Mara Cairo, Product Owner di Advanced Technology presso Amii – Intervista

Mara Cairo è appassionata di utilizzare l’AI per il bene. Ha un Bachelor of Science in Ingegneria Elettrica presso l’Università dell’Alberta e detiene le designazioni P.Eng. e PMP. Prima di unirsi ad Amii, ha lavorato nello spazio di sviluppo hardware, dove ha aiutato i clienti a portare i loro prodotti sul mercato, con un focus sulla micro e nanofabbricazione.

Come Product Owner di Advanced Technology presso Amii, Mara guida un team tecnico che aiuta i partner industriali a costruire la capacità di apprendimento automatico all’interno della loro organizzazione fornendo orientamento e competenze per sviluppare modelli predittivi. Il suo team lavora con clienti che sono impegnati ad avanzare lungo lo spettro di adozione dell’AI applicando l’apprendimento automatico ai loro problemi di business più impegnativi.

Amii (Alberta Machine Intelligence Institute) è uno dei centri più importanti per l’AI in Canada, che collabora con aziende di tutte le dimensioni, in tutti i settori, per guidare la strategia di innovazione e fornire orientamento pratico e consigli, servizi di formazione aziendale e reclutamento di talenti.

Ci siamo seduti per un’intervista alla conferenza annuale 2023 Upper Bound sull’AI che si tiene a Edmonton, AB e ospitata da Amii.

Cosa ti ha inizialmente attratto verso l’ingegneria elettrica?

Da bambina, mi piaceva costruire cose. Mia madre mi portava a casa un ventilatore quando faceva caldo in estate e io volevo costruirlo. Ricordo di essere cresciuta come teenager, avevo un cellulare, uno di quei Nokia che potevi smontare e io lo smontavo e mettevo delle decorazioni all’interno e sull’antenna. Ma quando l’ho aperto, è stato come: “Cielo, cosa c’è dentro? Cosa sta succedendo?” È stato molto interessante per me.

Ho sempre eccelso in matematica. Quindi, mettendo tutto questo insieme, i miei genitori mi hanno anche spinto nella direzione dell’ingegneria perché ero brava in matematica, avevo un interesse generale per l’elettronica e volevo saperne di più su di essa, ed è stato quello che mi ha attirato inizialmente.

Inoltre, nell’ingegneria, mi piaceva l’idea di applicare la matematica a problemi del mondo reale. Sì, okay, la matematica è grande e emozionante e divertente per me, ma con l’ingegneria puoi applicarla per risolvere problemi difficili. Sembra una miscela perfetta di cose che possono portare a una carriera interessante.

I tuoi genitori sembrano essere stati molto proattivi nel sostenere i tuoi interessi.

Sì. Mio padre in particolare. Dice di averlo visto in me fin da piccola e mi ha sempre spinto in quella direzione. Ero a un evento di Women in AI la scorsa notte e abbiamo parlato di come rimuovere alcune barriere e rendere il campo più accessibile alle donne. E non ho visto quella barriera perché, di nuovo, i miei genitori erano come: “Questo è ciò che dovresti fare. Non è una questione di genere o altro. È solo una competenza che hai. Dovresti seguire e coltivarla.” Non ho mai sentito che non fosse per me, il che mi ha aiutato ovviamente.

Prima di unirti ad Amii, hai lavorato nello spazio di sviluppo hardware con un focus sulla micro e nanofabbricazione. Potresti definire questi termini?

Certo. Nell’ingegneria elettrica, ho scelto l’opzione di nanoingegneria. Era la specializzazione sulla progettazione e sulla produzione su scala micro e nanometrica. Quando parliamo di un nanometro, stiamo parlando di un millimetro diviso in un milione, che è un nanometro. Una scala molto, molto piccola. E questo è affascinante. Queste cose sono così piccole che non puoi nemmeno vederle a occhio nudo. Ma potevo prendere questa specializzazione per imparare a progettare e produrre su quella scala.

Viviamo in un mondo molto connesso. Ci sono elettroniche ovunque e dobbiamo essere in grado di progettare elettroniche per le limitazioni di spazio e di packaging. Stiamo costantemente cercando di rendere le cose più piccole e più piccole. Prendi qualcosa di ingombrante, un prototipo, e devi essere in grado di renderlo riproducibile e scalabile. La nanofabbricazione è veramente sui tool e le tecniche che si utilizzano per progettare e produrre su quel livello.

Questo va dalla produzione di microchip alla connessione di due chip diversi elettricamente al packaging finale. Fare tutto questo su scala microscopica richiede una tecnica diversa rispetto a costruire qualcosa sulla nostra scala umana. La micro e la nanofabbricazione sono solo intorno ai processi chimici che si utilizzano e ai processi elettrici, al packaging che devi assicurarti di fare per proteggere questi dispositivi dall’ambiente.

Fuori dai microchip, quale sarebbe un’altra applicazione o caso d’uso?

Abbiamo lavorato su molti progetti come fibre ottiche. Ancora, alla fine tutto deve essere collegato a qualche tipo di unità di elaborazione che sta ricevendo segnali o generando segnali. Abbiamo lavorato nell’industria delle telecomunicazioni, ottica, fotocamere, tutte queste cose. Ma il cervello di tutto questo è generalmente qualche tipo di microchip al centro. Ma ci sono anche i sensori che stanno alimentando i segnali in qualsiasi unità di elaborazione stai utilizzando. Quindi, tecniche di produzione diverse per costruire qualsiasi tipo di sensore o dispositivo di input o output di cui abbiamo bisogno.

Quali sono alcune delle sfide dietro il lavoro su questa scala nanometrica?

Un pezzo di polvere può rovinare tutta la giornata. Le cose su cui stai lavorando sono della stessa dimensione della polvere nell’aria. Quindi, si lavora in una camera pulita. La camera pulita è veramente un ambiente che sta proteggendo ciò su cui stai lavorando da te come essere umano, perché noi esseri umani siamo molto “sporchi”, stiamo costantemente emettendo particolati, i nostri vestiti stanno particolando, il trucco che indossiamo sta rendendo l’aria sporca. Dobbiamo eliminare il più possibile tutto ciò in modo che le cose che stiamo costruendo siano chiare e pulite da questo tipo di contaminante.

Un’altra sfida, ci sono ottimi modi per costruire queste camere pulite e c’è uno studio e una scienza dietro di essa, ma un’altra sfida è portare le cose fuori dal laboratorio perché alla fine queste cose saranno utilizzate nel nostro mondo molto “sporco”. È quando il packaging diventa importante. Dobbiamo ancora essere in grado di accedere a questi dispositivi, ma dobbiamo farlo in modo da non contaminare l’ambiente, il packaging. Quindi, sigillare ermeticamente le cose, assicurarsi che nulla entri o esca. Questo è un altro insieme di sfide che ho visto. Avevamo qualcosa che funzionava bene su un banco di laboratorio in un ambiente controllato, ma in generale la maggior parte delle cose che stavamo costruendo erano destinate a essere portate nel nostro mondo “sporco”. Questo è stato impegnativo.

Di nuovo, dalla produzione fino a portare le cose alla loro destinazione finale, è solo un tipo di considerazione e preoccupazione ambientale molto speciale quando si lavora con cose così piccole. Inoltre, le cose non sempre si comportano come ci si aspetta su quella scala così piccola. Nel nostro mondo fisico, ci aspettiamo che le cose funzionino in un certo modo, ma quando si scende alla scala micro e nanometrica, il mondo fisico diventa un po’ diverso e non puoi sempre anticipare i risultati. Questo è un altro campo di studio.

Quali sarebbero alcuni esempi di differenze rispetto al mondo fisico normale?

Passare corrente attraverso un filo. Abbiamo i nostri caricabatterie e i nostri telefoni e stiamo passando corrente attraverso di essi. Quando passi corrente attraverso un filo che è grande come un capello, ci sono ovviamente considerazioni di calore e le cose inizieranno a comportarsi diversamente perché, di nuovo, lo spazio e le limitazioni di dimensione.

Qual è il tuo ruolo attuale ad Amii e come il tuo team aiuta i partner industriali?

Il mio ruolo attuale ad Amii è molto diverso dal mondo della micro e nanotecnologia.

Sono Product Owner del Team di Tecnologia Avanzata ad Amii. Guido un team di scienziati di apprendimento automatico e project manager che stanno lavorando con i nostri diversi partner industriali per risolvere i loro problemi di business attraverso l’applicazione dell’apprendimento automatico.

Siamo molto focalizzati sull’industria, tutto su come colmare il divario tra ciò che sta succedendo nell’ambito accademico, tutte le grandi scoperte con l’apprendimento automatico e l’AI, ma applicandole ai bisogni più grandi dei nostri partner industriali. Rispondiamo a quei bisogni aiutando i nostri clienti a trovare le competenze e l’esperienza di cui hanno bisogno per poter portare avanti il lavoro.

Gestiamo i nostri programmi di tirocinio e residenza attraverso il team di tecnologia avanzata. Quindi, assunto molto. Il reclutamento non è il mio background, ma è qualcosa che faccio molto adesso. E si tratta fondamentalmente di trovare la giusta competenza di apprendimento automatico da collocare nel progetto del cliente. Assumiamo queste persone come dipendenti di Amii per un periodo di tempo determinato e diamo loro molto sostegno e mentorship, ma in realtà sono dedicati a lavorare sul progetto del cliente e a portarlo avanti. È un modo per i nostri clienti di accedere al talento senza doverlo reclutare loro stessi. Amii ha un buon riconoscimento del marchio, quindi possiamo portare dentro talenti veramente grandi e poi collocarli in questi progetti industriali.

Un potenziale vantaggio del sistema è che il cliente ha l’opportunità di assumere queste persone dopo che il termine con noi è finito. Vogliamo che questo talento rimanga qui. Non vogliamo una fuga di cervelli. Stiamo dando al cliente un po’ di vantaggio in modo che possano provare il talento, provare il progetto, capire cosa sia veramente l’apprendimento automatico, cosa serve per renderlo di successo e poi idealmente collocare il talento all’interno di queste aziende a lungo termine in modo che queste aziende diventino realmente aziende di AI e possano portare avanti le loro iniziative nel futuro.

Quanto dura normalmente il termine per cui si firmano?

Generalmente, quattro a dodici mesi.

È qualcosa che determiniamo all’inizio, a seconda della complessità del progetto e di quanti problemi stiamo cercando di risolvere. Troviamo che più a lungo è meglio. I progetti di apprendimento automatico da fare in quattro mesi possono essere impegnativi. C’è molto più che costruire modelli di apprendimento automatico. Siamo fortemente dipendenti dai dati che il cliente ci fornisce, che ci aiutano a costruire i modelli. Più a lungo abbiamo, meglio è per iterare e ciclare attraverso tutte le opportunità.

Il lavoro è sperimentale e di esplorazione. Amii è un istituto di ricerca; non possiamo sempre garantire l’esito. Un periodo di tempo più lungo ci dà solo più tempo per fare quella ricerca e assicurarci di aver esaurito tutte le opzioni e di aver perseguito quante più cose possibile perché è difficile per noi dire: “Questo è il metodo che funzionerà meglio.” Devi provarlo e vedere.

Quali sono alcuni esempi di problemi di business impegnativi con cui il tuo team ha lavorato con queste aziende?

Ho accennato a questo, sicuramente la preparazione dei dati è una grande sfida. La percezione dell’industria dei dati preparati è diversa da quella che uno scienziato di apprendimento automatico penserebbe essere pronta per un modello di apprendimento automatico. E l’accesso. Quanto è facile per il cliente consegnarci i dati in un modo che sia consumabile per i nostri modelli di apprendimento automatico. È per questo che ci piacciono i progetti più lunghi perché dà al nostro team il tempo di lavorare con i nostri clienti attraverso queste sfide di preparazione dei dati e di metterli in condizione di successo.

“Spazzatura dentro, spazzatura fuori”, se ci consegni dati spazzatura, creeremo un modello spazzatura. Abbiamo veramente bisogno di dati di qualità. E c’è un po’ di curva di apprendimento per i clienti. La percezione dell’industria, di nuovo, di cosa siano dati di qualità, quali siano gli esempi che dobbiamo vedere per poter prevedere le cose nel futuro. È solo una questione di alfabetizzazione, assicurarsi che stiamo parlando la stessa lingua, che capiscano i limiti in base ai dati a cui hanno accesso quando capiscono cosa ci metterà in condizione di successo.

Ai bisogno di esempi di ciò che stai cercando di prevedere nel tuo set di dati. Se un evento è molto raro, sarà difficile per noi prevedere che accada. Potremmo costruire un modello molto preciso di qualcosa che è solo il 99% delle volte preciso perché non sta mai prevedendo l’1% delle volte che qualcosa accade. Ancora, assicurarsi che il cliente capisca cosa dobbiamo costruire per creare modelli precisi.

Abbiamo visto anche problemi apparentemente semplici che possono essere molto complessi a seconda del loro set di dati. All’inizio, durante una chiamata di scoperta iniziale con un cliente, dobbiamo anticipare la lunghezza del tempo di cui avremo bisogno. Ma a volte, quando iniziamo a sbucciare le layer della cipolla, ci rendiamo conto che no, questo è molto più complesso di quanto pensassimo a causa delle complessità dei dati.

Altre sfide, mancanza di impegno da parte degli esperti di materia necessari. Quando collaboriamo con i nostri partner industriali, abbiamo veramente bisogno che continuino a venire al tavolo perché sono gli esperti di dominio e di solito anche gli esperti di dati. Non siamo come uno shop di sviluppo dove possiamo semplicemente prendere i dati, costruire il modello e consegnarlo loro alla fine. È molto, molto collaborativo. E più i nostri partner industriali mettono in ingresso, più otterranno perché saranno in grado di guidarci nella direzione giusta, assicurarsi che le previsioni che stiamo facendo abbiano senso per loro da un punto di vista aziendale, che stiamo mirando ai metriche giuste, che capiamo cosa sia il successo per loro.

Dobbiamo avere un team multidisciplinare intorno a noi per supportare i progetti e ci vuole più di uno scienziato di apprendimento automatico per costruire un modello di successo che abbia un impatto positivo sull’azienda. Ci sono molte sfide. Queste sono quelle che mi vengono in mente.

Credi personalmente che l’AI debba essere una forza per il bene. Quali sono alcuni modi in cui pensi che l’AI possa cambiare positivamente il futuro?

La cosa che mi piace di più del mio lavoro è che lavoriamo con clienti da tutti i settori, risolvendo problemi molto diversi, ma tutti loro stanno veramente usando l’AI per il bene. E Amii ha il nostro framework di AI guidato da principi che assicura che stiamo facendo proprio questo. Dalla fase di contratto, stiamo assicurandoci che i progetti su cui stiamo lavorando con i nostri partner industriali stiano usando l’AI per il bene in modo etico. Tutti i progetti che vedo stanno usando l’AI per il bene e stanno cambiando positivamente il futuro.

Una cosa che mi viene in mente, in Alberta più spesso che no, stiamo affrontando situazioni di incendi boschivi durante l’estate. Quest’anno in particolare, anche in aprile, è stato brutto. Abbiamo recentemente collaborato con Canada Wildfire, un gruppo di ricerca dell’Università dell’Alberta, 40 anni di dati meteorologici legati a eventi di incendi boschivi gravi. Stiamo lavorando con loro per prevedere meglio questi eventi nel futuro in modo da poterci preparare meglio e avere le risorse necessarie, fare in modo che i team vadano lì e temperino l’ambiente prima che diventi una situazione in cui gli incendi boschivi stanno infuriando. Penso che sia solo perché sono a Edmonton, non so se eri qui la scorsa settimana, ma faceva molto fumo.

Quando sono arrivato domenica sera (21 maggio 2023) faceva molto fumo.

È devastante. Rovina le comunità. Toglie le case alle persone. Dovere respirare particolati nell’aria non è grande, ma la devastazione è molto grande. Questo è un progetto interessante che è vicino al cuore di tutti noi.

Un’altra area in cui stiamo lavorando è lo spazio agricolo. Come faremo a nutrire la nostra popolazione in crescita? Stiamo lavorando con il Consiglio di Ricerca Nazionale su un problema di abbondanza di proteine. Cerchiamo di assicurarci che le piante che stiamo crescendo abbiano un contenuto proteico più alto per nutrire la nostra popolazione in crescita e stiamo utilizzando l’apprendimento automatico per poter fare quelle previsioni.

Ridurre le emissioni è un’altra area molto popolare. Stiamo lavorando con aziende nel settore petrolifero e del gas per assicurarci che i processi e i sistemi e gli strumenti utilizzati siano il più efficienti possibile. Stiamo lavorando con un impianto di trattamento delle acque a Drayton Valley, che è una piccola città in Alberta, per assicurarci che quell’impianto di trattamento delle acque funzioni nel modo più efficiente possibile e che stiamo creando quanta più acqua pulita possibile per la comunità. La medicina personalizzata è un’altra area.

La lista continua. Letteralmente, ogni azienda con cui lavoriamo su questi progetti, queste cause. È difficile per me scegliere un preferito perché, quando ci pensi, tutti hanno la possibilità di avere un impatto incredibilmente positivo sul futuro.

Qual è la tua visione per il futuro dell’AI o della robotica?

La mia esposizione alla robotica è stata veramente nella catena di approvvigionamento. È dove la robotica è già utilizzata, ma è anche come possiamo migliorarla con l’AI per costruire su sistemi e automazione esistenti, di nuovo, attraverso processi più efficienti? La catena di approvvigionamento è ovviamente interessata ad aumentare la produzione, a soddisfare più ordini più velocemente e a prendere decisioni più efficienti. Sulla parte della robotica, di nuovo, la mia esposizione è stata costruire su robot esistenti per renderli più intelligenti e migliori.

Penso che, più in generale, il futuro, da quello che vedo le aziende fare, sia ancora molto centrato sull’essere umano. La robotica è utilizzata come strumento, come un ausilio per gli esseri umani. Forse la robotica viene schierata in condizioni pericolose per gli esseri umani dove non dovremmo essere esposti all’ambiente. La robotica è un ottimo sostituto per noi in quel caso per tenerci al sicuro. C’è anche una ricerca molto interessante condotta dai nostri fellow su arti bioniche, quindi un controllo e un movimento più facili per le persone che hanno bisogno di supporto. Tutto molto legato agli esseri umani e al loro uso di questi strumenti, ma rendendo le loro vite più facili attraverso questi nuovi sistemi.

Nel futuro dell’AI in generale, questo è solo un momento così interessante per essere in questo spazio. L’industria sta finalmente capendo che l’AI è qui e cambierà tutto e puoi essere un leader o essere guidato. Penso che una delle visioni di Amii sia quella di avere ogni azienda a suo agio con la tecnologia, consapevole di cosa può e non può fare e veramente disposta a sperimentare e iterare sull’implementazione di essa nel proprio business per risolvere alcuni dei problemi più difficili.

Fino a ora, penso che forse c’era la percezione che solo le aziende tecnologiche fossero utenti di AI e ML, ma adesso sta diventando più chiaro che l’ML può essere distribuito praticamente in ogni organizzazione. Non è sempre la risposta giusta, ma c’è generalmente un caso d’uso per esso. Spero che il futuro sia che le aziende diventino aziende di AI naturali

Grazie per l’intervista incredibile, i lettori che desiderano saperne di più possono visitare le seguenti risorse:

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