Wywiady
Mara Cairo, Product Owner of Advanced Technology at Amii – Interview Series
Mara Cairo jest pasjonatem wykorzystania sztucznej inteligencji dla dobra. Ma tytuł licencjata nauk elektrotechnicznych na Uniwersytecie Alberty i posiada tytuły P.Eng. i PMP. Przed dołączeniem do Amii pracowała w dziale rozwoju sprzętu, gdzie pomagała klientom w wprowadzaniu produktów na rynek, ze szczególnym uwzględnieniem mikro- i nanofabrykacji.
Jako Product Owner of Advanced Technology w Amii, Mara kieruje zespołem technicznym, który pomaga partnerom branżowym budować zdolności maszynowego uczenia się w ramach swojej organizacji, zapewniając im wsparcie i ekspertyzę w zakresie tworzenia modeli predykcyjnych. Jej zespół współpracuje z klientami, którzy są zaangażowani w rozwój wzdłuż spektrum adopcji sztucznej inteligencji poprzez zastosowanie maszynowego uczenia się do rozwiązywania najtrudniejszych problemów biznesowych.
Amii (Alberta Machine Intelligence Institute) jest jednym z wiodących ośrodków sztucznej inteligencji w Kanadzie, współpracującym z firmami wszystkich rozmiarów, z różnych branż, w celu wspierania strategii innowacji i zapewnienia praktycznych wskazówek i porad, szkoleń korporacyjnych oraz usług rekrutacji talentów.
Wzięliśmy udział w wywiadzie na corocznej konferencji Upper Bound 2023 poświęconej sztucznej inteligencji, która odbyła się w Edmonton, AB i była organizowana przez Amii.
Czym pierwotnie zainteresowała Cię się elektrotechnika?
Jako dziecko, po prostu bardzo lubiłam budować rzeczy. Moja mama przynosiła wiatrak, kiedy było gorąco latem, i ja chciałam go zbudować. Pamiętam, że jako nastolatka miałam telefon komórkowy, jeden z tych Nokii, które można było rozłożyć i ja rozkładałam go i ozdabiałam klejnotami w środku i anteną. Ale kiedy go otworzyłam, to było jak: “Święty num, co tu się dzieje?” To było dla mnie bardzo interesujące.
Zawsze świetnie radziłam sobie z matmą. Więc, łącząc wszystko to, moi rodzice również pchali mnie w kierunku inżynierii, ponieważ byłem dobrą z matmy, miałam ogólne zainteresowanie elektroniką i chciałam wiedzieć więcej o tym, to rodzice mnie do tego zachęcali.
Także w inżynierii, bardzo podobało mi się to, że mogłam zastosować matmę do rozwiązywania rzeczywistych problemów. Tak, ok, matma jest wspaniała i ekscytująca i zabawna dla mnie, ale z inżynierią mogłam ją zastosować do rozwiązywania trudnych problemów. Wydawało się to idealnym połączeniem rzeczy, które mogłyby prowadzić do interesującej kariery.
Twoi rodzice wydają się bardzo aktywni w wspieraniu Twoich zainteresowań.
Tak. Mój tata, zwłaszcza. Mówi, że widział to we mnie od młodego wieku i zawsze mnie w tym kierunku popychał. Byłam na wydarzeniu Women in AI wczoraj wieczorem, a my rozmawialiśmy o usuwaniu pewnych barier i uczynieniu tego pola bardziej przystępnym dla kobiet. I nie widziałam tego jako bariery, ponieważ, ponownie, moi rodzice byli tacy: “To jest to, co powinnaś robić. Nie ma to nic wspólnego z Twoją płcią czy czymś innym. To jest umiejętność, którą posiadasz. Powinnaś ją naturalnie rozwijać i pielęgnować.” Nigdy nie czułam, że to nie jest dla mnie, co oczywiście pomogło.
Przed dołączeniem do Amii pracowałaś w dziale rozwoju sprzętu, koncentrując się na mikro- i nanofabrykacji. Czy mogłabyś zdefiniować te terminy?
Oczywiście. W elektrotechnice, wybrałam specjalizację nano-inżynierię. Była to specjalizacja związana z projektowaniem i wytwarzaniem na mikro- i nanoskali. Kiedy mówimy o nanometrze, mówimy o milimetrze podzielonym na milion, czyli nanometrze. Bardzo, bardzo mała skala. I to jest fajne. Te rzeczy są tak małe, że nie można ich zobaczyć gołym okiem. Ale mogłam podjąć tę specjalizację, aby nauczyć się, jak wytwarzać i projektować na tej skali.
Żyjemy w bardzo połączonym świecie. Elektronika jest wszędzie wokół nas i musimy umieć projektować elektronikę dla ograniczeń pakowania i przestrzeni. Stale próbujemy uczynić rzeczy mniejszymi i mniejszymi. Weźmiemy coś wielkiego, prototyp, i musimy umieć go uczynić powtarzalnym i skalowalnym. Nanofabrykacja jest naprawdę o narzędziach i technikach, których używamy do projektowania i wytwarzania na tym poziomie.
To jest od wytwarzania mikrochipów po łączenie dwóch różnych chipów i połączenie ich elektrycznie z ostatecznym pakowaniem. Robienie wszystkiego tego na mikroskali wymaga innej techniki niż budowanie czegoś na naszej skali ludzkiej. Mikro- i nanofabrykacja to po prostu chemiczne procesy, które używamy, procesy elektryczne, pakowanie, które musimy upewnić się, że są hermetycznie zamknięte i chronione przed ich środowiskiem.
Poza mikrochipami, jakie mogą być inne zastosowania lub przypadki użycia?
Pracowaliśmy nad wieloma projektami, takimi jak fiberoptyka. Znowu, wszystko ostatecznie musi dojść do jakiegoś procesora, który przyjmuje sygnały lub generuje sygnały. Pracowaliśmy w branży telekomunikacyjnej, optyce, kamerach, wszystkim tym. Ale mózgiem wszystkiego jest zwykle jakiś mikrochip pośrodku. Ale są też sensory, które dostarczają sygnały do procesora, których używamy. Więc różnorodne techniki wytwarzania do budowy dowolnego rodzaju sensora lub urządzenia wejściowego lub wyjściowego, którego potrzebujemy.
Jakie są niektóre z wyzwań związanych z pracą na tym poziomie nanoskali?
Jeden kawałek kurzu może zepsuć cały dzień. Rzeczy, nad którymi pracujemy, są takie same, jak kurz w powietrzu. Więc wytwarzamy w czystej sali. Czysta sala to naprawdę środowisko, które chroni to, nad czym pracujemy, przed nami jako ludźmi, ponieważ my, ludzie, jesteśmy bardzo brudni, stale wydalając cząsteczki, nasze ubrania są cząsteczkami, makijaż, który nosimy, zanieczyszcza powietrze. Musimy wyeliminować jak najwięcej z tego, aby rzeczy, które budujemy, były czyste i wolne od tego rodzaju zanieczyszczeń.
Innym wyzwaniem jest wytwarzanie poza laboratorium, ponieważ ostatecznie te rzeczy będą używane w naszym bardzo brudnym świecie. To, kiedy pakowanie staje się ważne. Nadal musimy mieć dostęp do tych urządzeń, ale musimy to robić w taki sposób, aby nie zanieczyszczać środowiska, pakowania. Więc hermetycznie zamykamy rzeczy, upewniając się, że nic nie wchodzi ani nie wychodzi. To kolejny zestaw wyzwań, który widziałam. Mieliśmy coś, co działało idealnie na stanowisku laboratoryjnym w kontrolowanym środowisku, ale ogólnie większość rzeczy, które budujemy, jest przeznaczona do wykorzystania w naszym brudnym świecie. To było wyzwaniem.
Znowu, od wytwarzania aż do dostarczenia go do ostatecznego miejsca przeznaczenia, jest to bardzo specjalny rodzaj rozważań i problemów środowiskowych, gdy mamy do czynienia z rzeczami tak małymi. Rzeczy nie zawsze zachowują się tak, jak oczekujemy, na tak małej skali. W naszym fizycznym świecie oczekujemy, że rzeczy będą działać w określony sposób, ale kiedy schodzimy do mikro- i nanoskali, fizyczny świat staje się trochę inny, i nie zawsze możemy przewidzieć wyniki. To jest całe inne pole badań.
Jakie mogą być przykłady różnic w porównaniu z zwykłym światem fizycznym?
Przesyłanie prądu przez przewód. Mamy nasze ładowarki i nasze telefony, i przesyłamy prąd przez nie. Kiedy przesyłamy prąd przez przewód, który ma rozmiar włosa, są oczywiście rozważania dotyczące ciepła i rzeczy zaczynają się zachowywać inaczej, ponieważ, znowu, przestrzeń i ograniczenia skali.
Co jest Twoją obecna rolą w Amii, i jak Twój zespół pomaga partnerom branżowym?
Moja obecna rola w Amii jest znacznie inna niż świat mikro- i nanotechnologii.
Jestem Product Owner zespołu Advanced Technology w Amii. Kieruję zespołem składającym się głównie z naukowców maszynowego uczenia się i menedżerów projektów, którzy wszystkie pracują z naszymi różnymi partnerami branżowymi, aby rozwiązać ich problemy biznesowe za pomocą zastosowania maszynowego uczenia się.
Jesteśmy bardzo ukierunkowani na branżę, wszystko o mostkowaniu przepaści między tym, co dzieje się w akademii, wszystkimi wielkimi przełomami w dziedzinie maszynowego uczenia się i sztucznej inteligencji, a zastosowaniem ich u naszych partnerów branżowych w największych potrzebach. Odpowiadamy na te potrzeby, pomagając naszym klientom znaleźć umiejętności i ekspertyzę, których potrzebują, aby móc ruszyć z pracą do przodu.
Prowadzimy nasze programy stażowe i rezydenckie za pośrednictwem zespołu Advanced Technology. Więc, zatrudniam bardzo dużo. Rekrutacja nie jest moim tłem, ale to coś, co robię teraz. I to jest po prostu dopasowywanie, znalezienie odpowiedniego talentu maszynowego uczenia się, aby umieścić go w projekcie klienta. Zatrudniamy tych ludzi jako pracowników Amii na określony czas i dajemy im wiele wsparcia i mentorowania, ale naprawdę, są oni poświęceni pracy nad projektem klienta i przesunięciem go do przodu. To sposób, w jaki nasi klienci mogą uzyskać dostęp do talentu bez konieczności samodzielnego rekrutowania. Amii ma dość dobrą rozpoznawalność marki, jesteśmy w stanie przynieść naprawdę wielki talent i umieścić go w tych projektach branżowych.
Potencjalną korzyścią tego systemu jest to, że klient ma możliwość zatrudnienia tych ludzi po zakończeniu okresu u nas. Chcemy, aby ten talent pozostał tutaj. Nie chcemy utraty mózgów. Dajemy klientowi trochę przewagi, aby mogli wypróbować talent, wypróbować projekt, poczuć, czym jest maszynowe uczenie się, co potrzeba, aby je uczynić udanym, a następnie idealnie umieścić talent w tych firmach na dłuższy okres, aby te firmy naprawdę stały się firmami sztucznej inteligencji i mogły ruszyć ze swoimi inicjatywami w przyszłości.
Jak długo trwa okres, na jaki oni się zapisują, zwykle?
Ogólnie, od czterech do dwunastu miesięcy.
To coś, co ustalamy na początku, w zależności od złożoności projektu i ilości problemów, które próbujemy rozwiązać. Uważamy, że im dłużej, tym lepiej. Projekty maszynowego uczenia się, które można wykonać w ciągu czterech miesięcy, mogą być trudne. Jest o wiele więcej niż tylko budowanie modeli maszynowego uczenia się. Bardzo zależy to od danych, które klient nam dostarcza, co pomaga nam budować modele. Im dłużej, tym lepiej, aby iterować i przechodzić przez wszystkie możliwości.
Praca jest eksperymentalna i eksploracyjna. Amii jest instytutem badawczym; nie możemy zawsze gwarantować wyniku. Dłuższy okres daje nam więcej czasu na przeprowadzenie badań i upewnienie się, że wyczerpaliśmy wszystkie opcje i podjęliśmy jak najwięcej możliwości, ponieważ trudno nam powiedzieć: “To jest metoda, która najlepiej zadziała.” Musimy to spróbować i zobaczyć.
Jakie są przykłady trudnych problemów biznesowych, nad którymi Twój zespół pracował z tymi firmami?
Zamieniłam to, zdecydowanie przygotowanie danych to duże wyzwanie. Pogląd branży na przygotowanie danych jest inny niż to, co naukowiec maszynowego uczenia się uznałby za gotowe do modelu maszynowego uczenia się. I dostęp. Jak łatwo jest dla klienta przekazać nam dane w sposób, który jest konsumowalny dla naszych modeli maszynowego uczenia się. Dlatego lubimy dłuższe projekty, ponieważ dają naszemu zespołowi czas, aby pracować z naszymi klientami nad tymi wyzwaniami związanymi z przygotowaniem danych i przygotować ich do sukcesu.
Śmieci w śmieci, jeśli podasz nam śmieciowe dane, stworzymy śmieciowy model. Naprawdę potrzebujemy danych wysokiej jakości. I jest trochę krzywej uczenia się dla klientów. Pogląd branży, znowu, na to, co jest danymi wysokiej jakości, jakie przykłady musimy zobaczyć, aby móc przewidzieć rzeczy w przyszłości. To jest po prostu kwestia literatury, upewnienia się, że mówimy tym samym językiem, oni rozumieją ograniczenia na podstawie danych, do których mają dostęp, kiedy rozumieją, co nas ustawi na sukces.
Potrzebujemy przykładów tego, co próbujemy przewidzieć w naszym zestawie danych. Jeśli zdarzenie jest bardzo rzadkie, będzie trudno nam kiedykolwiek przewidzieć, że się wydarzy. Moglibyśmy zbudować bardzo dokładny model czegoś, co 99% czasu jest dokładne, ponieważ nie przewiduje tego 1% czasu, kiedy coś się wydarza. Znowu, upewnienie się, że klient rozumie, co potrzebujemy, aby zbudować dokładne modele.
Zobaczyliśmy, że nawet pozornie proste problemy mogą być bardzo złożone, w zależności od ich zestawu danych. Na początku, mając początkową rozmowę odkrywczą z klientem, musimy przewidywać czas, którego będziemy potrzebować. Ale czasami, kiedy zaczynamy rozdzielać warstwy cebuli, realizujemy, że nie, to jest o wiele bardziej złożone, niż myśleliśmy, ze względu na te złożoności danych.
Inne wyzwania, brak zaangażowania ze strony ekspertów branżowych, którzy są potrzebni. Kiedy współpracujemy z naszymi partnerami branżowymi, naprawdę potrzebujemy, aby nadal przychodzić do stołu, ponieważ są oni ekspertami branżowymi i zwykle również ekspertami od danych. Nie jesteśmy jak firma developerska, gdzie możemy po prostu wziąć dane, zbudować model i oddać go im na końcu. To jest bardzo, bardzo współpracy. I im więcej naszych partnerów branżowych wkładają, tym więcej wyniosą, ponieważ będą w stanie nas nakierować w dobrym kierunku, upewnić się, że przewidywania, które robimy, mają sens dla nich z biznesowego punktu widzenia, że celujemy w odpowiednie metryki, rozumiemy, co jest sukcesem dla nich.
Potrzebujemy zespołu wielodyscyplinarnego wokół nas, aby wspierać projekty, i wymaga to więcej niż tylko jednego naukowca maszynowego uczenia się, aby zbudować udany model, który będzie miał pozytywny wpływ na firmę. Są wiele wyzwań. To te, które przyszły mi do głowy.
Osobiście wierzysz, że sztuczna inteligencja powinna być siłą dobra. Jakie są niektóre sposoby, w jakie sztuczna inteligencja może pozytywnie zmienić przyszłość?
Rzecz, która mi najbardziej podoba się w mojej pracy, to to, że pracujemy z klientami z różnych branż, rozwiązując bardzo różne problemy, ale wszystkie one są naprawdę używane do jakiegoś rodzaju pozytywnej zmiany. I Amii ma ramy sztucznej inteligencji, które zapewniają, że robimy właśnie to. Od etapu kontraktowania, upewniamy się, że projekty, nad którymi pracujemy z naszymi partnerami branżowymi, są używane do tej pozytywnej zmiany w sposób etyczny. Wszystkie projekty, które widzę, są używane do dobra i pozytywnie zmieniają przyszłość.
Jedna rzecz, która przychodzi mi do głowy, to to, że w Albercie coraz częściej mamy do czynienia z pożarami lasów latem. W tym roku, zwłaszcza w kwietniu, było bardzo źle. Współpracowaliśmy z Canada Wildfire, grupą badawczą z Uniwersytetu Alberty. 40 lat danych pogodowych związanych z poważnymi pożarami lasów. Pracowaliśmy z nimi, aby lepiej przewidzieć te zdarzenia w przyszłości, abyśmy mogli lepiej przygotować zasoby, które mogą być potrzebne, mieć zespoły, które mogą wejść i przygotować środowisko, zanim pożary lasów staną się niekontrolowane. Myślę, że to po prostu dlatego, że jestem w Edmonton, nie wiem, czy był tu w zeszłym tygodniu, ale było bardzo dymno.
Kiedy przyjechałem w niedzielę wieczorem (21 maja 2023), było bardzo dymno.
To jest dewastujące. Niszczy społeczności. Zabiera ludziom domy. Muszenie oddychać cząsteczkami w powietrzu nie jest wspaniałe, ale dewastacja jest bardzo ogromna. To jeden z interesujących projektów, które są bliskie sercu wszystkich.
Innym obszarem, nad którym pracujemy, jest rolnictwo. Jak będziemy żywić rosnącą populację? Pracujemy z National Research Council nad problemem obfitości białka. Staramy się upewnić, że rośliny, które uprawiamy, mają wyższą zawartość białka, aby żywić rosnącą populację, i używamy maszynowego uczenia się, aby móc te przewidywania dokonywać.
Redukcja emisji to kolejny bardzo popularny obszar. Pracujemy z firmami z sektora naftowego i gazowego, aby upewnić się, że procesy, systemy i narzędzia, które są używane, są jak najbardziej wydajne. Pracujemy z oczyszczalnią wody w Drayton Valley, małym mieście w Albercie, aby upewnić się, że oczyszczalnia wody działa jak najbardziej wydajnie i abyśmy mogli tworzyć jak najwięcej czystej wody dla społeczności. Medycyna precyzyjna również.
Lista jest długa. Dosłownie, każda firma, z którą pracujemy, to tego rodzaju projekty, tego rodzaju przyczyny. Trudno mi wybrać ulubiony, ponieważ kiedy o tym myślisz, wszystkie one mają możliwość mieć ogromny pozytywny wpływ na przyszłość.
Jaka jest Twoja wizja przyszłości sztucznej inteligencji lub robotyki?
Moje doświadczenie z robotyką było naprawdę w łańcuchu dostaw. To jest miejsce, w którym robotyka jest już używana, ale to jest również to, jak możemy je ulepszyć za pomocą sztucznej inteligencji, aby zbudować na istniejących systemach i automacji, ponownie, przez bardziej wydajne procesy? Łańcuch dostaw jest oczywiście zainteresowany zwiększaniem wydajności, realizowaniem więcej zamówień szybciej i bardziej efektywnym podejmowaniem decyzji. Po stronie robotyki, znowu, moje doświadczenie było budowaniem na istniejących robotach, aby uczynić je mądrzejszymi i lepszymi.
Myślę, że ogólnie, przyszłość, jaką widzę, jest nadal bardzo ukierunkowana na człowieka. Robotyka jest używana jako narzędzie, jako uzupełnienie dla ludzi. Może robotyka jest wdrażana w warunkach niebezpiecznych dla ludzi, gdzie nie powinniśmy być narażeni na te środowiska. Robotyka jest wspaniałym zastępstwem dla nas w tym przypadku, aby nas zachować bezpiecznym. Jest również bardzo fajne badania prowadzone przez naszych współpracowników i kończynach bionicznych, aby ułatwić kontrolę i ruch ludzi, którzy potrzebują tego wsparcia. Wszystko to jest nadal związane z ludźmi i ich użyciem tych narzędzi, ale ułatwia im życie za pomocą tych nowych systemów.
W odniesieniu do przyszłości sztucznej inteligencji, jest to po prostu takie interesujące czasy, aby być w tym miejscu. Branża w końcu zrozumiała, że sztuczna inteligencja jest tutaj i zmieni wszystko, i możesz albo prowadzić, albo być prowadzony. Myślę, że jedną z wizji Amii jest to, aby każda firma była komfortowa z tą technologią, świadoma tego, co może i nie może zrobić, i naprawdę chętna do eksperymentowania i iterowania nad wdrożeniem jej w swoim biznesie, aby rozwiązać niektóre z najtrudniejszych problemów.
Do tej pory myślę, że może było tak, że sztuczna inteligencja była postrzegana jako coś, co jest używane tylko przez firmy technologiczne, ale teraz staje się coraz bardziej oczywiste, że maszynowe uczenie się może być wdrożone praktycznie w każdej organizacji. Nie zawsze jest to odpowiedź, ale zwykle jest jakiś przypadek użycia. Mam nadzieję, że przyszłość to firmy, które stają się naturalnymi firmami sztucznej inteligencji, stając się bardziej wykształconymi i świadomymi technologii oraz świadomymi, jak mogą ją wykorzystać w swoim biznesie.
Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić następujące zasoby:
