Maria Elena, direktør for løsninger i Stradigi AI – Intervju-serie

Maria Elena Carbajal bringer over 25 års erfaring med kunstig intelligens, informasjonsteknologi og telekommunikasjon til sin profesjonelle karriere. Hun har 18 års erfaring med å arbeide i et telekomselskap i Canada og Sverige, samt i aerospace-, energi- og informasjonsteknologi-bransjene med ulike selskaper. For tiden arbeider hun for Stradigi AI, en ledende kunstig intelligens-virksomhet i Canada.

Maria Elena Carbajal har hatt mange funksjoner innen R&D, ingeniørvirksomhet, globale profesjonelle tjenester, digital transformasjon og informasjonsteknologi. Hennes internasjonale erfaring omfatter å arbeide og lede team i land som Peru, Canada, USA, Mexico, Brasil, Sverige, Finland, Norge, Russland, Estland og Belarus.

Hva var det som tiltalte deg til AI fra början?

Jeg har alltid vært lidenskapelig opptatt av å arbeide i teknologisektoren. Som enkeltperson er jeg alltid opptatt av å optimalisere det som omgir meg: fra å organisere mitt hjem til å bringe effisiens til mine team, kunder og bedrifter generelt. Dette er i mitt innerste vesen. Jeg har vært heldig å ha svært praktisk erfaring med å implementere ledende teknologi i de siste to tiårene i ulike bransjer, så ferdighetene blir svært diverse og overførbar.

Når jeg ser mer spesifikt på AI, er jeg en sterk tilhenger av at kunstig intelligens og kvantecomputing vil revolusjonere alle bransjer — uten unntak. AI er kritisk for å løse og drive effisiens i alle områder: forretning, profesjonell og personlig. Dette er det som tiltalte meg og holdt meg engasjert og motivert, dag for dag.

Du var tidligere ansatt i Ericsson (ERIC ) i 18 år, hva var det som gjorde at du bestemte deg for å gå til Stradigi AI?

Jeg var interessert i å fokusere mine profesjonelle anstrengelser på AI på grunn av hvor mye det vil påvirke og endre måten vi lever og arbeider på. AI åpner døren til en rekke problemer du søker å løse når du arbeider med bedrifter, store eller små, som gir deg muligheten til å gjøre en forskjell, flytte nålen og bruke teknologi for godt. Jeg hadde også omfattende erfaring som leder i Ericsson, som, i motsetning til, er en enorm organisasjon. Ved å gå over til et startup-selskap som Stradigi AI, ønsket jeg å pushe meg selv ut av min komfortsone og oppleve hva det er å være en del av den blomstrende, evoluerende AI-økosystemet som dannes i Montreal. Det er noe motivasjonelt og energigivende å være en del av denne samfunnet.

Jeg har vært i Stradigi AI i ett år nå, og etter ett år med å arbeide med en fantastisk gruppe profesjonelle og innovatører, er det klart at mine erfaringer fra Ericsson har vært så verdifulle og overførbar til enhver organisasjon, uansett størrelse. Min filosofi var alltid å flytte teknologinålen ett kunde om gangen, og jeg har bragt dette med meg til Stradigi AI også.

Stradigi AI lar noen uten maskinlæringserfaring produsere AI-modeller, kan du beskrive hvordan dette oppnås?

Mye av diskusjonen i AI- og ML-verden handler om “demokratisering”. Dette handler om å gjøre AI tilgjengelig for massene. Men tilgjengelighet og brukervennlighet er ikke det samme. Med vår selvbetjenings-ML-plattform, Kepler, er vårt primære mål å sikre at interne SME-er og analytikere kan produsere modeller med avanserte ML-teknikker, uten å måtte lære kompleks data-vitenskap eller involvere deres data-vitenskapelige team.

Fra et praktisk og teknisk perspektiv oppnås dette gjennom å automatisere de skritt-for-skritt data-vitenskapsprosessene som vanligvis tar tid og ekspertise å fullføre. For eksempel automatiserer Kepler feature-engineering-prosessen, en kompleks, flertrinns prosess. Det skaper også automatisk en pipeline ved å velge de beste algoritmene, gjennomfører automatisk konfigurasjon og hyperparameter-optimering — alt uten menneskelig inngripen.

Målet med å ha dette nivået av automatisering i prosessen er å frigjøre eksperter fra å spille tid på trivielle og tidskrevende oppgaver. Ved å automatisere disse skrittene, gir Kepler teamet ditt mer tid til å tenke på den neste store innovasjonen, i stedet for de meniale oppgavene hver dag. For analytikere og SME-er er det også en mulighet til å utvikle ferdighetene sine: ved å implementere ML-verktøy i deres daglige arbeid, gir du dem muligheten til å berike deres analyse og deres tilnærming til nøkkelbrukstilfeller.

Hva er noen interessante AI-modeller du har sett fra selskaper som bruker Kepler?

Sjarmen med Kepler er at det dekker et bredt spekter av brukstilfeller over flere bransjer, ved å bruke en rekke teknikker fra klassisk ML til dypt læring. Fra regjeringer til investeringer, kan Kepler hjelpe ledere med å oppnå målbare resultater.

Noen påvirkende prosjekter som kommer i mente og som har en stor påvirkning på måten vi lever og arbeider på, er utviklingen av innovative modeller i helse-sektoren, der vi brukte bilde-segmenteringsmodeller og regresjonsmodeller for å påvise sykdom. En annen er vårt arbeid med reguleringsorganer i lokale og nasjonale regjeringer i å bruke naturlig språk-forståelse for å kategorisere kompleks tekstinformasjon og bringe nye effisienser til arvelige prosesser.

På den andre siden, har vi også utnyttet Kepler til å optimalisere handelsaktiviteter for en kunde i finanssektoren.

Stradigi AI bruker en automatisert data-vitenskaps-prosess. For de som er ukyndige i dette, kan du beskrive hva det er og hvordan det brukes av Stradigi AI?

Automatiserte data-vitenskaps-prosesser (ADSW) er de ende-til-ende data-vitenskaps-prosessene som fungerer innen Kepler. ADSW-er ble skapt for å løse en rekke brukstilfeller, så vi bygget hver “prosess” for å ha svært praktiske anvendelser. For eksempel er en av våre prosesser tidsseriemodellering, som lar profesjonelle i CPG eller detaljhandel forutsi når lageret må fylles på. Det finnes åtte forhåndsdefinerte prosesser i Kepler, som alle er intuitivt designet for ikke-data-vitenskapelige personer.

ADSW-er er avanserte ML-prosesser som automatiserer nøkkel-prosesser, noen av disse jeg alluded til ovenfor. I en ADSW, automatiserer Kepler:

• Hyperparameter-optimering
• Konfigurasjon
• Modell-valg
• Trenings- og test-data-deler
• Dashboard-oppsett
• Vurdering av modell-målinger

Alt brukeren trenger for å få en deploybar maskinlæringsmodell er data og en brukstilfelle å løse. Og, avhengig av data-sammenstillingen, kan all kompleks arbeid innen en ADSW fullføres innen minutter.

Hva slags data kan brukes?

Kepler-plattformen lar deg arbeide med tabell-, tekst- og bilde-data.

For de som ikke er kjent med data og data-typer, vil jeg bryte dem ned:

1. Tabell: dette ville være et regneark som inneholder nøkkelinformasjon som salgsdata eller en database-tabell med kunde-demografi, produkter osv.
2. Tekst: denne typen data kan komme i så mange former, tenk e-poster, kunde-tilbakemeldinger, sosiale medie-innhold, bibliotek-arkiv, kontrakter osv.
3. Bilder: tenk på produkt-gallerier eller bilder av varer på en monteringslinje.

Video-data vil bli innlest i Kepler i fremtiden. På vår nettside under “Data-typer” forklarer vi hva slags data kan løse nøkkel-brukstilfeller. Du ville være overrasket over hvor mye data som ikke utnyttes, spesielt i større bedrifter.

Har du noen tips eller strategier for kvinner som ønsker å gå inn i teknologi?

Jeg har tre tips som jeg mener er svært grunnleggende for suksess for hvem som helst som ønsker å trives i teknologi-industrien.

1 – Læring. Dette bør alltid være en del av ditt liv. Uansett hvor ung eller gammel du er, bør du alltid ha noe å lære. Det spiller ingen rolle hvordan du går om å lære eller hvem du lærer av, bare vær klar til å motta kunnskap. Åpne ditt sinn. Rense ditt hjerte så du kan være klar til å motta mer kunnskap, mer kjærlighet, mer empati… bare mer. Vær besatt av din egen utvikling. En god påminnelse er at å være klar til å lære er en av de viktigste manifestasjonene av empati.

2 – Passion. Eksempler på hardt arbeid har aldri sviktet i min profesjonelle erfaring. Jeg er alltid klar til å heve hånden på jobben for å ta på meg komplekse situasjoner eller kompliserte aktiviteter. Jo mer jeg gjør dette, jo mer innser jeg at alt er mulig. Jeg ville ikke tøve å hoppe ut av min komfortsone og ta på meg den ekstra utfordringen. Når du gjør dette, kan ledere identifisere og verdsette passinen du viser.

Når du nærmer deg arbeid på denne måten, trenger du ikke å vente på den store jobb-muligheten som vil endre ditt liv. Hvis du betaler oppmerksomhet, vil du merke at det finnes mange små oppgaver rundt deg som vil gi deg mer eksponering til beslutningstakere og viktigst, flere muligheter til å lære.

3 – Mentorering. For meg er mentorering et så kraftig verktøy, da det strekker dine lytting- og lærings-muskler eller ferdigheter. Mentorering kan også bringe deg nærmere store ledere fra dine profesjonelle nettverk eller innen din personlige krets. Gjennom hele din karriere er det avgjørende å identifisere den type ledere du kan stole på og følge, og velge dem som dine mentorer og rollemodeller.

De ledere som tror på deg, vil pushe deg ut av din komfortsone og være der for å hjelpe deg å styrke deg også. Store ledere og store mentorer kan være brutalt ærlige, men de kan også være utmerkede lyttere. Å finne selvlaus personer som kan hjelpe deg å nå ditt fulle potensiale, kan gi deg noen av de beste lærings-øyeblikkene i ditt liv. Nå er din oppgave å finne og gjenkjenne hvem disse mentorene er eller kan være for deg — og stole på dem.

Takk for intervjuet. Dine tre strategier for de som ønsker å gå inn i teknologi, er anvendelige på alle og jeg er enig med dem. Alle som ønsker å lære mer om Kepler eller dette fantastiske selskapet, bør besøke Stradigi AI.