AI-modeller og plattformer
Huma Abidi, senior direktør for AI-programvareprodukter i Intel – Intervju-serie
Legg til Unite.AI blant dine foretrukne kilder på Google
Huma Abidi er en senior direktør for AI-programvareprodukter i Intel (INTC ), ansvarlig for strategi, veikart, krav, maskinlæring og analytisk programvare. Hun leder et globalt mangfoldig team av ingeniører og teknologer som er ansvarlige for å levere verdensklasseprodukter som gjør det mulig for kunder å lage AI-løsninger. Huma begynte i Intel som programvareingeniør og har siden arbeidet i en rekke ingeniør-, validerings- og ledelsesroller innen områdene kompilatorer, binær oversettelse og AI og dyp læring. Hun er lidenskapelig opptatt av kvinner i utdanning og støtter flere organisasjoner over hele verden for denne årsaken, og var finalist for VentureBeats 2019 Women in AI-pris i mentor-kategorien.
Hva var det som først vekket din interesse for AI?
Jeg har alltid funnet det interessant å forestille meg hva som kunne skje hvis maskiner kunne snakke, eller se, eller samhandle intelligently med mennesker. På grunn av noen store tekniske gjennombrudd i det siste tiåret, inkludert dyp læring som har blitt populært på grunn av tilgjengelighet av data, beregningskraft og algoritmer, har AI nå flyttet seg fra science fiction til virkelige verdensapplikasjoner. Løsningene vi tidligere hadde forestilt oss er nå innen rekkevidde. Det er virkelig en spennende tid!
I min tidligere jobb ledet jeg et team for binær oversettelse, fokusert på å optimalisere programvare for Intel-hardwareplattformer. I Intel erkjente vi at utviklingen i AI ville føre til enorme industrielle transformasjoner, som ville kreve enorm vekst i beregningskraft fra enheter til Edge til sky og vi skjerpet fokus på å bli et data-sentrert selskap.
Da jeg innser nødvendigheten av kraftig programvare for å gjøre AI til virkelighet, tok jeg på meg utfordringen å lede teamet i å lage AI-programvare som kunne kjøre effektivt på Intel Xeon-prosessorer ved å optimalisere dyp læring-rammeverk som Caffe og TensorFlow. Vi var i stand til å demonstrere mer enn 200-ganger bedre ytelse på grunn av en kombinasjon av Intel-hardware og programvare-innovasjoner.
Vi jobber for å gjøre alle våre kundearbeidslast i ulike domener kjøre raskere og bedre på Intel-teknologi.
Hva kan vi gjøre som samfunn for å tiltrekke kvinner til AI?
Dette er en prioritet for meg og for Intel å få flere kvinner i STEM og datavitenskap generelt, fordi mangfoldige grupper vil bygge bedre produkter for en mangfoldig befolkning. Det er spesielt viktig å få flere kvinner og underrepresenterte minoriteter i AI, på grunn av potensielle fordommer som manglende representasjon kan forårsake når man lager AI-løsninger.
For å tiltrekke kvinner, må vi gjøre en bedre jobb med å forklare til jenter og unge kvinner hvordan AI er relevant i verden, og hvordan de kan være en del av å lage spennende og innflytelsesrike løsninger. Vi må vise dem at AI omfatter så mange ulike områder, og at de kan bruke AI-teknologi i deres eget interesseområde, enten det er kunst eller robotikk eller datajournalistikk eller fjernsyn. Spennende applikasjoner av AI som de lett kan se gjør en innvirkning, f.eks. virtuelle assistenter som Alexa, selvkjørende biler, sosiale medier, hvordan Netflix (NFLX ) vet hvilke filmer de vil se, osv.
En annen viktig del av å tiltrekke kvinner er representasjon. Heldigvis er det mange kvinner i lederposisjoner i AI som kan fungere som utmerkede rollemodeller, inkludert Fei-Fei Li, som leder menneske-sentrert AI ved Stanford, og Meredith Whittaker, som jobber med sosiale implikasjoner gjennom AI Now-instituttet ved NYU.
Vi må jobbe sammen for å adoptere inkluderende forretningspraksis og utvide tilgangen til tekniske ferdigheter for kvinner og underrepresenterte minoriteter. Hos Intel er vårt mål for 2030 å øke andelen kvinner i tekniske roller til 40%, og vi kan bare oppnå dette ved å samarbeide med andre selskaper, institusjoner og samfunn.
Hvordan kan kvinner best bryte inn i bransjen?
Det finnes flere muligheter hvis du ønsker å bryte inn i AI-spesifikt. Det finnes mange online-kurs i AI, inkludert UDACITYs gratis Intel Edge AI Fundamentals-kurs. Eller du kunne gå tilbake til skolen, for eksempel på en av Maricopa Countys community colleges for en AI-associate grad – og studere for en karriere i AI, f.eks. data scientist, data engineer, ML/DL-utvikler, programvareingeniør osv.
Hvis du allerede jobber i et teknologiselskap, er det sannsynligvis allerede AI-team. Du kunne sjekke muligheten til å bruke en del av din tid på et AI-team som du er interessert i.
Du kan også jobbe med AI hvis du ikke jobber i et teknologiselskap. AI er ekstremt tverrfaglig, så du kan bruke AI i nesten ethvert område du er involvert i. Etter hvert som AI-rammeverk og -verktøy utvikles og blir mer brukervennlige, blir det enklere å bruke AI i ulike sammenhenger. Å delta i online-arrangementer som Kaggle-konkurranser er en god måte å jobbe med virkelige maskinlæringsproblemer som involverer datasæt du finner interessante.
Den tekniske industrien må også bruke tid, innsats og penger på å nå ut til og støtte kvinner, inkludert kvinner som også er underrepresenterte etniske minoriteter. På en personlig note er jeg involvert i organisasjoner som Girls Who Code og Girl Geek X, som kobler og inspirerer unge kvinner.
Med dyp læring og forsterkingslæring som nylig har fått mest oppmerksomhet, hvilke andre former for maskinlæring bør kvinner fokusere på?
AI og maskinlæring er fremdeles under utvikling, og spennende nye forskningsartikler publiseres jevnlig. Noen områder å fokusere på nå inkluderer:
- Klassiske ML-teknikker som fortsatt er viktige og bredt brukt.
- Ansvarlig/forklarbar AI, som har blitt en kritisk del av AI-livssyklusen og fra et deployabilitetsperspektiv for dyp læring og forsterkingslæring.
- Graph Neural Networks og multimodal læring som får innsikt ved å lære fra rik relasjonell informasjon blant grafdata.
AI-fordommer er et stort samfunnsproblem når det kommer til fordommer mot kvinner og minoriteter. Hva er noen måter å løse disse problemene på?
Når det kommer til AI, kan fordommer i treningseksempler, menneskelige labelere og team bli forsterket til å diskriminere mot mangfoldige individer, med alvorlige konsekvenser.
Det er kritisk at mangfold prioriteres på hvert trinn i prosessen. Hvis kvinner og andre minoriteter fra samfunnet er en del av teamene som utvikler disse verktøyene, vil de være mer bevisste på hva som kan gå galt.
Det er også viktig å sikre at ledere fra flere disipliner, som sosialvitenskap, medisin, filosofi og menneskerettigheter, hjelper til å definere hva som er etisk og hva som ikke er.
Kan du forklare AI-blackbox-problemet, og hvorfor AI-forståelighet er viktig?
I AI er modellene trent på enorme mengder data før de tar beslutninger. I de fleste AI-systemer vet vi ikke hvordan disse beslutningene ble tatt – beslutningsprosessen er en blackbox, selv for skaperne. Og det kan ikke være mulig å virkelig forstå hvordan et trent AI-program kommer til sine spesifikke beslutninger. Et problem oppstår når vi mistenker at systemet ikke fungerer. Hvis vi mistenker systemet for algoritmiske fordommer, er det vanskelig å sjekke og korrigere for dem hvis systemet ikke kan forklare sin beslutningsprosess.
Det er for tiden en stor fokus på forklarbar AI (XAI) som har til hensikt å utstyre AI-modeller med gjennomsiktighet, forklarbarhet og ansvar, som håper å føre til ansvarlig AI.
I din nøkkeladresse under MITEF Arab Startup Competition finaleprisutdeling og konferanse diskuterte du Intels AI for Social Good-initiativer. Hvilket av disse prosjektene har fanget din oppmerksomhet og hvorfor er det så viktig?
Jeg er fortsatt svært entusiastisk over alle Intels AI for Social Good-initiativer, fordi gjennombrudd i AI kan føre til transformative endringer i måten vi løser problemer på.
En som jeg spesielt bryr meg om er Wheelie, en AI-drevet rullestol bygget i samarbeid med HOOBOX Robotics. Wheelie lar ekstreme paraplegikere gjenopprette mobilitet ved å bruke ansiktsuttrykk til å kjøre. Et annet fantastisk initiativ er TrailGuard AI, som bruker Intel AI-teknologi til å bekjempe ulovlig jakt og beskytte dyr fra utryddelse og arterstap.
Som en del av Intels pandemiresponsinitiativ har vi mange pågående prosjekter med våre partnere som bruker AI. Et nøkkelinitiativ er kontaktløs feberdeteksjon eller COVID-19-deteksjon via bryst-radiografi med Darwin AI. Vi jobber også med roboter som kan svare på spørsmål for å øke bevisstheten ved å bruke naturlig språkbehandling i regionale språk.
For kvinner som er interessert i å bli involvert, er det noen bøker, nettsider eller andre ressurser som du ville anbefale?
Det finnes mange gode ressurser online, for alle nivåer og områder. Coursera og Udacity tilbyr utmerkede online-kurs i maskinlæring og dyp læring, de fleste av disse kan avhøres gratis. MITs OpenCourseWare er en annen god, gratis måte å lære fra noen av verdens beste professorer.
Selskaper som Intel har AI-portaler som inneholder mye informasjon om AI, inkludert tilbudte løsninger. Det finnes mange gode bøker om AI: grunnleggende datavitenskapelige tekster som Artificial Intelligence: A Modern Approach av Peter Norvig og Stuart Russell, og moderne, filosofiske bøker som Homo Deus av historikeren Yuval Harari. Jeg ville også anbefale Lex Fridmans AI-podcast på gode samtaler fra et bredt spekter av perspektiver og eksperter fra ulike felt.
Har du noen siste ord for kvinner som er nysgjerrige på AI, men ikke er klare til å hoppe inn enda?
AI er fremtiden, og vil endre vårt samfunn – faktisk har det allerede gjort det. Det er essensielt at vi har ærlige, etiske mennesker som jobber med det. Uansett om du er i en teknisk rolle, eller på et bredere samfunnsnivå, nå er en perfekt tid å bli involvert!
Takk for intervjuet, du er uten tvil en inspirasjon for kvinner over hele verden. Lesere som ønsker å lære mer om programvareløsningene til Intel, bør besøke AI-programvareprodukter hos Intel.
