Intervjuer
Mara Cairo, Product Owner of Advanced Technology at Amii – Intervju-serie
Mara Cairo er lidenskapelig opptatt av å bruke AI til gode formål. Hun har en bachelorgrad i elektroingeniør fra University of Alberta og har P.Eng. og PMP-betegnelser. Før hun begynte i Amii, arbeidet hun i utvikling av maskinvare, hvor hun hjalp kunder med å ta produkter til markedet, med fokus på mikro- og nanofabrikasjon.
Som Product Owner of Advanced Technology i Amii, leder Mara et teknisk team som hjelper industripartnere med å bygge maskinlæringskapasitet i sine organisasjoner ved å gi veiledning og ekspertise for å utvikle prediktive modeller. Hennes team arbeider med kunder som er engasjert i å fremme AI-tilpasningen i sine organisasjoner ved å anvende maskinlæring på deres største forretningsproblemer.
Amii (Alberta Machine Intelligence Institute) er ett av Canadas fremste senter for AI, og de samarbeider med selskaper av alle størrelser, over industrier, for å drive innovasjonsstrategi og gi praktisk veiledning og råd, korporativ opplæring og rekrutteringstjenester.
Vi satte oss ned for en intervju under den årlige 2023 Upper Bound-konferansen om AI som holdes i Edmonton, AB og vertsført av Amii.
Hva var det som opprinnelig tiltalte deg til elektroingeniør?
Som 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 sette på smykker på innsiden og antennen. Men når jeg åpnet den, var det som “Holy crap, hva skjer her? Hva er det som skjer?” Det var veldig interessant for meg.
Jeg var alltid dyktig i matematikk. Så, når jeg kombinerte alle disse tingene, mine foreldre pushet meg også i retning av ingeniørarbeid fordi jeg var god i matematikk, jeg hadde bare en generell interesse for elektronikk og ville vite mer om det, det er hva som tiltalte meg fra starten av.
Også i ingeniørarbeid likte jeg ideen om å anvende matematikk på virkelige problemer. Ja, ok, matematikk er bra og spennende og morsomt for meg, men med ingeniørarbeid kan du anvende det på å løse vanskelige problemer. Det virket som en perfekt kombinasjon av ting som ville føre til en interessant karriere.
Dine foreldre låter veldig 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 mer tilgjengelig for kvinner. Og jeg så ikke det som en barriere fordi, igjen, mine foreldre var som “Dette er hva du skal gjøre. Det er ikke et spørsmål om kjønn eller noe. Det er bare en ferdighet du har. Du burde naturlig følge det og nære det.” Jeg følte aldri at det ikke var for meg, hvilket hjalp åpenbart.
Før du begynte i Amii, arbeidet du i utvikling av maskinvare med fokus på mikro- og nanofabrikasjon. Kan du definere disse begrepene?
Definitivt. Så, i elektroingeniørarbeid, tok jeg nanoingeniør-valget. 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 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 produserer på den skalaen og designe ting på den skalaen.
Vi lever i en veldig tilkoblet verden. Det er elektronikk overalt rundt oss og vi må være i stand til å designe elektronikk for pakning og plasseringsbegrensninger. Vi prøver stadig å gjøre ting mindre og mindre. Du tar noe bulk, en prototype, og du må være i stand til å gjøre det reproducerbart og skalerbart. 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 de to forskjellige chipene og koble dem elektrisk til den endelige pakningen. Å gjøre all 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, pakningen du må sikre at disse er hermetisk lukket og beskyttet mot deres miljø.
Utenfor mikrochip, hva ville være et annet eksempel eller brukstilfelle?
Vi arbeidet med mange prosjekter som fiberoptikk. Igjen, det kommer alltid tilbake til en eller annen prosesseringenhet som tar inn signaler eller genererer signaler. Vi arbeidet i telekommunikasjonsindustrien, optikk, kameraer, all denne typen ting. Men hjernen bak det er vanligvis en eller annen type mikrochip i midten. Men det er også sensorer som matar signaler inn i hvilken som helst prosesseringenhet du bruker. Så diverse produksjonsteknikker for å bygge hvilken som helst type sensor eller inn-/utgangsenhet som vi trenger.
Hva er noen av utfordringene bak å arbeide på denne typen nanoskala?
En del av støvet kan ødelegge hele dagen. Tingene du arbeider med er på samme størrelse som støvet i luften. Så, du produserer i et rent rom. Rent rommet er virkelig en miljø som beskytter hva du arbeider med mot deg som menneske, fordi vi er veldig urene som mennesker, vi er konstant utspyende partikler, våre klær er partikler, sminke vi har på oss gjør luften urent. Vi må eliminere så mye av det som mulig så tingene vi bygger er klare og rene for denne typen forurensning.
En annen utfordring, det er gode måter å bygge disse rene rommene og det er en hel type studie og vitenskap bak det, men en annen utfordring er å ta det ut av laboratoriet fordi til slutt skal disse tingene brukes i vår veldig urene verden. Da blir pakningen viktig. Vi må fortsatt være i stand til å aksessere disse enhetene, men vi må gjøre det på en måte som ikke forurenser miljøet, pakningen. Så hermetisk lukke ting, sikre at ingenting kommer inn eller ut. Det er en annen sett med utfordringer som jeg så.
Igjen, fra produksjon til å ta det til dens endelige destinasjon, er det 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 til mikro- og nanoskalaen, blir den fysiske verden litt annerledes, og du kan ikke alltid forutse resultater. Det er et helt annet felt av studie.
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 størrelse med et hårstrå, er det åpenbart varmeoverveielser og ting begynner å oppføre seg annerledes fordi, igjen, plassen og størrelsesbegrensningene.
Hva er din nåværende rolle i Amii, og hvordan hjelper ditt team industripartnere?
Min nåværende rolle i Amii er veldig annerledes enn verden av mikro- og nanoteknologi.
Jeg er Product Owner of Advanced Technology Team i Amii. Jeg leder et team av hovedsakelig maskinlæringsforskere og prosjektledere som arbeider med våre ulike industripartnere for å løse deres forretningsproblemer gjennom anvendelse av maskinlæring.
Vi er veldig industriefokusert, alt om å brygge gapet mellom hva som skjer i akademikere, 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 Advanced Technology Team. Så, jeg er ansatt en del. 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 ansatter 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 merkevarerekognition, 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 ansatte 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 fot i døren så de kan prøve talentet ut, 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 er i stand til å 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 figurerer ut i begynnelsen, avhengig av kompleksiteten til prosjektet og hvor mange problemer vi prøver å løse. Vi finner at lengre, jo bedre. Maskinlæringsprosjekter å gjøre på fire måneder kan være utfordrende. Det er mye mer enn bare å bygge ML-modeller. Sterkt avhengig av data som er samlet inn fra kunden som er overført til oss, som hjelper oss bygge modellene. Jo lengre vi har, jo bedre er det til å iterere og sykle gjennom alle mulighetene.
Arbeidet er eksperimentelt og utforskende i naturen. Amii er et forskningsinstitutt; vi kan ikke alltid garantere resultatet. En lengre løpebane gir oss bare 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. Gående industriforventning om 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. Industriforventning, igjen, av hva kvalitetsdata er, hva er eksemplene vi trenger for å se for å kunne forutsi ting i fremtiden. Det er bare en lesekyndighet, sikre at vi snakker samme språk, de forstår begrensningene basert på hvilke 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 veldig sjelden, vil det være vanskelig for oss å noen gang forutse det. Vi kunne bygge en veldig nøyaktig modell av noe som bare sier 99% av tiden nøyaktig fordi det aldri forutsier den 1% tiden noe skjer. Igjen, bare sikre at kunden forstår hva vi trenger for å bygge nøyaktige modeller.
Vi har sett selv tilsynelatende enkle problemer kan være svært komplekse avhengig av deres datasett. Ved utgangspunktet, å ha en oppdagelsesring med en kunde, må vi anta lengden på tiden vi vil trenge. Men noen ganger når vi begynner å avdekke lagene av løken, innser vi, nei, dette er mye mer komplekst enn vi trodde fordi 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 ta data, bygge modellen og overføre den til dem til slutt. Det er veldig, veldig samarbeidende. Og jo mer våre industripartnere setter inn, jo mer vil de få ut. Fordi de vil være i stand til å guide oss i riktig retning, sikre at forutsigningene vi gjør har mening for dem fra et forretningsperspektiv, at vi målretter de riktige metrikene, vi forstår hva suksess er for dem.
Vi trenger et multidisciplinært team rundt oss for å støtte prosjektene og det tar mer enn bare en maskinlæringsforsker for å bygge en vellykket modell som vil påvirke en forretning positivt. Det er mange utfordringer. Disse er de som kom til minnet.
Personlig tror du at AI skal være en kraft for godt. Hva er noen måter du tror AI kan positivt endre fremtiden?
Tingen jeg liker best med jobben min er at vi arbeider med kunder fra alle industrier, løser svært forskjellige problemer, men alle er virkelig brukt til noen form for positiv endring. Og Amii har vår prinsipiell AI-ramme som sikrer at vi gjør nettopp det. Fra kontraktstadiet, sikrer vi at prosjektene vi arbeider på med våre industripartnere er brukt til den positive endringen på en etisk måte. Alle prosjektene jeg får se er brukt til godt og positivt endrer fremtiden.
En ting som kommer til minnet, i Alberta mer enn noen gang nå, har vi å gjøre med skogbrannsituationer om sommeren. Dette året spesielt, selv i april, var det dårlig. Vi samarbeidet nylig med Canada Wildfire. Det er en forskningsgruppe fra University of Alberta. 40 års værdata knyttet til alvorlige skogbrannshendelser. Arbeider med dem for å bedre forutsi disse hendelsene i fremtiden så vi kan bedre forberede resursene som kanskje trengs, ha teamene gå inn og tempe miljøet før det kommer til et stadium hvor skogbrannene raser. Jeg tror det er bare fordi jeg er i Edmonton, jeg vet ikke om du var her i fjor uken, 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 away. Å måtte puste inn partikler i luften er ikke bra, men ødeleggelsen er svært omfattende. Det er ett interessant prosjekt som er nær alle våre hjarter.
En annen område vi arbeider i er jordbruksplassen. Hvordan skal vi mate vår voksende befolkning? Vi arbeider med National Research Council på et proteinrikdomsproblem. Prøver å sikre at plantene vi dyrker har høyere proteininnhold for å mate vår voksende befolkning og bruke maskinlæring til å kunne gjøre disse forutsigningene.
Redusere utslipp er en annen svært populær en. Arbeider 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. Presisjonmedisin også.
Listen går videre. Bokstavelig talt, hvert selskap vi arbeider på, disse prosjektene, disse årsakene. 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 virkelig 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, igjen, min eksponering har vært å bygge på eksisterende roboter for å gjøre dem smartere og bedre.
Jeg tror mer generelt, fremtiden fra hva jeg ser industrien gjøre, er fortsatt veldig menneske-sentrert. Robotikk brukes som et verktøy, som en forsterkning til mennesker. Kanskje robotikk blir deployert i forhold som er farlige for mennesker hvor vi ikke bør være eksponert for miljøet. Robotikk er et godt erstatning for oss i det tilfellet for å holde oss tryggere. Det er også veldig cool forskning som blir gjort av våre medarbeidere og bioniske lemmer, så enklere kontroll og bevegelse av mennesker som trenger den støtten. Alt veldig knyttet til mennesker og deres bruk av disse verktøyene, men gjør det enklere for dem å bruke og gjør deres liv enklere gjennom disse nye systemene.
I forhold til fremtiden av AI generelt, dette er bare så interessant 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 hver enkelt selskap komfortabel med teknologien, klar over hva den kan og ikke kan gjøre, og virkelig villig til å eksperimentere og iterere på å implementere det i sine forretninger for å løse noen av sine 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 deployes i essensielt hver enkelt organisasjon. Det er ikke alltid riktig svaret, men det er vanligvis en brukstilfelle 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 klar over hvordan de kan bruke det for sine forretninger.
Takk for det fantastiske intervjuet, lesere som ønsker å lære mer, besøk følgende ressurser:
