Interviews
Mara Cairo, Product Owner van Advanced Technology bij Amii – Interview Serie
Mara Cairo is gepassioneerd over het gebruik van AI voor het goede. Ze heeft een Bachelor of Science in Elektrotechniek van de University of Alberta en heeft haar P.Eng. en PMP-afkortingen. Voordat ze bij Amii kwam, werkte ze in de hardware-ontwikkelingsruimte, waar ze klanten hielp hun producten op de markt te brengen, met een focus op micro- en nanofabricage.
Als Product Owner van Advanced Technology bij Amii, leidt Mara een technisch team dat industriele partners helpt om machine learning-capaciteit binnen hun organisatie op te bouwen door richtlijnen en expertise te bieden om predictieve modellen te ontwikkelen. Haar team werkt met klanten die zich verbinden om vooruit te komen op het AI-adoptiespectrum door machine learning toe te passen op hun meest uitdagende bedrijfsproblemen.
Amii (Alberta Machine Intelligence Institute) is een van de belangrijkste centra voor AI in Canada, ze werken samen met bedrijven van alle maten, across industries, om innovatiestrategieën te stimuleren en praktische richtlijnen en advies, bedrijfstraining en talentwervingsdiensten te bieden.
We gingen zitten voor een interview op de jaarlijkse 2023 Upper Bound-conferentie over AI die in Edmonton, AB wordt gehouden en wordt gehost door Amii.
Wat trok je aanvankelijk aan tot elektrotechniek?
Als kind vond ik het gewoon leuk om dingen te bouwen. Mijn moeder bracht een ventilator thuis als het ‘s zomers warm was, en ik wilde het bouwen. Ik herinner me dat ik als tiener een mobiele telefoon had, een van die Nokia’s die je uit elkaar kon halen, en ik haalde hem uit elkaar en zette bejewels overal aan de binnenkant en de antenne. Maar toen ik hem opende, was het alsof: “Holy crap, wat gebeurt hier? Wat gebeurt er?” Het was echt interessant voor me.
Ik was altijd goed in wiskunde. Dus, door al die dingen samen te voegen, mijn ouders duwden me ook in de richting van techniek omdat ik goed was in wiskunde, ik had gewoon een algemene interesse in elektronica en wilde meer weten over het, dat is zo ongeveer hoe ik erin terechtkwam.
Ook in de techniek vond ik het leuk om wiskunde toe te passen op echte problemen. Ja, oké, wiskunde is geweldig en leuk voor me, maar met techniek kun je het toevoegen aan het oplossen van moeilijke problemen. Het leek een soort perfecte combinatie van dingen die zouden leiden tot een interessante carrière.
Je ouders leken erg proactief in het ondersteunen van je interesses.
Ja. Mijn vader vooral. Hij zegt dat hij het in me zag van jongs af aan en duwde me altijd in die richting. Ik was gisteravond op een Women in AI-evenement en we spraken over het verwijderen van enkele barrières en het maken van een meer toegankelijk veld voor vrouwen. En ik zag dat niet als een barrière, omdat mijn ouders als volgt waren: “Dit is wat je moet doen. Het is geen vraag van je geslacht of iets. Het is gewoon een vaardigheid die je hebt. Je moet het natuurlijk volgen en koesteren.” Ik voelde nooit dat het niet voor mij was, wat natuurlijk hielp.
Voordat je bij Amii kwam, werkte je in de hardware-ontwikkelingsruimte om je te concentreren op micro- en nanofabricage. Kun je die termen definiëren?
Zeker. Dus, in de elektrotechniek, koos ik voor de nano-engineering-optie. Het was de specialisatie rond het ontwerpen en fabriceren op micro- en nanoschaal. Wanneer we het over een nanometer hebben, hebben we het over een millimeter gedeeld in een miljoen, dat is een nanometer. Een zeer, zeer kleine schaal. En dat is cool. Deze dingen zijn zo klein dat je ze niet eens met het blote oog kunt zien. Maar ik kon deze specialisatie nemen om te leren hoe ik op die schaal kon fabriceren en ontwerpen.
We leven in een zeer verbonden wereld. Er is elektronica overal om ons heen en we moeten in staat zijn om elektronica te ontwerpen voor de verpakkings- en ruimtebeperkingen. We proberen constant dingen kleiner en kleiner te maken. Je neemt iets omvangrijks, een prototype, en je moet in staat zijn om het reproduceerbaar en schaalbaar te maken. Nanofabricage is echt over de tools en technieken die je gebruikt om op dat niveau te ontwerpen en te fabriceren.
Dit gaat van het fabriceren van microchips tot het nemen van die twee verschillende chips en ze elektrisch verbinden met de finale verpakking. Alles doen op microschaal vereist een andere techniek dan het bouwen van iets op onze menselijke schaal. De micro- en nanofabricage zijn gewoon over de chemische processen die je gebruikt en de elektrische processen, de verpakking die je nodig hebt om ervoor te zorgen dat deze hermetisch zijn afgesloten en beschermd tegen hun omgeving.
Buiten microchips, wat zou een ander toepassings- of gebruikscase zijn?
We werkten aan veel projecten zoals fiber-optics. Weer, het komt allemaal uiteindelijk neer op een soort verwerkingseenheid die signalen binnenkrijgt of genereert. We deden werk in de telecomindustrie, optica, camera’s, al dat soort dingen. Maar de hersenen ervan zijn meestal een soort microchip in het midden. Maar er zijn ook de sensoren die hun signalen naar welke verwerkingseenheid we ook gebruiken. Dus diverse fabricagetechieken voor het bouwen van welke soort sensor of invoer- of uitvoerapparaat we ook nodig hebben.
Wat zijn enkele van de uitdagingen achter het werken op deze nanoschaal?
Een stukje stof kan je hele dag verpesten. Dingen waar je aan werkt, zijn even groot als het stof in de lucht. Dus, je fabriceert in een schone kamer. De schone kamer is echt een omgeving die beschermt wat je aan het doen bent tegen jou als mens, omdat we als mensen heel vuil zijn, we zijn constant aan het uitstoten van deeltjes, onze kleren zijn aan het uitstoten van deeltjes, de make-up die we dragen, maakt de lucht vuil. We moeten zo veel mogelijk van dat soort verontreiniging elimineren, zodat de dingen die we bouwen, schoon en vrij zijn van dat soort verontreiniging.
Een andere uitdaging, er zijn goede manieren om deze schone kamers te bouwen en er is een hele wetenschap achter, maar een andere uitdaging is het uit de lab halen, omdat deze dingen uiteindelijk gebruikt zullen worden in onze heel vuile wereld. Dat is wanneer de verpakking belangrijk wordt. We moeten nog steeds in staat zijn om toegang te krijgen tot deze apparaten, maar we moeten het doen op een manier dat we de omgeving, de verpakking, niet verontreinigen. Dus hermetisch afsluiten, ervoor zorgen dat niets naar binnen of naar buiten gaat. Dat is een andere set uitdagingen die ik zag. We hadden iets dat geweldig werkte op een lab-bank in een gecontroleerde omgeving, maar meestal zijn de dingen die we bouwen, bedoeld om naar buiten gebracht te worden in onze vuile wereld. Dat was ook een uitdaging.
Weer, van fabricage tot het naar de eindbestemming brengen, het is gewoon heel speciale overwegingen en milieuzorgen wanneer je met zulke kleine dingen te maken hebt. Dingen gedragen zich ook niet altijd zoals verwacht op zo’n kleine schaal. In onze fysieke wereld, verwachten we dat dingen op een bepaalde manier werken, maar wanneer je naar de micro- en nanoschaal gaat, wordt de fysieke wereld een beetje anders, en je kunt de resultaten niet altijd anticiperen. Dat is een heel ander vakgebied.
Wat zouden enkele voorbeelden zijn van het anders zijn dan de gewone fysieke wereld?
Stroom door een draad sturen. We hebben onze opladers en onze telefoons en we sturen stroom doorheen. Wanneer je stroom door een draad stuurt die zo groot is als een haar, zijn er hitteoverwegingen en dingen beginnen gewoon anders te gedragen omdat, weer, de ruimte- en groottebeperkingen.
Wat is je huidige rol bij Amii, en hoe helpt je team industriele partners?
Mijn huidige rol bij Amii is heel anders dan de wereld van micro- en nanotechnologie.
Ik ben Product Owner van het Advanced Technology Team bij Amii. Ik leid een team van voornamelijk machine learning-wetenschappers en projectmanagers die allemaal werken met onze verschillende industriele partners om hun bedrijfsproblemen op te lossen door de toepassing van machine learning.
We zijn heel industrie-gericht, alles over het overbruggen van de kloof tussen wat er gebeurt in de academische wereld, alle geweldige doorbraken met machine learning en AI, maar deze toepassen op de grootste behoeften van onze industriele partners. We reageren op die behoeften door onze klanten te helpen de vaardigheden en expertise te vinden die ze nodig hebben om het werk vooruit te helpen.
We runnen onze stage- en residentieprogramma’s via het Advanced Technology Team. Dus, ik ben veel aan het werven. Werving is niet mijn achtergrond, maar het is iets wat ik nu veel doe. En het is allemaal over het vinden van de juiste ML-talenten om te plaatsen op de projecten van onze klanten. We nemen deze mensen aan als Amii-medewerkers voor een bepaalde periode en geven ze veel ondersteuning en begeleiding, maar ze zijn echt toegewijd aan het werken aan het project van de klant en het vooruit helpen. Het is een manier voor onze klanten om toegang te krijgen tot talent zonder dat ze zelf de werving moeten doen. Amii heeft een beetje een goede naamsbekendheid, we zijn in staat om echt geweldig talent binnen te halen en dan te plaatsen op deze industriele projecten.
Een potentieel voordeel van het systeem is dat de klant de mogelijkheid heeft om deze mensen aan te nemen nadat de termijn bij ons is afgelopen. We willen dat dit talent hier blijft. We willen geen braindrain. We geven de klant een beetje een voorsprong, zodat ze het talent kunnen uitproberen, het project kunnen uitproberen, een gevoel kunnen krijgen voor wat machine learning eigenlijk is, wat we nodig hebben om het succesvol te maken, en dan idealiter het talent plaatsen binnen deze bedrijven op lange termijn, zodat deze bedrijven echt AI-bedrijven worden en in staat zijn om hun eigen initiatieven in de toekomst vooruit te helpen.
Hoe lang is de termijn waarvoor ze zich aanmelden?
Meestal vier tot twaalf maanden.
Het is iets wat we aan het begin uitwerken, afhankelijk van de complexiteit van het project en hoeveel problemen we proberen op te lossen. We vinden dat langer, beter is. Machine learning-projecten om in vier maanden te doen, kunnen uitdagend zijn. Er is veel meer bij betrokken dan alleen maar ML-modellen bouwen. Het is sterk afhankelijk van de data die door de klant wordt verzameld en aan ons wordt overhandigd, wat ons helpt om de modellen te bouwen. Hoe langer we hebben, hoe beter het is om te itereren en door alle mogelijkheden heen te gaan.
Het werk is experimenteel en exploratief van aard. Amii is een onderzoeksinstelling; we kunnen de uitkomst niet altijd garanderen. Een langere looptijd geeft ons gewoon meer tijd om dat onderzoek te doen en ervoor te zorgen dat we alle opties hebben uitgeput en alle dingen hebben nagestreefd die we konden, omdat het moeilijk voor ons is om te zeggen: “Dit is de methode die het beste zal werken.” Je moet het proberen en zien.
Wat zijn enkele voorbeelden van moeilijke bedrijfsproblemen waar je team mee heeft gewerkt met deze bedrijven?
Ik verwees ernaar, zeker data-preparedness is een grote uitdaging. De perceptie van de industrie van data-preparedness is anders dan wat een machine learning-wetenschapper zou denken dat klaar is voor een machine learning-model. En toegang. Hoe gemakkelijk is het voor de klant om de data aan ons over te dragen op een manier die consumabel is voor onze ML-modellen. Dat is waarom we langere projecten leuk vinden, omdat het onze team de tijd geeft om met onze klanten door die soort data-preparedness-uitdagingen heen te werken en ze op te zetten voor succes.
Garbage in is garbage out, als je ons garbage-data geeft, zullen we een garbage-model creëren. We hebben echt kwaliteitsdata nodig. En er is een beetje een leercurve voor klanten. Industrieperceptie, weer, van wat kwaliteitsdata is, wat zijn de voorbeelden die we moeten zien om dingen in de toekomst te kunnen voorspellen. Het is gewoon een geletterdheid, ervoor zorgen dat we dezelfde taal spreken, ze begrijpen de beperkingen op basis van welke data ze toegang tot hebben, wanneer ze begrijpen wat ons zal opzetten voor succes.
Je hebt voorbeelden nodig van wat je probeert te voorspellen in je dataset. Als een gebeurtenis echt zeldzaam is, zal het moeilijk zijn voor ons om ooit te anticiperen dat het zal gebeuren. We kunnen een heel nauwkeurig model bouwen van iets dat 99% van de tijd nauwkeurig is, omdat het nooit voorspelt dat het 1% van de tijd dat iets gebeurt. Weer, gewoon ervoor zorgen dat de klant begrijpt wat we nodig hebben om nauwkeurige modellen te bouwen.
We hebben zelfs ogenschijnlijk eenvoudige problemen gezien die heel complex kunnen zijn, afhankelijk van hun dataset. Aan het begin, bij een initiële ontdekking met een klant, moeten we anticiperen op de lengte van de tijd die we nodig hebben. Maar soms, wanneer we beginnen de lagen van de ui af te pellen, realiseren we ons, nee, dit is veel complexer dan we dachten, vanwege deze data-complexiteiten.
Andere uitdagingen, gebrek aan toewijding van de benodigde domeinexperts. Wanneer we samenwerken met onze industriele partners, hebben we echt nodig dat ze blijven komen naar de tafel, omdat ze de domeinexperts en meestal de data-experts zijn. We zijn niet als een dev-winkel waar we de data kunnen nemen, het model kunnen bouwen en het aan het einde aan hen kunnen overhandigen. Het is heel, heel collaboratief. En hoe meer onze industriele partners bijdragen, hoe meer ze zullen krijgen, omdat ze ons kunnen leiden in de juiste richting, ervoor zorgen dat de voorspellingen die we doen, zin hebben voor hen vanuit een bedrijfsperspectief, dat we de juiste metrics richten, dat we begrijpen wat succes is voor hen.
We hebben een multidisciplinair team nodig om ons heen om de projecten te ondersteunen en het vereist meer dan alleen een machine learning-wetenschapper om een succesvol model te bouwen dat een positieve invloed op een bedrijf zal hebben. Er zijn veel uitdagingen. Die kwamen me te binnen.
Geloof je persoonlijk dat AI een kracht voor het goede moet zijn. Wat zijn enkele manieren waarop je denkt dat AI de toekomst positief kan veranderen?
Het ding dat ik het leukst vind aan mijn baan, is dat we werken met klanten uit alle industrieën, die heel verschillende problemen oplossen, maar allemaal worden gebruikt voor een soort positieve verandering. En Amii heeft ons principieel AI-kader dat ervoor zorgt dat we dat doen. Vanaf het contracteringsstadium, zorgen we ervoor dat de projecten waar we aan werken met onze industriele partners, worden gebruikt voor die positieve verandering op een ethische manier. Alle projecten waar ik naar kijk, worden gebruikt voor het goede en veranderen de toekomst positief.
Een ding dat me te binnen schiet, in Alberta hebben we meer dan eens te maken met bosbranden in de zomer. Dit jaar, vooral in april, was het slecht. We werkten onlangs samen met Canada Wildfire. Het is een onderzoeksinstelling uit de University of Alberta. 40 jaar weerdata gekoppeld aan ernstige bosbranden. We werkten met hen samen om deze gebeurtenissen in de toekomst beter te voorspellen, zodat we beter kunnen voorbereiden op de middelen die nodig zouden kunnen zijn, de teams kunnen laten gaan en de omgeving kunnen temperen voordat het op een niveau komt waarop de bosbranden woedend zijn. Ik denk dat dat gewoon is omdat ik in Edmonton ben, ik weet niet of je hier was vorige week, maar het was heel rokerig.
Toen ik zondagavond (21 mei 2023) aankwam, was het vrij rokerig.
Het is verwoestend. Het vernietigt gemeenschappen. Het neemt mensen hun huizen af. Het moet ademhalen van deeltjes in de lucht is niet goed, maar de verwoesting is heel groot. Dat is een interessant project dat dicht bij alle onze harten ligt.
Een ander gebied waar we aan werken, is de landbouwruimte. Hoe gaan we onze groeiende bevolking voeden? We werken samen met de National Research Council aan een eiwitovervloedprobleem. We proberen ervoor te zorgen dat de planten die we kweken een hogere eiwitinhoud hebben om onze groeiende bevolking te voeden en gebruiken machine learning om die voorspellingen te doen.
Het reduceren van emissies is een andere heel populaire. We werken samen met bedrijven in de olie- en gassector om ervoor te zorgen dat de processen en systemen en tools die worden gebruikt, zo efficiënt mogelijk zijn. We werken samen met een waterzuiveringsinstallatie in Drayton Valley, dat een klein stadje in Alberta is, om ervoor te zorgen dat die waterzuiveringsinstallatie zo efficiënt mogelijk loopt en dat we zo veel mogelijk schoon water voor de gemeenschap creëren. Precisiegeneeskunde ook.
De lijst gaat maar door. Letterlijk, elk bedrijf waar we mee werken, zijn dit soort projecten, dit soort oorzaken. Het is moeilijk voor me om een favoriet te kiezen, omdat wanneer je erover nadenkt, ze allemaal de mogelijkheid hebben om een heel positieve invloed op de toekomst te hebben.
Wat is je visie voor de toekomst van AI of robotica?
Mijn blootstelling aan robotica is echt geweest in de supply chain. Het is waar robotica al worden gebruikt, maar het is ook hoe we ze kunnen verbeteren met AI om bestaande systemen en automatisering op te bouwen, weer, door meer efficiënte processen? De supply chain is duidelijk geïnteresseerd in het verhogen van de doorvoer, meer bestellingen sneller uitvoeren, en meer efficiënte besluitvorming. Aan de kant van robotica, weer, mijn blootstelling is geweest aan het opbouwen van bestaande robots om ze slimmer en beter te maken.
Ik denk meer in het algemeen, de toekomst van wat ik zie industrie doen, is nog steeds heel mensgericht. Robotica worden gebruikt als een tool, als een aanvulling op mensen. Misschien worden robotica ingezet in omstandigheden die gevaarlijk zijn voor mensen waar we niet aan blootgesteld mogen worden. Robotica zijn een geweldige vervanging voor ons in dat geval om ons veiliger te houden. Er is ook echt cool onderzoek gedaan door onze fellows en bionische ledematen, dus makkelijker controle en beweging van mensen die die ondersteuning nodig hebben. Alles is nog steeds verbonden met mensen en hun gebruik van deze tools, maar het maken van hun leven gemakkelijker door deze nieuwe systemen.
In termen van de toekomst van AI in het algemeen, dit is gewoon zo’n interessante tijd om in deze ruimte te zijn. Industrie begrijpt eindelijk dat AI hier is en het zal alles veranderen en je kunt ofwel leiden of gevolgd worden. Ik denk dat een van de visies van Amii is om ervoor te zorgen dat elk bedrijf comfortabel is met de technologie, zich ervan bewust is wat het kan en niet kan doen, en echt bereid is om te experimenteren en te itereren bij het implementeren ervan in hun bedrijf om enkele van hun moeilijkste problemen op te lossen.
Tot nu toe, denk ik dat er misschien een perceptie was dat het alleen tech-bedrijven waren die AI- en ML-gebruikers waren, maar nu wordt het meer duidelijk dat ML kan worden ingezet in vrijwel elk bedrijf. Het is niet altijd het juiste antwoord, maar er is meestal een use case voor het. Ik ben hoopvol dat de toekomst bedrijven zal zijn die natuurlijke AI-bedrijven worden door meer literatuur en vertrouwd te raken met de technologie en zich bewust te zijn van hoe ze het kunnen gebruiken voor hun bedrijf.
Bedankt voor het geweldige interview, lezers die meer willen leren, moeten de volgende bronnen bezoeken:
