Imogen Low, Co-Fondatrice et Directrice technique de NWO.ai – Série d’entretiens

Imogen Low est la co-fondatrice et la directrice technique (CTO) de NWO.ai, une plateforme prédictive qui suit plus de 20 millions de microtendances et qui alerte les clients sur les tendances avant qu’elles ne deviennent exponentielles.

Qu’est-ce qui vous a initialement intéressé dans le domaine de l’apprentissage automatique ?

J’ai commencé à m’intéresser à l’apprentissage automatique lors de mes études secondaires. En dehors de mes études, j’ai développé des cartes interactives 3D de complexes installations de niveau multiple, telles que des centres commerciaux, des aéroports, des hôpitaux et des écoles. Ces cartes pouvaient être utilisées pour aider la navigation intérieure et la recherche de chemin pour les visiteurs. J’étais également intéressé par la collecte de points de données comportementaux sur les utilisateurs individuels lorsqu’ils se déplacent dans les bâtiments. Ces informations pouvaient être utilisées pour anticiper le flux de piétons dans le temps et optimiser les itinéraires de navigation.

Mais ce n’est qu’à l’âge de 17 ans, lorsque j’ai obtenu mon premier emploi en tant qu’ingénieur en apprentissage automatique chez SAP, que je me suis vraiment enthousiasmé pour l’IA. Pendant que j’étais chez SAP, j’ai travaillé sur une gamme de problèmes différents. Par exemple, j’ai analysé les données satellitaires de la NASA pour prédire la qualité des récoltes ; j’ai utilisé la technologie de vision par ordinateur pour analyser les images prises par des drones pour surveiller le bétail ; j’ai utilisé les données transactionnelles d’entreprise pour prédire les fraudes fiscales ; et j’ai combiné la technologie de vision par ordinateur avec le traitement automatique des langues pour créer des assistants virtuels conversationnels et de réalité augmentée.

Pouvez-vous décrire votre parcours inhabituel de l’Australie à Singapour et enfin aux États-Unis ?

L’application de navigation intérieure que j’ai développée au lycée m’a emmené à Taïwan, où je l’ai présentée à la conférence des prix APICTA (Asia Pacific ICT Alliance). L’expérience m’a donné une nouvelle perspective sur le rythme du changement technologique et de l’innovation en Asie, en particulier leur adoption des technologies d’intelligence artificielle. Je voulais me plonger dans un pays asiatique et faire partie de ces progrès. J’ai donc accepté un poste en apprentissage automatique au siège de SAP APJ à Singapour.

Pendant que j’étais à Singapour, j’ai développé un assistant virtuel qui est devenu un exemple de pointe de l’innovation chez SAP. J’ai donc été invité à le présenter à un sommet d’innovation en Asie. Au sommet, j’ai écouté une présentation fascinante de Pulkit Jaiswal, un entrepreneur de drones réussi. Il a expliqué comment il pouvait prédire les tensions géopolitiques entre les pays en analysant les données en ligne. J’étais tellement intrigué par l’idée que j’ai décidé de quitter mon emploi ce jour-là et de me associer avec lui en tant que co-fondateur dans son entreprise, NWO. Même si l’entreprise est basée à New York, je suis basé à Sydney.

Pouvez-vous décrire comment NWO.ai aide à identifier les tendances avant qu’elles ne deviennent exponentielles ?

Chez NWO.ai, nous modélisons la façon dont l’adoption de différentes idées se propage dans les réseaux mondiaux. L’objectif est de prédire les augmentations significatives de part de marché. Pour cela, nous avons conçu un moteur de corrélation croisée qui identifie les sources de données et les voix des consommateurs qui sont les plus forts prédicteurs de l’adoption d’une tendance. Nous pouvons également identifier les principaux facteurs qui influencent la croissance. Nous utilisons ensuite notre système de pondération dynamique pour amplifier les points de données les plus prédictifs et atténuer les points de données retardataires.

Quelles sont certaines des technologies d’apprentissage automatique utilisées ?

Nous utilisons un ensemble de modèles d’apprentissage automatique de pointe, tels que les encodeurs de documents, les modèles de reconnaissance d’entités nommées (NER) et la traduction automatique. Nous combinons ces techniques avec des méthodes que nous avons adoptées de l’exploration de règles d’association et de la théorie des graphes pour modéliser nos ensembles de données textuelles non structurées en un graphique de connaissance sémantique temporel et multilingue. Nous pouvons alors représenter la force d’association entre les différentes idées à différents moments et construire dynamiquement des associations entre les nouveaux points de données en temps réel.

Quels sont les types de sources de données publiques ou privées utilisées ?

Nous nous appuyons principalement sur des sources de données non structurées et publiques pour construire nos modèles de prédiction. Celles-ci incluent des publications sur les médias sociaux, des articles de presse, des blogs, des forums, des commentaires et des historiques de recherche. Nous combinons également ces données avec des données transactionnelles d’entreprise propriétaires, telles que les données historiques de ventes, de demande et d’inventaire.

Quels conseils avez-vous pour les femmes entrepreneurs ?

C’est un excellent moment pour être une femme fondatrice ! Ne soyez pas découragée par l’idée que l’entrepreneuriat est principalement dominé par les hommes. Il y a eu un appel plus grand pour la diversité des sexes dans l’entrepreneuriat récemment. Les femmes ont beaucoup à offrir en termes de perspectives différentes sur le monde et de façons de penser pour résoudre les problèmes. À cause de cela, nous voyons de nouveaux réseaux de soutien qui encouragent les femmes à créer des entreprises et offrent des conseils, des mentorats et des opportunités d’investissement.

Je vous remercie pour cette excellente interview. Les lecteurs qui souhaitent en savoir plus peuvent visiter NWO.ai.