Daniel Wlazło¶

Manager Data Science w Allegro Pay — godne zaufania uczenie maszynowe w ryzyku kredytowym. Warszawa.

from datadeer import Daniel

d = Daniel(role="Manager Data Science", org="Allegro Pay", city="Warszawa")
d.focus     # ["scoring aplikacyjny", "bezstronność", "kalibracja", "wyjaśnialność"]
d.thesis    # "dyskryminująca niepewność" (SGH, w trakcie)

O mnie¶

Jestem managerem zespołu Data Science w obszarze ryzyka kredytowego w Allegro Pay, gdzie prowadzę prace modelarskie dla jednej z największych konsumenckich platform finansowych w Europie Środkowej. Skupiam się głównie na scoringu aplikacyjnym — modelach PD dla klienta indywidualnego — oraz, coraz częściej, na tym, jak w regulowanym otoczeniu wygląda godne zaufania uczenie maszynowe: bezstronność, kalibracja, wyjaśnialność.

W ryzyku kredytowym i data science pracuję od prawie dekady — m.in. w Allegro Pay, Hexaware (dla AXA), PKO Banku Polskim oraz ING Banku Śląskim. Wcześniej byłem inżynierem robotyki w Samsungu i konstruktorem bezzałogowych statków powietrznych w Aviation Technik. Robotyka była moim punktem startowym — nadal kształtuje sposób, w jaki myślę o uczeniu maszynowym: jako o systemie, który da się opisać, debugować i obciążyć.

Poza pracą uczę się czeskiego, kibicuję Formule 1 i wciąż majsterkuję przy robotach.

Dydaktyka¶

Materiały dydaktyczne: github.com/wlazlod/didactics

Conformal Prediction in Credit Risk — Warsztaty Badawcze¶

Politechnika Warszawska we współpracy z Allegro Pay

Projekt mentorowany przez firmę w ramach kursu Warsztaty Badawcze na Wydziale Matematyki i Nauk Informacyjnych PW. Każdego roku trzy firmy dostarczają po jednym projekcie i prowadzą zespół studencki przez jego realizację; nasz dotyczy zastosowania predykcji konformalnej w scoringu kredytowym. Współprzygotowałem zadanie i prowadzę zespół.

Repozytorium startowe · Materiały dydaktyczne

Praca naukowa¶

Rozprawa doktorska — Godne zaufania ryzyko kredytowe w ramach AI Act¶

Szkoła Główna Handlowa (SGH) w trakcie planowane złożenie 2029

Praca pod opieką dr hab. Anety Ptak‑Chmielewskiej, prof. SGH. Rozprawa rozwija zintegrowaną metodykę łączącą algorytmiczną bezstronność, kwantyfikację niepewności i interpretowalność, osnutą wokół koncepcji dyskryminującej niepewności — idei, że model może dyskryminować nie tylko poprzez swoje decyzje, ale także poprzez to, jak bardzo jest ich pewien.

Open source¶

treecf¶

python rdzeń w rust pre-release v0.1 MIT

Wyjaśnienia kontrfaktyczne dla zespołów drzew (XGBoost, LightGBM, CatBoost, sklearn), świadome ograniczeń i progów decyzyjnych: minimalna, wykonalna zmiana, która przenosi odrzucony wniosek poniżej punktu odcięcia. Plany respektują deklaratywne ograniczenia świata rzeczywistego, traktują braki danych jako pełnoprawne wartości, a każda odpowiedź jest weryfikowana względem modelu przed zwróceniem. Wyszukiwanie działa na silniku w Rust dołączonym do pakietu — milisekundy na wniosek, całe portfele w jednym równoległym wywołaniu.

Dokumentacja · GitHub

concept-graph-xai¶

python alpha v0.2 MIT

Biblioteka, która przyporządkowuje surowe cechy modelu tabelarycznego do koncepcji biznesowych i wizualizuje, ile z każdej koncepcji model rzeczywiście wykorzystuje. Zawiera ablację na poziomie koncepcji (permutacja, SHAP‑marginal, retrening), diagnostykę braków danych oraz nakładki znaczników regulacyjnych.

Dokumentacja · GitHub

swift¶

python MIT

SHAP‑Weighted Impact Feature Testing — narzędzie do monitorowania systemów ML. Waży dryf cech wpływem wyznaczonym przez SHAP, dzięki czemu otrzymywane alerty dotyczą tych cech, które faktycznie zmieniają wyjście modelu.

Dokumentacja · GitHub

triadxai¶

python v0.1 Apache-2.0

TRIAD — trójkanałowa dekompozycja predykcji modelu na potrzeby wyjaśnialności w ryzyku kredytowym. Wkład każdej cechy jest rozdzielany na kanały informacji, gęstości (epistemiczny) i braków danych, które sumują się dokładnie do wyniku modelu — oddziela to „odmowę z powodu złych informacji” od „odmowy z powodu braku informacji”. Dokładna dla modeli addytywnych, oparta na SHAP dla czarnoskrzynkowych GBM.

Dokumentacja · GitHub

flaggam¶

python Apache-2.0

Interpretowalne uogólnione modele addytywne budowane z jednowymiarowych flag. Etap przesiewania znajduje progi i kategorie, przy których rozkład cechy wyraźnie zmienia się względem zmiennej objaśnianej; każde cięcie staje się binarną regułą, a dopasowana na nich część liniowa daje dokładną ekstrakcję reguł i atrybucję na poziomie cech. Estymatory zgodne ze scikit‑learn.

Dokumentacja · GitHub

Wystąpienia konferencyjne¶

Slajdy i materiały: 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, Warszawa.
  Dlaczego wartość SHAP zachowuje się jak wkład, a nie współrzędna — i jak odczytywanie jej jako punktu wprowadza w błąd przy interpretacji scoringu. Slajdy (PDF) · notatka.
• Curing Semantic Debt: Practical Applications of Knowledge Graphs in ML — GHOST Day 2026, Poznań, z Kamilem Golisem.
  Jak grafy wiedzy spłacają dług semantyczny narastający w potokach ML — praktyczny, wdrożeniowy przegląd zastosowań.
• Poza Feature Store: jak Ontologie Semantyczne mogą przyspieszyć rozwój modeli ML — Data Science Summit 2025, Warszawa.
  Jak ontologie semantyczne mogą wyprowadzić rozwój modeli ML poza feature store, dając modelom wspólny, wielokrotnego użytku słownik pojęć.

Notatki¶

• 2026 Dyskryminująca niepewność (EN)
  Model może dyskryminować nie tylko poprzez swoje decyzje, ale poprzez to, jak bardzo jest ich pewien.
• 2026 Dlaczego wartości SHAP nie są punktami (EN)
  Wykres SHAP wygląda jak karta scoringowa. Czytany w ten sposób podsuwa rady pewne siebie — i błędne.

Gdzie indziej¶