Mara Cairo, Produktansvarlig for Avansert Teknologi hos Amii – Intervju-serie

Mara Cairo er lidenskapelig opptatt av å bruke AI til å gjøre godt. Hun har en bachelorgrad i elektroingeniør fra University of Alberta og har P.Eng. og PMP-utdanning. Før hun begynte hos Amii, arbeidet hun i utviklingsrommet for hårdvarer, der hun hjalp kunder med å ta produktene deres til markedet, med fokus på mikro- og nanofabrikasjon.

Som Produktansvarlig for Avansert Teknologi hos Amii, leder Mara et teknisk team som hjelper industripartnere med å bygge maskinlæringskapasitet innenfor organisasjonen deres ved å gi veiledning og ekspertise for å utvikle prediktive modeller. Teamet hennes arbeider med kunder som er dedikert til å fremme langs AI-adoptions-spekteret ved å bruke maskinlæring på deres mest utfordrende forretningsproblemer.

Amii (Alberta Machine Intelligence Institute) er ett av Canadas fremste senter for AI, og de samarbeider med selskaper av alle størrelser, på tvers av bransjer, for å drive innovasjonstrategi og gi praktisk veiledning og rådgivning, samt corporate opplæring og rekrutteringstjenester.

Vi satte oss ned for en intervju på den årlige 2023 Upper Bound-konferansen om AI, som ble holdt i Edmonton, AB og vertskapet av Amii.

Hva var det som først tiltalte deg til elektroingeniør?

Da jeg var barn, likte jeg å bygge ting. Min mor ville bringe hjem en vifte når det var varmt om sommeren, og jeg ville bygge den. Jeg husker at jeg som tenåring hadde en mobiltelefon, en av de gamle Nokia-ene som du kunne ta fra hverandre og jeg ville ta den fra hverandre og pynte den innvendig med juveler og antenne. Men når jeg åpnet den, var det som “Holy crap, hva er det her? Hva skjer?” Det var virkelig interessant for meg.

Jeg var alltid dyktig i matematikk. Så, når jeg kombinerte alle disse tingene, var mine foreldre også med på å støtte meg i retning av ingeniør, fordi jeg var god i matematikk, jeg hadde en generell interesse for elektronikk og ønsket å vite mer om det, det var hva som tiltalte meg fra begynnelsen.

Også i ingeniør, likte jeg ideen om å bruke matematikk på virkelige problemer. Ja, ok, matematikk er bra og spennende og morsomt for meg, men med ingeniør kan du bruke det til å løse vanskelige problemer. Det syntes å være en perfekt kombinasjon av ting som ville føre til en interessant karriere.

Dine foreldre syntes å være svært proaktive i å støtte dine interesser.

Ja. Min far spesielt. Han sier at han så det i meg fra en ung alder og alltid pushet meg i den retningen. Jeg var på et Women in AI-arrangement i går kveld også, og vi snakket om å fjerne noen barrierer og gjøre det til et mer tilgjengelig felt for kvinner. Og jeg så ikke på det som en barriere, fordi mine foreldre var som “Dette er hva du skal gjøre. Det er ikke et spørsmål om din kjønn eller noe. Det er bare en ferdighet du har. Du burde naturlig nok følge det og nære det.” Jeg følte aldri at det ikke var for meg, hvilket hjalp åpenbart.

Før du begynte hos Amii, arbeidet du i utviklingsrommet for hårdvarer, med fokus på mikro- og nanofabrikasjon. Kan du definere disse begrepene?

Definitivt. Så, i elektroingeniør, tok jeg nanoingeniør-varianten. Det var spesialiseringen rundt design og produksjon på mikro- og nanoskala. Når vi snakker om en nanometer, snakker vi om en millimeter delt på en million, som er en nanometer. En veldig, veldig liten skala. Og det er kult. Disse tingene er så små at du ikke engang kan se dem med det blotte øye. Men jeg kunne ta denne spesialiseringen for å lære hvordan man designer og produserer på den skalaen.

Vi lever i en veldig tilkoblet verden. Det er elektronikk overalt rundt oss, og vi må kunne designe elektronikk for pakning og plassbegrensninger. Vi prøver hele tiden å gjøre ting mindre og mindre. Du tar noe bulk, en prototype, og du må kunne gjøre den reproducerbar og skalerbar. Nanofabrikasjon er virkelig om verktøyene og teknikken du bruker for å designe og produsere på den skalaen.

Dette er fra produksjon av mikrochip til å ta disse to forskjellige chipene og koble dem elektrisk til den endelige pakkingen. Å gjøre alt dette på mikroskalaen krever en annen teknikk enn å bygge noe på vår menneskelige skala. Mikro- og nanofabrikasjon er bare rundt de kjemiske prosessene du bruker og de elektriske prosessene, pakkingen du må sikre at disse er hermetisk lukket og beskyttet mot deres miljø.

Utenfor mikrochip, hva ville være et annet eksempel eller bruksområde?

Vi arbeidet med mange prosjekter som fiberoptikk. Igjen, alt kommer til slutt til en eller annen prosessorenhet som tar inn signaler eller genererer signaler. Vi arbeidet i telekommunikasjonsindustrien, optikk, kameraer, alt det der. Men hjernen bak det er vanligvis en eller annen mikrochip i midten. Men det er også sensorer som gir signaler til hvilken som helst prosessorenhet du bruker. Så diverse produksjonsteknikker for å bygge hvilken som helst type sensor eller inndata-enhet eller utdata-enhet som vi trenger.

Hva er noen av utfordringene bak å arbeide på denne type nanoskala?

En del av problemet er at en enkelt støvpartikkel kan ødelegge hele dagen. Tingene du arbeider med er på samme størrelse som støvet i luften. Så, du produserer i et rent rom. Rent rom er virkelig et miljø som beskytter hva du arbeider med mot deg som menneske, fordi vi er veldig “urene” som mennesker, vi er konstant “spytting” ut partikler, våre klær er partikler, sminke vi har på oss gjør luften urent. Vi må eliminere så mye som mulig av det, så tingene vi bygger er rene og frie for slike forurensninger.

En annen utfordring, det er gode måter å bygge disse rene rommene på, og det er en hel type studier og vitenskap bak det, men den andre utfordringen er å ta det ut av laboratoriet, for til slutt skal disse tingene brukes i vår veldig “urene” verden. Da blir pakkingen viktig. Vi må fortsatt kunne aksessere disse enhetene, men vi må gjøre det på en måte som ikke forurenser pakkingen. Så hermetisk lukking, sikre at det er helt lukket, ingenting kommer inn eller ut. Det er en annen sett med utfordringer som jeg så.

Vi hadde noe som fungerte godt på et laboratoriebord i en kontrollert setting, men generelt er de fleste tingene vi bygger ment å brukes i vår “urene” verden. Det var utfordrende også.

Igjen, fra produksjon til å ta det til dens endelige destinasjon, er det bare veldig spesielle overveielser og miljømessige bekymringer når du arbeider med ting som er så små. Ting oppfører seg ikke alltid som forventet på den skalaen. I vår fysiske verden, forventer vi at ting skal fungere på en bestemt måte, men når du kommer ned på mikro- og nanoskalaen, blir den fysiske verden litt annerledes, og du kan ikke alltid forutse resultater. Det er et helt annet felt for studier.

Hva ville være noen eksempler på å være annerledes enn den vanlige fysiske verden?

Å sende strøm gjennom en ledning. Vi har våre ladbare enheter og våre telefoner, og vi sender strøm gjennom dem. Når du sender strøm gjennom en ledning som er størrelsen på et hårstrå, er det åpenbart varmeoverveielser og ting vil bare begynne å oppføre seg annerledes, fordi, igjen, plassen og størrelsesbegrensningene.

Hva er din nåværende rolle hos Amii, og hvordan hjelper ditt team industripartnere?

Min nåværende rolle hos Amii er svært annerledes enn verden av mikro- og nanoteknologi.

Jeg er Produktansvarlig for Avansert Teknologi-teamet hos Amii. Jeg leder et team av hovedsakelig maskinlæringsforskere og prosjektledere som alle arbeider med våre ulike industripartnere for å løse deres forretningsproblemer gjennom anvendelse av maskinlæring.

Vi er svært industrifokusert, alt om å brygge gapet mellom hva som skjer i akademia, alle de virkelig gode gjennombruddene med maskinlæring og AI, men anvende dem på våre industripartnere største behov. Vi responderer på disse behovene ved å hjelpe våre kunder finne ferdighetene og ekspertisen de trenger for å kunne flytte arbeidet fremover.

Vi kjører våre internship- og residensprogrammer gjennom Avansert Teknologi-teamet. Så, jeg ansetter mye. Rekruttering er ikke min bakgrunn, men det er noe jeg gjør mye nå. Og det er all om å finne riktig ML-talent til å plassere på våre kunders prosjekt. Vi ansetter disse folkene som Amii-ansatte for en bestemt periode og gir dem mye støtte og veiledning, men virkelig, de er dedikert til å arbeide på kundens prosjekt og flytte det fremover. Det er en måte for våre kunder å få tilgang til talent uten å måtte gjøre rekrutteringen selv. Amii har noen ganske gode merkevarer, vi er i stand til å bringe virkelig godt talent inn og så plassere dem på disse industriprojektene.

En potensiell fordel med systemet er at kunden har muligheten til å ansette disse folkene etter at perioden med oss er ferdig. Vi ønsker at dette talentet skal bli her. Vi ønsker ikke hjernedrain. Vi gir kunden en liten fordel, så de kan prøve talentet, prøve prosjektet, få en følelse av hva maskinlæring virkelig er, hva vi må gjøre for å gjøre det vellykket, og så ideelt sett plassere talentet innen disse selskapene på lengre sikt, så disse selskapene virkelig blir AI-selskaper og kan flytte sine egne initiativer fremover i fremtiden.

Hvor lenge er perioden de signerer opp for vanligvis?

Vanligvis fire til tolv måneder.

Det er noe vi finner ut i begynnelsen, avhengig av kompleksiteten til prosjektet og hvor mange problemer vi prøver å løse. Vi finner at jo lenger, jo bedre. Maskinlæringsprosjekter som skal gjøres på fire måneder kan være utfordrende. Det er mye mer enn bare å bygge ML-modeller. Det er sterkt avhengig av data som er samlet inn fra kunden som er overført til oss, som hjelper oss å bygge modellene. Jo lenger vi har, jo bedre er det å iterere og sykle gjennom alle mulighetene.

Arbeidet er eksperimentelt og utforskende i naturen. Amii er et forskningsinstitutt; vi kan ikke alltid garantere utfallet. En lengre runway gir oss mer tid til å gjøre denne forskningen og sikre at vi har uttømt våre muligheter og fulgt opp så mange ting som mulig, fordi det er vanskelig for oss å si “Dette er metoden som vil fungere best”. Du må prøve det og se.

Hva er noen eksempler på utfordrende forretningsproblemer som ditt team har arbeidet med med disse selskapene?

Jeg antydet det, definitivt dataforberedelse er en stor utfordring. Den pågående industriforståelsen av dataforberedelse er annerledes enn hva en maskinlæringsforsker ville tro er klart for en maskinlæringsmodell. Og tilgang. Hvor enkelt er det for kunden å overføre data til oss på en måte som er konsumabel for våre ML-modeller. Det er hvorfor vi liker lengre prosjekter, fordi det gir vårt team tid til å arbeide med våre kunder gjennom disse dataforberedelsesutfordringene og sette dem opp for suksess.

Skrald inn er skrald ut, hvis du overfører skrald-data til oss, vil vi skape en skrald-modell. Vi trenger kvalitetsdata. Og det er en liten lærekurve for kunder. Industriforståelse, igjen, av hva kvalitetsdata er, hva er eksemplene vi trenger for å kunne forutsi ting i fremtiden. Det er bare en litterær sak, å sikre at vi snakker samme språk, de forstår begrensningene basert på hva som helst data de har tilgang til, når de forstår hva som vil sette oss opp for suksess.

Du trenger eksempler på hva du prøver å forutsi i din datasett. Hvis en hendelse er svært sjelden, vil det være vanskelig for oss å noen gang forutse at det skjer. Vi kunne bygge en veldig nøyaktig modell av noe som bare 99% av tiden er nøyaktig, fordi det aldri forutsier den 1% tiden at noe skjer. Igjen, bare å sikre at kunden forstår hva vi trenger for å bygge nøyaktige modeller.

Vi har sett at selv tilsynelatende enkle problemer kan være svært komplekse, avhengig av deres datasett. Ved å ha en initial oppdagelsesring med en kunde, må vi også forutse lengden på tiden som vi vil trenge. Men noen ganger, når vi begynner å løfte lagene av løken, innser vi at nei, dette er mye mer komplekst enn vi trodde, på grunn av disse datakompleksitetene.

Andre utfordringer, mangel på forpliktelse fra fagfolk som trengs. Når vi samarbeider med våre industripartnere, trenger vi virkelig at de fortsetter å komme til bordet, fordi de er domene-ekspertene og vanligvis data-ekspertene også. Vi er ikke som en dev-butikk hvor vi kan bare ta data, bygge modellen og overføre den til dem til slutt. Det er svært samarbeidende. Og jo mer våre industripartnere setter inn, jo mer vil de få ut, fordi de vil kunne guide oss i riktig retning, sikre at forutsagnet vi gjør, har mening for dem fra et forretningsperspektiv, at vi targeter de riktige målene, vi forstår hva suksess er for dem.

Vi trenger et multidisciplinært team rundt oss for å støtte prosjektene, og det krever mer enn bare en maskinlæringsforsker for å bygge en suksessfull modell som vil påvirke en forretning positivt. Det er mange utfordringer. Disse var de som kom til minnet.

Du personlig tror at AI skal være en kraft for godt. Hva er noen måter du tror AI kan positivt endre fremtiden?

Det jeg liker best med jobben min er at vi arbeider med kunder fra tvers av alle bransjer, løser svært forskjellige problemer, men alle er virkelig brukt til noen form for positiv endring. Og Amii har vår principielle AI-ramme som sikrer at vi gjør nettopp det. Fra kontraktstadiet, sikrer vi at prosjektene vi arbeider på med våre industripartnere, brukes til positiv endring på en etisk måte. Alle prosjektene jeg får se, brukes til godt og positivt endrer fremtiden.

En ting som kommer til minnet, i Alberta, har vi ofte å gjøre med skogbranner om sommeren. Dette året, spesielt, selv i april, var det dårlig. Vi samarbeidet nylig med Canada Wildfire, en forskningsgruppe fra University of Alberta, med 40 års værdata koblet til alvorlige skogbrannshendelser. Vi arbeidet med dem for å bedre forutsi disse hendelsene i fremtiden, så vi kan bedre forberede ressurser som kan være nødvendige, ha teamene gå inn og tempe miljøet før det kommer til et stadium hvor skogbrannene raser. Jeg tror det er bare å være i Edmonton, jeg vet ikke om du var her i går kveld, men det var veldig røykt.

Når jeg ankom søndag kveld (21. mai 2023), var det ganske røykt.

Det er ødeleggende. Det ødelegger samfunn. Det tar menneskers hjem. Å måtte puste inn partikler i luften, er ikke bra, men ødeleggelsen er svært stor. Det er ett interessant prosjekt som er nær oss alle.

En annen område vi arbeider i, er jordbruksspace. Hvordan skal vi mate vår voksende befolkning? Vi arbeider med National Research (NRC ) Council på et proteinrikdomsproblem. Forsøker å sikre at plantene vi dyrker, har høyere proteininnhold for å mate vår voksende befolkning, og bruke maskinlæring for å kunne gjøre disse forutsagnet.

Redusere utslipp er en annen svært populær. Samarbeider med selskaper i olje- og gasssektoren for å sikre at prosessene og systemene og verktøyene som brukes, er så effektive som mulig. Vi arbeider med et vannbehandlingsanlegg i Drayton Valley, som er en liten by i Alberta, for å sikre at vannbehandlingsanlegget kjører så effektivt som mulig, og at vi skaper så mye rent vann for samfunnet som mulig. Presisjon medisin er også ett annet område.

Listen går videre. Bokstavelig talt, hvert selskap vi arbeider på, er disse typene prosjekter, disse typene årsaker. Det er vanskelig for meg å velge en favoritt, fordi når du tenker på det, har de alle muligheten til å ha en usedvanlig positiv innvirkning på fremtiden.

Hva er din visjon for fremtiden av AI eller robotikk?

Min eksponering til robotikk har vært i leverandørkjeden. Det er hvor robotikk allerede brukes, men det er også hvordan vi kan forbedre dem med AI for å bygge på eksisterende systemer og automatisering, igjen, gjennom mer effektive prosesser? Leverandørkjeden er åpenbart interessert i å øke gjennomstrømming, å fullføre flere ordrer raskere, og mer effektivt beslutningstagning. På robotikk-siden av ting, igjen, min eksponering har vært å bygge på eksisterende roboter for å gjøre dem smartere og bedre.

Jeg tror generelt, fremtiden fra hva jeg ser industrien gjøre, er fortsatt svært menneske-sentrert. Robotikk brukes som et verktøy, som en forbedring til mennesker. Kanskje robotikk brukes i situasjoner som er farlige for mennesker, hvor vi ikke bør være eksponert for miljøet. Robotikk er et godt erstatning for oss i det tilfelle for å holde oss tryggere. Det er også veldig cool forskning som gjøres av våre stipendiater og bioniske lemmer, så enklere kontroll og bevegelse for mennesker som trenger det støtte. Alt svært knyttet til mennesker og deres bruk av disse verktøyene, men gjør det enklere for dem å bruke og gjør livene deres enklere gjennom disse nye systemene.

I forhold til fremtiden av AI generelt, er dette bare en så spennende tid å være i dette rommet. Industrien er endelig begynt å forstå at AI er her, og det vil endre alt, og du kan enten lede eller bli ledet. Jeg tror en av Amiis visjoner er å ha hvert selskap komfortabelt med teknologien, å være klar over hva det kan og ikke kan gjøre, og å være villig til å eksperimentere og iterere på å implementere det i deres forretning for å løse noen av deres tøffeste problemer.

Inntil nå, tror jeg kanskje det var en oppfatning at det bare var teknologiselskaper som var AI- og ML-brukere, men nå blir det mer åpenbart at ML kan brukes i nesten alle organisasjoner. Det er ikke alltid riktig svaret, men det er vanligvis et bruksområde for det. Jeg er håpefull at fremtiden er selskaper som blir naturlige AI-selskaper selv ved å bli mer litterate og kjent med teknologien og å være klar over hvordan de kan bruke det til sin forretning.

Takk for det fantastiske intervjuet, lesere som ønsker å lære mer, bør besøke følgende ressurser:

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