Aplikacja została opracowana przez Appsilon pro bono, poza działalnością komercyjną firmy (współpraca z korporacyjnymi klientami z najwyższej półki, takimi jak Johnson&Johnson czy Warner Bros).
Co jeszcze ciekawsze, to nie jedyna tego typu inicjatywa tego polskiego startupu, a część szerszego podejścia founderów. Jak mówi mi sam kierownik działu AI w firmie, Jędrzej Świeżewski, zaangażowanie w tego rodzaju projekty to dla nich sposób na wywarcie realnego pozytywnego wpływu na otaczający świat, a przy okazji do przyciągania i motywowania pracowników. O tej motywacji, ale i o szczegółach powstania i działania nagrodzonej przez UNESCO Mbaza AI rozmawiamy z Jędrzejem.
Jak powstał Appsilon?
To typowo startupowa historia. Czterech przyjaciół, którzy poznali się na studiach, w tym przypadku była to Informatyka i Matematyka na Uniwersytecie Warszawskim, postanowiło założyć firmę. Po zakończeniu edukacji porozjeżdżali się po świecie, by po kilku latach pracy w globalnych korporacjach zbudować firmę, w której “sami chcieliby pracować”. Zaczęli więc budować Appsilon.
Co dokładnie oznaczało dla founderów “firma, w której sami chcieliby pracować”?
Bardzo duży nacisk kładziemy na to, żeby pracownicy czerpali z ze swojej pracy przyjemność. Bo w naszej branży, IT, bardzo często pracujemy nie tylko dla pieniędzy, ale również po to, żeby móc pomagać innym czy sprawiać, żeby świat stawał się lepszy.
W Appsilon uporządkowaliśmy sobie ten proces i wpisaliśmy w strukturę działania naszego biznesu. Po pierwsze udostępniamy nasze rozwiązania w ramach open source, a po drugie stworzyliśmy Data for Good. W jego ramach realizujemy przede wszystkim projekty pro bono, we współpracy głównie z ekologami, naukowcami zajmującymi się zmianami klimatu i problemami społecznymi. Zależy nam przede wszystkim na realnym wpływie na ratowanie naszej planety.
Te działania dają jednak również wymierne korzyści dla naszej firmy: po pierwsze my, pracownicy mamy z naszej pracy dla Appsilon większą satysfakcję, a po drugie tego typu projekty dobrze niosą się marketingowo. Na przykład zauważ, że głównym tematem naszej dzisiejszej rozmowy jest fakt stworzenia naszego narzędzia do ratowania bioróżnorodności w Afryce, Mbaza AI.
Przejdźmy teraz na chwilę do tego, jak finansujecie swoje działania pro bono. Wiem, że pracujecie dla największych, topowych firm na świecie. Opowiedz, jak doszliście do punktu, w którym dzisiaj jesteście?
Tak, to prawda, tworzymy projekty komercyjne dla globalnych korporacji, m.in. tych, które widnieją w amerykańskim spisie “Fortune 500”. W Appsilon skupiamy się na dwóch głównych rodzajach usług: tworzeniu dla klienta nowych, dopasowanych do jego potrzeb aplikacji (jak również usprawnianie tych, których klient już używa). W tym obszarze podstawą naszej działalności jest wykorzystanie technologii R Shiny. Drugi obszar skupia się na uczeniu maszynowym, a przede wszystkim “patrzeniu maszynowym” (z ang. computer vision). Czyli budowaniu modeli, które potrafią analizować automatycznie obrazy.
Jak to się zaczęło? Nasi założyciele zaczęli od projektów doradczych. Dostarczaliśmy projekty, których inni nie potrafili opracować. Przede wszystkim mówię tutaj o wykorzystaniu technologii R Shiny. Jako jedni z pierwszych dostrzegliśmy jej potencjał i, w odróżnieniu od innych, zaczęliśmy używać jej do pisania “poważnych” oprogramowań – dla biznesu. Wcześniej uważano ją za technologię dla specjalistów, ale nie dla szerszego zastosowania. Nam, wykorzystując właśnie R Shiny, udało się stworzyć rozwiązanie, w którym bardzo wiele osób może jednocześnie korzystać z aplikacji. Dzięki nam specjaliści w końcu mogli wizualizować i udostępniać wyniki swoich prac szerokiej grupie odbiorców. Wydaje mi się, że to był moment, w którym znaleźliśmy się “na mapie” dużych firm.
W zbudowaniu naszej pozycji pomogło nam również mocno udostępnianie naszych rozwiązań w formie open source. Prosty mechanizm: firmy korzystały z produktów open source Appsilonu, znały nas. Gdy więc szukały bardziej zaawansowanego produktu, rozszerzenia aplikacji, to naturalnie pierwsze kroki kierowali do nas.
Czyli udostępnianie rozwiązania w formie open source było tym, co zbudowało Wasz sukces?
Mój obraz tej historii jest taki, że open source rzeczywiście to wszystko zaczęło, dzięki niemu staliśmy się rozpoznawalni w branży. Od kilku lat jesteśmy partnerem Posit, która zajmuje się rozwojem technologii R Shiny, jesteśmy rozpoznawalną marką w tej branży.
Open source wykorzystaliśmy do budowy międzynarodowej rozpoznawalności w jeszcze jeden – oprócz wspomnianego powyżej – sposób. Gdy już opracowaliśmy, jak we wspomnianym wyżej przykładzie, bardziej zaawansowane, nowe rozwiązanie komercyjnie dla klienta, proponowaliśmy mu udostępnienie go również w formie open source. Klienci często się zgadzali. Występowaliśmy wspólnie na konferencjach, omawiając daną nowinkę technologiczną. Klient zyskiwał dzięki temu wizerunek innowacyjnej i otwartej, dzielącej się technologiami spółki, a nasza aplikacja i firma rozgłos.
Pomówmy teraz chwilę o kulisach powstania Waszego projektu, o którym ostatnio zrobiło się głośno – nagrodzonej przez UNESCO aplikacji Mbaza AI. Jak doszło do wykorzystania jej w afrykańskich lasach tropikalnych?
W 2020 roku naukowiec szkockiego Uniwersytetu Stirling zwrócił się do nas o pomoc techniczną w sprawie technologii R Shiny. W trakcie naszych rozmów okazało się jednak, że możemy mu pomóc jeszcze w innym sposób. Okazało się, że posiada bardzo dużo danych zbieranych przez naukowców w Afryce. To było półtora miliona (!) zdjęć z fotopułapek rozmieszczonych w tropikalnych lasach, mające na celu badanie wielkości populacji zagrożonych gatunków zwierząt. Naukowcy przeglądali te wszystkie zdjęcie ręcznie, wyszukując tych, na których pojawiły się zwierzęta. To zadanie było żmudne i każdorazowo zajmowało im nawet trzy tygodnie.
My w Appsilon dzięki własnym rozwiązaniom uczenia maszynowego umożliwiliśmy im automatyczne i ultaszybkie obrabiania tych zdjęć. Zobaczyliśmy, więc że możemy bardzo mocno skrócić pracę naukowców, a w konsekwencji wspomóc ochronę bioróżnorodności w Afryce. I tak właśnie doszło do naszej współpracy z Uniwersytetem Stirling i Parkami Narodowymi Gabonu. Opracowaliśmy modele dostosowane do ich potrzeb, a także aplikację, dzięki której mogli w łatwy sposób z nich skorzystać – tak powstała Mbaza AI.
Ile czasu zajmuje budowanie modeli takich jak Mbaza AI?
To bardzo zależy od konkretnego przypadku. Pierwszy model dla Mbazy powstał w dwa tygodnie. Natomiast budowa kolejnych jego wersji i samej aplikacji to było sporo więcej czasu. Do dziś zresztą trafiamy na przypadki projektów, w których w ciągu dwóch do trzech tygodni tworzymy modele które już dostarczają naszym partnerom narzędzi usprawniających ich pracę. Czasami jednak dopracowanie ich, poprawa poszczególnych aspektów ich działania, zajmuje wymaga sporo więcej czasu.
Mbaza AI to tylko jedno z działań, które prowadzicie w ramach Data4Good. Na stronie widziałam sześć kolejnych, w tym badania prowadzone w Arktyce
Jest ich dużo więcej, ale na stronie rzeczywiście opisanych jest ich sześć. Robimy projekty Data4Good związane z prezentacją danych, na przykład mieliśmy projekt dotyczący choroby odkleszczowej, a z drugiej strony inny, związany z monitorowaniem rafy koralowej w Mikronezji. Jeżeli chodzi o uczenie maszynowe, to faktycznie, tak jak wspomniałaś, jeden z projektów dotyczy Arktyki. Monitorujemy plankton, który jest kluczowym elementem w łańcuchu pokarmowym w oceanie. Pomagamy badać jaki wpływ na poziom tłuszczu/poziom jego odżywienia mają czynniki w konkretnych częściach Arktyki.
W jaki konkretnie sposób wykorzystywane jest Wasze rozwiązanie?
Urządzenie pobierające próbkę wody oceanicznej zawierającej plankton wypuszczane jest z łodzi. Następnie, wykonywane są zdjęcia tych organizmów. Dzięki temu, że są przezroczyste, można zbadać ich struktury wewnętrzne – w tym również stan tkanki tłuszczowej. I znów nasze rozwiązanie pozwala na znaczące przyspieszenie przeglądania wykonanych zdjęć – wybiera te, na których pojawia się plankton i analizuje je właśnie pod kątem stanu tkanki tłuszczowej. Robi to w prosty sposób – rozmiar woreczka lipidowego planktonu w stosunku do całego ciała świadczy o poziomie tłuszczu. Porównując zdjęcia z różnych miejsc, z wielu lat, dzięki naszemu rozwiązaniu jesteśmy w stanie przyspieszyć pracę naukowców w ocenie zmian zachodzących w ekosystemie, a przez to wspomóc jego ochronę.
To niesamowite, że uczenie maszynowe, nasza wiedza, może posłużyć tak ważnym celom, jak ratowanie planety. Takie działania dają ogromną satysfakcję z pracy.
