa". Šta bi se desilo da je Apple kupio Bing? To je pitanje koje možemo samo nagađati, ali možemo zamisliti neke moguće scenarije. Prvo, Apple bi verovatno promenio ime i dizajn Binga da bi se uklopio u svoj brend i ekosistem. Možda bi ga nazvao Apple Search ili Siri Search, i dao mu minimalistički i elegantni izgled. Drugo, Apple bi verovatno integrisao Bing sa svojim drugim uslugama, kao što su Siri, iCloud, Apple Maps, Apple News i Apple Music. To bi značilo da bi korisnici mogli da dobiju personalizovane i relevantne rezultate pretraživanja na osnovu svojih podataka i preferencija. Treće, Apple bi verovatno uložio više resursa u poboljšanje Binga i njegovih funkcija. Možda bi koristio svoju ekspertizu u veštačkoj inteligenciji i mašinskom učenju da napravi Bing pametnijim i bržim. Možda bi takođe dodao nove funkcije kao što su glasovno pretraživanje, prevod teksta i slika, i prepoznavanje objekata i lica. Kako bi se to odrazilo na tržište pretraživanja? To je takođe teško predvideti, ali možemo pretpostaviti da bi to imalo značajan uticaj. Prvo, to bi značilo da bi Google izgubio veliki deo svog prihoda i saobraćaja koji je dobijao od Apple-ovih uređaja. To bi moglo da oslabi Google-ovu poziciju i motiviše ga da poboljša svoj pretraživač i ponudi bolje uslove drugim partnerima. Drugo, to bi značilo da bi Bing dobio veliki podsticaj u popularnosti i kredibilitetu, jer bi bio podrazumevani pretraživač na milionima Apple-ovih uređaja. To bi moglo da privuče više korisnika i oglašivača, i poveća Bing-ov udeo na tržištu. Treće, to bi značilo da bi tržište pretraživanja postalo konkurentnije i raznovrsnije, jer bi bilo više opcija za korisnike i oglašivače. To bi moglo da podstakne inovacije i kvalitet u industriji pretraživanja. Apple i Bing su bili blizu dogovora oko 2020. godine, ali su ga odbacili zbog novca i kvaliteta. Interesantno bi bilo sada videti rezultate ove saradnje, kada Bing uspeva da uzme sve veći procenat tržišta zahvaljujući integraciji sa GPT 4.

30.10.2023. ·
3 min

Alibaba zatvara Institut za društvene nauke za koji se Džek Ma nadao da će postojati 300 godina

Iako su mnogi mediji preneli vest o zatvaranju Instituta za društvene nauke Luhan, koji je bio deo Alibaba grupe, kao iznenađujuću, ovakav razvoj događaja ipak je mogao da se nasluti iz nekih prethodnih događaja, pa i pisma akcionarima, koje je u julu 2023. godine potpisao tadašnji predsednik odbora i izvršni direktor Alibabe, Danijel Ženg. U opširnom pismu, on je, između ostalog, naveo da će 2023. godina imati sudbonosni značaj za Alibabu, jer će kompanija posle 24 godine poslovanja kao jedna kompanija, preći na novi model upravljanja poznat kao “1+6+N” u kojem glavne poslovne grupe i različite kompanije imaju nezavisno poslovanje. Broj “1” predstavlja holding kompaniju Alibaba, broj “6” predstavlja šest glavnih poslovnih grupa (Cloud Intelligence Group, Taobao Tmall Commerce Group, Local Services Group, Cainiao Smart Logistics, Cainiao Smart Logistics, Global Digital Commerce Group, Digital Media and Entertainment Group), dok “N” predstavlja poslovne kompanije(Ali Health, Fliggy, Pingtouge (semiconductors), Sun Art Retail, Intime Commercial, Hema, Quark, itd.) Korisnik na prvom mestu i veštačka inteligencija Već u septembru 2023, za novog izvršnog direktora Alibabe postavljen je Edi Vu Jongming, malo poznati programer, koji je zaposlenima poručio “da će kompanija tražiti novi način za rast, usled promenljivog internet okruženja, sa fokusom na dve stvari: korisnik na prvom mestu i veštačka inteligencija.” Jasno je da ovakvo restrukturiranje stavlja profit na prvo mesto, sa detaljnijim uvidom u potencijal i doprinos svake grupe, odnosno kompanije. Upravo to je bila glavna zamerka Institutu za društvene nauke, jer, kako kažu, “više je funkcionisao kao akademski institut, nego kao profitabilno poslovno preduzeće”. Vizija koja je trebalo da traje 300 godina Institut Luhan, sa sedištem u Hangdžou, 2018. godine osnovao je čuveni Džek Ma (inače i jedan od osnivača Alibaba grupe), kao odgovor kompanije Alibaba na pitanja koja se tiču “uticaja tehnologije na društvo”. On je tada izjavio da “očekuje da će Institut nadživeti Alibabu i da će postojati 300 godina”. Međutim, nedugo nakon ove optimistične izjave, najavio je i povlačenje sa čela Alibabe, što se konačno i desilo 2020. godine, kada je zvanično napustio bord direktora. Pošto ga neko vreme nije bilo u medijima, počele su da kruže glasine da se njegova vizija budućnosti, zapravo, nije poklopila sa vizijom koju ima kineska Vlada, međutim, on je to demantovao i kao razlog naveo svoju želju da se posveti “filantropskom radu, putem svojih fondova”. Nije baš da su mu svi poverovali, ali to je bilo njegovo zvanično objašnjenje. Što se tiče samog Instituta Luhan, treba napomenuti da je njegovo osnivanje bilo podržano od strane vodećih kineskih stručnjaka iz različitih oblasti, kao što su sociologija, ekonomija, psihologija itd. Prema informacijama iz Alibabe, akademski odbor se sastojao od petnaest članova, od kojih su čak šest bili dobitnici Nobelove nagrade za ekonomiju. Bio je poznat po sponzorstvu istraživanja o temama, kao što su “Privatnost i upravljanje podacima”, “Nova ekonomija i buduće finansije”. Na godišnjoj konferenciji o digitalnoj ekonomiji u junu 2023. okupili su naučnike i ekonomiste iz Amerike, Evrope i Kine. Iz svega navedenog, da se zaključiti da odluka o zatvaranju Instituta nije bila motivisana isključivo nedostatkom profita, već da je društveno-politički uticaj, ipak, bio dominantan faktor.

HelloWorld
0
22.09.2023. ·
17 min

Kako učiti Data Science?

Za početak, o tome zašto je bitno da (a) učite Data Science rešavajući neki problem koji ste rešeni da rešite, u nekoj oblasti koja raspaljuje vašu radoznalost i znači vam, te (b) da učite Data Science funkcionalno, odn. da što pre vaše učenje pretočite u praksu koja ne samo da je korisna i vama i drugima već vas potencijalno i plaća za to da kroz rad učite; o potrebi da neprestano stvarate prilike za tako nešto i ni slučajno ne propuštate prilike nastale pukom srećom ili sticajem okolnosti. Iz prve ruke Konačno, sa skoro pedeset godina, posle programiranja čitav život počevši od moje desete godine (da, da - 8 bita i 64 Kb RAM-a 80-ih), silnih škola i rada u fundamentalnim istraživanjima koji sam započeo još 1993 a koje je potrajalo dvadesetak godina, te više od dvadeset godina karijere u onome što se nekada zvalo Quantitative Analytics, pa Data Mining, i konačno Data Science i/ili Machine Learning - rešio sam da je vreme da počnem da delim iskustvo pređenog puta. Pišem u oblasti u kojoj sam prošao sve od rada u statističkom softveru poput SPSS ili Statistica 90-ih, MATLAB, zatim R i konačno Python, u prethodnih tridesetak godina; od 64Kb u kojima treba da naučite da programirate do iskustva rada u Big Data (i to baš, baš Big Data u mom konkretnom slučaju); od statističke analize bihejvioralnih eksperimenata, anketnih istraživanja, skala stavova u oblastima istraživanja javnog mnjenja, međunarodnim odnosima, javnom zdravstvu, bankarskom sektoru, gemblingu i FMCG, do skrejpovanja i razvoja Information Retrieval sistema from scratch, mentorisanja Data Science studenata američkog edu-startapa, analize paterna ponašanja editora Wikidata koja je graf sa kojih 90+ miliona čvorova, te razvoja ML za predikciju popularnosti sadržaja na socijalnim medijima. Iskustvo je neverovatno a investicija dan danas lepo vraća, najviše time što mi omogućava da živim radeći poslove u kojima uživam, tako da mi je granica između radnog vremena, slobodnog vremena i hobija praktično izbrisana. A to je veoma važna stvar u vašem životu, stvar koju treba da se trudite da postignete: da uživate, a ne da mrzite ceo svet ponedeljkom ujutru smatrajući da je 8h radnog vremena nešto što je prosto ujedeno od vašeg života da bi finansiralo preostalih 16h. Pare nisu toga vredne, verujte mi. Počeću sa postom naslovljenim: Kako učiti Data Science? Biće više nastavaka: praktično svaku od tema i motivacija kojih se dotaknem, elaboriraću u nekom kasnijem postu. Cilj mi je da pokušam pomognem onima koji su ili tek zainteresovani za Data Science kao moguć izbor za karijeru u istraživanju ili primeni, onima koji su tek počeli da uče, onima koji su naučili i traže posao, pa i onima koji su uveliko u Data Science - jer oni su odavno već shvatili da to znači učiti doslovce svaki dan. Izbor je dobar Data Science je dobar karijerni izbor, ako vas zanima, jer je danas svugde. Doslovce: kako je IT ušao u svaku moguću i nemoguću industriju i granu, tako je danas kao suza čista istina da u data intenzivnim okruženjima (engl. data intensive environments) - čitaj: gde god ima dosta podataka - za Data Scientista ima posla. A gde danas nema dosta podataka - pa, samo u poslu onih koji još nisu shvatili da bez stavljanja informacija u pogon u poslovnom okruženju više teško da ima pravog uspeha... Nema šanse da neko pravi pogrešan izbor životnog poziva ako se opredeljuje za Data Science: gap na tržištu rada je ogroman, potražnja za njima je velika, raste konstantno, i tek će da raste, jer su deo transformacije kompletne globalne ekonomije kroz ono što danas ljudi zovu Četvrtom industrijskom revolucijom. Često se pogrešno pretpostavlja da je uloga Data Science da automatizuje sve i svačiji posao i prepusti funkcionisanje sveta i privrede autonomnim algoritmima koji iz podataka uče i donose optimalne odluke. To jeste deo posla, ali (a) ne na svakoj Data Science poziciji, (b) ima i te kako posla koji ne podrazumeva primenu čitavog takvog ciklusa, u kome se od nas traži da (c) pomoću podataka i mašinskog učenja donosimo neke sasvim ljudske zaključke i preporuke, da (d) ponekad tek dovoljno lukavo vizuelizujemo neke podatke da bih ih neko drugi razumeo ili mogao da ih komunicira nekom trećem, te (e) često se naš posao sastoji u tome da uopšte iz nekih početnih, sirovih podataka tek dođemo do podataka koji ljudima nešto počinju da znače i na osnovu kojih će se tek kasnije razmatrati kuda dalje. Ali tog posla ima, i ima ga u toliko različitih oblasti i industrija, da je nesumnjiva jedna stvar: teško je da ako naučite Data Science nemate posla, i teško je da uz toliki raspon naše discpline kroz različita tržišta ne nađete neku nišu u kojoj će vam biti interesantno i izazovno da radite. Kako onda izgleda početak u Data Science? U kom trenutku, kako neko počne da stiče motivaciju, znanja i veštine, i počne da postaje Data Scientist? Moj odgovor je: ne znam. Jedino što po tom pitanju mogu da učinim za druge je da podelim moje lično iskustvo, dovedem nas danas do tek par izvesnih zaključaka (na kraju teksta), i podsetim da ima N (gde je N neki veliki ceo broj) izbora, iskustava, i ličnih priča drugačijih od moje kroz koje su ljudi ulazili i ulaze u ovu disciplinu. Evo kako je sve počelo za mene, ukratko i bez ulaženja u ličnu biografiju, ljubavi, muzički i filmski ukus ili sklonosti ka funkcionalnom ili objektno orijentisanom programiranju. Prva stvar, pretpostavke: počeo sam da programiram sa deset (brojem: 10) godina, prvo učeći BASIC iz baš ma kog časopisa o mikrokompjuterima koji je 80-ih mogao da mi dopadne šaka i pišući kod na svesci "na kockice" (tako je zovu, iako je papir, koliko ja znam, "na kvadratiće", ali Ok), i od neke 1986 na 8-bitnom Commodore 64 koji sam uspeo da iskukam na poklon od roditelja u ekonomski ne tako slatka vremena po građane ondašnje Jugoslavije. Koliko sam bio lud i predan u tome: pa, imao sam nekih šesnest godina kada sam u jednom ex-Yu časopisu o računarima objavio prvu recenziju kompajlera za programski jezik PASCAL... Interesovanje nikada nije prestalo: preko prijatelja iz Istraživačke stanice Petnica sam došao do fotokopija poglavlja čuvene "Algorithms + Data Structures = Programs" Niklaus Wirtha, pratio razvoje koliko sam mogao, i maštao da jednog dana razvijam ekspertske sisteme u (danas prilično zaboravljenom) programskom jeziku PROLOG za logičko programiranje. Šta drugo programere uopšte zanima do razvoj AI? Studije: ranih 90-ih, ako hoćeš da ideš u karijeru programiranja a živiš u Beogradu, to je bilo ili ETF, ili Matematika. Veliki je broj bio samoukih kao ja, ali opet - neka ozbiljna škola ti treba. Treba ne samo znati da programiraš, nego i razumeti matematička sredstva koja treba da pretočiš u algoritme, i onda u kod. Moj izbor (nerado; objasniću) je bila matematika; međutim, posle I semestra na Matematičkom je meni postalo jasno da jednostavno nisam osoba koja će svaki dan da vežba analizu i linearnu algebru tri, četiri sata dnevno, jer propustiš li jedne, dve vežbe za redom eto tebi problema kako da uopšte stigneš grupu sa kojom radiš do kolokvijuma ili ispita. A moja interesovanja su bila uska, i svakako vezana ne za baš sve u matematici: ono što nekoga zainteresovanog za računarstvo najviše interesuje, matematička logika, teorija formalnih jezika, teorija dokaza, izračunljivosti, meta-matematika. Iskreno nisam bio lud za verovatnoćom, statistikom i numeričkom analizom - oblastima za koje bi se reklo da zapravo predstavljaju same fundamente za Data Science. Ne - ja sam teoriju verovatnoće zavoleo kasnije. Sve u svemu, sa tih 18, 19 godina pala je nagla odluka da se studira nešto drugo, i to nešto sasvim drugo... posle prethodno položenih prijemnih ispita na matematici i fizici (izbor je bio matematika), položio sam prijemne ispite za Filozofski (filozofiju i psihologiju) i presrećan što sam sa tankim uspehom iz gimnazije uspeo u žešćoj konkurenciji da upišem psihologiju odlučio da nju i studiram. Nema više programiranja, nema više analiza i diferencijalnih jednačina, ide neki novi svet, neka nova interesovanja... Sve dok me na prvoj godini psihologije nisu sačekali ispiti iz statistike, fiziologije centralnog nervnog sistema, te oblasti kao što su psihofizika i kognitivna obrada informacija... Kad imate iza sebe prilično solidnu matematiku još iz gimnazije i godine programiranja u kojima svakako barate brojevima svaki dan, vidite šta je nastava psihologije na prvoj godini, okrenete se oko sebe i dođe vam skoro da se nasmejete bledim licima većine vaših kolega koji mahom dolaze sa bekgroundom društvenih nauka i humanističkih discplina, načitani Frojda i Junga (koje sam poprilično pročitao i sam i osećam samo najveće poštovanje za njihov rad i dan danas), kako u neverici slušaju o linearnoj regresiji, tome šta je histogram, a šta psihofizička funkcija za koju je Fehner verovao da je logaritamska a Stivens da je stepena - brzo shvatite da se nalazite na mestu koje je potencijalno veoma interesantno za vas. Tako je i bilo: nisam završio ni prvu godinu studija a već sam izveo moju prvu eksperimentalnu studiju u kognitivnoj psihologiji. Druga godina studija, prvi nastup na naučnoj konferenciji. Do kraja studija sam ih imao ne znam koliko i objavljena četiri naučna rada do neke dvadeset i četvrte ili dvadeset i pete godine: svaki je, po prirodi oblasti u kojoj sam istraživao, uključivao statističke modele podataka, najčešće analize varijanse i multipla linearne regresije. Interesovanja su mi se brzo proširila na ono što su osnove oblasti Unsupervised Learning danas (PCA, i MDS - nešto što se koristilo za redukciju dimenzionalnosti pre t-SNE i UMAP), jer su mi znanja u toj oblasti bila potrebna da bih istraživao u oblasti semantičkog pamćenja i distribucione - ili statističke, ako hoćete - semantike, koja me je veoma interesovala. Najbolje od svega je bilo otkriće da je mejnstrim teorija kognitivnih nauka - koje predstavljaju osnovu za istraživanja u oblasti veštačke inteligencije, a pored kognitivne psihologije obuhvataju mnoge druge naučne oblasti od neurobiologije do inženjeringa - nešto što se zove Computational Theory of Mind. Drugim rečima: psiholozi i filozofi koji su se bavili problemima saznanja i pitanjem inteligencije nisu pretpostavljali ništa drugo do ono što su u XX veku takođe pretpostavili matematičari, logičari i inženjeri, naime, da objašnjenje inteligencije leži u razumevanju ljudskog uma kao kompjutacione mašinerije. Bio sam, i ostao fasciniran time (iako danas ne verujem da je kompjutaciona teorija uma u stanju da objasni ljudsku inteligenciju u potpunosti). Oblast je bila prepuna matematičkih modela raznih kognitivnih funkcija: prepoznavanja, pamćenja, razumevanja značenja reči, donošenja odluka... I konačno, naučni rad je i te kako zahtevao dobro poznavanje verovatnoće i statistike da bi se analizirali i modelirali eksperimentalni podaci, a da biste matematičke modele mogli da primenite na podatke nije bilo dovoljno imati papir i olovku, dabome. Godine rada u SPSS, zatim STATISTICA, do momenta kada su me doktorske studije konačno dovele do MATLAB (kroz jedan od najboljih i najtežih kurseva koje sam ikada uzimao u životu, Simulation and Data Analysis na njujorškom NYU). Usput sam "pokupio" bejzijansku verovatnoću i statistiku i ostao ubeđeni subjektivista u teoriji verovatnoće do dan danas. Naravno da je programski jezik R bio sledeći logičan korak. R sam počeo da učim neke 2006. godine, mislim. Od 2013 godine, kada sam konačno završio rad na doktorskoj tezi, uključujući razvoj originalne bihejvioralne teorije odlučivanja i njene matematičke formulacije, do danas, teško da sam godišnje imao više od sedam dana da nisam napisao liniju R koda. Nešto Python sam znao s početka 2000-ih, ali me je R, specijalizovan za matematičku statistiku i tada visoko popularan samo u akademskoj zajednici prirodno više zainteresovao. Danas, u R radim bukvalno sve, uključujući i ono čemu jezik u suštini nije namenjen: održavanje i razvoj sajtova ili pisanje blogova : ) Od neke 2015. godine, kada sam već neko vreme prestao sa svakim akademskim angažmanom u istraživanjima ili nastavi i uzeo moju prvu poziciju koja se zvanično zvala Data Scientist, do danas, imam osećaj da sam završio još najmanje jedan fakultet radeći u Data Science. Istina, još od 2002 godine sam imao iskustva u istraživanjima javnog mnjenja (gde vam i te kako treba dobro znanje matematičke statistike), radio kao analitičar na međunarodnim projektima, radio u istraživanju tržišta, tako da mi nije bio toliki problem da nekako izađem na tržište kao konsultant u analizi podataka. Ali je realni rad u Data Science vremenom, a ponajviše od početka mog angažmana kao Data Scientist za Wikidata (2017 - 2022) - najluđi posao koji sam u životu radio - zahtevao mnogo više od dobrog R programiranja i poznavanja statističkih modela. SQL sam, ruku na srce, naučio još tokom nekih angažmana na razvoju Information Retrieval i Text Mining sistema u R za jednu međunarodnu fondaciju neke 2015, ako ne grešim, od kada datira i moja sklonost ka PostgreSQL, ali su ulaz u Big Data okruženja (Apache Hadoop i Spark) te potreba da razvijam kompletna softverska rešenja i plasiram ih u produkciona, virtuelna okruženja bili za mene priličan šok. Ali me je jedna stvar držala: ja sam, jednostavno, voleo sve to. I nikada mi nije predstavljalo problem to da nešto novo učim, toliko sam radoznao po prirodi da bih mogao da idem u školu za pare i polažem ispite do penzije (ako ikad u penziju uopšte i odem). Apache Spark je bila stvar koja me je naterala da se ozbiljnije vratim Python programiranju, i danas koristim Python i R uporedo u poslu - mada 90% koda koji pišem danas jeste u Python, dok R koristim za istraživačke faze projekata jer mi omogućava rapidan razvoj prototipa ma kog modela na kome radim. A i više ga volim : ) Vremenom, kroz posao, godinama, prešao sam kompletan put od čoveka koji koristi matematičku statistiku i modeliranje da bi testirao neku naučnu hipotezu ili teoriju do čoveka koji radi full-stack software development u Data Science: od istraživanja, preko prototipa, mašinskog učenja i selekcije modela, do njihovog plasiranja u produkciju upakovane u različite data proizvode u koordinaciji sa product i communications stranama posla. Pa ovo je lična priča: ponovo, šta su opšte pretpostavke, kako se ulazi u Data Science? Prvi način da vam pomognem u tome kako da uđete i kako da učite Data Science se sastoji u izvođenju nekoliko zaključaka iz ove moje profesionalne i lične priče, podsećajući vas da postoji bezbroj načina na koje možete da uđete u Data Science i učite tu oblast. 1. Treba da volite to, i da radite na nečemu konkretnom! Često ljudima koji me pitaju kako da počnu u Data Science odgovorim tako što ih pitam: koji problem vi pokušavate da rešite, a da to nije problem šta isplaćuje vašu mesečnu platu i plaća kiriju? Ja sam ono što me je odvelo u Data Science karijeru naučio rešavajući tri problema kognitivnih nauka koji su me najviše zainteresovali: problem odlučivanja, problem otkrića kauzalnih odnosa iz statističkih podataka, i problem značenja; sredstva kojima danas raspolažem u mom znanju i veštinama sam stekao radeći na rešavanju ovih problema. Za vas to može da bude nešto sasvim drugo, iz oblasti ekonomije, biologije, fizike, menadžmenta, inženjeringa, entertjmenta, kriptovaluta i NFTs, čega god hoćete, ali uvek je za učenje bolje da ispred sebe imate konkretan problem koji hoćete da rešite matematičkim sredstvima u Data Science nego da ga nemate: to ključno utiče na vašu motivaciju, da se bavite nečime što vas interesuje, što vam daje snage da napredujete. Ljudi znaju tokom kurseva u Data Science koje držim da me pitaju koji dataset treba da uzmemo i na njemu vežbamo R ili Python? Ja im obavezno odgovaram, vidite, na Kaggle i drugde ih ima milion - ali vi treba da odaberete onaj koji vas zanima, jer će vam svi drugi verovatno biti dosadni. 2. Treba da imate sreće, jeste - ali i da prilike za učenje stvarate i da ih koristite kada vam se pruže. Primetićete kako se u mojoj priči o početku karijere u Data Science stvari nekako perfektno slažu: čovek programira od malih nogu, čak i kad promeni faks da pobegne od matematike on uleti u oblast društvenih nauka koja je solidno matematizovana, dobije priliku da se bavi naukom, tokom studija se razbije od metodologije, verovatnoće i statistike, sve vreme nešto programira, ubada dobre poslove, i kako da na kraju ne postane Data Scientist? Pa čovek ima lude sreće! To samo zvuči tako kad se ispriča. Prvi časopis o računarima mi jeste otac doneo na poklon 1984. godine, ali nije on nego ja seo za sto, izvadio svesku i počeo da uči da programira (bez računara, zvuči kao vic danas). Kada sam upisao psihologiju, mogao sam te više prirodno-naučne ispite da ispolažem sa desetkama, slegnem ramenima, nakupim sertifikate za neke terapije i couching i danas razgovaram sa ljudima za novac kao što radi ogroman broj mojih kolega (zbog toga na tržištu koje je daleko više zasićeno nego ono u Data Science): ja sam izabrao da zagrizem i uđem u naučni rad pored redovnih studija; to je duplo više rada na studijama nego što se od vas traži. Nekih 2000/01, dok sam bio polaznik Beogradske otvorene škole, mogao sam da je završim i stavim u džep lepe preporuke za posao, odem i bavim se nekim reasearch managementom i uživam; ja sam predložio osnivanje istraživačkog centra koji bi se bavio razvojem Interneta i proučavanjem informacionog društva, tako stvorio priliku da oformim tim, izvedem istraživanja sa hiljadama ispitanika i naučim proces menadžmenta istraživanja od ideje do publikacije s leva na desno (četiri knjige smo mi u tom timu objavili zajedno 2002 - 2005; i to je trebalo napisati). Za doktorat, nisam morao da razvijam novi matematički model u teoriji odlučivanja, doktorira se i sa mnogo manje. Uopšte nisam morao da u životu prihvatam pozicije na kojima je trebalo da radim i back-end na Big Data u Hadoop i Spark, i mašinsko učenje, i razvoj RStudio Shiny dashboards, i njihovu produkciju u cloud okruženjima; mogao sam da kažem Ok, platite nekog Data inženjera za Big Data i zaposlite nekog juniora da radi dashboards, ja sam specijalista za ML i radim samo to - kao što danas radim na poziciji na kojoj se od mene zahteva samo ML, a u većini firmi kojima treba Data Science to što sam godinama radio ja radi tim ljudi. Ali je to za mene bio izazov - pa sam učio. Sve ono što nisam uradio je bilo da propustim priliku da učim kada bi mi se pružila pukom srećom, ili da propustim da priliku za učenje stvorim kada takve prilike nije bilo. U većini slučajeva, nisam uspevao samo to, već sam uspevao i da budem plaćen da radim posao koji je podrazumevao da na njemu mnogo učim. To bi bile pretpostavke: (1) da učite Data Science radeći na nečemu što vas interesuje i što volite, jer u suprotnom ozbiljno rizikujete da sebi zagorčate život ubrzo, te (2) da neprestano tražite prilike za učenje, kontekste u kojima će vaše učenje postajati funkcionalno i koristiti i vama i drugima (pri tom vas, kad god je to moguće, i plaćajući za to), i ne da prilike za učenje Data Science čekate nego da ih aktivno stvarate. Predlažite projekte, okupljajte timove, tražite podatke, otvorite blog i pišite šta i kako radite, i objasnite zašto je važno koji problem rešavate i zašto vam je do toga stalo. U narednim postovima, o tome da li i koliko teorije verovatnoće i statistike treba da znate da biste preuzeli neku poziciju u Data Science/ML, o tome da li vam trebaju master i doktorske studije da biste radili u Data Science (odmah da odgovorim: ne, ali nije ni loše ako je upravo to bio vaš razvojni put), kako da učite samo programiranje za Data Science, kako da organizujete vaše projekte tokom učenja (obavezno morate da imate projekat na kome radite dok učite Data Science), i drugim nadam se korisnim raspravama. Autor: Goran S. Milovanović

HelloWorld
2
07.09.2023. ·
2 min

IT tržište Srbije: Nastupa faza stabilizacije broja oglasa

Tržište rada IT industrije u Srbiji polako ulazi u fazu stabilizacije broja oglasa za posao. Prema istraživanju koje je sproveo najposećeniji sajt za zapošljavanje IT kandidata HelloWorld.rs, pad potražnje za IT kadrovima se zaustavlja i broj oglasa postepeno počinje da raste. Blagi trend rasta broja IT oglasa od aprila 2023. Kada poredimo trend potražnje za IT kadrovima za period januar – jun prošle godine i prvu polovinu ove godine, zabeležen je pad broja IT oglasa u prvih šest meseci 2023. za 49%. Što se tiče prva dva kvartala ove godine i tu se desio blagi pad broja oglasa u drugom kvartalu u odnosu za prvi za 9%. Posle aprila 2023. ukupni broj oglas raste te je u junu mesecu u odnosu na maj zabeležen rast broja oglasa od 27%. Takođe, manja potražnja, naročito inostranih kompanija koje su nudile mogućnost za rad od kuće, doveli su do pada broja oglasa za remote pozicije u prvoj polovini 2023. godine  za 11 procenata u odnosu na isti period prošle godine. Od oktobra 2022., beleži se rast jedinstvenog broja kandidata koji konkurišu na IT oglase. Kada se uzme u obzir da se u tom istom periodu smanjuje broj oglasa na tržištu, veća aktivnost IT kandidata na tržištu se javlja kao posledica nesigurnosti koja se oseća kod njih. Veća potražnja za junior kandidatima Potražnja za IT kandidatima je u odnosu na prošlu godinu sveukupno je manja, ali je došlo do procentualnih promena potražnje kandidata po senioritetu. Tako je potražnja za junior kandidatima veća za 7% u prvoj polovini ove godine u odnosu na isti period prošle godine. Takvoj slici je nesumnjivo doprineo ukupan pad potražnje za seniorskim i mediorskim pozicijama u odnosu na 2022. za čak 57%. Takođe, u prvoj polovini 2023. godine kandidati su se češće prijavljivali na juniorske i seniorske pozicije, dok su se u 2022. godini procentualno manje prijavljivali na te dve kategorije. Procenat istih kandidata koji su istovremeno konkurisali na juniorske i mediorske poziciji veći je za 3%, a 5% više kandidata konkuriše istovremeno na seniorske i mediorske pozicije u prvih šest meseci 2023. u odnosu na 2022. Pozicija Software Developer i dalje najtraženija na tržištu U prvoj polovini ove godine, baš kao i prošle godine, Software Developer i IT Help desk/Support ostaju na vrhu liste najtraženijih pozicija na IT tržištu rada.  Pored ove dve navedene, ostale pozicije koje se izdvajaju kao najtraženije za period januar-jun 2023. su: System administrator/Engineer, ERP/SAP/ABAP Consultant, Fronted Devoloper Kompanije najviše vrednuju poznavanje SQL-a i JavaScripta-a, ali takođe su u potrazi za stučnjacima koji se dobro snalaze u tehnologijama kao što su GIT, Linux, Cloud, Agile, Python, Java, Windows i CSS.

21.08.2023. ·
4 min

Najveće greške koje kompanije prave kada prelaze na cloud

Ovih dana prilično je teško pronaći kompaniju koja neki deo svog poslovanja radi bez cloud podrške. Uprkos tome, mnoge prilikom formulisanja svoje cloud strategije prave greške koje bi se lako mogle izbeći. Evo nekoliko saveta za izbegavanje najčešćih grešaka u procesu  prelaska na cloud: Cloud strategija ne treba da bude jedina IT strategija Uspešnoj cloud strategiji potrebna je podrška IT autsajdera. Zato bi poslovni i IT menadžeri trebalo da izbegnu grešku pravljenja strategije koja se vrti oko IT-ja koju će posle pokušati da „prodaju“ ostatku. Poslovni i IT deo trebalo bi da budu jednaki partneri u osmišljavanju clud strategije. „Postojanje tehnologije radi postojanja tehnologije generalno nije dobra ideja. Šta god da radite, potrebno je da imate jasnu liniju vida u vezi sa tim zašto to radite, koji je poslovni razlog svega“, objašnjava Marco Menardi, potpredsednik analitike u kompaniji Gartner. Nepostojanje izlazne strategije Mnoge kompanije često nemaju izlaznu strategiju od svog cloud provajdera jer ni u jednom trenutku nisu razmišljale o odlasku kao opciji. Pritom, formulacija takve strategije može biti poprilično teška. Drugim rečima, mnogi ne žele da čuju odgovore koje će dobiti na postavljena pitanja, pa zato u samom startu odbijaju da ih postave. Na samom početku cloud dana, mnoge kompanije su sa strepnjom prilazile poziciji da su vezane za samo jednog vendora, ali čini se da je to danas ređe. Određene kompanije će rado pristati da budu vezane za specifičnog vendora kako bi ranije stigle na tržište ili iskoristile posebne cene i usluge koje uz takvu opciju idu. Ipak, kompanije bi trebalo da razmišljaju o planu B, bilo da se radi o cloudu ili nekoj drugoj tehnologiji. Mešanje cloud strateškog plana sa cloud planom implementacije Kompanije bi uvek tebalo da kreiraju planove za cloud strategiju pre implementacije ili usvajanja. Strateški plan pravi se tokom faze odlučivanja o tome kakvu će ulogu cloud imati unutar organizacije. Potom sledi plan implementacije koji zapravo aktivira samu strategiju. Ako se nešto naziva strategijom, a u svojoj suštini je plan usvajanja, kompanija može da završi sa velikom gomilom detalja koji nisu bitni poslovnim ljudima – i to im može biti zastrašujuće. Dobra cloud strategija bi trebalo da bude kratak i razumljiv dokument sa 10 do 20 stranica. Pojedini aspekti koji se vrlo često zanemare prilikom formiranja strategije su ključni ciljevi, finansijski targeti, novi izvori prihoda i novi poslovni momenti koje organizacija želi da stvori uz pomoć clouda. Cloud strategija nije migracija svega na cloud Brojni menadžeri će ustuknuti od kreiranja cloud strategije jer će mnogi od njih misliti da će ubuduće sve morati da rade na cloudu. Zato bi kompanije trebalo da u celu priču uvedu stručnjaka koji nije isključivo iz cloud okruženja kako bi svima pružio širi uvid u sve mogućnosti cloud strategije. Naravno, postoje i kompanije koje misle da je celokupan proces izuzetno prost zadatak. Brojne kompanije veruju da sve ono što rade u kancelarijama lako mogu da prebace u cloud. Kako biste izvukli maksimum iz migracije, potrebno je dobro razmisliti o svim načinima korišćenja cloud rešenja, arhitekturi, strategiji i nekim opštijim stvarima poput toga koje će aplikacije ostati u regularnom okruženju, a koje će ići u cloud. Postoje brojne aplikacije koje se nikada neće prebaciti u cloud jer rade već godinama, i nastaviće da rade godinama. Autsorsing razvoja cloud strategije Ma koliko se ovakva ideja činila atraktivnom, to nije preporučljiv potez jer je u pitanju izuzetno važna stvar za svaku kompaniju. Ima smisla autsorsovati određene stvari tokom faze usvajanja, jer će tada biti potebna pomoć spolja. Ali vrlo lako se može desiti da se kompanija nađe u situaciji da joj vendori određuju strategiju ako odluči da sve prepusti nekome drugom. Ako potražite pomoć od nekoga ko zaista zna šta radi, to može biti u redu, ali je potrebno da detaljno nadgledate celokupan proces kako biste razumeli strategiju, čak iako vam je sastavlja neko drugi. Cloud strategija ne stavlja cloud na prvo mesto Ovakav pristup znači da svi novi materijali direktno idu u cloud, ali cloud na prvom mestu ne znači samo cloud. Ako kompanija usvoji cloud-first princip, strategija bi trebalo da uoči izuzetke koji ne podležu pod to pravilo. Ponekada je potrebno da podaci budu fizički dostupni na mestu njihovog procesuiranja zbog brzine ili iz drugih razloga. Bez obzira na to šta određena kompanija misli, nikada nije kasno za kreiranje cloud strategije jer bez nje, može se javiti otpor, sporije usvajanje i na kraju može doći do ugrožavanja ključnih projekata.

HelloWorld
0
Da ti ništa ne promakne

Ako želiš da ti stvarno ništa ne promakne, prijavi se jer šaljemo newsletter svake dve nedelje.