Mara Cairo, Produktbesitzerin für fortschrittliche Technologie bei Amii – Interviewreihe

Mara Cairo ist leidenschaftlich daran interessiert, künstliche Intelligenz (KI) für das Gute zu nutzen. Sie hat einen Bachelor of Science in Elektrotechnik von der University of Alberta und besitzt die Zertifizierungen P.Eng. und PMP. Bevor sie zu Amii kam, arbeitete sie im Bereich der Hardware-Entwicklung, wo sie Kunden half, ihre Produkte auf den Markt zu bringen, mit dem Schwerpunkt auf Mikro- und Nanofabrikation.

Als Produktbesitzerin für fortschrittliche Technologie bei Amii leitet Mara ein technisches Team, das Industriepartnern hilft, ihre maschinelle Lernfähigkeit innerhalb ihrer Organisation aufzubauen, indem es Anleitung und Expertenwissen zur Entwicklung von Vorhersagemodellen bietet. Ihr Team arbeitet mit Kunden zusammen, die sich verpflichtet haben, entlang des AI-Adoptions-Spektrums voranzukommen, indem sie maschinelles Lernen auf ihre größten Geschäftsprobleme anwenden.

Amii (Alberta Machine Intelligence Institute) ist eines der führenden Zentren für KI in Kanada. Es arbeitet mit Unternehmen aller Größen und Branchen zusammen, um Innovationsstrategien voranzutreiben und praktische Anleitung und Beratung, Unternehmensschulungen und Talentrekrutierungsdienste anzubieten.

Wir haben uns zu einem Interview getroffen, auf der jährlichen Upper Bound-Konferenz 2023 über KI, die in Edmonton, AB, stattfand und von Amii ausgerichtet wurde.

Was hat Sie ursprünglich zur Elektrotechnik hingezogen?

Als Kind mochte ich einfach gerne Dinge bauen. Meine Mutter brachte einen Ventilator mit, wenn es im Sommer heiß war, und ich wollte ihn bauen. Ich erinnere mich, dass ich als Teenager ein Nokia-Handy hatte, das man auseinandernehmen konnte, und ich es auseinandernahm und es mit Juwelen auf der Innenseite und der Antenne verzierte. Aber als ich es öffnete, war es wie: “Wow, was ist hier los?” Es war wirklich interessant für mich.

Ich war immer gut in Mathematik. Wenn man all diese Dinge zusammenfügt, meine Eltern haben mich auch in die Richtung der Ingenieurwissenschaften gedrängt, weil ich gut in Mathematik war, ich hatte einfach ein allgemeines Interesse an Elektronik und wollte mehr darüber erfahren, das hat mich ursprünglich in die Elektrotechnik gezogen.

Außerdem mochte ich in der Ingenieurwissenschaft die Idee, Mathematik auf reale Probleme anzuwenden. Ja, okay, Mathematik ist großartig und aufregend und Spaß für mich, aber mit Ingenieurwissenschaften kann man sie auf reale Probleme anwenden. Es schien wie die perfekte Kombination von Dingen, die zu einer interessanten Karriere führen würden.

Ihre Eltern schienen sehr aktiv daran beteiligt zu sein, Ihre Interessen zu unterstützen.

Ja. Mein Vater insbesondere. Er sagt, er habe es in mir von klein auf gesehen und habe mich immer in diese Richtung gedrängt. Ich war gestern Abend auch auf einer Veranstaltung für Frauen in der KI und wir sprachen über die Beseitigung von Barrieren und die Schaffung eines zugänglicheren Feldes für Frauen. Und ich sah das nicht als Barrieren, weil meine Eltern mir sagten, dass dies das ist, was ich tun sollte. Es ist nicht eine Frage des Geschlechts oder irgendetwas anderes. Es ist einfach eine Fähigkeit, die Sie haben. Sie sollten sie natürlich verfolgen und pflegen. Ich fühlte mich nie, als ob es nicht für mich wäre, was mir half.

Bevor Sie zu Amii kamen, arbeiteten Sie im Bereich der Hardware-Entwicklung, um sich auf Mikro- und Nanofabrikation zu konzentrieren. Können Sie diese Begriffe definieren?

Definitiv. In der Elektrotechnik habe ich die Nano-Technik-Option gewählt. Es war die Spezialisierung auf das Design und die Herstellung im Mikro- und Nanomaßstab. Wenn wir über einen Nanometer sprechen, sprechen wir über einen Millimeter, der in eine Million geteilt wird, das ist ein sehr, sehr kleiner Maßstab. Und das ist cool. Diese Dinge sind so klein, dass man sie nicht mit bloßem Auge sehen kann. Aber ich konnte diese Spezialisierung nutzen, um zu lernen, wie man auf diesem Maßstab herstellt und entwirft.

Wir leben in einer sehr vernetzten Welt. Es gibt überall Elektronik und wir müssen in der Lage sein, Elektronik für die Verpackungs- und Raumbedingungen zu entwerfen. Wir versuchen ständig, Dinge kleiner und kleiner zu machen. Sie nehmen etwas Bulks, ein Prototyp, und müssen es reproduzierbar und skalierbar machen. Die Nanofabrikation ist wirklich um die Werkzeuge und Techniken, die man verwendet, um auf diesem Maßstab zu entwerfen und herzustellen.

Dies reicht von der Herstellung von Mikrochips bis hin zur Verbindung von zwei verschiedenen Chips und ihrer elektrischen Verbindung zur Endverpackung. All dies auf dem Mikromaßstab erfordert eine andere Technik als das Bauen auf unserem menschlichen Maßstab. Die Mikro- und Nanofabrikation sind einfach um die chemischen Prozesse, die man verwendet, und die elektrischen Prozesse, die Verpackung, die man benötigt, um sicherzustellen, dass diese Dinge hermetisch abgedichtet und vor ihrer Umgebung geschützt sind.

Außerhalb von Mikrochips, was wäre ein anderes Anwendungs- oder Einsatzgebiet?

Wir haben an vielen Projekten wie der Faseroptik gearbeitet. Wiederum muss alles letztendlich zu einer Art von Verarbeitungseinheit kommen, die Signale empfängt oder generiert. Wir haben im Telekommunikationssektor, in der Optik, bei Kameras und all diesen Dingen gearbeitet. Aber das Gehirn davon ist normalerweise eine Art von Mikrochip in der Mitte. Aber es gibt auch die Sensoren, die ihre Signale in die Verarbeitungseinheit eingeben. Also vielfältige Herstellungsverfahren für den Bau von Sensoren oder Eingabe- oder Ausgabegeräten, die wir benötigen.

Was sind einige der Herausforderungen, die mit der Arbeit auf diesem Nanomaßstab verbunden sind?

Ein Stück Staub kann Ihren ganzen Tag ruinieren. Die Dinge, an denen wir arbeiten, sind von der gleichen Größe wie der Staub in der Luft. Also stellen wir in einem Reinraum her. Der Reinraum ist wirklich eine Umgebung, die das schützt, an dem wir arbeiten, vor uns als Menschen, weil wir als Menschen sehr schmutzig sind, wir spucken ständig Partikel aus, unsere Kleidung partikelt, das Make-up, das wir tragen, macht die Luft schmutzig. Wir müssen so viel wie möglich davon eliminieren, damit die Dinge, die wir bauen, klar und sauber von diesen Art von Verunreinigungen sind.

Eine weitere Herausforderung, es gibt großartige Möglichkeiten, diese Reinräume zu bauen, und es gibt eine ganze Art von Studien und Wissenschaft dahinter, aber die andere Herausforderung ist, es aus dem Labor zu holen, weil letztendlich werden diese Dinge in unserer sehr schmutzigen Welt verwendet. Das ist, wenn die Verpackung wichtig wird. Wir müssen immer noch in der Lage sein, auf diese Geräte zuzugreifen, aber wir müssen es auf eine Weise tun, dass wir die Umgebung, die Verpackung, nicht verunreinigen. Also hermetisch abdichten, sicherstellen, dass nichts hinein- oder hinausgeht. Das ist eine weitere Reihe von Herausforderungen, die ich sah. Wir hatten etwas, das großartig auf einem Labortisch in einer kontrollierten Umgebung funktionierte, aber im Allgemeinen sind die meisten Dinge, die wir bauen, dazu bestimmt, in unsere schmutzige Welt gebracht zu werden. Das war auch eine Herausforderung.

Wiederum, von der Herstellung bis hin zur Auslieferung, es ist einfach sehr spezielle Art von Überlegungen und Umweltbedenken, wenn man mit so kleinen Dingen arbeitet. Außerdem verhalten sich Dinge nicht immer so, wie man es erwartet, auf diesem kleinen Maßstab. In unserer physischen Welt erwarten wir, dass Dinge auf eine bestimmte Weise funktionieren, aber wenn man auf den Mikro- und Nanomaßstab kommt, wird die physische Welt ein bisschen anders, und man kann nicht immer die Ergebnisse vorhersagen. Das ist ein ganz anderes Feld von Studien.

Was wären einige Beispiele dafür, dass es sich von der regulären physischen Welt unterscheidet?

Strom durch einen Draht leiten. Wir haben unsere Ladegeräte und unsere Telefone und wir leiten Strom durch sie. Wenn man Strom durch einen Draht leitet, der so groß ist wie ein Haar, gibt es offensichtlich Überlegungen zu Wärme und Dingen, die einfach anders funktionieren, weil, wiederum, der Raum und die Größe.

Was ist Ihre aktuelle Rolle bei Amii und wie hilft Ihr Team Industriepartnern?

Meine aktuelle Rolle bei Amii ist sehr unterschiedlich von der Welt der Mikro- und Nanotechnologie.

Ich bin Produktbesitzerin des Advanced Technology-Teams bei Amii. Ich leite ein Team von hauptsächlich maschinellen Lernwissenschaftlern und Projektmanagern, die alle mit unseren verschiedenen Industriepartnern zusammenarbeiten, um ihre Geschäftsprobleme durch die Anwendung von maschinellem Lernen zu lösen.

Wir sind sehr branchenorientiert, alles über die Überbrückung der Lücke zwischen dem, was in der Wissenschaft passiert, all den großartigen Durchbrüchen mit maschinellem Lernen und KI, aber ihre Anwendung auf die größten Bedürfnisse unserer Industriepartner. Wir reagieren auf diese Bedürfnisse, indem wir unseren Kunden helfen, die Fähigkeiten und das Know-how zu finden, das sie benötigen, um ihre Arbeit voranzutreiben.

Wir führen unser Praktikums- und Residenzprogramm durch das Advanced Technology-Team durch. Also nehme ich viele Leute ein. Rekrutierung ist nicht mein Hintergrund, aber es ist etwas, das ich jetzt viel mache. Und es ist alles darum, die richtigen ML-Talente zu finden, um sie auf das Projekt unseres Kunden zu setzen. Wir stellen diese Leute als Amii-Mitarbeiter für eine bestimmte Zeit ein und geben ihnen viel Unterstützung und Mentorship, aber im Grunde arbeiten sie für das Projekt unseres Kunden und treiben es voran. Es ist eine Möglichkeit für unsere Kunden, Zugang zu Talenten zu erhalten, ohne selbst die Rekrutierung durchführen zu müssen. Amii hat einige gute Markenbekanntheit, wir können wirklich großartige Talente hereinbringen und sie dann auf diese Industrieprojekte setzen.

Ein potenzieller Vorteil des Systems ist, dass der Kunde die Möglichkeit hat, diese Leute nach Ablauf der Zeit bei uns einzustellen. Wir wollen, dass dieses Talent bleibt. Wir wollen keinen Brain-Drain. Wir geben dem Kunden ein bisschen Vorsprung, damit sie das Talent ausprobieren, das Projekt ausprobieren, ein Gefühl dafür bekommen, was maschinelles Lernen eigentlich ist, was man braucht, um es erfolgreich zu machen, und dann idealerweise das Talent in diesen Unternehmen langfristig unterbringen, damit diese Unternehmen wirklich zu KI-Unternehmen werden und ihre eigenen Initiativen in der Zukunft vorantreiben können.

Wie lange ist die Zeit, die sie normalerweise unterzeichnen?

Im Allgemeinen vier bis zwölf Monate.

Es ist etwas, das wir am Anfang herausfinden, je nach Komplexität des Projekts und wie viele Probleme wir zu lösen versuchen. Wir finden, dass länger besser ist. Maschinelles Lernen-Projekte, die in vier Monaten durchgeführt werden können, sind schwierig. Es gibt viel mehr als nur das Aufbauen von ML-Modellen. Es hängt stark von den Daten ab, die vom Kunden gesammelt und uns übergeben werden, um die Modelle aufzubauen. Je länger wir haben, desto besser ist es, um zu iterieren und alle Möglichkeiten zu durchlaufen.

Die Arbeit ist experimentell und explorativ. Amii ist ein Forschungsinstitut; wir können nicht immer das Ergebnis garantieren. Ein längerer Zeitraum gibt uns einfach mehr Zeit, um diese Forschung durchzuführen und sicherzustellen, dass wir alle Möglichkeiten ausgeschöpft und verfolgt haben, weil es schwierig für uns ist, zu sagen, welche Methode am besten funktionieren wird. Man muss es einfach ausprobieren und sehen.

Was sind einige Beispiele für schwierige Geschäftsprobleme, an denen Ihr Team mit diesen Unternehmen gearbeitet hat?

Ich habe darauf hingewiesen, definitiv ist die Datenbereitschaft eine große Herausforderung. Die laufende Branchenwahrnehmung der Datenbereitschaft ist anders als das, was ein maschineller Lernwissenschaftler denkt, was für ein maschinelles Lernmodell bereit ist. Und der Zugang. Wie einfach ist es für den Kunden, uns die Daten in einer Weise zu übergeben, die für unsere ML-Modelle konsumierbar ist. Deshalb mögen wir längere Projekte, weil sie unserem Team Zeit geben, mit unseren Kunden durch diese Art von Datenbereitschafts-Herausforderungen zu arbeiten und sie für den Erfolg vorzubereiten.

Unsinn rein, Unsinn raus, wenn man uns schlechte Daten gibt, werden wir ein schlechtes Modell erstellen. Wir brauchen wirklich qualitativ hochwertige Daten. Und es gibt ein bisschen eine Lernkurve für Kunden. Branchenwahrnehmung, wiederum, darüber, was qualitativ hochwertige Daten sind, was die Beispiele sind, die wir sehen müssen, um in der Zukunft vorhersagen zu können. Es ist einfach eine Frage der Alphabetisierung, sicherzustellen, dass wir die gleiche Sprache sprechen, sie verstehen die Einschränkungen aufgrund der Daten, auf die sie Zugriff haben, wenn sie verstehen, was uns zum Erfolg verhelfen wird.

Man braucht Beispiele für das, was man vorhersagen möchte, in seinem Datensatz. Wenn ein Ereignis sehr selten ist, wird es schwierig für uns, es jemals vorherzusagen. Wir könnten ein sehr genaues Modell für etwas bauen, das 99 % der Zeit genau ist, weil es nie die 1 % der Zeit vorhersagt, dass etwas passiert. Wiederum einfach sicherstellen, dass der Kunde versteht, was wir brauchen, um genaue Modelle zu erstellen.

Wir haben sogar anscheinend einfache Probleme gesehen, die sehr komplex sein können, je nach Datensatz. Am Anfang, bei einem ersten Entdeckungsgespräch mit einem Kunden, müssen wir die Länge der Zeit vorhersagen, die wir benötigen werden. Aber manchmal, wenn wir die Schichten der Zwiebel ablösen, realisieren wir, nein, das ist viel komplexer, als wir dachten, weil der Datensatz so komplex ist.

Andere Herausforderungen, mangelnde Verpflichtung von Fachleuten, die benötigt werden. Wenn wir mit unseren Industriepartnern zusammenarbeiten, benötigen wir wirklich, dass sie weiterhin an den Tisch kommen, weil sie die Fachleute sind und normalerweise auch die Datenexperten. Wir sind nicht wie ein Dev-Shop, bei dem wir einfach die Daten nehmen, das Modell aufbauen und es ihnen am Ende übergeben können. Es ist sehr, sehr kollaborativ. Und je mehr unsere Industriepartner einbringen, desto mehr werden sie bekommen, weil sie uns in die richtige Richtung lenken können, sicherstellen, dass die Vorhersagen, die wir machen, für sie aus Geschäftsicht Sinn machen, dass wir die richtigen Metriken anvisieren, wir verstehen, was Erfolg für sie bedeutet.

Wir benötigen ein multidisziplinäres Team, um die Projekte zu unterstützen, und es erfordert mehr als nur einen maschinellen Lernwissenschaftler, um ein erfolgreiches Modell zu bauen, das ein Unternehmen positiv beeinflusst. Es gibt viele Herausforderungen. Das sind die, die mir einfielen.

Glauben Sie persönlich, dass KI eine positive Kraft sein sollte?

Das, was mir an meinem Job am meisten gefällt, ist, dass wir mit Kunden aus allen Branchen zusammenarbeiten, sehr unterschiedliche Probleme lösen, aber alle werden sie wirklich für eine positive Veränderung eingesetzt. Und Amii hat unser KI-Rahmenwerk, das sicherstellt, dass wir genau das tun. Von der Vertragsphase an stellen wir sicher, dass die Projekte, an denen wir mit unseren Industriepartnern arbeiten, für eine positive Veränderung in ethischer Weise eingesetzt werden. Alle Projekte, an denen ich arbeite, werden für das Gute eingesetzt und verändern die Zukunft positiv.

Ein Beispiel, das mir einfällt, ist, dass wir in Alberta immer öfter mit Waldbränden zu tun haben, besonders im Sommer. Dieses Jahr war es besonders schlimm, sogar im April. Wir haben kürzlich mit der Canada Wildfire-Forschungsgruppe der University of Alberta zusammengearbeitet, um 40 Jahre Wetterdaten mit schweren Waldbränden zu verbinden. Wir arbeiten mit ihnen zusammen, um diese Ereignisse in der Zukunft besser vorhersagen zu können, damit wir die Ressourcen besser vorbereiten können, die möglicherweise benötigt werden, und die Teams einsetzen können, um die Umgebung zu temperieren, bevor es zu einem Stadium kommt, in dem die Waldbrände wüten. Ich denke, das ist einfach, weil ich in Edmonton bin, ich weiß nicht, ob Sie letzte Woche hier waren, aber es war sehr rauchig.

Als ich am Sonntagabend (21. Mai 2023) ankam, war es ziemlich rauchig.

Es ist devastierend. Es zerstört Gemeinden. Es nimmt den Menschen ihre Häuser weg. Atmen von Partikeln in der Luft ist nicht gut, aber die Zerstörung ist sehr immens. Das ist ein interessantes Projekt, das uns allen am Herzen liegt.

Ein weiteres Gebiet, in dem wir arbeiten, ist der Agrarbereich. Wie werden wir unsere wachsende Bevölkerung ernähren? Wir arbeiten mit dem National Research (NRC ) Council an einem Protein-Überfluss-Problem. Wir versuchen sicherzustellen, dass die Pflanzen, die wir anbauen, höhere Proteinwerte haben, um unsere wachsende Bevölkerung zu ernähren, und wir verwenden maschinelles Lernen, um diese Vorhersagen zu treffen.

Die Reduzierung von Emissionen ist ein weiteres sehr beliebtes Thema. Wir arbeiten mit Unternehmen im Öl- und Gas-Sektor zusammen, um sicherzustellen, dass die Prozesse und Systeme, die verwendet werden, so effizient wie möglich sind. Wir arbeiten mit einer Wasseraufbereitungsanlage in Drayton Valley, einer kleinen Stadt in Alberta, um sicherzustellen, dass diese Anlage so effizient wie möglich läuft und dass wir so viel sauberes Wasser wie möglich für die Gemeinde produzieren. Präzisionsmedizin ist auch ein weiteres Gebiet.

Die Liste geht weiter. Im Grunde genommen arbeiten wir an all diesen Projekten, all diesen Ursachen. Es ist schwierig für mich, ein Lieblingsprojekt auszuwählen, weil man darüber nachdenkt, sie alle haben die Möglichkeit, einen unglaublich positiven Einfluss auf die Zukunft zu haben.

Was ist Ihre Vision für die Zukunft von KI oder Robotik?

Meine Erfahrung mit Robotik war wirklich im Bereich der Lieferkette. Es ist, wo Robotik bereits eingesetzt wird, aber es ist auch, wie können wir sie mit KI verbessern, um bestehende Systeme und Automatisierung zu verbessern, wiederum durch effizientere Prozesse? Die Lieferkette ist offensichtlich daran interessiert, die Durchlaufzeit zu erhöhen, mehr Bestellungen schneller zu erfüllen und effizientere Entscheidungen zu treffen. Auf der Seite der Robotik, wiederum, war meine Erfahrung darin, bestehende Roboter zu verbessern, um sie intelligenter und besser zu machen.

Ich denke, allgemeiner, die Zukunft, wie ich sie sehe, ist immer noch sehr menschenzentriert. Robotik werden als Werkzeug verwendet, als Ergänzung für Menschen. Vielleicht werden Robotik in Situationen eingesetzt, die für Menschen gefährlich sind, wo wir nicht exponiert werden sollten. Robotik sind ein großartiger Ersatz für uns in diesem Fall, um uns sicherer zu machen. Es gibt auch wirklich coole Forschungen, die von unseren Fellows und bionischen Gliedmaßen durchgeführt werden, um einfacheres Steuern und Bewegen von Menschen zu ermöglichen, die diese Unterstützung benötigen. Alles ist immer noch sehr an Menschen und ihrer Nutzung dieser Werkzeuge gebunden, aber es macht es einfacher für sie, sie zu nutzen, und macht ihr Leben durch diese neuen Systeme einfacher.

Im Hinblick auf die Zukunft von KI im Allgemeinen, dies ist einfach eine so interessante Zeit, um in diesem Bereich zu sein. Die Industrie versteht endlich, dass KI da ist und dass sie alles verändern wird, und man kann entweder führen oder geführt werden. Ich denke, eine von Amiis Visionen ist, dass jedes Unternehmen mit der Technologie vertraut ist, weiß, was sie kann und was nicht, und wirklich bereit ist, zu experimentieren und zu iterieren, um sie in ihrem Geschäft einzusetzen, um einige ihrer schwierigsten Probleme zu lösen.

Bis jetzt denke ich, es gab vielleicht die Wahrnehmung, dass es nur Tech-Unternehmen sind, die KI- und ML-Nutzer sind, aber jetzt wird es offensichtlicher, dass ML in praktisch jedem Unternehmen eingesetzt werden kann. Es ist nicht immer die richtige Antwort, aber es gibt normalerweise einen Einsatzfall dafür. Ich bin zuversichtlich, dass die Zukunft darin besteht, dass Unternehmen zu natürlichen KI-Unternehmen werden, indem sie mit der Technologie vertraut werden, sich ihrer bewusst sind und wissen, wie sie sie für ihr Geschäft nutzen können.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten die folgenden Ressourcen besuchen:

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