Mara Cairo, Pemilik Produk Teknologi Maju di Amii – Seri Wawancara

Mara Cairo sangat bersemangat menggunakan AI untuk kebaikan. Ia memiliki gelar Sarjana Sains di Teknik Elektro dari Universitas Alberta dan memegang gelar P.Eng. dan PMP. Sebelum bergabung dengan Amii, ia bekerja di ruang pengembangan perangkat keras, di mana ia membantu klien membawa produk mereka ke pasar, dengan fokus pada mikro dan nano-fabrikasi.

Sebagai Pemilik Produk Teknologi Maju di Amii, Mara memimpin tim teknis yang membantu mitra industri membangun kapasitas pembelajaran mesin di dalam organisasi mereka dengan memberikan bimbingan dan keahlian untuk mengembangkan model prediktif. Timnya bekerja dengan klien yang berkomitmen untuk maju sepanjang spektrum adopsi AI dengan menerapkan pembelajaran mesin pada masalah bisnis yang paling menantang.

Amii (Alberta Machine Intelligence Institute) adalah salah satu pusat AI terkemuka di Kanada, mereka bermitra dengan perusahaan dari semua ukuran, di seluruh industri, untuk mengemudi strategi inovasi dan memberikan bimbingan praktis dan saran, pelatihan perusahaan dan layanan rekrutmen talenta.

Kami duduk untuk wawancara di konferensi tahunan 2023 Upper Bound tentang AI yang diadakan di Edmonton, AB dan diselenggarakan oleh Amii.

Apa yang awalnya menarik Anda ke teknik elektro?

Sebagai anak, saya hanya sangat suka membangun hal-hal. Ibu saya akan membawa pulang kipas ketika panas di musim panas, dan saya ingin membangunnya. Saya ingat tumbuh dewasa sebagai remaja, saya memiliki ponsel, salah satu Nokia yang bisa dibongkar dan saya akan membongkarnya dan memasang bejewels di dalamnya dan antena. Tapi ketika saya membukanya, itu seperti, “Wah, apa yang ada di dalamnya? Apa yang terjadi?” Ini sangat menarik bagi saya.

Saya selalu unggul dalam matematika. Jadi, menggabungkan semua itu, orang tua saya juga mendorong saya ke arah teknik karena saya baik dalam matematika, saya memiliki minat umum dalam elektronik dan ingin tahu lebih banyak tentang itu, itu adalah apa yang menarik saya ke dalamnya dari awal.

Juga, di teknik, saya sangat suka ide menerapkan matematika pada masalah dunia nyata. Ya, oke, matematika itu bagus dan menyenangkan dan menyenangkan bagi saya, tapi dengan teknik Anda bisa menerapkannya untuk memecahkan masalah yang sulit. Ini tampak seperti campuran yang sempurna dari hal-hal yang akan mengarah pada karir yang menarik.

Orang tua Anda terdengar sangat proaktif dalam mendukung minat Anda.

Ya. Ayah saya khususnya. Ia mengatakan bahwa ia melihatnya di dalam saya dari usia dini dan selalu mendorong saya ke arah itu. Saya berada di acara Wanita di AI kemarin malam juga dan kami berbicara tentang menghilangkan beberapa hambatan dan membuat bidang ini lebih dapat diakses bagi wanita. Dan saya tidak benar-benar melihat itu sebagai hambatan karena, lagi, orang tua saya seperti, “Ini adalah apa yang harus Anda lakukan. Ini bukan pertanyaan tentang jenis kelamin Anda atau apa pun. Ini hanya keterampilan yang Anda miliki. Anda harus secara alami mengikuti dan mengembangkannya.” Saya tidak pernah merasa seperti itu tidak untuk saya, yang tentu saja membantu.

Sebelum bergabung dengan Amii, Anda bekerja di ruang pengembangan perangkat keras untuk fokus pada mikro dan nano-fabrikasi. Bisakah Anda mendefinisikan istilah-istilah tersebut?

Tentu. Jadi, di teknik elektro, saya mengambil spesialisasi nano-teknik. Ini adalah spesialisasi sekitar merancang dan memproduksi pada skala mikro dan nano. Ketika kita berbicara tentang nanometer, kita berbicara tentang milimeter yang dibagi menjadi satu juta adalah nanometer. Skala yang sangat kecil. Dan itu keren. Hal-hal ini sangat kecil sehingga Anda tidak bisa melihatnya dengan mata telanjang. Tapi saya bisa mengambil spesialisasi ini untuk belajar bagaimana memproduksi pada skala itu dan merancang hal-hal pada skala itu.

Kita hidup di dunia yang sangat terhubung. Ada elektronik di sekitar kita dan kita perlu dapat merancang elektronik untuk kemasan dan konstrain ruang. Kita terus-menerus mencoba membuat hal-hal lebih kecil dan lebih kecil. Anda mengambil sesuatu yang besar, sebuah prototipe, dan Anda perlu dapat membuatnya dapat diulang dan diskalakan. Nano-fabrikasi benar-benar tentang alat dan teknik yang Anda gunakan untuk merancang dan memproduksi pada tingkat itu.

Ini dari memproduksi mikrochip hingga mengambil dua chip yang berbeda dan menghubungkannya secara elektrik ke kemasan akhir. Melakukan semua itu pada skala mikro memerlukan teknik yang berbeda daripada membangun sesuatu pada skala manusia. Mikro dan nano-fabrikasi hanya tentang proses kimia yang Anda gunakan dan proses listrik, kemasan yang Anda butuhkan untuk memastikan bahwa hal-hal ini hermetically sealed dan dilindungi dari lingkungan mereka.

Di luar mikrochip, apa contoh lain dari aplikasi atau kasus penggunaan?

Kami bekerja pada banyak proyek seperti fiber optik. Lagi, semua itu akhirnya harus datang ke beberapa jenis unit pemrosesan yang mengambil sinyal atau menghasilkan sinyal. Kami bekerja di industri telekom, optik, kamera, semua itu. Tapi otaknya biasanya beberapa jenis mikrochip di tengah. Tapi ada juga sensor yang memberikan sinyal mereka ke unit pemrosesan yang Anda gunakan. Jadi, teknik manufaktur yang beragam untuk membangun jenis sensor atau perangkat input atau output yang kita butuhkan.

Apa beberapa tantangan di balik bekerja pada skala nanoscale ini?

Satu potong debu dapat merusak seluruh hari Anda. Hal-hal yang Anda kerjakan adalah ukuran yang sama dengan debu di udara. Jadi, Anda memproduksi di ruang bersih. Ruang bersih benar-benar lingkungan yang melindungi apa yang Anda kerjakan dari Anda sebagai manusia, karena kita sebagai manusia sangat kotor, kita terus-menerus mengeluarkan partikel, pakaian kita mengeluarkan partikel, rias wajah yang kita kenakan membuat udara kotor. Kita perlu menghilangkan sebanyak mungkin dari itu sehingga hal-hal yang kita bangun bersih dan bebas dari jenis kontaminan itu.

Tantangan lain, ada cara yang baik untuk membangun ruang bersih ini dan ada studi dan ilmu di balik itu, tapi tantangan lain adalah mengeluarkannya dari laboratorium karena akhirnya hal-hal ini akan digunakan di dunia kita yang sangat kotor. Itu saat kemasan menjadi penting. Kita masih perlu dapat mengakses perangkat ini, tapi kita perlu melakukannya dengan cara yang tidak mengkontaminasi lingkungan, kemasan. Jadi, hermetically sealing hal-hal, memastikan bahwa itu sepenuhnya tertutup, tidak ada yang masuk atau keluar. Itu adalah satu set tantangan yang saya lihat. Kami memiliki sesuatu yang bekerja dengan baik di meja laboratorium dalam pengaturan yang terkendali, tapi umumnya sebagian besar hal yang kita bangun dimaksudkan untuk dibawa keluar ke dunia kita yang kotor. Itu menantang juga.

Lagi, dari manufaktur hingga membawanya ke tujuan akhir, itu hanya pertimbangan dan kekhawatiran lingkungan yang sangat khusus ketika Anda berhadapan dengan hal-hal yang sangat kecil. Hal-hal juga tidak selalu berperilaku seperti yang diharapkan pada skala itu. Di dunia fisik kita, kita mengharapkan hal-hal untuk bekerja dengan cara tertentu, tapi ketika Anda turun ke skala mikro dan nano, dunia fisik menjadi sedikit berbeda, dan Anda tidak selalu dapat mengantisipasi hasilnya. Itu adalah bidang studi lain.

Apa contoh hal-hal yang berbeda dari dunia fisik biasa?

Mengalirkan arus listrik melalui kawat. Kita memiliki pengisi daya dan ponsel kita dan kita mengalirkan arus listrik melalui itu. Ketika Anda mengalirkan arus listrik melalui kawat yang ukurannya seperti helai rambut, ada pertimbangan panas dan hal-hal akan mulai berperilaku berbeda karena, lagi, ruang dan konstrain ukuran.

Apa peran Anda saat ini di Amii, dan bagaimana tim Anda membantu mitra industri?

Peran saya saat ini di Amii sangat berbeda dari dunia mikro dan nano-teknologi.

Saya adalah Pemilik Produk Teknologi Maju di Amii. Saya memimpin tim yang sebagian besar terdiri dari ilmuwan pembelajaran mesin dan manajer proyek yang semua bekerja dengan mitra industri kita untuk memecahkan masalah bisnis mereka melalui penerapan pembelajaran mesin.

Kami sangat fokus pada industri, semua tentang menjembatani kesenjangan antara apa yang terjadi di akademisi, semua temuan hebat dengan pembelajaran mesin dan AI tetapi menerapkannya pada kebutuhan terbesar mitra industri kita. Kami menanggapi kebutuhan mereka dengan membantu klien kami menemukan keterampilan dan keahlian yang mereka butuhkan untuk dapat memajukan pekerjaan.

Kami menjalankan program magang dan residensi kami melalui tim teknologi maju. Jadi, saya melakukan banyak perekrutan. Perekrutan bukanlah latar belakang saya, tapi itu adalah sesuatu yang saya lakukan sekarang. Dan itu semua tentang mencocokkan, menemukan bakat ML yang tepat untuk ditempatkan pada proyek klien kami. Kami merekrut orang-orang ini sebagai karyawan Amii untuk jangka waktu tertentu dan memberikan mereka banyak dukungan dan mentorship, tapi mereka benar-benar didedikasikan untuk bekerja pada proyek klien. Ini adalah cara bagi klien kami untuk mendapatkan akses ke bakat tanpa harus melakukan perekrutan mereka sendiri. Amii memiliki pengakuan merek yang cukup baik, kita dapat membawa bakat yang sangat baik dan kemudian menempatkan mereka pada proyek industri.

Manfaat potensial dari sistem ini adalah klien memiliki kesempatan untuk merekrut orang-orang ini setelah masa dengan kami selesai. Kami ingin bakat ini tetap di sini. Kami tidak ingin kebocoran otak. Kami memberikan klien sedikit keunggulan sehingga mereka dapat mencoba bakat, mencoba proyek, merasakan apa yang sebenarnya pembelajaran mesin, apa yang kita butuhkan untuk membuatnya sukses, dan kemudian idealnya menempatkan bakat dalam perusahaan-perusahaan ini dalam jangka panjang sehingga perusahaan-perusahaan ini benar-benar menjadi perusahaan AI dan dapat memajukan inisiatif mereka sendiri di masa depan.

Berapa lama masa yang mereka tandatangani biasanya?

Biasanya, empat hingga dua belas bulan.

Ini adalah sesuatu yang kita tentukan di awal, tergantung pada kompleksitas proyek dan berapa banyak masalah yang kita coba pecahkan. Kami menemukan bahwa semakin lama, semakin baik. Proyek pembelajaran mesin untuk dilakukan dalam empat bulan bisa menantang. Ada banyak hal di luar hanya membangun model ML. Sangat bergantung pada data yang dikumpulkan dari klien yang diserahkan kepada kami, yang membantu kami membangun model. Semakin lama kita memiliki, semakin baik itu untuk mengulang dan mengitarinya semua kesempatan.

Pekerjaan ini bersifat eksperimental dan eksploratif. Amii adalah lembaga penelitian; kita tidak selalu dapat menjamin hasilnya. Jangka waktu yang lebih lama hanya memberikan kita lebih banyak waktu untuk melakukan penelitian dan memastikan bahwa kita telah menghabiskan semua pilihan kita dan mengejar sebanyak mungkin hal. Kita tidak bisa selalu mengatakan, “Ini adalah metode yang akan bekerja terbaik.” Anda harus mencobanya dan melihat.

Apa beberapa contoh masalah bisnis yang menantang yang tim Anda telah bekerja sama dengan perusahaan?

Saya menyebutkannya, pasti kesiapan data adalah tantangan besar. Persepsi industri yang berkelanjutan tentang kesiapan data berbeda dari apa yang seorang ilmuwan pembelajaran mesin pikirkan siap untuk model pembelajaran mesin. Dan akses. Seberapa mudah bagi klien untuk menyerahkan data kepada kami dengan cara yang dapat dikonsumsi oleh model ML kami. Itu sebabnya kita suka proyek yang lebih lama karena itu memberikan tim kita waktu untuk bekerja dengan klien kita melalui tantangan kesiapan data dan menyiapkan mereka untuk sukses.

Sampah masuk adalah sampah keluar, jika Anda memberi kami data sampah, kami akan membuat model sampah. Kami benar-benar membutuhkan data berkualitas. Dan ada sedikit kurva belajar untuk klien. Persepsi industri, lagi, tentang apa data berkualitas, apa contoh yang kita butuhkan untuk dapat memprediksi hal-hal di masa depan. Ini hanya masalah literasi, memastikan bahwa kita berbicara bahasa yang sama, mereka memahami keterbatasan berdasarkan data yang mereka miliki akses ketika mereka memahami apa yang akan menyiapkan kita untuk sukses.

Anda perlu contoh apa yang Anda coba prediksi dalam dataset Anda. Jika suatu peristiwa sangat jarang, itu akan sulit bagi kita untuk pernah mengantisipasinya terjadi. Kita bisa membangun model yang sangat akurat dari sesuatu yang hanya 99% akurat karena itu tidak pernah memprediksi 1% waktu yang sesuatu terjadi. Lagi, hanya memastikan bahwa klien memahami apa yang kita butuhkan untuk membangun model yang akurat.

Kami telah melihat bahkan masalah yang tampaknya sederhana dapat sangat kompleks tergantung pada dataset mereka. Di awal, memiliki panggilan penemuan awal dengan klien, kita harus mengantisipasi panjang waktu yang kita butuhkan. Tapi terkadang ketika kita mulai mengupas lapisan bawang, kita menyadari, tidak, ini jauh lebih kompleks daripada yang kita pikir karena kompleksitas data.

Tantangan lain, kurangnya komitmen dari ahli subjek yang diperlukan. Ketika kita bermitra dengan mitra industri kita, kita benar-benar membutuhkan mereka untuk terus datang ke meja karena mereka adalah ahli domain dan biasanya ahli data juga. Kita tidak seperti toko pengembangan di mana kita bisa mengambil data, membangun model, dan menyerahkannya kepada mereka di akhir. Ini sangat kolaboratif. Dan semakin banyak mitra industri kita memasukkan, semakin banyak yang mereka akan dapatkan karena mereka akan dapat memandu kita ke arah yang benar, memastikan bahwa prediksi yang kita buat masuk akal bagi mereka dari perspektif bisnis, bahwa kita membidik metrik yang tepat, kita memahami apa kesuksesan bagi mereka.

Kita perlu tim multidisiplin di sekitar kita untuk mendukung proyek dan itu membutuhkan lebih dari satu ilmuwan pembelajaran mesin untuk membangun model yang sukses yang akan mempengaruhi bisnis secara positif. Ada banyak tantangan. Itu yang terlintas dalam pikiran.

Anda secara pribadi percaya bahwa AI harus menjadi kekuatan untuk kebaikan. Apa beberapa cara yang Anda pikir AI dapat mengubah masa depan secara positif?

Hal yang saya sukai paling tentang pekerjaan saya adalah kita bekerja dengan klien dari seluruh industri, memecahkan masalah yang sangat berbeda, tapi semuanya benar-benar digunakan untuk perubahan positif. Dan Amii memiliki kerangka AI yang berprinsip yang memastikan bahwa kita melakukan hal itu. Dari tahap kontrak, kita memastikan bahwa proyek yang kita kerjakan dengan mitra industri kita digunakan untuk perubahan positif dengan cara yang etis. Semua proyek yang saya dapat lihat digunakan untuk kebaikan dan mengubah masa depan secara positif.

Salah satu hal yang terlintas dalam pikiran, di Alberta lebih sering daripada tidak sekarang kita berhadapan dengan situasi kebakaran hutan di musim panas. Tahun ini, bahkan di April, itu buruk. Kami baru-baru ini bermitra dengan Canada Wildfire. Ini adalah grup penelitian dari Universitas Alberta. 40 tahun data cuaca yang diikat dengan peristiwa kebakaran hutan yang parah. Bekerja dengan mereka untuk lebih baik memprediksi peristiwa ini di masa depan sehingga kita dapat lebih baik mempersiapkan sumber daya yang mungkin diperlukan, memiliki tim pergi dan menenangkan lingkungan sebelum itu mencapai tahap di mana kebakaran hutan sedang berkobar. Saya pikir itu hanya karena saya berada di Edmonton, saya tidak tahu apakah Anda ada di sini minggu lalu, tapi itu sangat berdebu.

Ketika saya tiba pada hari Minggu malam (21 Mei 2023) itu sangat berdebu.

Ini membinasakan. Ini merusak komunitas. Ini mengambil rumah orang. Harus bernapas partikulat di udara tidak baik, tapi kehancuran sangat besar. Itu satu proyek yang menarik yang dekat dengan hati kita semua.

Area lain kita bekerja adalah ruang pertanian. Bagaimana kita akan memberi makan populasi yang tumbuh? Kita bekerja dengan Dewan Riset Nasional pada masalah kelimpahan protein. Mencoba memastikan bahwa tanaman yang kita tanam memiliki kadar protein yang lebih tinggi untuk memberi makan populasi yang tumbuh dan menggunakan pembelajaran mesin untuk dapat membuat prediksi tersebut.

Mengurangi emisi adalah salah satu yang sangat populer. Bekerja dengan perusahaan di sektor minyak dan gas untuk memastikan bahwa proses dan sistem dan alat yang digunakan adalah yang paling efisien. Kita bekerja dengan pusat pengolahan air di Drayton Valley, yang merupakan kota kecil di Alberta, memastikan bahwa pusat pengolahan air itu berjalan seefisien mungkin dan bahwa kita menciptakan air bersih sebanyak mungkin untuk komunitas. Pengobatan presisi juga.

Daftar itu terus berlanjut. Secara harfiah, setiap perusahaan yang kita kerjakan pada proyek-proyek ini, proyek-proyek ini, penyebab-penyebab ini. Ini sulit bagi saya untuk memilih favorit karena ketika Anda memikirkannya, semuanya memiliki kemungkinan untuk memiliki dampak yang sangat positif pada masa depan.

Apa visi Anda untuk masa depan AI atau robotika?

Exposure saya ke robotika benar-benar di rantai pasokan. Ini adalah tempat di mana robotika sudah digunakan, tapi ini juga bagaimana kita dapat meningkatkan mereka dengan AI untuk membangun pada sistem dan otomatisasi yang ada, lagi, melalui proses yang lebih efisien? Rantai pasokan jelas tertarik untuk meningkatkan throughput, memenuhi lebih banyak pesanan lebih cepat, dan pengambilan keputusan yang lebih efisien. Di sisi robotika, lagi, exposure saya telah membangun di atas robot yang ada untuk membuat mereka lebih pintar dan lebih baik.

Saya pikir lebih umum, masa depan dari apa yang saya lihat industri lakukan masih sangat berorientasi pada manusia. Robotika digunakan sebagai alat, sebagai augmentasi bagi manusia. Mungkin robotika dikerahkan dalam kondisi yang berbahaya bagi manusia di mana kita tidak seharusnya terpapar pada lingkungan. Robotika adalah pengganti yang sangat baik bagi kita dalam kasus itu untuk menjaga kita lebih aman. Ada juga penelitian yang sangat keren dilakukan oleh rekan-rekan kita dan anggota tubuh bionik, sehingga lebih mudah mengontrol dan menggerakkan orang-orang yang membutuhkan dukungan. Semua ini masih sangat terkait dengan manusia dan penggunaan alat-alat ini, tapi membuat hidup mereka lebih mudah melalui sistem-sistem baru.

Di masa depan AI secara umum, ini adalah waktu yang sangat menarik untuk berada di ruang ini. Industri akhirnya memahami bahwa AI ada dan itu akan mengubah semua hal dan Anda bisa memimpin atau diarahkan. Saya pikir salah satu visi Amii adalah memiliki setiap perusahaan yang nyaman dengan teknologi, menyadari apa yang bisa dan tidak bisa dilakukan, dan benar-benar mau bereksperimen dan mengulang implementasinya dalam bisnis mereka untuk memecahkan beberapa masalah terbesar mereka.

Sampai sekarang, saya pikir mungkin ada persepsi bahwa itu hanya perusahaan teknologi yang menggunakan AI dan ML, tapi sekarang itu menjadi lebih jelas bahwa ML dapat diterapkan pada hampir setiap organisasi. Ini bukan selalu jawaban yang tepat, tapi ada kasus penggunaan untuk itu. Saya berharap bahwa masa depan adalah perusahaan yang menjadi perusahaan AI alami mereka sendiri dengan menjadi lebih melek dan akrab dengan teknologi dan menyadari bagaimana mereka dapat menggunakannya untuk bisnis mereka.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi sumber daya berikut:

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