Maria Elena, lösningsschef på Stradigi AI – Intervjuerien

Maria Elena Carbajal bringar över 25 års erfarenhet av artificiell intelligens, informationsteknologi och telekommunikation till sin professionella karriär. Hon har 18 års erfarenhet av att arbeta på ett telekommunikationsföretag i Kanada och Sverige, samt inom områdena rymd, energi och informationsteknologi med olika företag. För närvarande arbetar hon för Stradigi AI, en ledande artificiell intelligensaktör i Kanada.

Maria Elena Carbajal har utfört många funktionella roller inom FoU, teknik, globala professionella tjänster, digital transformation och informationsteknologi. Hennes internationella erfarenhet inkluderar att arbeta och leda team i länder som Peru, Kanada, USA, Mexiko, Brasilien, Sverige, Finland, Norge, Ryssland, Estland och Vitryssland.

Vad var det som drog dig till AI initialt?

Jag har alltid varit passionerad för att arbeta inom tech-sektorn. Som individ är jag alltid engagerad i att optimera det som finns runt omkring mig: från att organisera mitt hushåll till att bringa effektivitet till mina team, kunder och företag i allmänhet. Det är i min natur. Jag har varit lycklig att ha mycket praktisk erfarenhet av att implementera ledande teknik under de senaste två decennierna inom olika branscher, så färdigheterna blir mycket diversifierade och överförbara.

När jag tittar mer specifikt på AI, är jag en stark troende på att artificiell intelligens och kvantberäkning kommer att revolutionera alla branscher — utan undantag. AI är avgörande för att frigöra och driva effektivitet i alla områden: affärs-, professionella och personliga. Det är vad som drog mig till och höll mig engagerad och inspirerad, dag för dag.

Du var tidigare anställd hos Ericsson i 18 år, vad gjorde att du bestämde dig för att gå med i Stradigi AI?

Jag var intresserad av att fokusera mina professionella ansträngningar på AI på grund av hur mycket det kommer att påverka och förändra sättet vi lever och arbetar på. AI öppnar dörren till en mängd problem som du försöker lösa när du arbetar med företag, stora eller små, som ger dig chansen att göra en skillnad, flytta nålen och använda tekniken för det bästa. Plus, jag hade omfattande chefs erfarenhet på Ericsson, som, i kontrast, är en enorm organisation. Att gå över till ett startup-företag som Stradigi AI, ville jag pusha mig själv utanför min komfortzon och uppleva vad det är att vara en del av den blomstrande, utvecklande AI-ekosystem som formas i Montreal. Det finns något motiverande och energigivande i att vara en del av denna gemenskap.

Jag har varit på Stradigi AI i ett år nu, och efter ett år av att arbeta med en fantastisk grupp av proffs och innovatörer, är det tydligt att mina erfarenheter på Ericsson har varit så värdefulla och överförbara till alla organisationer, oavsett storlek. Min filosofi var alltid att flytta teknikutvecklingen ett steg i taget, och jag har tagit det till Stradigi AI också.

Stradigi AI tillåter någon med ingen maskinlärande erfarenhet att producera AI-modeller, kan du beskriva hur detta uppnås?

Mycket av diskursen inom AI- och ML-världen handlar om “demokratisering”. Vilket, för att uttrycka det löst, handlar om att göra AI tillgängligt för massorna. Men tillgänglighet och användbarhet är inte samma sak. Med vår självbetjänings-ML-plattform, Kepler, är vårt primära mål att säkerställa att interna SME och analytiker kan producera modeller med avancerad ML-teknik, utan att behöva lära sig komplex datavetenskap eller involvera sina data science-team.

Från ett praktiskt och tekniskt perspektiv uppnås detta genom att automatisera de steg-för-steg-processer som vanligtvis tar tid och expertis att slutföra. Till exempel automatiserar Kepler funktionsteknikprocessen, ett komplext och mångstegs företag. Det skapar också automatiskt en pipeline genom att välja de bästa algoritmerna, genomgår automatisk konfiguration och hyperparameteroptimering — allt utan manuell inblandning.

Målet med att ha denna nivå av automation i processen är att frigöra era experter från att slösa bort tid på triviala och tidskrävande uppgifter. Genom att automatisera dessa steg ger Kepler ditt team mer tid att tänka på den nästa stora innovationen, snarare än de meniala uppgifterna i dag. För analytiker och SME är det också en väg till uppskilling: genom att implementera ML-verktyg i deras dagliga arbete ger du dem chansen att berika sin analys och därmed sin tillvägagångssätt för nyckelbruk.

Vilka är några intressanta AI-modeller som du har sett från företag som använder Kepler?

Skönheten i Kepler är att den täcker en mängd olika användningsfall över flera branscher, med hjälp av en mängd olika tekniker från klassisk ML till djupinlärning. Från regeringar till investeringar kan Kepler hjälpa ledare att uppnå mätbara resultat.

Några betydelsefulla projekt som kommer i åtanke som har en stor inverkan på sättet vi lever och arbetar är utvecklingen av innovativa modeller inom hälsosektorn, där vi använde bildsegmenteringsmodeller och regressionsmodeller för att upptäcka sjukdom. En annan är vårt arbete med regleringsorgan i lokala och nationella regeringar med hjälp av naturlig språkförståelse för att kategorisera komplex textinformation och bringa nya effektiviteter till äldre processer.

På den andra sidan av spektrumet har vi också använt Kepler för att optimera handelsaktiviteter för en kund inom finanssektorn.

Stradigi AI använder en automatiserad data science-arbetsflöde. För de som är ovanliga med detta, kan du beskriva vad det är och hur det används av Stradigi AI?

Automatiserade data science-arbetsflöden (ADSW) är de slut-till-slut-data science-processer som fungerar inom Kepler. ADSW skapades för att lösa en mängd olika användningsfall, så vi byggde varje “arbetsflöde” för att ha högt praktisk tillämpning. Till exempel är ett av våra arbetsflöden Tidsserieprognos, som tillåter proffs inom CPG eller detaljhandel att förutsäga när lager kommer att behöva fyllas på. Det finns åtta fördefinierade arbetsflöden i Kepler, som alla är intuitivt utformade för icke-datavetare.

ADSW är avancerade ML-arbetsflöden som automatiserar nyckelprocesser, några av vilka jag nämnde ovan. I ett ADSW automatiserar Kepler:

• Hyperparameteroptimering
• Konfiguration
• Modellval
• Tränings- och testdatadelning
• Skapande av instrumentpanel
• Utvärdering av modellmått

Allt som användaren behöver för att få en distribuerbar maskinlärande-modell är data och ett användningsfall att hantera. Och, beroende på datamängden, kan all den komplexa arbetet inom ett ADSW slutföras inom några minuter.

Vilka typer av data kan användas?

Kepler-plattformen låter dig arbeta med tabell-, text- och bilddata.

För de som inte är bekanta med data och datatyper, ska jag bryta ner dem:

1. Tabell: detta skulle vara ett kalkylblad som innehåller nyckelinformation som försäljningsdata eller en databastabell med kunddemografiska data, produkter etc.
2. Text: denna typ av data kan komma i så många former, tänk på e-post, kundrecensioner, sociala medier, biblioteksarkiv, kontrakt etc.
3. Bild: tänk på produktgallerier eller foton av artiklar på en monteringslinje.

Videodata kommer att kunna hämtas i Kepler i framtiden. På vår webbplats under “Datatyper” förklarar vi vilka typer av data som kan lösa nyckelbruk. Du skulle bli förvånad över hur mycket data som inte utnyttjas, särskilt i större företag.

Har du några tips eller strategier för kvinnor som är intresserade av att gå med i tech?

Jag har tre tips som jag tycker är grundläggande för framgång för alla att blomstra i tech-industrin.

1 – Lärande. Detta bör alltid vara en del av ditt liv. Oavsett hur ung eller hur gammal du är, bör du alltid ha något att lära. Det spelar ingen roll hur du går tillväga för att lära eller vem du lär av, bara vara redo att ta emot kunskap. Öppna ditt sinne. Rensa ditt hjärna så att du kan vara redo att ta emot mer kunskap, mer kärlek, mer empati… bara mer. Var besatt av din egen utveckling. En bra påminnelse är att vara redo att lära är en av de viktigaste manifestationerna av empati.

2 – Passion. Exempel på hårt arbete har aldrig fallit kort i min professionella erfarenhet. Jag är alltid redo att höja min hand på jobbet för att ta på mig komplexa situationer eller komplicerade aktiviteter. Ju mer jag gör det, desto mer inser jag att allt är möjligt. Jag skulle inte tveka att hoppa ut ur min komfortzon och ta på mig den extra utmaningen. När du gör detta, kan ledare identifiera och uppskatta passionen du visar.

När du närmar dig arbetet på detta sätt, behöver du inte vänta på den stora jobbmöjligheten som kommer att förändra ditt liv. Om du är uppmärksam, kommer du att märka att det finns gott om små uppgifter runt omkring dig som ger dig mer exponering för beslutsfattare och, viktigast av allt, fler möjligheter att lära.

3 – Mentorskap. För mig är mentorskap ett så kraftfullt verktyg, eftersom det sträcker dina lyssnande- och lärningsmuskler eller färdigheter. Mentorskap kan också bringa dig närmare stora ledare från ditt professionella nätverk eller inom din personliga cirkel. Under hela din karriär är det avgörande att identifiera vilken typ av ledare du kan lita på och följa, och välja dem som dina mentorer och förebilder.

Ledare som tror på dig kommer att pusha dig utanför din komfortzon och vara där för att hjälpa dig att skaffa styrka också. Stora ledare och stora mentorer kan vara brutalt ärliga, men de kan också vara utmärkta lyssnare. Att hitta självuppoffrande människor som kan hjälpa dig att nå din fulla potential kan erbjuda dig några av de bästa undervisningsögonblicken i ditt liv. Nu är din uppgift att hitta och känna igen vem dessa mentorer är eller kan vara för dig — och lita på dem.

Tack för intervjun. Dina tre strategier för de som vill gå med i tech är tillämpliga för alla och jag håller helt med dem. Alla som vill veta mer om Kepler eller detta underbara företag bör besöka Stradigi AI.