SlideShare a Scribd company logo
1 of 30
Download to read offline
@piotrpietrzak
(CTO, IBM PAB)
Nowi bohaterowie?
- duże dane i ich analiza
Dane przyrastają ekspotencjalnie
… i co z tego?
Dane
strukturalne
Treści
niestrukturalne
85%
Mity na temat Big Data
• W Big Data najważniejsza jest technologia
• Big Data to projekt informatyczny
• Big Data wymaga matematyków i statystyków
• Trzeba zbierać jak najwięcej danych
• Bez Big Data nie będziesz konkurencyjny
• Big Data to informacje nieustrukturyzowane
• Czy więcej danych tym lepsze analizy
• Dajmy ludziom więcej danych i będzie dobrze
Zastosowanie Big Data
Rozwiązywanie
problemów
biznesowych
Dane są podstawą wartością do budowy przewagi konkurencyjnej
Sprzedaż
Bankowość
Zasoby naturalne
Opieka zdrowotna
Analityka Big Data
Szukaj, wizualizuj i zrozum
dane w celu poprawy procesów
decyzyjnych.
Wzbogacony obraz klienta
360o
Połącz wewnętrzne i zewnętrzne
źródła informacji aby wiedzieć jak
najwięcej o kliencie, real-time.
Internet rzeczy
Analizuj dane pozyskiwane
z maszyn
Modernizacja hurtowni
danych
Modernizuje hurtownię danych: in-
memory, przetwarzanie ciągłe, hadoop,
appliances
pamiętając o zaufaniu do danych
Bezpieczeństwo
Identyfikuj w czasie rzeczywistym
nadużycia i zagrożenia oraz cyber
ataki
Gdzie Big Data w organizacji
CEO
CMO CFO CIO
CDO
CRO
Gdzie Big Data w organizacji
CEO
CMO
CDO
CFO CIO CRO
Gdzie Big Data w organizacji
CEO
CMO CFO
CDO
CIO CRO
Gdzie Big Data w organizacji
CEO
CMO CFO CIO CRO CDO
Kto zarządza Big Data w organizacji
Analityka treści
Analizowana treść
(i dane)
Jan skręcił kostkę na schodach...
Źródło informacji
Wewnętrzne (ECM, Pliki, DBMS, etc.)
Zewnętrzne (Social, News, etc.)
Rzecz. Czasow. Rzeczownik Określenie
Osoba Krzywda Część ciała Lokalizacja
Przypadek: Uszkodzenie ciała
Ekstrakcja
Analiza treści call center
Customer Service
Representative – ocena
Detekcja ciszy
Detekcja
nakładającej
się rozmowy
Monitorowanie i
raportowanie jakości
Analityka treści Call
Center
Analiza treści call center
Raportowanie
wyników
w oparciu o dane
strulturalne i
niestrukturalne
Raaportowanie
geomarketingowe
Głos, SMS
Gazety
Radio
Email
Social Media
TV/Smart TV
Artykuły, blogi,
fora dyskusyjne
IBM
IBM
Content Analytics
„Hurtownia
danych
niestrukturalnych”
Zunifikowany
wgląd
Kompletność
widoku
GEO
Źródła informacji Przykładowe
zapytanie:
Pokaż wszystkie osoby, które
wspomniały o bombie w
rozmowie telefonicznej w
ostatnim tygodniu, są aktywne w
społeczności XYZ, zmieniły status
w Facebook’u i przygotowują się
do wyjazdu z kraju.
•Voice-To-Text
•Analityka Social Media
•Monitorowanie:
- wiadomości
- forum dyskusyjnych
Analityka treści a wykrywanie nadużyć i zagrożeń
Czas
Mocobliczeniowa
Algorytmy
mające
zastosowanie
Dostępna
przestrzeń
obserwacji
Trend: Organizacje stają się …
Amnezja
Kontekst
Lepsze rozumienie czegoś przez branie pod
uwagę dodatkowych okoliczności i zdarzeń
Akumulacja kontekstu i dopasowanie elementów
Przyrostowy proces integracji nowych i wcześniejszych obserwacji
marek@me.com
VIP
Klient
Twitterowy
obserwator
Złodziej
tożsamości Defraudacja
[Szerszy obrazek]
marek@me.com
Analityka “kanałowa” (STARE)
Strefa
obserwacji
Analiza danych strukturalnych
Analiza źródeł nie strukturalnych
Analiza kanałów social, media, retail
Klient
(Analityk, system, sensor itd.)
Analiza akumulacyjna (NOWE PODEJŚCIE)
Strefa obserwacji Zbudowanie obrazka
Akumulacja informacji
Trafność informacji
Klient
(Analityk, system, sensor itd.)
Nagroda Zespół Zadanie
Nowi bohaterowie? - duże dane - IBM Forum Analityki Biznesowej 2015
Nowi bohaterowie? - duże dane - IBM Forum Analityki Biznesowej 2015
Nowi bohaterowie? - duże dane - IBM Forum Analityki Biznesowej 2015
Nowi bohaterowie? - duże dane - IBM Forum Analityki Biznesowej 2015
Nowi bohaterowie? - duże dane - IBM Forum Analityki Biznesowej 2015
Godne uwagi zdarzenia
 @ 1.3% (4 elementy) “Wow, to układanka ze zdjęciem budynku i chyba napisem”
 @ 4% (12 elementów) Pierwsze kawałki obrazka poskładane.
 @ 37% (112 elementów) jeden element dodawany jest co 5.2 sec. Czemu?
 @ 48% (144 elementów) “Cała ramka gotowa, główne części obrazka połączone ze sobą”
 @ 65% (196 elementów) pierwsze elementy nie do końca poprawnie ułożone wykryte i
poprawione.
 @ 75% (224 elementów) “eeee to już jest łatwe.”
Wysiłek obliczeniowy maleje gdy pole obserwacji rośnie
..::[ Dziękuję za Państwa czas! ]::..
piotr.pietrzak@pl.ibm.com
@piotrpietrzak

More Related Content

Similar to Nowi bohaterowie? - duże dane - IBM Forum Analityki Biznesowej 2015

Wykorzystanie danych o użytkowniku do personalizacji procesu zakupowego ::: M...
Wykorzystanie danych o użytkowniku do personalizacji procesu zakupowego ::: M...Wykorzystanie danych o użytkowniku do personalizacji procesu zakupowego ::: M...
Wykorzystanie danych o użytkowniku do personalizacji procesu zakupowego ::: M...Bluerank
 
Rola analityki danych w transformacji cyfrowej firmy - ITFuture'17
Rola analityki danych w transformacji cyfrowej firmy - ITFuture'17Rola analityki danych w transformacji cyfrowej firmy - ITFuture'17
Rola analityki danych w transformacji cyfrowej firmy - ITFuture'17Piotr Czarnas
 
Big Data + Talent Data = HR Superstar
Big Data + Talent Data = HR SuperstarBig Data + Talent Data = HR Superstar
Big Data + Talent Data = HR SuperstarMarcin Sienczyk
 
Afc module 1 pl
Afc module 1 plAfc module 1 pl
Afc module 1 plSoniaNaiba
 
Dlaczego warto się uczyć technologii Big Data - Dzień IT WSInf
Dlaczego warto się uczyć technologii Big Data - Dzień IT WSInfDlaczego warto się uczyć technologii Big Data - Dzień IT WSInf
Dlaczego warto się uczyć technologii Big Data - Dzień IT WSInfTomasz Rostkowski
 
Wyklad inauguracyjny
Wyklad inauguracyjnyWyklad inauguracyjny
Wyklad inauguracyjnyRadoslaw Kita
 
Bartosz Pacuszka Wprowadzenie do Hurtowni Danych i Business Intelligence
Bartosz Pacuszka Wprowadzenie do Hurtowni Danych i Business IntelligenceBartosz Pacuszka Wprowadzenie do Hurtowni Danych i Business Intelligence
Bartosz Pacuszka Wprowadzenie do Hurtowni Danych i Business IntelligenceBartosz Pacuszka
 
MediaMon na Microsoft Technology Summit 2011
MediaMon na Microsoft Technology Summit 2011MediaMon na Microsoft Technology Summit 2011
MediaMon na Microsoft Technology Summit 2011MediaMon.pl
 
Big Data for unstructured data Dariusz Śliwa
Big Data for unstructured data Dariusz ŚliwaBig Data for unstructured data Dariusz Śliwa
Big Data for unstructured data Dariusz ŚliwaEvention
 
Data science warsaw inaugural meetup
Data science warsaw   inaugural meetupData science warsaw   inaugural meetup
Data science warsaw inaugural meetupData Science Warsaw
 
Digital dla HR-owca, czyli o narzędziach ułatwiających pracę, reInventHR #6
Digital dla HR-owca, czyli o narzędziach ułatwiających pracę, reInventHR #6Digital dla HR-owca, czyli o narzędziach ułatwiających pracę, reInventHR #6
Digital dla HR-owca, czyli o narzędziach ułatwiających pracę, reInventHR #6Donata Wiatrowska
 
Big Data w Polsce i za granicą (Big Data in Poland and worldwide)
Big Data w Polsce i za granicą (Big Data in Poland and worldwide)Big Data w Polsce i za granicą (Big Data in Poland and worldwide)
Big Data w Polsce i za granicą (Big Data in Poland and worldwide)Aleksandra Wozniak
 
Zrozumieć wartość optymalizacji infrastruktury dla biznesu
Zrozumieć wartość optymalizacji infrastruktury dla biznesuZrozumieć wartość optymalizacji infrastruktury dla biznesu
Zrozumieć wartość optymalizacji infrastruktury dla biznesuGrzegorz Rudno-Rudzinski
 
Digital Analytics of the Future (Digital Analytics w przyszłości) - Blueffect...
Digital Analytics of the Future (Digital Analytics w przyszłości) - Blueffect...Digital Analytics of the Future (Digital Analytics w przyszłości) - Blueffect...
Digital Analytics of the Future (Digital Analytics w przyszłości) - Blueffect...Bluerank
 
Jak budujemy inteligentnego asystenta biznesowego
Jak budujemy inteligentnego asystenta biznesowegoJak budujemy inteligentnego asystenta biznesowego
Jak budujemy inteligentnego asystenta biznesowego2040.io
 
Ład danych w czasach automatyzacji i robotyzacji
Ład danych w czasach automatyzacji i robotyzacjiŁad danych w czasach automatyzacji i robotyzacji
Ład danych w czasach automatyzacji i robotyzacjiAndrzej Sobczak
 
Prezentacja Diframe
Prezentacja DiframePrezentacja Diframe
Prezentacja DiframeMarcin Mazur
 
KrakSpot #13 Jaromir Działo - Działaj globalnie, czyli Topicmarks w dolinie k...
KrakSpot #13 Jaromir Działo - Działaj globalnie, czyli Topicmarks w dolinie k...KrakSpot #13 Jaromir Działo - Działaj globalnie, czyli Topicmarks w dolinie k...
KrakSpot #13 Jaromir Działo - Działaj globalnie, czyli Topicmarks w dolinie k...Filip Dębowski
 

Similar to Nowi bohaterowie? - duże dane - IBM Forum Analityki Biznesowej 2015 (20)

Wykorzystanie danych o użytkowniku do personalizacji procesu zakupowego ::: M...
Wykorzystanie danych o użytkowniku do personalizacji procesu zakupowego ::: M...Wykorzystanie danych o użytkowniku do personalizacji procesu zakupowego ::: M...
Wykorzystanie danych o użytkowniku do personalizacji procesu zakupowego ::: M...
 
8 jaromir dzialo
8 jaromir dzialo8 jaromir dzialo
8 jaromir dzialo
 
Rola analityki danych w transformacji cyfrowej firmy - ITFuture'17
Rola analityki danych w transformacji cyfrowej firmy - ITFuture'17Rola analityki danych w transformacji cyfrowej firmy - ITFuture'17
Rola analityki danych w transformacji cyfrowej firmy - ITFuture'17
 
Big Data + Talent Data = HR Superstar
Big Data + Talent Data = HR SuperstarBig Data + Talent Data = HR Superstar
Big Data + Talent Data = HR Superstar
 
Afc module 1 pl
Afc module 1 plAfc module 1 pl
Afc module 1 pl
 
Dlaczego warto się uczyć technologii Big Data - Dzień IT WSInf
Dlaczego warto się uczyć technologii Big Data - Dzień IT WSInfDlaczego warto się uczyć technologii Big Data - Dzień IT WSInf
Dlaczego warto się uczyć technologii Big Data - Dzień IT WSInf
 
Wyklad inauguracyjny
Wyklad inauguracyjnyWyklad inauguracyjny
Wyklad inauguracyjny
 
Bartosz Pacuszka Wprowadzenie do Hurtowni Danych i Business Intelligence
Bartosz Pacuszka Wprowadzenie do Hurtowni Danych i Business IntelligenceBartosz Pacuszka Wprowadzenie do Hurtowni Danych i Business Intelligence
Bartosz Pacuszka Wprowadzenie do Hurtowni Danych i Business Intelligence
 
MediaMon na Microsoft Technology Summit 2011
MediaMon na Microsoft Technology Summit 2011MediaMon na Microsoft Technology Summit 2011
MediaMon na Microsoft Technology Summit 2011
 
Big Data for unstructured data Dariusz Śliwa
Big Data for unstructured data Dariusz ŚliwaBig Data for unstructured data Dariusz Śliwa
Big Data for unstructured data Dariusz Śliwa
 
Data science warsaw inaugural meetup
Data science warsaw   inaugural meetupData science warsaw   inaugural meetup
Data science warsaw inaugural meetup
 
Digital dla HR-owca, czyli o narzędziach ułatwiających pracę, reInventHR #6
Digital dla HR-owca, czyli o narzędziach ułatwiających pracę, reInventHR #6Digital dla HR-owca, czyli o narzędziach ułatwiających pracę, reInventHR #6
Digital dla HR-owca, czyli o narzędziach ułatwiających pracę, reInventHR #6
 
Big Data w Polsce i za granicą (Big Data in Poland and worldwide)
Big Data w Polsce i za granicą (Big Data in Poland and worldwide)Big Data w Polsce i za granicą (Big Data in Poland and worldwide)
Big Data w Polsce i za granicą (Big Data in Poland and worldwide)
 
Zrozumieć wartość optymalizacji infrastruktury dla biznesu
Zrozumieć wartość optymalizacji infrastruktury dla biznesuZrozumieć wartość optymalizacji infrastruktury dla biznesu
Zrozumieć wartość optymalizacji infrastruktury dla biznesu
 
Agregacja 17 źródeł danych jak wdrożyć i nie zwariować
Agregacja 17 źródeł danych jak wdrożyć i nie zwariowaćAgregacja 17 źródeł danych jak wdrożyć i nie zwariować
Agregacja 17 źródeł danych jak wdrożyć i nie zwariować
 
Digital Analytics of the Future (Digital Analytics w przyszłości) - Blueffect...
Digital Analytics of the Future (Digital Analytics w przyszłości) - Blueffect...Digital Analytics of the Future (Digital Analytics w przyszłości) - Blueffect...
Digital Analytics of the Future (Digital Analytics w przyszłości) - Blueffect...
 
Jak budujemy inteligentnego asystenta biznesowego
Jak budujemy inteligentnego asystenta biznesowegoJak budujemy inteligentnego asystenta biznesowego
Jak budujemy inteligentnego asystenta biznesowego
 
Ład danych w czasach automatyzacji i robotyzacji
Ład danych w czasach automatyzacji i robotyzacjiŁad danych w czasach automatyzacji i robotyzacji
Ład danych w czasach automatyzacji i robotyzacji
 
Prezentacja Diframe
Prezentacja DiframePrezentacja Diframe
Prezentacja Diframe
 
KrakSpot #13 Jaromir Działo - Działaj globalnie, czyli Topicmarks w dolinie k...
KrakSpot #13 Jaromir Działo - Działaj globalnie, czyli Topicmarks w dolinie k...KrakSpot #13 Jaromir Działo - Działaj globalnie, czyli Topicmarks w dolinie k...
KrakSpot #13 Jaromir Działo - Działaj globalnie, czyli Topicmarks w dolinie k...
 

More from Piotr Pietrzak

[PL] Blockchain w sektorze Energetycznym i Utilities
[PL] Blockchain w sektorze Energetycznym i Utilities[PL] Blockchain w sektorze Energetycznym i Utilities
[PL] Blockchain w sektorze Energetycznym i UtilitiesPiotr Pietrzak
 
[PL] Chmura hybrydowa - w poszukiwaniu zewnętrznych zasobów IT
[PL] Chmura hybrydowa - w poszukiwaniu zewnętrznych zasobów IT[PL] Chmura hybrydowa - w poszukiwaniu zewnętrznych zasobów IT
[PL] Chmura hybrydowa - w poszukiwaniu zewnętrznych zasobów ITPiotr Pietrzak
 
[PL] Internet Rzeczy nową rewolucją przemysłową dla biznesu
[PL] Internet Rzeczy nową rewolucją przemysłową dla biznesu  [PL] Internet Rzeczy nową rewolucją przemysłową dla biznesu
[PL] Internet Rzeczy nową rewolucją przemysłową dla biznesu Piotr Pietrzak
 
[PL] IBM Worklight - budowa aplikacji na platformy mobilne - Infoshare 2013
[PL] IBM Worklight - budowa aplikacji na platformy mobilne - Infoshare 2013[PL] IBM Worklight - budowa aplikacji na platformy mobilne - Infoshare 2013
[PL] IBM Worklight - budowa aplikacji na platformy mobilne - Infoshare 2013Piotr Pietrzak
 
Future of Retail Shopping
Future of Retail ShoppingFuture of Retail Shopping
Future of Retail ShoppingPiotr Pietrzak
 
Tapping Current IT Trends to Boost Company Performance
Tapping Current IT Trends to Boost Company PerformanceTapping Current IT Trends to Boost Company Performance
Tapping Current IT Trends to Boost Company PerformancePiotr Pietrzak
 
IBM SmartCloud Enterprise - A Secure Infrastructure for Test and Development
IBM SmartCloud Enterprise - A Secure Infrastructure for Test and DevelopmentIBM SmartCloud Enterprise - A Secure Infrastructure for Test and Development
IBM SmartCloud Enterprise - A Secure Infrastructure for Test and DevelopmentPiotr Pietrzak
 
Jak IBM buduje rozwiązania Cloud Computing?
Jak IBM buduje rozwiązania  Cloud Computing?Jak IBM buduje rozwiązania  Cloud Computing?
Jak IBM buduje rozwiązania Cloud Computing?Piotr Pietrzak
 

More from Piotr Pietrzak (8)

[PL] Blockchain w sektorze Energetycznym i Utilities
[PL] Blockchain w sektorze Energetycznym i Utilities[PL] Blockchain w sektorze Energetycznym i Utilities
[PL] Blockchain w sektorze Energetycznym i Utilities
 
[PL] Chmura hybrydowa - w poszukiwaniu zewnętrznych zasobów IT
[PL] Chmura hybrydowa - w poszukiwaniu zewnętrznych zasobów IT[PL] Chmura hybrydowa - w poszukiwaniu zewnętrznych zasobów IT
[PL] Chmura hybrydowa - w poszukiwaniu zewnętrznych zasobów IT
 
[PL] Internet Rzeczy nową rewolucją przemysłową dla biznesu
[PL] Internet Rzeczy nową rewolucją przemysłową dla biznesu  [PL] Internet Rzeczy nową rewolucją przemysłową dla biznesu
[PL] Internet Rzeczy nową rewolucją przemysłową dla biznesu
 
[PL] IBM Worklight - budowa aplikacji na platformy mobilne - Infoshare 2013
[PL] IBM Worklight - budowa aplikacji na platformy mobilne - Infoshare 2013[PL] IBM Worklight - budowa aplikacji na platformy mobilne - Infoshare 2013
[PL] IBM Worklight - budowa aplikacji na platformy mobilne - Infoshare 2013
 
Future of Retail Shopping
Future of Retail ShoppingFuture of Retail Shopping
Future of Retail Shopping
 
Tapping Current IT Trends to Boost Company Performance
Tapping Current IT Trends to Boost Company PerformanceTapping Current IT Trends to Boost Company Performance
Tapping Current IT Trends to Boost Company Performance
 
IBM SmartCloud Enterprise - A Secure Infrastructure for Test and Development
IBM SmartCloud Enterprise - A Secure Infrastructure for Test and DevelopmentIBM SmartCloud Enterprise - A Secure Infrastructure for Test and Development
IBM SmartCloud Enterprise - A Secure Infrastructure for Test and Development
 
Jak IBM buduje rozwiązania Cloud Computing?
Jak IBM buduje rozwiązania  Cloud Computing?Jak IBM buduje rozwiązania  Cloud Computing?
Jak IBM buduje rozwiązania Cloud Computing?
 

Nowi bohaterowie? - duże dane - IBM Forum Analityki Biznesowej 2015

  • 1. @piotrpietrzak (CTO, IBM PAB) Nowi bohaterowie? - duże dane i ich analiza
  • 3. … i co z tego? Dane strukturalne Treści niestrukturalne 85%
  • 4. Mity na temat Big Data • W Big Data najważniejsza jest technologia • Big Data to projekt informatyczny • Big Data wymaga matematyków i statystyków • Trzeba zbierać jak najwięcej danych • Bez Big Data nie będziesz konkurencyjny • Big Data to informacje nieustrukturyzowane • Czy więcej danych tym lepsze analizy • Dajmy ludziom więcej danych i będzie dobrze
  • 6. Dane są podstawą wartością do budowy przewagi konkurencyjnej Sprzedaż Bankowość Zasoby naturalne Opieka zdrowotna
  • 7. Analityka Big Data Szukaj, wizualizuj i zrozum dane w celu poprawy procesów decyzyjnych. Wzbogacony obraz klienta 360o Połącz wewnętrzne i zewnętrzne źródła informacji aby wiedzieć jak najwięcej o kliencie, real-time. Internet rzeczy Analizuj dane pozyskiwane z maszyn Modernizacja hurtowni danych Modernizuje hurtownię danych: in- memory, przetwarzanie ciągłe, hadoop, appliances pamiętając o zaufaniu do danych Bezpieczeństwo Identyfikuj w czasie rzeczywistym nadużycia i zagrożenia oraz cyber ataki
  • 8. Gdzie Big Data w organizacji CEO CMO CFO CIO CDO CRO
  • 9. Gdzie Big Data w organizacji CEO CMO CDO CFO CIO CRO
  • 10. Gdzie Big Data w organizacji CEO CMO CFO CDO CIO CRO
  • 11. Gdzie Big Data w organizacji CEO CMO CFO CIO CRO CDO
  • 12. Kto zarządza Big Data w organizacji
  • 13. Analityka treści Analizowana treść (i dane) Jan skręcił kostkę na schodach... Źródło informacji Wewnętrzne (ECM, Pliki, DBMS, etc.) Zewnętrzne (Social, News, etc.) Rzecz. Czasow. Rzeczownik Określenie Osoba Krzywda Część ciała Lokalizacja Przypadek: Uszkodzenie ciała Ekstrakcja
  • 14. Analiza treści call center Customer Service Representative – ocena Detekcja ciszy Detekcja nakładającej się rozmowy Monitorowanie i raportowanie jakości Analityka treści Call Center
  • 15. Analiza treści call center Raportowanie wyników w oparciu o dane strulturalne i niestrukturalne Raaportowanie geomarketingowe
  • 16. Głos, SMS Gazety Radio Email Social Media TV/Smart TV Artykuły, blogi, fora dyskusyjne IBM IBM Content Analytics „Hurtownia danych niestrukturalnych” Zunifikowany wgląd Kompletność widoku GEO Źródła informacji Przykładowe zapytanie: Pokaż wszystkie osoby, które wspomniały o bombie w rozmowie telefonicznej w ostatnim tygodniu, są aktywne w społeczności XYZ, zmieniły status w Facebook’u i przygotowują się do wyjazdu z kraju. •Voice-To-Text •Analityka Social Media •Monitorowanie: - wiadomości - forum dyskusyjnych Analityka treści a wykrywanie nadużyć i zagrożeń
  • 18. Kontekst Lepsze rozumienie czegoś przez branie pod uwagę dodatkowych okoliczności i zdarzeń
  • 19. Akumulacja kontekstu i dopasowanie elementów Przyrostowy proces integracji nowych i wcześniejszych obserwacji marek@me.com VIP Klient Twitterowy obserwator Złodziej tożsamości Defraudacja [Szerszy obrazek] marek@me.com
  • 20. Analityka “kanałowa” (STARE) Strefa obserwacji Analiza danych strukturalnych Analiza źródeł nie strukturalnych Analiza kanałów social, media, retail Klient (Analityk, system, sensor itd.)
  • 21. Analiza akumulacyjna (NOWE PODEJŚCIE) Strefa obserwacji Zbudowanie obrazka Akumulacja informacji Trafność informacji Klient (Analityk, system, sensor itd.)
  • 28. Godne uwagi zdarzenia  @ 1.3% (4 elementy) “Wow, to układanka ze zdjęciem budynku i chyba napisem”  @ 4% (12 elementów) Pierwsze kawałki obrazka poskładane.  @ 37% (112 elementów) jeden element dodawany jest co 5.2 sec. Czemu?  @ 48% (144 elementów) “Cała ramka gotowa, główne części obrazka połączone ze sobą”  @ 65% (196 elementów) pierwsze elementy nie do końca poprawnie ułożone wykryte i poprawione.  @ 75% (224 elementów) “eeee to już jest łatwe.”
  • 29. Wysiłek obliczeniowy maleje gdy pole obserwacji rośnie
  • 30. ..::[ Dziękuję za Państwa czas! ]::.. piotr.pietrzak@pl.ibm.com @piotrpietrzak