Imogen Low, cofundadora y CTO de NWO.ai – Serie de entrevistas

Imogen Low, es cofundadora y directora técnica (CTO) de NOM.ai, una plataforma predictiva que rastrea más de 20 millones de microtendencias y notifica a los clientes sobre las tendencias antes de que se vuelvan exponenciales.

¿Qué fue lo que inicialmente le interesó en el aprendizaje automático?

Me interesé por primera vez en el aprendizaje automático cuando estaba en la escuela secundaria. En mi tiempo libre, desarrollaba mapas 3D interactivos de instalaciones de campus complejas de varios niveles, como centros comerciales, aeropuertos, hospitales y escuelas. Estos mapas podrían usarse para ayudar en la navegación interior y la orientación de los visitantes. También me interesaba recopilar puntos de datos de comportamiento sobre usuarios individuales a medida que se desplazan por los edificios. Esta información podría usarse para anticipar el flujo de tráfico peatonal a lo largo del tiempo y optimizar las rutas de navegación.

Pero no fue hasta que tuve 17 años, cuando conseguí mi primer trabajo como ingeniero de aprendizaje automático en SAP, que realmente me entusiasmé con la IA. Mientras trabajaba en SAP, trabajé en una variedad de problemas diferentes. Por ejemplo, analicé datos satelitales de la NASA para predecir la calidad del rendimiento de los cultivos; Utilicé tecnología de visión por computadora para analizar imágenes de drones para monitorear el ganado; Utilicé datos transaccionales empresariales para predecir el fraude fiscal; y combiné la tecnología de visión por computadora con el procesamiento del lenguaje natural para crear asistentes virtuales conversacionales y de realidad aumentada.

Tomaste un camino extraño desde Australia, hasta Singapur y finalmente en América, ¿podrías hablar sobre este viaje?

La aplicación de navegación interior que desarrollé en la escuela secundaria me llevó a Taiwán, donde la presenté en la conferencia de premios de la Alianza de TIC de Asia Pacífico (APICTA). La experiencia me dio una nueva perspectiva sobre el ritmo del cambio tecnológico y la innovación que está ocurriendo en Asia, particularmente su adopción de tecnologías de inteligencia artificial. Quería sumergirme en un país asiático y ser parte de esos avances. Así que acepté un puesto de aprendizaje automático en la oficina central de SAP APJ en Singapur.

Mientras trabajaba en Singapur, desarrollé un asistente virtual que se convirtió en un ejemplo destacado de innovación en SAP. Así que me invitaron a presentarlo en una cumbre de innovación en Asia. En la cumbre, escuché una fascinante presentación de Pulkit Jaiswal, un exitoso emprendedor de drones. Explicó cómo podía predecir la tensión geopolítica entre países analizando datos en línea. Me intrigó tanto la idea que ese mismo día decidí dejar mi trabajo y asociarme con él como cofundador de su última empresa, NWO. Aunque la empresa tiene su sede en Nueva York, yo resido en Sídney.

¿Podría describir cómo NWO.ai ayuda a identificar tendencias antes de que se vuelvan exponenciales?

En NWO.ai, modelamos cómo la adopción de diferentes ideas se propaga a través de las redes globales. El objetivo es predecir aumentos significativos en la mente compartida. Para lograr esto, diseñamos un motor de correlación cruzada que señala qué fuentes de datos y opiniones de los consumidores son los principales predictores más fuertes de la adopción de una tendencia. También podemos identificar los principales factores que influyen en el crecimiento. Luego aprovechamos nuestro sistema de ponderación dinámica para amplificar el punto de datos más predictivo y amortiguar los rezagados.

¿Cuáles son algunas de las tecnologías de aprendizaje automático que se utilizan?

Aprovechamos un conjunto de modelos de aprendizaje automático de procesamiento de lenguaje natural (NLP) de última generación, como codificadores de documentos, modelos de reconocimiento de entidades nombradas (NER) y traducción automática. Los combinamos con técnicas que hemos adoptado de la minería de reglas de asociación y la teoría de gráficos para modelar nuestros conjuntos de datos textuales no estructurados en un gráfico de conocimiento semántico, multilingüe y consciente del tiempo. Luego, podemos representar cuán fuertemente asociadas están las diferentes ideas en diferentes puntos en el tiempo y construir dinámicamente asociaciones entre nuevos puntos de datos en tiempo real.

¿Qué tipo de fuentes de datos públicas o privadas se utilizan?

Nos basamos principalmente en fuentes de datos no estructuradas y disponibles públicamente para construir nuestros modelos de predicción. Estos incluyen publicaciones en redes sociales, artículos de noticias, blogs, foros, comentarios e historiales de búsqueda. También los combinamos con datos transaccionales empresariales patentados, como datos históricos de ventas, demanda e inventario.

¿Qué consejo tienes para las mujeres emprendedoras?

¡Es un gran momento para ser fundadora! No te desanimes por la idea de que el emprendimiento es predominantemente masculino. Recientemente, se ha intensificado la demanda de diversidad de género en el emprendimiento. Las mujeres tienen mucho que ofrecer en cuanto a perspectivas contrapuestas sobre el mundo y diferentes maneras de pensar para resolver problemas. Por ello, estamos viendo nuevas redes de apoyo que animan a las mujeres a emprender y ofrecen orientación, mentoría y oportunidades de inversión.

Gracias por la gran entrevista, los lectores que deseen obtener más información deben visitar NOM.ai.