Cześć, nazywam się Mateusz Grzyb. Z branżą IT jestem związany od kilkunastu lat, z analizą i eksploracją danych jeszcze dłużej, bo od czasów studenckich. Jestem certyfikowanym specjalistą Microsoft w obszarze Data Science, entuzjastą uczenia maszynowego, oraz wszystkiego co związane z predykcją i szeroko pojętą nauką o danych.
Zawodowo: dyrektor ds. AI. Na co dzień dostarczam rozwiązania biznesowe bazujące na szeroko pojętej nauce o danych i sztucznej inteligencji (modele językowe, analizy predykcyjne, systemy rekomendacyjne, etc.).
Prywatnie: fan kolarstwa, miłośnik dobrej muzyki, kina i gór. Członek Stowarzyszenia Inwestorów Indywidualnych. Po godzinach łączę pasję do eksploracji danych, inwestowania i rynków kapitałowych. Jestem uzależniony od czytania – kupuję i gromadzę więcej książek niż jestem w stanie przeczytać.
Bloguję hobbystycznie w celu dzielenia się swoją wiedzą i nowinkami z obszaru Data Science i AI.
Wszystkie informacje którymi się dzielę w kolejnych artykułach są moim „publicznym dziennikiem”, mającym na celu utrwalać wartościowe informacje i ciekawostki.
Etapy kariery
- Sierpień 2024 – teraz
Dyrektor ds. AI w Alior Bank. - Wrzesień 2023 – Czerwiec 2024
Executive Data Science Consultant w KPMG. - Styczeń 2019 – Sierpień 2023
Ekspert ds. zaawansowanej analityki w Alior Bank. - Lipiec 2017 – Grudzień 2018
Data Scientist w ITMAGINATION. - Czerwiec 2015 – Czerwiec 2017
Konsultant technologiczny w Microsoft Polska. - Maj 2014 – Maj 2015
Analityk w Accenture Polska. - Marzec 2013 – Kwiecień 2014
Właściciel startup-u – Filman.pl. - Czerwiec 2011 – Maj 2012
Analityk/Programista w Humansoft Sp. z o.o.
Certyfikacje, szkolenia i kursy
Microsoft Professional Program for Data Science – intensywny, autorski program szkoleniowy Microsoft. 10 szkoleń, ponad 100 godzin nauki. Warunkiem ukończenia było wykonaniu indywidualnego projektu i zaliczeniu szeregu testów sprawdzających kompetencje w kluczowych obszarach (m.in.: ML, NLP, SQL, Python).
Image Modeling with Keras
Statistical Thinking for Data Science and Analytics
Applied Machine Learning
Data Science: Using Agile Methodology
Najważniejsze projekty
Budowa systemu scoringowego
Projekt budowy systemu scoringowego dla jednej z firm polskiego sektora finansowego. Głównym celem było zbudowanie systemu scoringowego pozwalającego na ocenę ryzyka, w oparciu o dane wewnętrzne, oraz dane pochodzące z rejestrów zewnętrznych.
Zakres prac obejmował zrozumienia potrzeby biznesowej, przygotowania danych, weryfikację poszczególnych hipotez oraz budowę i ewaluację modelu scoringowego.
Rezultatem naszych prac były dwa modele scoringowe: aplikacyjny (dane pochodzące z rejestrów zewnętrznych) i behawioralny (dane ze wewnętrznych i rejestrów zewnętrznych).
Przygotowanie metodologi budowania modeli analitycznych
Dla jednej ze spółek sektora energetycznego przygotowaliśmy metodologię budowania i wdrażania modeli analitycznych. Częścią projektu było porządkowanie pracy i zadań z użyciem różnych narzędzi i technologi, począwszy od zarządzania (Jira), poprzez Big Data (Hadoop, Spark) na rozwiązaniach analitycznych skończywszy (Alteryx i R).
Produktem końcowym była uszyta na miarę metodologia budowania i rozwijania modeli analitycznych, wraz ze specyfikacją niezbędnego oprogramowania. Całość została zbudowania w takich sposbób, by spełniać specyficzne wymagania polskiego sektora energetycznego.
Wykrywanie ubytków energii na sieciach przesyłowych z użyciem ML
Jako członek zespołu Microsoft, we współpracy z firmami partnerskimi, zaprojektowaliśmy rozwiązanie adresujące problemy wykrywania ubytków energii na sieciach przesyłowych w oparciu o analizę zdjęć, oraz nierównego zapotrzebowania na energię elektryczną w gospodarstwach domowych.
Podczas byłem odpowiedzialny za wizję rozwiązania, wsparcie merytoryczne związane z technikami uczenia maszynowego (m.in. rozpoznawanie obrazu), oraz kontakt z firmami partnerskimi.
Projekt został wyróżniony pierwszą nagrodą w finale konkursu „MACH Challenge 2016” organizowanego przez Microsoft w Monachium.
Silnik rekomendacji filmów
Projekt, budowa i rozwój silnika rekomendacyjnego w startupie technologicznym. W oparciu o techniki zaczerpnięte z teorii zbiorów rozmytych i zbiorów przybliżonych zbudowaliśmy w pełni działające rozwiązanie, począwszy od projektu, poprzez przygotowanie mechanizmu rekomendacyjnego, na jego wdrożeniu skończywszy.
Do moich głównych zadań należało: przygotowanie modelu danych, optymalizacja dużych struktur danych z użyciem SQL, przygotowanie silnika rekomendacji, implementacja algorytmu rekomendacji opartego o Collaborative Filtering i Content Base Filtering.
Wdrożenie i rozwój rozwiązania BI dla spółki sektora paliwowego
Projekt zakładał wdrożenie rozwiązania QlikView, przygotowanie danych, oraz budowę raportów i dashboardów dla jeden ze spółek sektora paliwowego.
Jako członek zespołu Humansoft odpowiadałem za przygotowanie danych do budowania raportów, oraz automatyzację procesów przetwarzania danych.
Ja w mediach społecznościowych
- Blog: mateuszgrzyb.pl
- GitHub: GitHub.com/mateuszgrzyb-pl
- LinkedIn: LinkedIn.com/in/mateusz–grzyb/
- Kanał YouTube: Data Science Plus