Mara Cairo, Produkt ejer af Advanced Technology hos Amii – Interview Serie

Mara Cairo er passioneret om at bruge AI til godt. Hun har en bachelor i elektroteknik fra University of Alberta og har P.Eng. og PMP-uddannelser. Før hun kom til Amii, arbejdede hun i hardwareudviklingsbranchen, hvor hun hjalp kunder med at få deres produkter på markedet, med fokus på mikro- og nanofabrikation.

Som Produkt ejer af Advanced Technology hos Amii, leder Mara et teknisk team, der hjælper industripartnerne med at bygge maskinlæringskapacitet inden for deres organisation ved at give vejledning og ekspertise til at udvikle prædictive modeller. Hendes team arbejder med kunder, der er dedikeret til at fremme udviklingen af AI ved at anvende maskinlæring på deres mest udfordrende forretningsproblemer.

Amii (Alberta Machine Intelligence Institute) er et af Canadas førende centre for AI, og de samarbejder med virksomheder af alle størrelser og brancher for at drive innovationsstrategi og give praktisk vejledning og rådgivning, virksomhedstræning og rekrutteringstjenester.

Vi satte os ned til et interview ved den årlige 2023 Upper Bound-konference om AI, der afholdes i Edmonton, AB, og arrangeres af Amii.

Hvad var det, der oprindeligt tiltrak dig til elektroteknik?

Da jeg var barn, kunne jeg virkelig godt lide at bygge ting. Min mor ville bringe en ventilator hjem, når det var varmt om sommeren, og jeg ville bygge den. Jeg husker, da jeg var teenager, havde jeg en mobiltelefon, en af de gamle Nokia-telefoner, som man kunne tage fra hinanden, og jeg ville tage den fra hinanden og sætte juveler på indersiden og antennen. Men da jeg åbnede den, var det som: “Guud, hvad er der her?” Det var virkelig interessant for mig.

Jeg var altid god til matematik. Så, når man kombinerer alle disse ting, var mine forældre også meget proaktive i at støtte mine interesser.

Dine forældre lød meget proaktive i at støtte dine interesser.

Ja. Min far især. Han siger, at han så det i mig fra en ung alder og altid fik mig til at gå i den retning. Jeg var til et Women in AI-arrangement i går aftes, og vi talte om at fjerne nogle barrierer og gøre feltet mere tilgængeligt for kvinder. Og jeg så ikke det som en barriere, fordi mine forældre var som: “Dette er, hvad du skal gøre. Det er ikke et spørgsmål om dit køn eller noget. Det er bare en færdighed, du har. Du skal følge det og udvikle det.” Jeg følte aldrig, at det ikke var noget for mig, hvilket hjalp selvfølgelig.

Før du kom til Amii, arbejdede du i hardwareudviklingsbranchen med fokus på mikro- og nanofabrikation. Kan du definere disse begreber?

Bestemt. I elektroteknik tog jeg nanoingeniør-specialiseringen. Det var specialiseringen omkring design og fremstilling på mikro- og nanoskala. Når vi taler om en nanometer, taler vi om en millimeter divideret med en million, der er en nanometer. En meget, meget lille skala. Og det er fedt. Disse ting er så små, at man ikke kan se dem med det blotte øje. Men jeg kunne tage denne specialisering for at lære, hvordan man designer og fremstiller på den skala.

Vi lever i en meget forbundet verden. Der er elektronik overalt omkring os, og vi må kunne designe elektronik til paknings- og pladsbegrænsninger. Vi prøver konstant at gøre ting mindre og mindre. Du tager noget stort, en prototype, og du må kunne gøre den reproducerbar og skalerbar. Nanofabrikation handler virkelig om de værktøjer og teknikker, man bruger til at designe og fremstille på den niveau.

Dette handler om at fremstille mikrochips til at forbinde to forskellige chips elektrisk til den endelige pakning. At gøre alt dette på mikroskala kræver en anden teknik end bygning på vores menneskeskala. Mikro- og nanofabrikation handler om de kemiske processer, man bruger, og de elektriske processer, pakningen, man skal sikre, er hermetisk lukket og beskyttet mod miljøet.

Uden for mikrochips, hvad ville være et andet eksempel på en anvendelse eller brugstilfælde?

Vi arbejdede på mange projekter som fiberoptik. Igen, det kommer alt sammen til en eller anden form for procesenhed, der tager imod signaler eller genererer signaler. Vi arbejdede i telekommunikationsbranchen, optik, kameraer, alt det der. Men hjernen bag det er generelt en eller anden form for mikrochip i midten. Men der er også sensorer, der føder deres signaler ind i hvilken procesenhed, man bruger. Så diverse fremstillingsmetoder til at bygge hvilken som helst sensor eller indgangs-/udgangsenhed, vi har brug for.

Hvad er nogle af udfordringerne ved at arbejde på denne type nanoskala?

En enkelt støvpartikel kan ødelægge hele din dag. Tingene, du arbejder med, er på samme størrelse som støvet i luften. Så du fabrikerer i et rent rum. Rent rummet er virkelig et miljø, der beskytter, hvad du arbejder med, mod dig som menneske, fordi vi er meget “beskidte” mennesker, vi er konstant påvirkede af partikler, vores tøj er partikler, makeuppen, vi har på, gør luften beskidt. Vi må eliminere så meget af det som muligt, så tingene, vi bygger, er klare og rene for den slags forurening.

En anden udfordring, der er gode måder at bygge disse rene rum på, og der er en hel videnskab bag det, men en anden udfordring er at tage det ud af laboratoriet, fordi tingene til sidst skal bruges i vores meget “beskidte” verden. Det er, når pakningen bliver vigtig. Vi skal stadig kunne få adgang til disse enheder, men vi må gøre det på en måde, så vi ikke forurener miljøet, pakningen. Så hermetisk lukke ting, sikre, at de er helt lukket, intet kommer ind eller ud. Det er en anden sæt udfordringer, jeg så.

Igen, fra fremstilling til at tage det til dens endelige destination, er det meget specielle overvejelser og miljømæssige bekymringer, når man arbejder med så små ting. Ting opfører sig ikke altid, som man forventer, på den skala. I vores fysiske verden forventer vi, at ting fungerer på en bestemt måde, men når man kommer ned på mikro- og nanoskalaen, bliver den fysiske verden lidt anderledes, og man kan ikke altid forudsige resultaterne. Det er et helt andet studieområde.

Hvad ville være nogle eksempler på, at ting er anderledes end den normale fysiske verden?

At sende strøm gennem en ledning. Vi har vores opladere og vores telefoner, og vi sender strøm gennem dem. Når man sender strøm gennem en ledning, der er størrelsen på et hår, er der åbenbart varmeovervejelser, og ting begynder at opføre sig anderledes, fordi, igen, rummet og størrelsesbegrænsningerne.

Hvad er din nuværende rolle hos Amii, og hvordan hjælper dit team industripartnerne?

Min nuværende rolle hos Amii er meget forskellig fra verden af mikro- og nanoteknologi.

Jeg er Produkt ejer af Advanced Technology-holdet hos Amii. Jeg leder et hold af primært maskinlæringsforskere og projektledere, der alle arbejder med vores forskellige industripartner for at løse deres forretningsproblemer gennem anvendelsen af maskinlæring.

Vi er meget industriorienterede, alt om at brobygge mellem, hvad der sker i akademien, alle de rigtig gode gennembrud med maskinlæring og AI, men anvende dem på vores industriparters største behov. Vi responderer på disse behov ved at hjælpe vores kunder med at finde de færdigheder og ekspertise, de har brug for for at kunne flytte arbejdet fremad.

Vi kører vores praktik- og residensprogram gennem Advanced Technology-holdet. Så jeg hyrer meget. Rekruttering er ikke min baggrund, men det er noget, jeg gør meget nu. Og det handler om at matche, finde den rigtige maskinlæringskompetence til at placere på vores kunders projekt. Vi hyrer disse folk som Amii-ansatte for en fast periode og giver dem meget støtte og vejledning, men virkelig, de er dedikeret til at arbejde på kundens projekt og flytte det fremad. Det er en måde for vores kunder at få adgang til talent uden at skulle gøre rekrutteringen selv. Amii har nogen ret god brandgenkendelse, vi er i stand til at bringe rigtig godt talent ind og så placere dem på disse industriprojekter.

En potentiel fordel ved systemet er, at kunden har mulighed for at hyre disse folk efter, at perioden hos os er slut. Vi vil gerne have, at talentet bliver her. Vi vil ikke have hjernedrain. Vi giver kunden en lille føring, så de kan prøve talentet af, prøve projektet, få en fornemmelse af, hvad maskinlæring virkelig er, hvad vi har brug for for at gøre det succesfuldt, og så idealt placerer talentet inden for disse virksomheder på længere sigt, så disse virksomheder virkelig bliver AI-virksomheder og kan flytte deres egne initiativer fremad i fremtiden.

Hvor lang er den periode, de normalt tilmelder sig?

Generelt fire til tolv måneder.

Det er noget, vi finder ud af i begyndelsen, afhængigt af projektets kompleksitet og hvor mange problemer, vi prøver at løse. Vi finder, at jo længere, jo bedre. Maskinlæringsprojekter, der skal gøres på fire måneder, kan være udfordrende. Der er meget mere i det end bare at bygge maskinlæringsmodeller. Det er meget afhængigt af de data, der indsamles fra kunden, der overføres til os, og som hjælper os med at bygge modellerne. Jo længere, vi har, jo bedre er det til at iterere og cykle gennem alle mulighederne.

Arbejdet er eksperimenterende og udviklende i naturen. Amii er et forskningsinstitut; vi kan ikke altid garantere udfaldet. En længere tidshorisont giver os mere tid til at gøre dette forskning og sikre, at vi har udnyttet alle vores muligheder og forfulgt så mange ting som muligt, fordi det er svært for os at sige: “Dette er metoden, der vil fungere bedst.” Man må prøve det og se.

Hvad er nogle eksempler på udfordrende forretningsproblemer, dit team har arbejdet på med disse virksomheder?

Jeg antydede det, bestemt dataforberedelse er en stor udfordring. Den løbende industrielle opfattelse af dataforberedelse er forskellig fra, hvad en maskinlæringsforsker ville mene, er klar til en maskinlæringsmodel. Og adgang. Hvordan let er det for kunden at overføre dataene til os på en måde, der er konsumabel for vores ML-modeller. Det er derfor, vi kan lide længere projekter, fordi det giver vores team tid til at arbejde med vores kunder gennem disse dataforberedelsesudfordringer og sætte dem op til succes.

Skrald ind er skrald ud, hvis du giver os skrald-data, vil vi oprette en skrald-model. Vi har virkelig brug for kvalitetsdata. Og der er en lille læringssvigt for kunder. Industriens opfattelse, igen, af, hvad kvalitetsdata er, hvilke eksempler, vi har brug for for at kunne forudsige ting i fremtiden. Det er bare en litterær sag, sikre, at vi taler det samme sprog, de forstår begrænsningerne baseret på, hvilke data, de har adgang til, når de forstår, hvad der vil sætte os op til succes.

Man har brug for eksempler på, hvad man prøver at forudsige i sin dataset. Hvis en begivenhed er meget sjælden, vil det være svært for os at forudsige, at den sker. Vi kunne oprette en meget præcis model af noget, der kun er 99% præcis, fordi det aldrig forudsiger de 1%, der sker. Igen, bare sikre, at kunden forstår, hvad vi har brug for for at oprette præcise modeller.

Vi har set, selv tilsyneladende simple problemer kan være meget komplekse, afhængigt af deres dataset. Ved udgangspunktet, havde vi en initial opdagelsessamtale med en kunde, og vi måtte forudse den tid, vi ville have brug for. Men nogle gange, når vi begynder at afpille lagene af løget, realiserer vi, nej, dette er meget mere komplekst, end vi troede, på grund af disse datakompleksiteter.

Andre udfordringer, mangel på engagement fra fagfolk, der er nødvendige. Når vi samarbejder med vores industripartner, har vi virkelig brug for, at de fortsætter med at komme til bordet, fordi de er domæneeksperterne og ofte også dataeksperterne. Vi er ikke som en udviklingsbutik, hvor vi kan tage dataene, bygge modellen og overføre den til dem til sidst. Det er meget samarbejdende. Og jo mere, vores industripartner putter ind, jo mere vil de få ud af det, fordi de vil kunne vejlede os i den rette retning, sikre, at forudsigelserne, vi laver, har mening for dem fra et forretningsperspektiv, at vi målretter de rigtige nøgleperformanceindikatorer, vi forstår, hvad succes er for dem.

Vi har brug for et tværfagligt hold omkring os for at støtte projekterne, og det kræver mere end bare en maskinlæringsforsker for at bygge en succesfuld model, der vil have en positiv indvirkning på en virksomhed. Der er mange udfordringer. De, der kom i tanker, var disse.

Personligt tror du, at AI skal være en kraft for godt. Hvad er nogle måder, du mener, AI kan ændre fremtiden positivt?

Det, jeg bedst kan lide ved min job, er, at vi arbejder med kunder fra tværs af alle brancher, løser meget forskellige problemer, men alle er virkelig brugt til en eller anden form for positiv forandring. Og Amii har vores principper for AI-ramme, der sikrer, at vi gør det på en etisk måde. Fra kontraktstadiet sikrer vi, at projekterne, vi arbejder på med vores industripartner, bruges til positiv forandring på en etisk måde. Alle projekterne, jeg får at se, bruges til godt og ændrer fremtiden positivt.

En ting, der kommer i tanker, er, at vi i Alberta oftere end ikke nu har med skovbrande at gøre om sommeren. Dette år, især i april, var det slemt. Vi har for nylig samarbejdet med Canada Wildfire, en forskningsgruppe fra University of Alberta, med 40 års vejrdata knyttet til alvorlige skovbrande. Vi arbejder med dem på at forbedre disse begivenheder i fremtiden, så vi kan bedre forberede de ressourcer, der måske er nødvendige, og have holdet gå ind og tempe miljøet, før det når et stadium, hvor skovbrandene raser.

Når jeg ankom søndag aften (21. maj 2023), var det ret røget.

Det er ødelæggende. Det ødelægger samfund. Det tager menneskers hjem. At skulle indånde partikler i luften er ikke godt, men ødelæggelsen er meget omfattende. Det er et interessant projekt, der er tæt på os alle.

Et andet område, vi arbejder i, er landbrugssektoren. Hvordan skal vi føde vores voksende befolkning? Vi arbejder med National Research (NRC ) Council på et proteinmængdeproblem. Vi prøver at sikre, at planterne, vi dyrker, har højere proteinindhold til at føde vores voksende befolkning, og vi bruger maskinlæring til at kunne forudsige dette.

Reduktion af udledning er et andet meget populært område. Vi arbejder med virksomheder i olie- og gassektoren for at sikre, at processer, systemer og værktøjer, der bruges, er så effektive som muligt. Vi arbejder med en vandbehandlingsanlæg i Drayton Valley, en lille by i Alberta, for at sikre, at anlægget kører så effektivt som muligt, og at vi skaber så rent vand som muligt til samfundet. Præcisionsmedicin er også et andet område.

Listen går videre. Litterært hver enkelt virksomhed, vi arbejder på, er disse slags projekter, disse slags årsager. Det er svært for mig at vælge en favorit, fordi når man tænker over det, har de alle mulighed for at have en utrolig positiv indvirkning på fremtiden.

Hvad er din vision for AI’s eller robotteknologiens fremtid?

Min eksponering af robotteknologi har virkelig været i forsyningskæden. Det er, hvor robotter allerede bruges, men det er også, hvordan vi kan forbedre dem med AI for at bygge på eksisterende systemer og automation, igen, gennem mere effektive processer? Forsyningskæden er åbenbart interesseret i at øge gennemstrømningen, opfylde flere ordrer hurtigere og mere effektivt træffe beslutninger. På robotterne er min eksponering blevet til at bygge på eksisterende robotter for at gøre dem smartere og bedre.

Jeg tror mere generelt, at fremtiden, som jeg ser det, er stadig meget menneskecentreret. Robotter bruges som et værktøj, en forlængelse af mennesker. Måske robotter, der udrulles i situationer, der er farlige for mennesker, hvor vi ikke bør udsættes for miljøet. Robotter er en god erstatning for os i det tilfælde for at holde os sikre. Der er også rigtig cool forskning, der bliver gjort af vores medarbejdere og bioniske lemmer, så det bliver lettere at kontrollere og bevæge sig for mennesker, der har brug for den støtte. Alt sammen meget knyttet til mennesker og deres brug af disse værktøjer, men gør deres liv lettere gennem disse nye systemer.

I forhold til AI’s fremtid generelt er dette bare en så interessant tid at være i dette felt. Industrien forstår endelig, at AI er her, og det vil ændre alt, og du kan enten lede eller blive ledt. Jeg tror, at en af Amii’s visioner er at have hver virksomhed komfortabel med teknologien, være bekendt med, hvad den kan og ikke kan, og virkelig villig til at eksperimentere og iterere på implementering af den i deres forretning for at løse nogle af deres største udfordringer.

Indtil nu tror jeg, at der måske var en opfattelse af, at det kun var teknologivirksomheder, der var AI- og ML-brugere, men nu bliver det mere åbenlyst, at ML kan implementeres i stort set enhver organisation. Det er ikke altid det rigtige svar, men der er normalt en brugs tilfælde for det. Jeg er håbefuldt om, at fremtiden er, at virksomheder bliver naturlige AI-virksomheder selv ved at blive mere litterate og bekendte med teknologien og bekendt med, hvordan de kan bruge den til deres forretning. Tak for det fantastiske interview, læsere, der ønsker at lære mere, skal besøge følgende ressourcer:

• Upper Bound AI-konference.
• Amii (Alberta Machine Intelligence Institute)