Wawancara
Mara Cairo, Product Owner of Advanced Technology at Amii – Interview Series
Mara Cairo sangat bersemangat menggunakan AI untuk kebaikan. Ia memiliki gelar Sarjana Sains di Bidang 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 Product Owner of Advanced Technology 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 mengarahkan strategi inovasi dan memberikan bimbingan dan saran praktis, pelatihan perusahaan, dan layanan rekrutmen talenta.
Kami duduk untuk wawancara di konferensi Upper Bound 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 kecil, saya sangat suka membangun hal-hal. Ibu saya membawa pulang kipas ketika cuaca panas di musim panas, dan saya ingin membangunnya. Saya ingat ketika saya tumbuh dewasa sebagai seorang remaja, saya memiliki ponsel, salah satu Nokia yang bisa dibongkar dan saya akan membongkarnya dan menempatkan hiasan di dalamnya dan antena. Tapi ketika saya membukanya, itu seperti, “Wah, apa yang terjadi di sini?” Ini sangat menarik bagi saya.
Saya selalu unggul dalam matematika. Jadi, dengan 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 hal yang menarik saya ke dalam teknik elektro.
Juga, dalam teknik, saya sangat suka ide menerapkan matematika pada masalah dunia nyata. Ya, oke, matematika itu hebat dan menyenangkan bagi saya, tapi dengan teknik, Anda bisa menerapkannya untuk memecahkan masalah yang sulit. Ini tampaknya 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 sejak usia dini dan selalu mendorong saya ke arah itu. Saya berada di acara Women in AI kemarin malam juga dan kami membahas tentang menghilangkan beberapa hambatan dan membuat bidang ini lebih mudah diakses bagi wanita. Dan saya tidak benar-benar melihat itu sebagai hambatan karena, lagi-lagi, orang tua saya seperti, “Ini adalah apa yang harus Anda lakukan. Ini bukan pertanyaan tentang jenis kelamin Anda atau apa pun. Ini adalah keterampilan yang Anda miliki. Anda harus secara alami mengikuti dan mengembangkannya.” Saya tidak pernah merasa seperti itu bukan untuk saya, yang membantu tentu saja.
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, dalam teknik elektro, saya mengambil pilihan nano-teknik. Ini adalah spesialisasi sekitar perancangan dan pembuatan 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 direproduksi dan diskalakan. Nano-fabrikasi benar-benar tentang alat dan teknik yang Anda gunakan untuk merancang dan memproduksi pada tingkat itu.
Ini dari pembuatan mikrochip hingga mengambil dua chip yang berbeda dan menghubungkannya secara elektrik ke kemasan akhir. Melakukan semua itu pada skala mikro memerlukan teknik yang berbeda dari membangun sesuatu pada skala manusia. Mikro dan nano-fabrikasi hanya sekitar proses kimia yang Anda gunakan dan proses listrik, kemasan yang perlu Anda lakukan 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 melakukan pekerjaan di industri telekom, optik, kamera, semua hal itu. Tapi otaknya biasanya beberapa jenis mikrochip di tengah. Tapi ada juga sensor yang memberikan sinyal mereka ke unit pemrosesan yang kami gunakan. Jadi, teknik manufaktur yang beragam untuk membangun jenis sensor atau perangkat input atau output yang kami butuhkan.
Apa beberapa tantangan di balik bekerja pada skala nano?
Satu potong debu dapat merusak seluruh hari Anda. Hal-hal yang Anda kerjakan berukuran sama dengan debu di udara. Jadi, Anda memproduksi di ruang bersih. Ruang bersih benar-benar adalah 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 tersebut.
Tantangan lain, ada cara-cara hebat untuk membangun ruang bersih 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 mengontaminasi lingkungan, kemasan. Jadi, hermetically sealing hal-hal, memastikan bahwa tidak ada yang masuk atau keluar. Itu adalah tantangan lain 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 sangat khusus pertimbangan dan kekhawatiran lingkungan ketika Anda berhadapan dengan hal-hal yang sangat kecil. Juga, hal-hal tidak selalu berperilaku seperti yang diharapkan pada skala yang sangat kecil. Di dunia fisik kita, kita mengharapkan hal-hal bekerja dengan cara tertentu, tapi ketika Anda turun ke skala mikro dan nano, dunia fisik menjadi sedikit berbeda, dan Anda tidak selalu dapat memprediksi hasilnya. Itu adalah bidang studi lain.
Apa contoh dari perbedaan dari dunia fisik biasa?
Mengalirkan arus listrik melalui kawat. Kami memiliki pengisi daya dan ponsel kami dan kami mengalirkan arus listrik melalui itu. Ketika Anda mengalirkan arus listrik melalui kawat yang berukuran seperti helai rambut, ada pertimbangan panas dan hal-hal akan mulai berperilaku berbeda karena, lagi, konstrain ruang dan 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 Product Owner dari Tim Teknologi Lanjutan di Amii. Saya memimpin tim yang sebagian besar terdiri dari ilmuwan pembelajaran mesin dan manajer proyek yang bekerja dengan mitra industri kami 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 kemajuan hebat dalam pembelajaran mesin dan AI, tapi menerapkannya pada kebutuhan terbesar mitra industri kami.
Kami menanggapi kebutuhan tersebut dengan esensial membantu klien kami menemukan keterampilan dan keahlian yang mereka butuhkan untuk dapat memajukan pekerjaan.
Kami menjalankan program magang dan residensi melalui tim teknologi lanjutan. 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 merekrut orang-orang ini sebagai karyawan Amii untuk jangka waktu tertentu dan memberikan mereka banyak dukungan dan bimbingan, tapi mereka benar-benar didedikasikan untuk bekerja pada proyek klien dan memajukannya. Ini adalah cara bagi klien kami untuk mendapatkan akses ke bakat tanpa harus melakukan perekrutan mereka sendiri. Amii memiliki pengakuan merek yang cukup baik, kami dapat membawa bakat yang sangat baik dan kemudian menempatkan mereka pada proyek industri ini.
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 itu pembelajaran mesin, apa yang dibutuhkan untuk membuatnya sukses, dan kemudian idealnya menempatkan bakat dalam perusahaan ini dalam jangka panjang sehingga perusahaan ini benar-benar menjadi perusahaan AI dan dapat memajukan inisiatif mereka sendiri di masa depan.
Berapa lama masa yang mereka tandatangani biasanya?
Umumnya, empat hingga dua belas bulan.
Ini adalah sesuatu yang kami tentukan di awal, tergantung pada kompleksitas proyek dan berapa banyak masalah yang kami coba pecahkan. Kami menemukan bahwa semakin lama, semakin baik. Proyek pembelajaran mesin untuk dilakukan dalam empat bulan bisa menantang. Ada banyak hal yang lebih dari sekadar membangun model ML. Sangat bergantung pada data yang dikumpulkan dari klien yang diserahkan kepada kami, yang membantu kami membangun model. Semakin lama kami memiliki, semakin baik itu.
Pekerjaan ini bersifat eksperimental dan eksploratif. Amii adalah lembaga penelitian; kami tidak selalu dapat menjamin hasilnya. Waktu yang lebih lama hanya memberi kami lebih banyak waktu untuk melakukan penelitian dan memastikan bahwa kami telah menghabiskan semua pilihan dan mengejar sebanyak mungkin hal.
Apa contoh dari masalah bisnis yang menantang yang tim Anda telah bekerja dengan perusahaan ini?
Saya menyebutkannya, tentu saja, kesiapan data adalah tantangan besar. Persepsi industri yang berkelanjutan tentang kesiapan data berbeda dari apa yang seorang ilmuwan pembelajaran mesin pikir 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 kami suka proyek yang lebih lama karena itu memberi tim kami waktu untuk bekerja dengan klien kami melalui tantangan kesiapan data ini dan menyiapkan mereka untuk sukses.
Sampah masuk adalah sampah keluar, jika Anda menyerahkan data sampah kepada kami, kami akan membuat model sampah. Kami benar-benar membutuhkan data yang berkualitas. Dan ada sedikit kurva belajar untuk klien. Persepsi industri, lagi, tentang apa itu data yang berkualitas, apa contoh yang kami butuhkan untuk melihat untuk dapat memprediksi hal-hal di masa depan. Ini hanya masalah literasi, memastikan bahwa kami berbicara bahasa yang sama, mereka memahami keterbatasan berdasarkan data yang mereka miliki akses ketika mereka memahami apa yang akan menyiapkan kami untuk sukses.
Anda perlu contoh dari apa yang Anda coba prediksi dalam dataset Anda. Jika suatu peristiwa sangat jarang, itu akan sulit bagi kami untuk pernah memprediksi itu terjadi. Kami bisa membangun model yang sangat akurat dari sesuatu yang hanya 99% akurat karena itu tidak pernah memprediksi 1% waktu bahwa sesuatu terjadi. Lagi, hanya memastikan bahwa klien memahami apa yang kami butuhkan untuk membangun model yang akurat.
Kami telah melihat bahkan masalah yang tampaknya sederhana dapat sangat kompleks tergantung pada dataset mereka. Pada awalnya, memiliki panggilan penemuan awal dengan klien, kami harus dapat memprediksi panjang waktu yang kami butuhkan. Tapi terkadang ketika kami mulai mengupas lapisan bawang, kami menyadari, tidak, ini jauh lebih kompleks dari yang kami pikir karena kompleksitas data ini.
Tantangan lain, kurangnya komitmen dari ahli subjek yang diperlukan. Ketika kami bermitra dengan mitra industri kami, kami benar-benar membutuhkan mereka untuk terus datang ke meja karena mereka adalah ahli domain dan biasanya ahli data juga. Kami tidak seperti toko pengembangan yang dapat mengambil data, membangun model, dan menyerahkannya kepada mereka di akhir. Ini sangat kolaboratif. Dan semakin banyak mitra industri kami memberikan, semakin banyak yang mereka dapatkan karena mereka akan dapat memandu kami ke arah yang tepat, memastikan bahwa prediksi yang kami buat masuk akal bagi mereka dari perspektif bisnis, bahwa kami menargetkan metrik yang tepat, kami memahami apa kesuksesan bagi mereka.
Kami membutuhkan tim multidisiplin di sekitar kami untuk mendukung proyek dan itu membutuhkan lebih dari sekadar 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 kami bekerja dengan klien dari seluruh industri, memecahkan masalah yang sangat berbeda, tapi semuanya benar-benar digunakan untuk beberapa jenis perubahan positif. Dan Amii memiliki kerangka kerja AI yang berprinsip yang memastikan bahwa kami melakukan hal itu. Dari tahap kontrak, kami memastikan bahwa proyek yang kami kerjakan dengan mitra industri kami digunakan untuk perubahan positif dengan cara yang etis. Semua proyek yang saya lihat digunakan untuk kebaikan dan mengubah masa depan secara positif.
Satu hal yang terlintas dalam pikiran, di Alberta lebih sering daripada tidak sekarang kami berhadapan dengan situasi kebakaran hutan di musim panas. Tahun ini khususnya, bahkan pada bulan April, itu buruk. Kami baru-baru ini bermitra dengan Canada Wildfire. Ini adalah grup penelitian dari Universitas Alberta. 40 tahun data cuaca yang terikat pada peristiwa kebakaran hutan yang parah. Bekerja dengan mereka untuk lebih baik memprediksi peristiwa ini di masa depan sehingga kami dapat lebih baik mempersiapkan sumber daya yang mungkin diperlukan, memiliki tim masuk 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 berada di sini minggu lalu, tapi itu sangat kabur.
Ketika saya tiba pada malam hari Minggu (21 Mei 2023) itu sangat kabur.
Itu memusnahkan. Ini merusak komunitas. Ini mengambil rumah orang. Harus bernapas partikulat di udara tidak baik, tapi kehancuran sangat besar. Memiliki kemampuan untuk memprediksi peristiwa ini di masa depan sehingga kami dapat lebih baik mempersiapkan sumber daya yang mungkin diperlukan, itu sangat menarik.
Proyek lain yang menarik adalah di ruang pertanian. Bagaimana kita akan memberi makan populasi yang tumbuh? Kami bekerja dengan Dewan Riset Nasional pada masalah kelimpahan protein. Mencoba memastikan bahwa tanaman yang kami tanam memiliki kandungan protein yang lebih tinggi untuk memberi makan populasi yang tumbuh dan menggunakan pembelajaran mesin untuk dapat membuat prediksi tersebut.
Mengurangi emisi adalah yang lain sangat populer. Bekerja dengan perusahaan di sektor minyak dan gas untuk memastikan bahwa proses dan sistem dan alat yang digunakan seefisien mungkin. Kami 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 kami menciptakan air bersih sebanyak mungkin untuk komunitas.
Obat presisi juga.
Daftar itu terus berlanjut. Secara harfiah, setiap perusahaan yang kami kerjakan pada proyek-proyek ini, proyek-proyek ini, ini adalah hal-hal yang memiliki kemampuan untuk memiliki dampak positif yang luar biasa pada masa depan.
Apa visi Anda untuk masa depan AI atau robotika?
Paparan saya terhadap robotika benar-benar di rantai pasokan. Ini adalah tempat robotika sudah digunakan, tapi ini juga bagaimana kita dapat meningkatkan mereka dengan AI untuk membangun pada sistem yang ada dan otomatisasi, lagi, melalui proses yang lebih efisien? Rantai pasokan tentu saja tertarik untuk meningkatkan throughput, memenuhi lebih banyak pesanan lebih cepat, dan pengambilan keputusan yang lebih efisien. Pada sisi robotika, lagi, paparan 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 berfokus pada manusia. Robotika digunakan sebagai alat, sebagai augmentasi bagi manusia. Mungkin robotika dikerahkan dalam kondisi yang berbahaya bagi manusia di mana kita tidak boleh terpapar pada lingkungan. Robotika adalah pengganti yang hebat bagi kita dalam kasus itu untuk menjaga kita lebih aman. Ada juga penelitian yang sangat keren dilakukan oleh rekan-rekan kami dan anggota tubuh buatan, sehingga kontrol dan gerakan yang lebih mudah bagi orang-orang yang membutuhkan dukungan. Semua sangat terikat pada manusia dan penggunaan alat ini, tapi membuat hidup mereka lebih mudah melalui sistem ini.
Dalam hal 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 segalanya dan Anda bisa memimpin atau mengikuti. Saya pikir salah satu visi Amii adalah memiliki setiap perusahaan merasa nyaman dengan teknologi, menyadari apa yang bisa dan tidak bisa dilakukan, dan benar-benar mau bereksperimen dan mengulangi 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 semua organisasi. Ini tidak selalu jawaban yang tepat, tapi ada kasus penggunaan untuk itu. Saya berharap masa depan adalah perusahaan menjadi perusahaan AI alami 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:
