Mara Cairo, Product Owner van Geavanceerde Technologie 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 bezit haar P.Eng. en PMP-afkortingen. Voordat ze bij Amii kwam, werkte ze in de hardware-ontwikkelingsruimte, waar ze klanten hielp om hun producten op de markt te brengen, met een focus op micro- en nanofabricage.

Als Product Owner van Geavanceerde Technologie bij Amii, leidt Mara een technisch team dat industrieën helpt om machine learning-capaciteit binnen hun organisatie op te bouwen door middel van begeleiding en expertise om voorspellende modellen te ontwikkelen. Haar team werkt met klanten die zich verbinden om vooruit te komen op het spectrum van AI-adoptie 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, het werkt samen met bedrijven van alle maten, over industrieën heen, om innovatiestrategieën te stimuleren en praktische begeleiding en advies, bedrijfstraining en talentwervingsdiensten te bieden.

We hebben een interview gehad 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 leuk om dingen te bouwen. Mijn moeder bracht een ventilator mee naar huis als het ‘s zomers warm was, en ik wilde het bouwen. Ik herinner me dat ik als tiener een Nokia-telefoon had die je kon uit elkaar halen en ik deed dat en zette er edelstenen op de binnenkant en de antenne. Maar toen ik het openmaakte, was het alsof: “Holy crap, wat zit hierin? Wat gebeurt hier?” Het was echt interessant voor me.

Ik was altijd goed in wiskunde. Dus, alles bij elkaar genomen, mijn ouders duwden me 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 onderwerp, dat is wat me aanvankelijk aantrok.

Ook in de techniek vond ik het leuk om wiskunde toe te passen op echte problemen. Ja, oké, wiskunde is geweldig en spannend en leuk voor me, maar met techniek kun je het toepassen om moeilijke problemen op te lossen. Het leek een soort perfecte combinatie van dingen die zouden leiden tot een interessante carrière.

Je ouders leken erg actief 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 ook op een Women in AI-evenement en we praatten over het verwijderen van enkele barrières en het maken van een toegankelijker veld voor vrouwen. En ik zag dat niet als een barrière omdat, opnieuw, mijn ouders zeiden: “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 volgen en koesteren.” Ik voelde me nooit alsof het niet voor me was, wat duidelijk hielp.

Voordat je bij Amii kwam, werkte je in de hardware-ontwikkelingsruimte om je te focussen op micro- en nanofabricage. Kun je die termen definiëren?

Zeker. In de elektrotechniek volgde ik de nano-engineering-optie. Het was een specialisatie in het ontwerpen en produceren op micro- en nanoschaal. Wanneer we het over een nanometer hebben, hebben we het over een millimeter gedeeld door een miljoen, dat is een nanometer. Een heel, heel 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 volgen om te leren hoe ik op die schaal kon produceren en ontwerpen.

We leven in een heel verbonden wereld. Er is elektronica overal om ons heen en we moeten in staat zijn om elektronica te ontwerpen voor de verpakking en de 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 eigenlijk over de gereedschappen en technieken die je gebruikt om op dat niveau te ontwerpen en te produceren.

Dit gaat van het produceren van microchips tot het nemen van twee verschillende chips en ze elektrisch verbinden met de uiteindelijke verpakking. Alles doen op microschaal vereist een andere techniek dan het bouwen van iets op onze menselijke schaal. 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 om, wat zou een ander toepassingsgebied of gebruik zijn?

We werkten aan veel projecten zoals fiber-optica, opnieuw, alles moet uiteindelijk naar een soort verwerkingseenheid die signalen binnenkrijgt of genereert. We werkten 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 sensoren die signalen naar welke verwerkingseenheid je ook gebruikt, voeden. Dus diverse productietechnieken 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 stofdeeltje 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 eigenlijk een omgeving die beschermt wat je aan het doen bent tegen jou als mens, omdat wij 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 van dat soort verontreiniging zijn.

Een andere uitdaging, er zijn goede manieren om deze schone kamers te bouwen en er is een hele wetenschap achter, maar de andere uitdaging is het uit de lab halen, omdat uiteindelijk deze dingen gebruikt gaan 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 die de omgeving niet verontreinigt, de verpakking. Dus, dingen hermetisch afsluiten, ervoor zorgen dat ze volledig afgesloten zijn, niets gaat in of uit. 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 onze vuile wereld gebracht te worden. Dat was ook een uitdaging.

Opnieuw, van productie tot het naar de eindbestemming brengen, het is gewoon heel speciale soort overwegingen en milieuzorgen wanneer je met zulke kleine dingen te maken hebt. Dingen gedragen zich ook niet altijd zoals verwacht op die 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 veld van studie.

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 natuurlijk warmteoverwegingen en dingen beginnen gewoon anders te gedragen omdat, opnieuw, de ruimte en de groottebeperkingen.

Wat is je huidige rol bij Amii en hoe helpt je team industrieën?

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 industrieën om hun bedrijfsproblemen op te lossen door middel van de toepassing van machine learning.

We zijn heel industrie-georiënteerd, alles over bruggen slaan tussen wat er gebeurt in de academische wereld, alle geweldige doorbraken met machine learning en AI, maar toepassen op de grootste behoeften van onze industrieën. We reageren op die behoeften door onze klanten te helpen de vaardigheden en expertise te vinden die ze nodig hebben om vooruit te komen.

We draaien onze stages en residentieprogramma’s via het Advanced Technology Team. Dus, ik doe veel werving. 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 eigenlijk zijn ze 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 hoeven te doen. Amii heeft een beetje een goede naamsbekendheid, we kunnen echt geweldig talent binnenhalen en dan plaatsen we ze op deze industrieprojecten.

Een potentieel voordeel van het systeem is dat de klant de mogelijkheid heeft om deze mensen aan te nemen nadat de periode bij ons is afgelopen. We willen dat dit talent 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 periode die ze normaal gesproken tekenen?

Meestal vier tot twaalf maanden.

Het is iets wat we aan het begin uitvinden, afhankelijk van de complexiteit van het project en hoeveel problemen we proberen op te lossen. We vinden dat langer beter is. Machine learning-projecten die in vier maanden moeten worden gedaan, kunnen moeilijk 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 overgedragen, 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 niet altijd de uitkomst 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 industrieperceptie 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 graag langere projecten doen, omdat het onze team de tijd geeft om met onze klanten te werken door die soort data-preparedness-uitdagingen heen en ze op te zetten voor succes.

Afval naar binnen is afval naar buiten, als je ons afvaldata geeft, zullen we een afvalmodel creëren. We hebben echt kwaliteitsdata nodig. En er is een beetje een leercurve voor klanten. Industrieperceptie, opnieuw, van wat kwaliteitsdata is, wat voorbeelden we nodig hebben om in de toekomst dingen te kunnen voorspellen. Het is gewoon een kwestie van zorgen dat we dezelfde taal spreken, dat ze de beperkingen begrijpen op basis van welke data ze toegang toe hebben wanneer ze begrijpen wat ons zal helpen om succesvol te zijn.

Je hebt voorbeelden nodig van wat je probeert te voorspellen in je dataset. Als een gebeurtenis heel 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 gebeurt. Opnieuw, gewoon 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, met een initiële ontdekkingsgesprek met een klant, moeten we de lengte van de tijd anticiperen die we nodig zullen hebben. Maar soms, wanneer we de lagen van de ui beginnen 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 industrieën, hebben we echt nodig dat ze blijven komen naar de tafel, omdat ze de domeinexperts zijn en meestal ook de data-experts. We zijn niet zoals 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 samenwerkend. En hoe meer onze industrieën erin steken, hoe meer ze eruit zullen halen, omdat ze ons in de goede richting kunnen leiden, 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 vergt 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.

Je gelooft 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 leukste aan mijn baan is dat we werken met klanten uit alle industrieën, verschillende problemen oplossend, maar allemaal worden ze echt 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 industrieën, worden gebruikt voor die positieve verandering op een ethische manier. Alle projecten die ik zie, worden gebruikt voor het goede en veranderen de toekomst positief.

Een ding dat me te binnen schiet, in Alberta hebben we nu vaker te maken met bosbranden in de zomer. Dit jaar, vooral in april, was het slecht. We werkten onlangs samen met Canada Wildfire, een onderzoeksinstelling van de University of Alberta, met 40 jaar weerdata gekoppeld aan ernstige bosbranden. We werkten met hen samen om deze gebeurtenissen in de toekomst beter te voorspellen, zodat we ons beter kunnen voorbereiden op de middelen die nodig zullen zijn, de teams kunnen inzetten om de omgeving te temperen voordat het een stadium bereikt waarop de bosbranden woedend zijn. Ik denk dat het gewoon is omdat ik in Edmonton ben, ik weet niet of je hier vorige week was, maar het was heel rokerig.

Toen ik zondagavond (21 mei 2023) aankwam, was het nogal rokerig.

Het is verwoestend. Het verwoest gemeenschappen. Het neemt mensen hun huizen af. Het inademen van deeltjes in de lucht is niet goed, maar de verwoesting is enorm. Dat is een interessant project dat dicht bij alle onze harten ligt.

Een ander gebied waar we aan werken, is de landbouw. Hoe gaan we onze groeiende bevolking voeden? We werken samen met de National Research (NRC ) 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 verminderen 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 gereedschappen die worden gebruikt, zo efficiënt mogelijk zijn. We werken samen met een waterzuiveringsinstallatie in Drayton Valley, een klein stadje in Alberta, 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 enorm positieve invloed op de toekomst te hebben.

Wat is je visie voor de toekomst van AI of robotica?

Mijn blootstelling aan robotica is eigenlijk in de supply chain. Het is waar robotica al wordt gebruikt, maar het is ook hoe we ze kunnen verbeteren met AI om bestaande systemen en automatisering te verbeteren, opnieuw, door meer efficiënte processen? De supply chain is duidelijk geïnteresseerd in het verhogen van de doorvoer, meer bestellingen sneller uitvoeren en betere besluitvorming. Op de kant van robotica, opnieuw, mijn blootstelling is geweest om bestaande robots te verbeteren en slimmer te maken.

Ik denk dat, meer in het algemeen, de toekomst, van wat ik zie dat de industrie doet, nog steeds heel mensgericht is. Robotica worden gebruikt als een gereedschap, 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 geweldig vervangingsmiddel voor ons in dat geval om ons veiliger te houden. Er wordt ook heel cool onderzoek gedaan door onze fellows en bionische ledematen, dus gemakkelijker controle en beweging van mensen die die ondersteuning nodig hebben. Alles is nog steeds gekoppeld aan mensen en hun gebruik van deze gereedschappen, maar het maakt het gemakkelijker voor hen om te gebruiken en hun levens te verbeteren met deze nieuwe systemen.

In het algemeen, de toekomst van AI, dit is zo’n interessante tijd om in deze ruimte te zijn. De industrie begrijpt eindelijk dat AI er is en dat het alles zal 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 op 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 duidelijker dat ML kan worden ingezet in vrijwel elke organisatie. Het is niet altijd het juiste antwoord, maar er is meestal een use case voor het. Ik hoop dat de toekomst is dat bedrijven 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:

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