Maria Elena, Director of Solutions på Stradigi AI – Intervju-serie

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

Maria Elena Carbajal har arbetat i många olika roller inom forskning och utveckling, ingenjörskonst, globala professionella tjänster, digital transformation och informationsteknologi. Hennes internationella erfarenhet omfattar 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 från början?

Jag har alltid varit passionerad för att arbeta inom teknissektorn. Som person är jag alltid engagerad i att optimera det som finns runt mig: från att organisera mitt hushåll till att bringa effektivitet till mina team, kunder och företag i allmänhet. Det är en del av min natur. Jag har varit lycklig att ha mycket praktisk erfarenhet av att implementera ledande teknologi under de senaste två decennierna inom olika branscher, så mina färdigheter har blivit mycket varierade och överförbara.

När jag tittar mer specifikt på AI, är jag en stark anhängare av att artificiell intelligens och kvantberäkning kommer att revolutionera alla branscher – utan undantag. AI är avgörande för att frigöra och driva optimering inom alla områden: affärer, professionella och personliga. Det var det som drog mig till AI och håller mig engagerad och inspirerad, dag efter dag.

Du var tidigare anställd på Ericsson (ERIC ) i 18 år, vad gjorde att du bestämde dig för att gå till 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 man vill lösa när man arbetar med företag, stora som små, vilket ger en chans att göra en skillnad, flytta nålen och använda teknologi för att göra gott. Dessutom hade jag omfattande chefs erfarenhet på Ericsson, som i jämförelse är ett enormt företag. Att gå över till ett startup-företag som Stradigi AI, ville jag utmana mig själv 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 har alltid varit att flytta teknologinålen en kund i taget, och jag har tagit med mig det till Stradigi AI också.

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

Mycket av diskussionen 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 se till att interna experter och analytiker kan producera modeller med avancerade ML-tekniker, utan att behöva lära sig komplex data-vetenskap eller involvera sina data-vetenskapliga 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 funktionens utvecklingsprocess, en komplex och multi-stegs-åtgärd. Det skapar också automatiskt en pipeline genom att välja de bästa algoritmerna, genomgår automatisk konfiguration och hyperparameter-optimering – allt utan mänsklig inblandning.

Målet med att ha denna nivå av automation i processen är att frigöra experterna 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 meningslösa uppgifterna i dag. För analytiker och experter är det också en väg till att utveckla sig själva: genom att implementera ML-verktyg i deras dagliga arbete, ger du dem chansen att berika sin analys och därmed sin tillvägagångssätt för nyckel-användningsfall.

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

Skapelsen med Kepler är att det täcker ett brett spektrum av 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.

En del påverkande 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 har vi också använt Kepler för att optimera handelsaktiviteter för en kund inom den finansiella sektorn.

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

Automatiserade data-vetenskaps-processer (ADSW) är de övergripande data-vetenskaps-processerna som fungerar inom Kepler. ADSW skapades för att lösa en mängd användningsfall, så vi byggde varje “arbetsflöde” för att ha högt praktisk tillämpning. Till exempel är ett av våra arbetsflöden tids-serie-prognostisering, som tillåter proffs inom CPG eller detaljhandel att förutsäga när lager behöver fyllas på. Det finns åtta fördefinierade arbetsflöden i Kepler, som alla är intuitivt utformade för icke-data-vetare.

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

• Hyperparameter-optimering
• Konfiguration
• Modellval
• Träning och testdata-delning
• Skapande av instrumentpanel
• Utvärdering av modell-mått

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

Vilka typer av data kan användas?

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

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

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

Video-data kommer att kunna hanteras i Kepler i framtiden. På vår webbplats under “Data-typer” förklarar vi vilka typer av data som kan lösa nyckel-användningsfall. 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 som vill lyckas 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 ur min komfortzon och ta på mig den extra utmaningen. När du gör det, kan ledare identifiera och uppskatta den passion du visar.

När du närmar dig arbetet på det sättet, 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 många små uppgifter runt 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 flexar dina lyssnande- och lärande-muskler eller färdigheter. Mentorskap kan också bringa dig närmare stora ledare från dina 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.

De ledare som tror på dig kommer att pusha dig ut ur din komfortzon och vara där för att hjälpa dig att stärka dig, 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 lärdomarna 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 med dem. Alla som vill lära sig mer om Kepler eller detta fantastiska företag bör besöka Stradigi AI.