Maria Elena, Stradigi AI:n ratkaisujen johtaja – Haastattelusarja

Maria Elena Carbajal tuo yli 25 vuoden kokemuksen tekoälystä, tietotekniikasta ja telekommunikaatioalasta ammattiuraansa. Hänellä on 18 vuoden kokemus työskentelystä telekommunikaatioyhtiössä Kanadassa ja Ruotsissa, sekä avaruusteollisuudessa, energiasektorilla ja tietotekniikka-alalla eri yrityksissä. Tällä hetkellä hän työskentelee Stradigi AI:lla, joka on tekoälyjohtaja Kanadassa.

Maria Elena Carbajal on toiminut monissa eri rooleissa tutkimuksessa ja kehityksessä, insinööritoiminnassa, globaalissa ammattipalvelussa, digitaalisen muutoksen ja tietotekniikan alalla. Hänen kansainvälinen kokemuksensa kattaa työskentelyn ja tiimien johtamisen maissa kuten Peru, Kanada, USA, Meksiko, Brasilia, Ruotsi, Suomi, Norja, Venäjä, Viro ja Valko-Venäjä.

Mikä sai sinut kiinnostumaan tekoälystä aluksi?

Olen aina ollut intohimoinen työskennellä teknologian parissa. Yksilönä olen aina investoinut siihen, että ympäröivä maailma on optimaalinen: järjestän kotini ja tuon tehokkuutta tiimeeni, asiakkaileni ja liiketoimintaani yleensä. Tämä on olennainen osa minun olemassaoloani. Olen ollut hyvin osallistunut toteuttamaan johtavaa teknologiaa viimeisen kahden vuosikymmenen aikana eri aloilla, joten taidot ovat hyvin monipuolisia ja siirrettävissä.

Tarkasteltaessa tekoälyä tarkemmin, olen vakuuttunut, että tekoäly ja kvanttilaskenta mullistavat kaikki aloja – poikkeuksia ei ole. Tekoäly on avainasemassa vapauttaa ja lisätä tehokkuutta kaikilla aloilla: liiketoiminnassa, ammattimaailmassa ja henkilökohtaisessa elämässä. Tämä on se, mikä sai minut kiinnostumaan ja pitää minut motivoituneena ja inspiroiduna päivästä toiseen.

Olit aiemmin työskennellyt Ericssonilla 18 vuotta, mitä sai sinut päättämään liittyä Stradigi AI:hin?

Olin kiinnostunut keskittämään ammattiuraani tekoälyyn, koska se vaikuttaa ja muuttaa tapaa, jolla elämme ja työskentelemme. Tekoäly avaa oven moniin ongelmiin, joita haluat ratkaista työskennellessäsi yritysten kanssa, ja antaa sinulle mahdollisuuden tehdä eroa, siirtää näköalaa ja käyttää teknologiaa hyvään tarkoitukseen. Lisäksi minulla oli laaja johtokokemus Ericssonilla, joka on valtava organisaatio. Siirtymällä Stradigi AI:hin, halusin haastaa itseni ja kokea, mitä on olla osa vauraata ja kehittyvää tekoälyekosysteemiä, joka muotoutuu Montrealissa. On motivaatiota ja energisointia olla osa tätä yhteisöä.

Olen ollut Stradigi AI:lla vuoden, ja vuoden työn jälkeen tämän upean ammattilaisten ja innovaattoreiden ryhmän kanssa on selvää, että kokemukseni Ericssonilla on ollut niin arvokasta ja siirrettävissä mihin tahansa organisaatioon, riippumatta koosta. Filosofiani on aina ollut siinä, että siirrän teknologian näköalaa asiakas kerrallaan, ja olen tuonut tämän Stradigi AI:hin myös.

Stradigi AI sallii henkilölle ilman koneoppimiskokemusta tuottaa tekoälymallit, voitko kuvailla, miten tämä saavutetaan?

Paljon keskustelua tekoäly- ja koneoppimismaailmassa on “demokratisoinnista”. Joka tarkoittaa karkeasti sanottuna tekoälyn saatavuuden parantamista joukkoihin. Mutta saatavuus ja käytettävyys eivät ole sama asia. Itsepalvelumme koneoppimisalustalla, Kepler, tärkein tavoitteemme on varmistaa, että sisäiset asiantuntijat ja analyytikot voivat tuottaa malleja edistyneillä koneoppimismenettelyillä ilman, että heidän tarvitsee opiskella monimutkaisia data-analyysimenetelmiä tai osallistua data-tiedeyhtiöihin.

Käytännöllisesti ja teknisesti tämä saavutetaan automatisoimalla askelkohtaiset data-analyysiprosessit, jotka tyypillisesti vievät aikaa ja vaativat asiantuntemusta. Esimerkiksi Kepler automatisoi piirteiden suunnitteluprosessin, joka on monivaiheinen yritys. Se luo myös automaattisesti putken valitsemalla parhaat algoritmit, jossa tapahtuu automaattinen konfiguraatio ja hyperparametrien optimointi – kaikki käsi vapaa.

Tavoitteena on, että asiantuntijat voivat vapautua haaskoivista ja aikaa vievistä tehtävistä. Automatisoimalla nämä vaiheet, Kepler antaa tiimillesi enemmän aikaa pohtia seuraavaa suurta innovaatiota, sen sijaan, että heidän tarvitsee keskittyä päivittäin tehtäviin. Analyytikoille ja asiantuntijoille se on myös keino päivittää heidän taitojaan: toteuttamalla koneoppimistyökaluja heidän päivittäin toimintaansa, annat heille mahdollisuuden rikastaa heidän analyysiään ja siten heidän lähestymistapaansa avainkohdille.

Mitkä ovat joitain mielenkiintoisia tekoälymallit, joita olet nähnyt yrityksistä, jotka käyttävät Kepleriä?

Keplerin kauneus on, että se kattaa laajan valikoiman sovelluksia useilla aloilla, käyttäen monia menetelmiä perinteisestä koneoppimisesta syvään oppimiseen. Hallituksista sijoituksiin, Kepler auttaa johtajia saavuttamaan mitattavissa olevia tuloksia.

Muutamia vaikuttavia projekteja, jotka tulevat mieleeni, ovat innovatiivisten mallien kehittäminen terveydenhuoltoalalla, jossa käytimme kuvasegmentaatiomalleja ja regressiomalleja sairauksien havaitsemiseksi. Toinen on työmme sääntelyelinten kanssa paikallisissa ja kansallisissa hallituksissa, joissa käytimme luonnollisen kielen ymmärtämistä monimutkaisen teksti-informaation luokitteluun ja tuomalla uusia tehokkuuksia perinteisiin prosesseihin.

Toisella puolella olemme myös hyödyntäneet Kepleriä optimaalistaaksemme kaupankäyntitoimintaa asiakkaalle rahoitussektorilla.

Stradigi AI käyttää automaattista data-analyysityökalua. Niille, jotka eivät ole tuttuja tähän, voitko kuvailla, mitä se on ja miten se käytetään Stradigi AI:ssa?

Automaattiset data-analyysityökalut (ADSW) ovat loppupään data-analyysiprosessit, jotka toimivat Keplerin sisällä. ADSW:t luotiin ratkaisemaan useita sovelluksia, joten rakensimme jokaisen “työkalun” erittäin käytännöllisillä sovelluksilla. Esimerkiksi yksi työkaluistamme on aikasarjaennuste, joka sallii ammattilaisten CPG- tai vähittäiskaupassa ennustaa, milloin varastoa on uudelleen täytettävä. Keplerissä on kahdeksan ennalta olemassa olevaa työkalua, jotka on suunniteltu intuitiivisesti ei-data-analyytikoille.

ADSW:t ovat edistyneitä koneoppimistyökaluja, jotka automatisoivat avainprosesseja, joista mainitsin jo aiemmin. ADSW:ssa Kepler automatisoi:

• Hyperparametrien optimoinnin
• Konfiguraation
• Mallin valinnan
• Harjoitus- ja testidatojen jakoa
• Liittymän luomisen
• Mallin metriikkojen arvioinnin

Kaikki, mitä käyttäjän tarvitsee saada käyttöön otettava koneoppimismalli, on data ja sovellus, jota halutaan ratkaista. Ja riippuen datasaaresta, kaikki monimutkainen työ ADSW:ssa voidaan suorittaa muutamassa minuutissa.

Mitkä datatyyppi voivat käyttää?

Kepler-alusta sallii työskennellä tabulaarisen, tekstin ja kuvadatan kanssa.

Niille, jotka eivät ole tuttuja dataan ja datatyyppiin, selitän ne:

1. Tabulaarinen: tämä olisi taulukko, joka sisältää tärkeitä tietoja, kuten myyntidataa tai asiakasdemografiaa.
2. Teksti: tätä tyyppiä dataa voidaan löytää monissa muodoissa, kuten sähköposteista, asiakasarvostelusta, sosiaalisen median sisällöstä, kirjastojen arkistoista, sopimuksista jne.
3. Kuvat: tämä on esimerkiksi tuotegallerioita tai valokuvia esineistä kokoonpanolinjalla.

Videodata tullaan ottamaan käyttöön Keplerissä tulevaisuudessa. Verkkosivullamme “Datatyyppi”-osiossa selitetään, mitkä datatyyppi voivat ratkaista avainsovelluksia. Yllätyisit, kuinka paljon dataa jää hyödyntämättä, erityisesti suuremmissa yrityksissä.

Onko sinulla neuvoja tai strategioita naisille, jotka ovat kiinnostuneita liittymään teknologia-alalle?

Minulla on kolme neuvoa, jotka uskon ovat olennaisia menestykseen teknologia-alalla.

1 – Oppiminen. Tämä pitäisi aina olla osa elämääsi. Riippumatta iästäsi, sinun pitäisi aina olla jotain opittavaa. Se ei ole väliä, miten opit tai kenen kanssa opit, vaan ole aina valmis vastaanottamaan tietoa. Avaa mieltäsi, puhdista aivojasi, jotta voit olla valmis vastaanottamaan enemmän tietoa, enemmän rakkautta, enemmän empatiaa… vain enemmän. Ole omistautunut oman kehityksesi. Hyvä muistisääntö on, että olemalla valmis oppimaan, osoitat yhtä olennaisinta empaattisuuden ilmentymää.

2 – <strong INTO. Esimerkkejä ahkerasta työstä eivät ole koskaan pettäneet minun ammattiuraani. Olen aina valmis nostamaan kättäni työssäni ottaakseni vastaan monimutkaisia tilanteita tai haasteellisia tehtäviä. Mitä enemmän teen sitä, sitä enemmän tajuan, että kaikki on mahdollista. En epäröi hypätä ulos mukavuusalueeltani ja ottaa vastaan haasteen. Kun lähestyt työtä tällä tavoin, johtajat voivat tunnistaa ja arvostaa intohimoa, jota osoitat.

Kun lähestyt työtä tällä tavoin, et tarvitse odottaa, että saat täydellisen työpaikan, joka muuttaa elämäsi. Jos kiinnität huomiota, huomaat, että on paljon pieniä tehtäviä ympärilläsi, jotka antavat sinulle enemmän näkyvyyttä päättäjille ja enemmän mahdollisuuksia oppia.

3 – Mentorointi. Minulle mentorointi on voimakas työkalu, joka venyttää kuuntelun ja oppimisen lihaksia. Mentorointi voi myös lähentää sinua suuriin johtajiin ammatti- tai henkilökohtaisessa verkostossasi. Uransa aikana on tärkeää tunnistaa, minkälaiset johtajat voit luottaa ja seurata, ja valita heidät mentoreiksi ja esikuviksi.

Johtajat, jotka uskovat sinuun, työntävät sinut ulos mukavuusalueeltasi ja auttavat sinua voimaan. Suuret johtajat ja suuret mentorit voivat olla armottoman rehellisiä, mutta he voivat myös olla erinomaisia kuuntelijoita. Löytääksesi itsekkäitä ihmisiä, jotka auttavat sinua saavuttamaan täyden potentiaalisi, voi tarjota sinulle elämäsi parhaat opetushetket. Nyt tehtäväsi on löytää ja tunnistaa, kuka he ovat tai voivat olla sinulle – ja luottaa heihin.

Kiitos haastattelusta. Kolme strategiaasi niille, jotka haluavat liittyä teknologia-alalle, ovat sovellettavissa kaikille, ja olen täysin samaa mieltä niiden kanssa. Kuka tahansa, joka haluaa tietää lisää Kepleristä tai tästä upeasta yrityksestä, kannattaa vierailla Stradigi AI:ssa.