Mara Cairo, Product Owner of Advanced Technology at Amii – Wywiad

Mara Cairo jest pasjonatem wykorzystania sztucznej inteligencji dla dobra. Ukończyła studia licencjackie z inżynierii elektrycznej na Uniwersytecie Alberty i posiada tytuły P.Eng. i PMP. Przed dołączeniem do Amii pracowała w branży rozwoju sprzętu, gdzie pomagała klientom w wprowadzaniu ich produktów na rynek, ze szczególnym uwzględnieniem mikro- i nanotechnologii.

Jako Product Owner of Advanced Technology w Amii, Mara kieruje zespołem technicznym, który pomaga partnerom przemysłowym budować zdolności machine learning w ramach ich organizacji, zapewniając im wskazówki i ekspertyzę w celu opracowania modeli predykcyjnych. Jej zespół współpracuje z klientami, którzy są zaangażowani w rozwój poziomu adopcji sztucznej inteligencji poprzez zastosowanie machine learning do ich najbardziej skomplikowanych problemów biznesowych.

Amii (Alberta Machine Intelligence Institute) jest jednym z wiodących ośrodków sztucznej inteligencji w Kanadzie, współpracującym z firmami wszystkich rozmiarów i branż, aby napędzać strategię innowacji i zapewniać praktyczne porady, szkolenia korporacyjne oraz usługi rekrutacji talentów.

Przeprowadziliśmy wywiad na corocznym konferencji Upper Bound w 2023 roku, poświęconej sztucznej inteligencji, która odbyła się w Edmonton, AB i była organizowana przez Amii.

Czym było to, co pierwotnie przyciągnęło Cię do inżynierii elektrycznej?

Jako dziecko, po prostu lubiłem budować rzeczy. Moja mama przynosiła do domu wentylator, kiedy było gorąco latem, i ja chciałem go zbudować. Pamiętam, że jako nastolatek miałem telefon komórkowy, jeden z tych Nokii, które można było rozłożyć, i ja rozkładałem go, i kładłem na wewnętrznej stronie klejnoty i antenę. Ale kiedy go otworzyłem, było jak “Święty numer, co tu jest? Co się tu dzieje?” To było dla mnie bardzo interesujące.

Zawsze miałem talent do matematyki. Więc, łącząc to wszystko, moi rodzice również pchnęli mnie w kierunku inżynierii, ponieważ byłem dobry w matematyce, miałem ogólne zainteresowanie elektroniką i chciałem wiedzieć więcej o tym, to właśnie to mnie przyciągnęło.

Również w inżynierii, po prostu lubiłem pomysł zastosowania matematyki do rozwiązywania rzeczywistych problemów. Tak, ok, matematyka jest wspaniała i ekscytująca i zabawna dla mnie, ale z inżynierią można 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 pchał mnie w tym kierunku. Byłam na wydarzeniu Women in AI wczoraj wieczorem, i rozmawiałyśmy o usuwaniu pewnych barier i uczynieniu tego pola bardziej przystępnym dla kobiet. I nie widziałam tego jako bariery, ponieważ, znowu, moi rodzice byli jak “To jest to, co powinnaś robić. To nie jest kwestia Twojej płci czy czegoś innego. To po prostu umiejętność, którą masz. Powinnaś ją naturalnie rozwijać i pielęgnować.” Nigdy nie czułam, że to nie jest dla mnie, co oczywiście bardzo pomogło.

Przed dołączeniem do Amii pracowałaś w przestrzeni rozwoju sprzętu, koncentrując się na mikro- i nanotechnologii. Czy mogłabyś zdefiniować te terminy?

Zdecydowanie. W inżynierii elektrycznej, wybrałam specjalizację nano-inżynierii. Była to specjalizacja w zakresie projektowania i wytwarzania na mikro- i nanoskali. Kiedy mówimy o nanometrze, mówimy o milimetrze podzielonym na milion, czyli nanometr. 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 na tej skali.

Żyjemy w bardzo połączonym świecie. Wokół nas jest elektronika, i musimy umieć ją projektować dla ograniczeń pakowania i przestrzeni. Stale próbujemy robić rzeczy mniejsze i mniejsze. Weźmiemy coś wielkiego, prototyp, i musimy umieć to zrobić powtarzalne i skalowalne. Nanotechnologia jest naprawdę o narzędziach i technikach, które używamy do projektowania i wytwarzania na tym poziomie.

To od produkcji mikrochipów po łączenie dwóch różnych chipów i połączenie ich elektrycznie z ostatecznym pakowaniem. Robienie tego wszystkiego na mikroskali wymaga innej techniki niż budowanie czegoś na naszej skali ludzkiej. Mikro- i nanotechnologia są po prostu o procesach chemicznych, które używamy, i procesach elektrycznych, pakowaniu, które musimy zrobić, aby upewnić się, że te rzeczy 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 rodzaju jednostki przetwornika, który pobiera sygnały lub generuje sygnały. Pracowaliśmy w branży telekomunikacyjnej, optyce, kamerach, wszystkim tym. Ale mózgiem tego jest zwykle jakiś mikrochip w środku. Ale są też czujniki, które dostarczają sygnały do jednostki przetwornika, którą używamy. Więc różnorodne techniki wytwarzania do budowy dowolnego rodzaju czujnika lub urządzenia wejściowego lub wyjściowego, którego potrzebujemy.

Jakie są niektóre z wyzwań związanych z pracą na tym poziomie nanoskali?

Jednym z elementów jest to, że jeden ziarno pyłu może zepsuć cały dzień. Rzeczy, nad którymi pracujemy, są takie same jak pył w powietrzu. Więc wytwarzamy w czystej izolacji. Czysta izolacja jest naprawdę środowiskiem, które chroni to, nad czym pracujemy, przed nami jako ludźmi, ponieważ my, ludzie, jesteśmy bardzo brudni, ciągle 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.

Inne wyzwanie, istnieją dobre sposoby budowania tych czystych izolacji, i jest cała nauka za tym, ale inne wyzwanie polega na tym, aby to wyprowadzić z 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 zamykając rzeczy, upewniając się, że wszystko jest całkowicie zamknięte, nic nie wchodzi ani nie wychodzi. To jest kolejny zestaw wyzwań, który widziałem. Mieliśmy coś, co działało idealnie na ławce laboratoryjnej w kontrolowanym środowisku, ale ogólnie większość rzeczy, które budujemy, jest przeznaczona do użycia w naszym brudnym świecie. To było wyzwaniem również.

Znowu, od produkcji do wyprowadzania go do jego ostatecznego miejsca przeznaczenia, to jest tylko specjalne rodzaje rozważań i środowiskowych problemów, z którymi mamy do czynienia, gdy mamy do czynienia z rzeczami tak małymi. Rzeczy nie zawsze zachowują się tak, jak się spodziewamy, na tym poziomie. W naszym świecie fizycznym, oczekujemy, że rzeczy będą działać w określony sposób, ale gdy schodzimy do mikro- i nanoskali, świat fizyczny staje się trochę inny, i nie zawsze możemy przewidzieć wyników. To jest całe inne pole badań.

Jakie są 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 zaczną zachowywać się inaczej, ponieważ, znowu, przestrzeń i ograniczenia wielkości.

Co jest Twoją obecna rolą w Amii, i jak Twój zespół pomaga partnerom przemysłowym?

Moja obecna rola w Amii jest znacznie inna niż świat mikro- i nanotechnologii.

Jestem Product Owner zespołu Advanced Technology w Amii. Kieruję zespołem głównie składającym się z naukowców machine learning i menedżerów projektów, którzy wszyscy pracują z naszymi różnymi partnerami przemysłowymi, aby rozwiązać ich problemy biznesowe za pomocą zastosowania machine learning.

Jesteśmy bardzo ukierunkowani na przemysł, wszystko o mostkowaniu przepaści między tym, co dzieje się w akademii, a wszystkimi wielkimi przełomami w dziedzinie machine learning i sztucznej inteligencji, ale stosując je do największych potrzeb naszych partnerów przemysłowych. Odpowiadamy na te potrzeby, pomagając naszym klientom znaleźć umiejętności i ekspertyzę, których potrzebują, aby móc ruszyć z pracą do przodu.

Prowadzimy nasze staże i rezydentury za pośrednictwem zespołu Advanced Technology. Więc, zatrudniam dużo. Rekrutacja nie jest moim tłem, ale to coś, co robię teraz. I to wszystko o dopasowaniu, znalezieniu odpowiedniego talentu machine learning, aby umieścić go w projekcie naszego klienta. Zatrudniamy tych ludzi jako pracowników Amii na określony czas i dajemy im wiele wsparcia i mentorstwa, ale naprawdę, są oni poświęceni pracy nad projektem klienta i przynoszeniu go do przodu. To sposób, aby nasi klienci mogli 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 przemysłowych.

Potencjalną korzyścią tego systemu jest to, że klient ma możliwość zatrudnienia tych ludzi po zakończeniu okresu próbnego z nami. Chcemy, aby ten talent pozostał tutaj. Nie chcemy utraty mózgów. Dajemy klientowi pewnego rodzaju przewagę, aby mogli wypróbować talent, wypróbować projekt, zobaczyć, czym jest machine learning, co potrzebne, aby uczynić go udanym, a następnie idealnie umieścić ten talent w tych firmach na dłuższy okres, aby te firmy stały się prawdziwymi firmami sztucznej inteligencji i mogły ruszyć ze swoimi własnymi inicjatywami w przyszłości.

Ile trwa zwykle okres, na jaki się zatrudniają?

Zwykle od czterech do dwunastu miesięcy.

To jest coś, co ustalamy na początku, w zależności od złożoności projektu i ilości problemów, które próbujemy rozwiązać. Uważamy, że im dłużej, tym lepiej. Projekty machine learning, które trwają cztery miesiące, mogą być trudne. Jest wiele więcej, niż tylko budowanie modeli machine learning. Bardzo zależy to od danych, które zbiera klient i przekazuje nam, co pomaga nam budować modele. Im dłużej mamy, tym lepiej, aby iterować i przechodzić przez wszystkie możliwości.

Praca jest eksperymentalna i eksploracyjna. Amii jest instytutem badawczym; nie zawsze możemy zagwarantować wynik. Dłuższy okres daje nam więcej czasu na przeprowadzenie badań i upewnienie się, że wyczerpaliśmy wszystkie opcje i śledziliśmy wszystko, co możliwe, 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?

Wspomniałam o tym, zdecydowanie przygotowanie danych to duże wyzwanie. Trwająca percepcja przemysłu dotycząca przygotowania danych jest inna niż to, co uważa naukowiec machine learning za gotowe do modelu machine learning. I dostęp. Jak łatwo jest dla klienta przekazać nam dane w sposób, który jest konsumowalny dla naszych modeli machine learning. Dlatego też lubimy dłuższe projekty, ponieważ dają naszemu zespołowi czas na pracę z naszymi klientami nad tymi wyzwaniami związanymi z przygotowaniem danych i ustawieniem ich na drodze do sukcesu.

Śmieci w, śmieci wy, jeśli podasz nam złe dane, stworzymy złe modele. Naprawdę potrzebujemy danych wysokiej jakości. I jest trochę krzywej uczenia się dla klientów. Percepcja przemysłowa, znowu, tego, co jest danymi wysokiej jakości, przykładami, których potrzebujemy, aby móc przewidzieć rzeczy w przyszłości. To po prostu kwestia umiejętności, upewnienia się, że mówimy ten sam język, oni rozumieją ograniczenia, oparte na danych, do których mają dostęp, kiedy rozumieją, co będzie nas ustawiać na drodze do sukcesu.

Potrzebujemy przykładów tego, co próbujemy przewidzieć w naszym zestawie danych. Jeśli zdarzenie jest bardzo rzadkie, będzie trudno nam kiedykolwiek przewidzieć, że wystąpi. Moglibyśmy zbudować bardzo dokładny model czegoś, co jest 99% dokładne, bo nigdy nie przewidujemy tego 1%, kiedy coś się wydarza. Znowu, po prostu upewnienie się, że klient rozumie, co potrzebujemy, aby zbudować dokładne modele.

Widzieliśmy nawet pozornie proste problemy, które mogą być bardzo skomplikowane, w zależności od ich zestawu danych. Na początku, podczas initialnej rozmowy z klientem, musimy przewidzieć czas, który będziemy potrzebować. Ale czasami, kiedy zaczynamy rozdzielać warstwy cebuli, realizujemy, że to jest o wiele bardziej skomplikowane, niż myśleliśmy, ze względu na te złożoności danych.

Inne wyzwania, brak zaangażowania ze strony ekspertów branżowych, którzy są potrzebni. Kiedy współpracujemy z naszymi partnerami przemysłowymi, naprawdę potrzebujemy, aby nadal przychodzić do stołu, ponieważ są oni ekspertami branżowymi i zwykle 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 przemysłowych wkłada, tym więcej otrzymają, ponieważ będą w stanie nas kierować w odpowiednim kierunku, upewnić się, że przewidywania, które robimy, mają sens dla nich z biznesowego punktu widzenia, że celujemy w odpowiednie wskaźniki, rozumiemy, co jest sukcesem dla nich.

Musimy mieć zespół multidyscyplinarny wokół nas, aby wesprzeć projekty i wymaga to więcej niż tylko jednego naukowca machine learning, aby zbudować udany model, który będzie miał pozytywny wpływ na biznes. Są wiele wyzwań. To te, które mi przychodziły na myśl.

Osobiście wierzysz, że sztuczna inteligencja powinna być siłą dobra. Jakie są niektóre sposoby, w jakie sztuczna inteligencja może pozytywnie zmienić przyszłość?

Rzecz, która mi się najbardziej podoba w mojej pracy, to to, że pracujemy z klientami z różnych branż, rozwiązując bardzo różne problemy, ale wszystkie one są naprawdę używane do 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 przemysłowymi, są używane do pozytywnej zmiany w sposób etyczny. Wszystkie projekty, które widzę, są używane do dobra i pozytywnie zmieniają przyszłość.

Jedna rzecz, która mi przychodzi na myśl, to to, że w Alberty często mamy do czynienia z pożarami lasów w lecie. W tym roku, zwłaszcza w kwietniu, było bardzo źle. Ostatnio 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 się do zasobów, które mogą być potrzebne, i mieć zespoły, które będą w stanie ugasić pożary, zanim staną się niebezpieczne.

Kiedy przyjechałem w niedzielę wieczorem (21 maja 2023), było bardzo dymno.

To jest niszczące. Niszczy społeczności. Zabiera ludziom domy. Muszenie oddychać cząsteczkami w powietrzu nie jest wspaniałe, ale zniszczenie jest ogromne. To jeden z interesujących projektów, który jest bliski naszym sercom.

Inna dziedzina, w której pracujemy, to rolnictwo. Jak będziemy żywić rosnącą populację? Pracujemy z National Research (NRC ) Council nad problemem obfitości białka. Staramy się upewnić, że rośliny, które uprawiamy, mają wyższą zawartość białka, aby żywić rosnącą populację, i używamy machine learning, aby móc zrobić te przewidywania.

Redukcja emisji jest kolejnym bardzo popularnym obszarem. Pracujemy z firmami z sektora naftowego i gazowego, aby upewnić się, że procesy, systemy i narzędzia, które są używane, są tak wydajne, jak to możliwe. Pracujemy z oczyszczalnią wody w Drayton Valley, która jest małym miastem w Alberty, aby upewnić się, że oczyszczalnia wody działa w sposób jak najbardziej wydajny i że tworzymy jak najwięcej czystej wody dla społeczności. Medycyna precyzyjna również.

Lista jest długa. Dosłownie każda firma, nad którą pracujemy, to tego rodzaju projekty, tego rodzaju przyczyny. Trudno mi wybrać ulubiony, ponieważ kiedy o tym myślę, wszystkie one mają możliwość mieć ogromny pozytywny wpływ na przyszłość.

Co jest Twoją wizją przyszłości sztucznej inteligencji lub robotyki?

Moje doświadczenie z robotyką było naprawdę w łańcuchu dostaw. To tam robotyka jest już używana, ale to również, jak możemy ją ulepszyć za pomocą sztucznej inteligencji, aby zbudować na istniejących systemach i automatyce, poprzez bardziej wydajne procesy? Łańcuch dostaw jest oczywiście zainteresowany zwiększaniem wydajności, realizacją większej liczby zamówień, szybszym podejmowaniem decyzji. Znowu, moje doświadczenie z robotyką było budowaniem na istniejących robotach, aby uczynić je mądrzejszymi i lepszymi.

Myślę, że ogólnie, przyszłość, którą widzę, jest nadal bardzo ukierunkowana na człowieka. Robotyka jest używana jako narzędzie, jako uzupełnienie dla ludzi. Może robotyka jest wdrożona w warunkach, które są niebezpieczne dla ludzi, gdzie nie powinniśmy być narażeni na środowisko. Robotyka jest wspaniałym zamiennikiem dla nas w tym przypadku, aby nas chronić. Jest również bardzo fajne badania prowadzone przez naszych współpracowników nad kończynami sztucznymi, aby ułatwić kontrolę i ruch ludzi, którzy potrzebują tego wsparcia. Wszystko to nadal bardzo związane z ludźmi i ich użyciem tych narzędzi, ale ułatwiając im życie za pomocą tych nowych systemów.

W odniesieniu do przyszłości sztucznej inteligencji w ogóle, to jest takie interesujące czasy, aby być w tym miejscu. Przemysł w końcu to rozumie, 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 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 ich najtrudniejszych problemów.

Do tej pory myślę, że może było tak, że tylko firmy technologiczne były użytkownikami sztucznej inteligencji i machine learning, ale teraz staje się coraz bardziej oczywiste, że machine learning może być wdrożony w zasadzie w każdej organizacji. To nie zawsze jest odpowiedzią, ale zwykle jest jakiś przypadek użycia. Jestem optymistą, 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.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić następujące zasoby:

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