Sebastian Raschka

O Sebastianovi Raschkovi

Sebastian Raschka je Staff Research Engineer ve firme Lightning AI a jednim z nejvlivnejsich edukatoru v komunite strojoveho uceni. Je autorem nekolika siroke pouzivanych ucebnic, vcetne Build a Large Language Model from Scratch a Build a Reasoning Model from Scratch -- knih, ktere ztelesuji filozofii, ze nejlepsi zpusob, jak porozumet AI, je implementovat ji sami.

Drive pusobil jako Assistant Professor of Statistics na University of Wisconsin-Madison (2018-2023), Raschka opustil akademii, aby se naplno venoval vyzkumu a vyvoji LLM ve firme Lightning AI. Jeho prace premostuje mezeru mezi spickovym vyzkumem a praktickou implementaci a zpristupnuje slozita temata prostrednictvim vysvetleni rizenych kodem.

Jeho newsletter Ahead of AI a vzdelavaci kurzy na YouTube z nej udelaly klicovy zdroj pro praktiky, kteri chteji pochopit, jak LLM skutecne funguji na urovni implementace.

Karierni milniky

• Staff Research Engineer ve firme Lightning AI (2022-soucasnost)
• Drive Assistant Professor of Statistics, University of Wisconsin-Madison (2018-2023)
• Autor knihy Build a Large Language Model from Scratch (bestseller)
• Autor knihy Build a Reasoning Model from Scratch
• Autor knihy Machine Learning with PyTorch and Scikit-Learn
• Tvurce newsletteru Ahead of AI a vzdelavacich kurzu
• 10+ let zkusenosti ve vyzkumu a inzenyrstvi AI

Vyznamne postoje

O konkurenci v AI v roce 2026

Raschka argumentuje proti narativu vitez-bere-vse v AI a zduraznuje, ze napady jiz nejsou proprietarni, protoze vyzkumnici se pohybuji mezi firmami a laboratoremi. Skutecnou konkurencni vyhodou je rozpocet na vypocetni vykon a pristup k hardwaru, nikoli tajne techniky.

O vyzve rozhrani pro agenty

Nastinil zakladni problem specifikace pro autonomni agenty: i kdyz LLM muze provest ukoly, jak uzivatele sdeluji slozite cile v nestrukturovanych prostredich? Kodovani funguje, protoze prostredi je dobre definovane, ale univerzalni agenti celi mnohem tezsimu problemu navrhu rozhrani.

O pouzivani AI nastroju

Popisuje pragmaticky pristup s vice modely: rychly rezim ChatGPT pro rychle vyhledavani, Pro rezim pro dustkladnou kontrolu dokumentu a Gemini pro ukoly s dlouhym kontextem, jako je hledani jehly v rozsahlych dokumentech. Pro kodovani pouziva plugin Codex pro VS Code a zaroven si zachovava kontrolu nad procesem.

Klicove citaty

• "I don't think nowadays in 2026 that there will be any company who has access to a technology that no other company has access to. Researchers are frequently changing jobs, changing labs, they rotate." (Nemyslim si, ze v roce 2026 bude existovat firma, ktera by mela pristup k technologii, ke ktere by nemela pristup zadna jina firma. Vyzkumnici casto meni prace, meni laboratore, rotuji.) -- o konkurenci v AI
• "The problem is for arbitrary tasks, you still have to specify what you want your LLM to do. What is the environment? How do you specify?" (Problem je, ze pro libovolne ukoly stale musite specifikovat, co chcete, aby vas LLM delal. Jake je prostredi? Jak to specifikujete?) -- o agentech
• "I use it until it breaks and then I explore other options." (Pouzivam to, dokud to neprestane fungovat, a pak zkousim jine moznosti.) -- o prepinani modelu

Souvisejici cteni

• Scaling Laws - Ustredni tema v jeho analyze pokroku AI
• AI Agents - Diskutuje vyzvu specifikace
• Pre-training - Vysvetluje pokracujici dulezitost vypocetniho vykonu pro pre-training