Mara Cairo, Produktägare för Avancerad Teknik på Amii – Intervjuserie

Mara Cairo är passionerad om att använda AI för att göra gott. Hon har en kandidatexamen i elektroteknik från University of Alberta och har P.Eng. och PMP-utmärkelser. Innan hon gick med i Amii arbetade hon inom hårdvaruutvecklingsområdet, där hon hjälpte kunder att ta sina produkter till marknaden, med fokus på mikro- och nanofabricering.

Som Produktägare för Avancerad Teknik på Amii leder Mara ett tekniskt team som hjälper industripartners att bygga maskinlärandekapacitet inom sin organisation genom att ge vägledning och expertis för att utveckla prediktiva modeller. Hennes team arbetar med kunder som är engagerade i att främja AI-användningen inom sin organisation genom att tillämpa maskinlärande på sina mest utmanande affärsproblem.

Amii (Alberta Machine Intelligence Institute) är ett av Kanadas främsta centra för AI, de samarbetar med företag av alla storlekar, över branscher, för att driva innovationsstrategi och ge praktisk vägledning och råd, företagsutbildning och talangrekryterings tjänster.

Vi satte oss ner för en intervju på den årliga 2023 Upper Bound-konferensen om AI som hölls i Edmonton, AB och arrangerades av Amii.

Vad var det som initialt drog dig till elektroteknik?

Som barn tyckte jag om att bygga saker. Min mamma skulle ta hem en fläkt när det var varmt på sommaren, och jag ville bygga den. Jag minns att jag som tonåring hade en mobiltelefon, en av de där Nokia-telefonerna som man kunde ta isär, och jag skulle ta isär den och sätta pärlor överallt på insidan och antennerna. Men när jag öppnade den var det som “Herregud, vad är det här? Vad händer?” Det var riktigt intressant för mig.

Jag var alltid bra på matematik. Så, när jag kombinerade allt detta, mina föräldrar pushade mig också i riktning mot ingenjörsvetenskapen eftersom jag var bra på matematik, jag hade ett allmänt intresse för elektronik och ville veta mer om det, det var det som drog mig till det från början.

Också inom ingenjörsvetenskapen tyckte jag om idén att tillämpa matematik på verkliga problem. Ja, okej, matematik är bra och spännande och roligt för mig, men med ingenjörsvetenskap kan man tillämpa det för att lösa svåra problem. Det verkade som en perfekt blandning av saker som skulle leda till en intressant karriär.

Dina föräldrar verkade vara mycket proaktiva i att stödja dina intressen.

Ja. Min pappa specifikt. Han säger att han såg det i mig från en ung ålder och alltid pushade mig i den riktningen. Jag var på en Women in AI-händelse i går kväll också, och vi pratade om att ta bort vissa hinder och göra det till ett mer tillgängligt område för kvinnor. Och jag såg inte det som ett hinder, eftersom mina föräldrar var som “Detta är vad du ska göra. Det är inte en fråga om ditt kön eller något. Det är bara en färdighet du har. Du borde följa den och vårda den.” Jag kände aldrig att det inte var för mig, vilket hjälpte tydligt.

Innan du gick med i Amii arbetade du inom hårdvaruutvecklingsområdet med fokus på mikro- och nanofabricering. Kan du definiera dessa termer?

Definitivt. Så, inom elektroteknik, tog jag nanoingenjörsalternativet. Det var specialiserat kring design och tillverkning på mikro- och nanoskalan. När vi pratar om en nanometer, pratar vi om en millimeter dividerad med en miljon, det är en nanometer. En mycket, mycket liten skala. Och det är coolt. Dessa saker är så små att du inte ens kan se dem med blotta ögat. Men jag kunde ta den här specialiseringen för att lära mig hur man tillverkar på den skalan och designar saker på den skalan.

Vi lever i en mycket uppkopplad värld. Det finns elektronik överallt omkring oss, och vi behöver kunna designa elektronik för förpacknings- och utrymmesbegränsningar. Vi försöker ständigt göra saker mindre och mindre. Du tar något stort, en prototyp, och du behöver kunna göra den reproducerbar och skalbar. Nanofabricering handlar verkligen om de verktyg och tekniker som du använder för att designa och tillverka på den nivån.

Detta handlar om allt från tillverkning av mikrochip till att ta två olika chip och ansluta dem elektriskt till den slutliga förpackningen. Att göra allt detta på mikroskalan kräver en annan teknik än att bygga något på vår mänskliga skala. Mikro- och nanofabricering handlar bara om de kemiska processer som du använder och de elektriska processerna, förpackningen som du behöver för att se till att dessa är hermetiskt förslutna och skyddade från sin omgivning.

Utöver mikrochip, vad vore ett annat tillämpningsområde eller användningsfall?

Vi arbetade med många projekt som fiberoptik. Återigen, allt måste så småningom komma till någon form av bearbetningsenhet som tar in signaler eller genererar signaler. Vi arbetade inom telekombranschen, optik, kameror, allt det där. Men hjärnan bakom allt är vanligtvis någon form av mikrochip i mitten. Men det finns också sensorer som matar in sina signaler till vilken bearbetningsenhet du använder. Så det är en mångfald av tillverkningstekniker för att bygga vilken typ av sensor eller indata/enhet som helst.

Vilka är några av utmaningarna bakom att arbeta på den här nanoskalan?

En bit damm kan förstöra hela din dag. Saker du arbetar med är samma storlek som dammet i luften. Så, du tillverkar i ett rent rum. Rent rummet är verkligen en miljö som skyddar det du arbetar med från dig som människa, eftersom vi är mycket smutsiga som människor, vi ständigt släpper ut partiklar, våra kläder partiklar, sminket vi bär gör luften smutsig. Vi behöver eliminera så mycket av det som möjligt så att de saker vi bygger är rena och fria från den typen av föroreningar.

En annan utmaning, det finns bra sätt att bygga dessa rena rum, och det finns en hel sorts studie och vetenskap bakom det, men en annan utmaning är att ta det ut ur laboratoriet, eftersom dessa saker till slut kommer att användas i vår mycket smutsiga värld. Det är när förpackningen blir viktig. Vi behöver fortfarande kunna komma åt dessa enheter, men vi behöver göra det på ett sätt som inte förorenar miljön, förpackningen. Så att hermetiskt försluta saker, se till att allt är helt förslutet, ingenting kommer in eller ut. Det är en annan uppsättning utmaningar som jag såg. Vi kunde ha något som fungerar bra på en laboratoriebänk i en kontrollerad miljö, men generellt är de flesta saker vi bygger avsedda att tas ut i vår smutsiga värld. Det var en utmaning också.

Återigen, från tillverkning till att ta det till dess slutdestination, är det bara mycket speciella sorters hänsyn och miljöhänsyn när du arbetar med så små saker. Och saker beter sig inte alltid som förväntat på den här skalan. I vår fysiska värld förväntar vi oss att saker fungerar på ett visst sätt, men när du kommer ner till mikro- och nanoskalan, blir den fysiska världen lite annorlunda, och du kan inte alltid förutse resultaten. Det är ett helt annat forskningsområde.

Vilka vore några exempel på att vara annorlunda än den vanliga fysiska världen?

Att skicka ström genom en tråd. Vi har våra laddare och våra telefoner, och vi skickar ström genom dem. När du skickar ström genom en tråd som är storleken på ett hårstrå, finns det uppenbarligen värmeöverväganden, och saker börjar bete sig annorlunda, eftersom, återigen, utrymmes- och storleksbegränsningar.

Vad är din nuvarande roll på Amii, och hur hjälper ditt team industripartners?

Min nuvarande roll på Amii är väldigt annorlunda än världen av mikro- och nanoteknik.

Jag är Produktägare för Avancerad Teknik på Amii. Jag leder ett team av mestadels maskinlärande-vetare och projektledare som alla arbetar med våra olika industripartners för att lösa sina affärsproblem genom tillämpning av maskinlärande.

Vi är väldigt industrifokuserade, allt handlar om att överbrygga gapet mellan vad som händer inom akademin, alla de riktigt bra genombrotten med maskinlärande och AI, men tillämpa dem på våra industripartners största behov. Vi svarar på dessa behov genom att hjälpa våra kunder hitta de färdigheter och den expertis som de behöver för att kunna driva arbetet framåt.

Vi kör våra praktikant- och residensprogram genom det avancerade teknikteamet. Så, jag anställer mycket. Rekrytering är inte min bakgrund, men det är något jag gör mycket nu. Och det handlar om att matcha, hitta rätt ML-talang för att placera på våra kunders projekt. Vi anställer dessa personer som Amii-anställda för en viss tid och ger dem mycket stöd och mentorering, men de är dedikerade till att arbeta på kundens projekt och driva det framåt. Det är ett sätt för våra kunder att få tillgång till talang utan att behöva göra rekryteringen själva. Amii har ganska bra varumärkesigenkänning, vi kan bringa riktigt bra talang in och sedan placera dem på dessa industriprojekt.

En potentiell fördel med systemet är att kunden har möjligheten att anställa dessa personer efter den tid de har hos oss. Vi vill att denna talang ska stanna här. Vi vill inte ha någon hjärnflykt. Vi ger kunden en liten fördel så att de kan prova talangen, prova projektet, få en känsla för vad maskinlärande verkligen är, vad vi behöver för att göra det framgångsrikt, och sedan idealiskt placera talangen inom dessa företag på lång sikt, så att dessa företag verkligen blir AI-företag och kan driva sina egna initiativ framåt i framtiden.

Hur lång är den tid som de skriver under på normalt?

Vanligtvis fyra till tolv månader.

Det är något vi bestämmer i början, beroende på projektets komplexitet och hur många problem vi försöker lösa. Vi tycker att ju längre, desto bättre. Maskinlärandeprojekt som ska göras på fyra månader kan vara utmanande. Det finns mycket mer i det än att bara bygga ML-modeller. Det är starkt beroende av de data som samlas in från kunden som lämnas över till oss, vilket hjälper oss att bygga modellerna. Ju längre vi har, desto bättre är det att iterera och cykla genom alla möjligheter.

Arbetet är experimentellt och utforskande till sin natur. Amii är ett forskningsinstitut, vi kan inte alltid garantera resultatet. En längre tid ger oss mer tid att göra den forskningen och se till att vi har uttömt alla våra alternativ och följt så många saker som möjligt, eftersom det är svårt för oss att säga “Detta är metoden som kommer att fungera bäst”. Du måste prova och se.

Vilka är några exempel på utmanande affärsproblem som ditt team har arbetat med tillsammans med dessa företag?

Jag antydde det, definitivt dataförberedelser är en stor utmaning. Den pågående branschuppfattningen om dataförberedelser skiljer sig från vad en maskinlärande-vetare skulle tycka är redo för en maskinlärande-modell. Och tillgång. Hur lätt är det för kunden att lämna över data till oss på ett sätt som är konsumerbart för våra ML-modeller. Det är därför vi gillar längre projekt, eftersom det ger vårt team tid att arbeta med våra kunder genom dessa sorters dataförberedelsesutmaningar och ställa in dem för framgång.

Skräp in är skräp ut, om du ger oss skräpdata, kommer vi att skapa en skräpmodell. Vi behöver verkligen kvalitetsdata. Och det finns en liten lärandekurva för kunder. Branschuppfattning, återigen, om vad kvalitetsdata är, vilka exempel som vi behöver se för att kunna förutsäga saker i framtiden. Det är bara en litteracitet, se till att vi talar samma språk, de förstår begränsningarna baserat på vilken data de har tillgång till, när de förstår vad som kommer att ställa in oss för framgång.

Du behöver exempel på vad du försöker förutsäga i din dataset. Om en händelse är mycket sällsynt, kommer det att vara svårt för oss att någonsin förutse att den kommer att hända. Vi kunde bygga en mycket exakt modell av något som är 99% korrekt, eftersom den aldrig förutsäger den 1% av tiden som något händer. Återigen, bara se till att kunden förstår vad vi behöver för att bygga precisa modeller.

Vi har sett att till och med tydligt enkla problem kan vara mycket komplexa, beroende på deras dataset. I början, när vi har en initial upptäcktsamtalet med en kund, måste vi förutse den tid som vi kommer att behöva. Men ibland när vi börjar ta bort lagren av löken, inser vi att nej, det här är mycket mer komplext än vi trodde, på grund av dessa datakomplexiteter.

Andra utmaningar, brist på engagemang från ämnesexperter som behövs. När vi samarbetar med våra industripartners, behöver vi verkligen att de kommer till bordet, eftersom de är domänexperter och vanligtvis dataexperter också. Vi är inte som en utvecklingsbutik där vi kan ta datan, bygga modellen och lämna över den till dem i slutet. Det är mycket, mycket samarbete. Och ju mer som våra industripartners sätter in, desto mer kommer de att få ut, eftersom de kan vägleda oss i rätt riktning, se till att förutsägelserna som vi gör har mening för dem ur ett affärsperpektiv, att vi riktar oss mot rätt mått, vi förstår vad framgång är för dem.

Vi behöver ett multidisciplinärt team runt oss för att stödja projekten, och det kräver mer än bara en maskinlärande-vetare för att bygga en framgångsrik modell som kommer att påverka en affär positivt. Det finns många utmaningar. Det är de som kom till minnet.

Tror du personligen att AI bör vara en kraft för gott. Vilka är några sätt som du tror att AI kan positivt förändra framtiden?

Det jag gillar mest med mitt jobb är att vi arbetar med kunder från hela branscher, som löser mycket olika problem, men alla är verkligen används för någon form av positiv förändring. Och Amii har vår principbaserade AI-ramverk som säkerställer att vi gör just det. Från kontraktstadiet, ser vi till att de projekt som vi arbetar med tillsammans med våra industripartners används för den positiva förändringen på ett etiskt sätt. Alla projekt som jag får se är används för gott och förändrar positivt framtiden.

En sak som kommer till minnet är att i Alberta, oftare än inte nu, hanterar vi skogsbrandssituationer på sommaren. Detta år, särskilt, var det dåligt, till och med i april. Vi har nyligen samarbetat med Canada Wildfire, en forskargrupp från University of Alberta. 40 års väderdata kopplade till allvarliga skogsbrandshändelser. Vi arbetar med dem för att bättre förutsäga dessa händelser i framtiden, så att vi kan bättre förbereda de resurser som kan behövas, ha teamen gå in och dämpa miljön innan det når en punkt där skogsbränderna rasar. Jag tycker att det är bara för att jag är i Edmonton, jag vet inte om du var här förra veckan, men det var mycket rökigt.

När jag anlände på söndagskvällen (21 maj 2023) var det ganska rökigt.

Det är förödande. Det förstör samhällen. Det tar bort människors hem. Att behöva andas in partiklar i luften är inte bra, men förstörelsen är mycket omfattande. Det är ett intressant projekt som ligger nära alla våra hjärtan.

En annan område som vi arbetar inom är jordbrukssektorn. Hur ska vi mata vår växande befolkning? Vi arbetar med National Research (NRC ) Council på ett proteinrikedomproblem. Vi försöker se till att de växter vi odlar har högre proteininnehåll för att mata vår växande befolkning, och vi använder maskinlärande för att kunna göra dessa förutsägelser.

Att minska utsläppen är en annan mycket populär sak. Vi arbetar med företag inom olje- och gassektorn för att se till att de processer och system som används är så effektiva som möjligt. Vi arbetar med ett vattenreningsverk i Drayton Valley, som är en liten stad i Alberta, för att se till att det vattenreningsverket fungerar så effektivt som möjligt och att vi skapar så mycket rent vatten för samhället som möjligt. Precisionsmedicin också.

Listan fortsätter. Litteralt, varje företag vi arbetar med, det är den här sortens projekt, den här sortens orsaker. Det är svårt för mig att välja en favorit, eftersom när du tänker på det, har de alla möjligheten att ha en otroligt positiv inverkan på framtiden.

Vad är din vision för AI:s eller robotikens framtid?

Min exponering för robotik har verkligen varit inom leveranskedjan. Det är där robotik redan används, men det är också hur vi kan förbättra dem med AI för att bygga på befintliga system och automation, igen, genom mer effektiva processer? Leveranskedjan är uppenbarligen intresserad av att öka genomströmningen, fylla i fler beställningar snabbare och mer effektivt beslutsfattande. På robotiksidan, igen, min exponering har varit att bygga på befintliga robotar för att göra dem smartare och bättre.

Jag tycker att, mer generellt, framtiden från vad jag ser att industrin gör, är fortfarande mycket människocentrerad. Robotar används som ett verktyg, som en förstärkning av människor. Kanske robotar som används i situationer som är farliga för människor, där vi inte borde utsättas för miljön. Robotar är ett bra alternativ för oss i det fallet, för att hålla oss säkra. Det finns också riktigt cool forskning som görs av våra forskare och bionicbens, så lättare kontroll och rörelse för människor som behöver det stödet. Allt är fortfarande mycket knutet till människor och deras användning av dessa verktyg, men som gör det lättare för dem att använda och som gör deras liv enklare genom dessa nya system.

I framtiden för AI i allmänhet, är detta bara en så spännande tid att vara i det här området. Industrin förstår till slut att AI är här och det kommer att förändra allt, och du kan antingen leda eller bli lett. Jag tycker att en av Amii:s visioner är att ha varje företag bekvämt med teknologin, medveten om vad den kan och inte kan göra, och verkligen villig att experimentera och iterera på att implementera den i sin verksamhet för att lösa några av sina svåraste problem.

Hittills trodde jag att det kanske var en uppfattning att det bara var teknikföretag som använde AI och ML, men nu blir det mer uppenbart att ML kan distribueras i praktiskt taget varje organisation. Det är inte alltid rätt svaret, men det finns vanligtvis ett användningsfall för det. Jag är hoppfull att framtiden är att företag blir naturliga AI-företag själva genom att bli mer litterata och bekanta med teknologin och medvetna om hur de kan använda den för sin verksamhet.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka följande resurser:

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