Daniel Wlazło¶

Manažer datové vědy v Allegro Pay — důvěryhodné strojové učení v úvěrovém riziku. Varšava.

from datadeer import Daniel

d = Daniel(role="Manažer datové vědy", org="Allegro Pay", city="Varšava")
d.focus     # ["aplikační skóring", "férovost", "kalibrace", "vysvětlitelnost"]
d.thesis    # "diskriminační nejistota" (SGH, rozpracováno)

O mně¶

Jsem manažerem týmu Data Science v oblasti úvěrového rizika v Allegro Pay, kde vedu modelovací práce pro jednu z největších spotřebitelských finančních platforem ve střední Evropě. Soustředím se hlavně na aplikační skóring — modely PD pro individuální klienty — a čím dál častěji na to, jak vypadá důvěryhodné strojové učení v regulovaném prostředí: férovost, kalibrace, vysvětlitelnost.

V úvěrovém riziku a datové vědě pracuji téměř deset let, mimo jiné v Allegro Pay, Hexaware (pro AXA), PKO Banku Polskim a ING Bank Śląski. Předtím jsem byl inženýrem robotiky v Samsungu a konstruktérem bezpilotních letounů v Aviation Technik. Robotika byla mým výchozím bodem — dodnes určuje, jak přemýšlím o strojovém učení: jako o systému, který lze popsat, ladit a zatížit.

Mimo práci se učím česky, sleduji Formuli 1 a věnuji se robotice.

Výuka¶

Výukové materiály: github.com/wlazlod/didactics

Conformal Prediction in Credit Risk — Výzkumný workshop¶

Varšavská technická univerzita ve spolupráci s Allegro Pay

Firemně vedený projekt v rámci kurzu Výzkumný workshop na Fakultě matematiky a informačních věd VTU. Každý rok přispívají tři firmy jedním projektem a vedou studentský tým jeho realizací; náš se týká uplatnění konformní predikce v úvěrovém skóringu. Zadání jsem spolupřipravil a vedu tým.

Startovací repozitář · Výukové materiály

Akademická práce¶

Disertační práce — Důvěryhodné úvěrové riziko v rámci AI Act¶

Varšavská ekonomická škola (SGH) rozpracováno plánované odevzdání 2029

Práce pod vedením prof. Anety Ptak‑Chmielewské. Disertace rozvíjí integrovanou metodiku spojující algoritmickou férovost, kvantifikaci nejistoty a interpretovatelnost a je vystavěna kolem konceptu, který nazývám diskriminační nejistota — myšlenky, že model může diskriminovat nejen svým rozhodnutím, ale i tím, jak je si v něm jistý.

Open source¶

treecf¶

python jádro v rustu pre-release v0.1 MIT

Kontrfaktická vysvětlení pro stromové ansámbly (XGBoost, LightGBM, CatBoost, sklearn) s omezeními a znalostí rozhodovacích prahů: minimální proveditelná změna, která přesune zamítnutou žádost pod hranici schválení. Plány respektují deklarativní omezení reálného světa, pracují s chybějícími hodnotami jako s plnohodnotnými a každá odpověď je před vrácením ověřena proti modelu. Vyhledávání běží na enginu v Rustu přibaleném v balíčku — milisekundy na žádost, celá portfolia v jednom paralelním volání.

Dokumentace · GitHub

concept-graph-xai¶

python alpha v0.2 MIT

Knihovna, která mapuje surové vstupy tabulárního modelu na koncepty obchodní úrovně a vizualizuje, kolik z každého konceptu model skutečně využívá. Obsahuje ablaci na úrovni konceptů (permutace, SHAP‑marginal, přetrénování), diagnostiku chybějících hodnot a překryvy regulačních značek.

Dokumentace · GitHub

swift¶

python MIT

SHAP‑Weighted Impact Feature Testing — nástroj pro monitoring ML systémů. Váží drift vstupních proměnných dopadem odvozeným ze SHAP, takže obdržené alerty se týkají jen těch proměnných, které skutečně mění výstup modelu.

Dokumentace · GitHub

triadxai¶

python v0.1 Apache-2.0

TRIAD — tříkanálová dekompozice predikcí modelu pro vysvětlitelnost v kreditním riziku. Příspěvek každé proměnné se rozděluje na kanály informace, hustoty (epistemický) a chybějících hodnot, které se přesně sčítají zpět na skóre modelu — odděluje tak „zamítnuto kvůli špatným informacím“ od „zamítnuto kvůli chybějícím informacím“. Přesná pro aditivní modely, pro black‑box GBM založená na SHAP.

Dokumentace · GitHub

flaggam¶

python Apache-2.0

Interpretovatelné zobecněné aditivní modely postavené z jednorozměrných flagů. Screeningový průchod najde prahy a kategorie, u nichž se rozdělení proměnné výrazně mění vůči cílové proměnné; každý řez se stane binárním pravidlem a lineární hlava nad nimi poskytuje přesnou extrakci pravidel a atribuci na úrovni proměnných. Estimátory kompatibilní se scikit‑learn.

Dokumentace · GitHub

Konferenční přednášky¶

Slidy a materiály: github.com/wlazlod/conference-talks

• The Scorecard Illusion: Why SHAP values are not points (and how they can fool you) — Data Science Summit, AI Edition 2026, Varšava.
  Proč se hodnota SHAP chová jako příspěvek, nikoli souřadnice — a jak její čtení jako bodu klame při interpretaci skóringu. Slidy (PDF) · poznámka.
• Curing Semantic Debt: Practical Applications of Knowledge Graphs in ML — GHOST Day 2026, Poznaň, s Kamilem Golisem.
  Jak znalostní grafy splácejí sémantický dluh, který se hromadí v ML pipelinách — praktický, aplikační průřez.
• Poza Feature Store: jak Ontologie Semantyczne mogą przyspieszyć rozwój modeli ML — Data Science Summit 2025, Varšava.
  Jak sémantické ontologie mohou posunout vývoj ML modelů za feature store a dát modelům sdílený, znovupoužitelný slovník pojmů.

Poznámky¶

• 2026 Diskriminační nejistota (EN)
  Model může diskriminovat nejen svým rozhodnutím, ale i tím, jak je si v něm jistý.
• 2026 Proč hodnoty SHAP nejsou body (EN)
  Vodopádový graf SHAP vypadá jako skórovací karta. Čtený tímto způsobem dává sebejisté, ale chybné rady.

Jinde¶