Nachricht

Jan 20, 2024

Mara Cairo, Produktinhaberin von Advanced Technology bei Amii

Von Mara Cairo setzt sich leidenschaftlich dafür ein, KI für das Gute einzusetzen. Sie hat einen Bachelor of

Von

Mara Cairo setzt sich leidenschaftlich dafür ein, KI für das Gute einzusetzen. Sie hat einen Bachelor of Science in Elektrotechnik von der University of Alberta und einen P.Eng.-Abschluss. und PMP-Bezeichnungen. Bevor sie zu Amii kam, arbeitete sie im Bereich Hardware-Entwicklung, wo sie Kunden dabei half, ihre Produkte auf den Markt zu bringen, mit Schwerpunkt auf Mikro- und Nanofertigung.

Als Product Owner von Advanced Technology bei Amii leitet Mara ein technisches Team, das Industriepartner beim Aufbau maschineller Lernkapazitäten in ihrem Unternehmen unterstützt, indem es Anleitung und Fachwissen für die Entwicklung von Vorhersagemodellen bereitstellt. Ihr Team arbeitet mit Kunden zusammen, die sich dafür einsetzen, das Spektrum der KI-Einführung voranzutreiben, indem sie maschinelles Lernen auf ihre anspruchsvollsten Geschäftsprobleme anwenden.

Amii (Alberta Machine Intelligence Institute) ist eines der herausragenden Zentren für KI in Kanada. Das Unternehmen arbeitet mit Unternehmen aller Größen und Branchen zusammen, um Innovationsstrategien voranzutreiben und praktische Anleitung und Beratung sowie Unternehmensschulungen und Talentrekrutierungsdienste anzubieten.

Wir haben uns zu einem Interview auf der jährlichen Upper Bound-Konferenz zum Thema KI 2023 getroffen, die in Edmonton, AB, stattfindet und von Amii ausgerichtet wird.

Was hat Sie ursprünglich an der Elektrotechnik interessiert?

Als Kind habe ich es einfach sehr genossen, Dinge zu bauen. Wenn es im Sommer heiß war, brachte meine Mutter einen Ventilator mit nach Hause, und ich wollte ihn bauen. Ich erinnere mich, dass ich als Teenager ein Handy hatte, eines dieser Nokias, das man auseinandernehmen konnte, und das ich dann auseinandernahm und mit Juwelen überzog, sowohl an der Innenseite als auch an der Antenne. Aber als ich es öffnete, war es wie: „Heilige Scheiße, was ist hier drin? Was ist los?“ Es war wirklich interessant für mich.

Ich war in Mathe immer hervorragend. Zusammengenommen drängten mich meine Eltern auch in die Ingenieursrichtung, denn ich war gut in Mathe, ich hatte einfach ein allgemeines Interesse an Elektronik und wollte mehr darüber wissen, das war es, was mich von Anfang an anzog .

Auch im Ingenieurwesen gefiel mir die Idee, Mathematik auf reale Probleme anzuwenden, sehr gut. Ja, okay, cool, Mathe ist großartig und aufregend und macht mir Spaß, aber mit Ingenieurwissenschaften kann man sie anwenden, um schwierige Probleme zu lösen. Es schien eine Art perfektes Zusammenspiel von Dingen zu sein, die zu einer interessanten Karriere führen würden.

Deine Eltern schienen sehr proaktiv deine Interessen zu unterstützen.

Ja. Vor allem mein Vater. Er sagt, er habe es schon in jungen Jahren in mir gesehen und mich immer in diese Richtung gedrängt. Gestern Abend war ich auch bei einer „Women in AI“-Veranstaltung und wir haben darüber gesprochen, einige Hürden zu beseitigen und den Bereich für Frauen zugänglicher zu machen. Und das sah ich nicht wirklich als Hindernis an, weil meine Eltern wiederum sagten: „Das solltest du tun. Es ist keine Frage deines Geschlechts oder so. Es ist nur eine Fähigkeit, die du hast. Das solltest du natürlich tun.“ Ich folge ihm irgendwie und pflege ihn.“ Ich hatte nie das Gefühl, dass es nichts für mich war, was offensichtlich geholfen hat.

Bevor Sie zu Amii kamen, waren Sie im Hardware-Entwicklungsbereich tätig und konzentrierten sich dabei auf die Mikro- und Nanofabrikation. Könnten Sie diese Begriffe definieren?

Definitiv. Also habe ich mich in der Elektrotechnik für die Nanotechnik entschieden. Es war die Spezialität rund um das Entwerfen und Herstellen im Mikro- und Nanomaßstab. Wenn wir von einem Nanometer sprechen, meinen wir, dass ein Millimeter geteilt durch eine Million ein Nanometer ist. Ein sehr, sehr kleiner Maßstab. Und das ist cool. Diese Dinger sind so klein, dass man sie nicht einmal mit bloßem Auge erkennen kann. Aber ich könnte diese Spezialisierung nutzen, um zu lernen, wie man in diesem Maßstab herstellt und Dinge in diesem Maßstab entwirft.

Wir leben in einer sehr vernetzten Welt. Überall um uns herum ist Elektronik, und wir müssen in der Lage sein, Elektronik unter Berücksichtigung der Verpackungs- und Platzbeschränkungen zu entwerfen. Wir versuchen ständig, die Dinge immer kleiner zu machen. Sie nehmen etwas Sperriges, einen Prototyp, und Sie müssen in der Lage sein, ihn reproduzierbar und skalierbar zu machen. Bei der Nanofabrikation geht es eigentlich um die Werkzeuge und Techniken, die man zum Entwerfen und Herstellen auf dieser Ebene verwendet.

Dies reicht von der Herstellung von Mikrochips bis hin zur Herstellung dieser beiden unterschiedlichen Chips und ihrer elektrischen Verbindung mit der endgültigen Verpackung. Um all dies im Mikromaßstab zu erreichen, ist eine andere Technik erforderlich, als etwas im menschlichen Maßstab zu bauen. Bei der Mikro- und Nanofabrikation handelt es sich um die chemischen Prozesse, die Sie verwenden, und die elektrischen Prozesse sowie die Verpackung, die Sie benötigen, um sicherzustellen, dass diese hermetisch versiegelt und vor der Umgebung geschützt sind.

Was wäre außer Mikrochips eine andere Anwendung oder ein anderer Anwendungsfall?

Wir haben an vielen Projekten wie Glasfaser gearbeitet. Auch hier muss alles letztendlich zu einer Art Verarbeitungseinheit gelangen, die Signale aufnimmt oder generiert. Wir haben in der Telekommunikationsbranche, Optik, Kameras und all dem gearbeitet. Aber das Gehirn davon ist im Allgemeinen eine Art Mikrochip in der Mitte. Aber es gibt auch Sensoren, die ihre Signale in die von Ihnen verwendete Verarbeitungseinheit einspeisen. So vielfältige Fertigungstechniken für den Bau jeder Art von Sensor oder Eingabe- oder Ausgabegerät, die wir benötigen.

Was sind einige der Herausforderungen bei der Arbeit an dieser Art von Nanoskalen?

Ein Staubkorn kann Ihren ganzen Tag ruinieren. Die Dinge, an denen Sie arbeiten, haben die gleiche Größe wie der Staub in der Luft. Sie fertigen also in einem Reinraum. Der Reinraum ist in Wirklichkeit eine Umgebung, die das, woran Sie arbeiten, vor Ihnen als Menschen schützt, denn als Menschen sind wir sehr schmutzig, wir spucken ständig Partikel aus, unsere Kleidung besteht aus Partikeln, das Make-up, das wir tragen Wenn man es trägt, wird die Luft schmutzig. Wir müssen so viel davon wie möglich beseitigen, damit die Dinge, die wir bauen, frei von Schadstoffen dieser Art sind.

Eine weitere Herausforderung: Es gibt großartige Möglichkeiten, diese Reinräume zu bauen, und dahinter steckt eine ganze Reihe von Studien und Wissenschaften. Die andere Herausforderung besteht jedoch darin, sie aus dem Labor zu entfernen, denn irgendwann werden diese Dinge in unserer sehr schmutzigen Welt verwendet. Dann wird die Verpackung wichtig. Wir müssen weiterhin auf diese Geräte zugreifen können, aber wir müssen dies so tun, dass wir die Umwelt und die Verpackung nicht verunreinigen. Also Dinge hermetisch verschließen und sicherstellen, dass alles vollständig versiegelt ist und nichts hinein- oder herausdringt. Das ist eine weitere Reihe von Herausforderungen, die ich gesehen habe. Wir hätten etwas, das auf einem Labortisch in einer kontrollierten Umgebung hervorragend funktioniert, aber im Allgemeinen sind die meisten Dinge, die wir bauen, dazu gedacht, in unsere schmutzige Welt gebracht zu werden. Das war auch eine Herausforderung.

Auch hier gilt: Von der Herstellung bis hin zum Transport zum endgültigen Bestimmungsort sind bei so kleinen Dingen ganz besondere Überlegungen und Umweltbedenken zu berücksichtigen. Außerdem verhalten sich die Dinge im kleinen Maßstab nicht immer wie erwartet. In unserer physischen Welt erwarten wir, dass die Dinge auf eine bestimmte Art und Weise funktionieren, aber wenn man auf die Mikro- und Nanoskala vordringt, wird die physische Welt etwas anders und man kann die Ergebnisse nicht immer vorhersehen. Das ist ein ganz anderes Studiengebiet.

Was wären einige Beispiele dafür, dass man sich von der normalen physischen Welt unterscheidet?

Strom durch einen Draht leiten. Wir haben unsere Ladegeräte und unsere Telefone und leiten Strom durch sie hindurch. Wenn Sie Strom durch einen Draht leiten, der die Größe einer Haarsträhne hat, gibt es offensichtlich Wärmeerwägungen und die Dinge verhalten sich einfach anders, weil wiederum der Platz und die Größenbeschränkungen gegeben sind.

Was ist Ihre aktuelle Rolle bei Amii und wie hilft Ihr Team Industriepartnern?

Meine derzeitige Rolle bei Amii unterscheidet sich stark von der Welt der Mikro- und Nanotechnologie.

Ich bin Product Owner des Advanced Technology Teams bei Amii. Ich leite ein Team, das hauptsächlich aus Wissenschaftlern und Projektmanagern für maschinelles Lernen besteht, die alle mit unseren verschiedenen Industriepartnern zusammenarbeiten, um ihre Geschäftsprobleme durch die Anwendung von maschinellem Lernen zu lösen.

Wir sind sehr branchenorientiert und wollen die Lücke zwischen dem, was in der Wissenschaft passiert, all den wirklich großartigen Durchbrüchen im Bereich maschinelles Lernen und KI schließen, sie aber auch auf die größten Bedürfnisse unserer Industriepartner anwenden. Wir reagieren auf diese Bedürfnisse, indem wir unseren Kunden im Wesentlichen dabei helfen, die Fähigkeiten und das Fachwissen zu finden, die sie benötigen, um die Arbeit voranzutreiben.

Wir führen unser Praktikums- und Residenzprogramm über das Team für fortschrittliche Technologie durch. Ich stelle also viele Mitarbeiter ein. Personalbeschaffung ist nicht mein Hintergrund, aber mittlerweile beschäftige ich mich häufig damit. Dabei geht es vor allem um eine Art Matchmaking, darum, die richtigen ML-Talente für das Projekt unseres Kunden zu finden. Wir stellen diese Leute für einen bestimmten Zeitraum als Amii-Mitarbeiter ein und geben ihnen viel Unterstützung und Mentoring, aber in Wirklichkeit sind sie engagiert, am Projekt des Kunden zu arbeiten und es voranzutreiben. Auf diese Weise erhalten unsere Kunden Zugang zu Talenten, ohne die Rekrutierung selbst durchführen zu müssen. Amii verfügt über einen ziemlich guten Markenbekanntheitsgrad. Wir sind in der Lage, wirklich großartige Talente zu gewinnen und sie dann für diese Branchenprojekte einzusetzen.

Ein potenzieller Vorteil des Systems besteht darin, dass der Kunde die Möglichkeit hat, diese Leute einzustellen, nachdem die Laufzeit bei uns abgelaufen ist. Wir wollen, dass dieses Talent hier bleibt. Wir wollen keine Abwanderung von Fachkräften. Wir geben dem Kunden einen kleinen Vorsprung, damit er das Talent ausprobieren, das Projekt ausprobieren, ein Gefühl dafür bekommen kann, was maschinelles Lernen eigentlich ist, was wir brauchen, um es erfolgreich zu machen, und es dann idealerweise platzieren kann Talente in diesen Unternehmen langfristig zu fördern, damit diese Unternehmen wirklich zu KI-Unternehmen werden und ihre eigenen Initiativen in Zukunft vorantreiben können.

Wie lange ist die Laufzeit, für die sie sich normalerweise anmelden?

In der Regel vier bis zwölf Monate.

Das ist etwas, was wir zu Beginn herausfinden, abhängig von der Komplexität des Projekts und der Anzahl der Probleme, die wir zu lösen versuchen. Wir finden, je länger, desto besser. Machine-Learning-Projekte, die in vier Monaten durchgeführt werden müssen, können eine Herausforderung sein. Es geht um viel mehr als nur um die Erstellung von ML-Modellen. Wir sind stark auf die vom Kunden gesammelten Daten angewiesen, die uns übergeben werden und die uns bei der Erstellung der Modelle helfen. Je länger wir Zeit haben, desto besser ist es, alle Möglichkeiten zu durchlaufen und durchzugehen.

Die Arbeit ist experimenteller und explorativer Natur. Amii ist ein Forschungsinstitut; Wir können das Ergebnis nicht immer garantieren. Eine längere Start- und Landebahn gibt uns einfach mehr Zeit, diese Recherche durchzuführen und sicherzustellen, dass wir unsere Möglichkeiten ausgeschöpft und so viele Dinge wie möglich verfolgt haben, denn es fällt uns schwer zu sagen: „Das ist die Methode, die am besten funktioniert.“ Man muss es ausprobieren und sehen.

Welche Beispiele für herausfordernde Geschäftsprobleme gibt es, an denen Ihr Team mit diesen Unternehmen gearbeitet hat?

Ich habe darauf hingewiesen, dass die Datenvorbereitung definitiv eine große Herausforderung ist. Die laufende Branchenwahrnehmung der Datenvorbereitung unterscheidet sich von dem, was ein Machine-Learning-Wissenschaftler für ein Machine-Learning-Modell für bereit halten würde. Und Zugang. Wie einfach ist es für den Kunden, uns die Daten so zu übergeben, dass sie für unsere ML-Modelle nutzbar sind? Aus diesem Grund mögen wir längere Projekte, denn so hat unser Team Zeit, mit unseren Kunden an der Bewältigung dieser Art von Datenvorbereitungsherausforderungen zu arbeiten und sie auf den Erfolg vorzubereiten.

Müll rein ist Müll raus. Wenn Sie uns Mülldaten geben, erstellen wir ein Müllmodell. Wir brauchen wirklich hochwertige Daten. Und es gibt eine kleine Lernkurve für Kunden. Auch hier geht es um die Branchenwahrnehmung, was Qualitätsdaten sind und welche Beispiele wir sehen müssen, um zukünftige Entwicklungen vorhersagen zu können. Es geht einfach um die Lese- und Schreibfähigkeit, um sicherzustellen, dass wir dieselbe Sprache sprechen. Sie verstehen die Einschränkungen, die auf den Daten basieren, auf die sie Zugriff haben, und verstehen, was uns zum Erfolg führen wird.

Sie benötigen Beispiele dafür, was Sie in Ihrem Datensatz vorhersagen möchten. Wenn ein Ereignis wirklich selten ist, wird es für uns schwierig sein, es jemals vorherzusehen. Wir könnten ein wirklich genaues Modell von etwas erstellen, das in 99 % der Fälle genau ist, da es nie darum geht, die 1 %-Zeit vorherzusagen, in der etwas tatsächlich eintritt. Auch hier geht es nur darum, sicherzustellen, dass der Kunde versteht, was wir brauchen, um genaue Modelle zu erstellen.

Wir haben gesehen, dass selbst scheinbar einfache Probleme je nach Datensatz sehr komplex sein können. Zu Beginn eines ersten Gesprächs mit einem Kunden müssen wir vorhersehen, wie viel Zeit wir dafür benötigen werden. Aber manchmal, wenn wir beginnen, die Zwiebelschichten abzuschälen, stellen wir fest: Nein, das ist aufgrund dieser Datenkomplexität viel komplexer, als wir dachten.

Andere Herausforderungen, mangelndes Engagement von Fachexperten erforderlich. Wenn wir mit unseren Industriepartnern zusammenarbeiten, ist es wirklich wichtig, dass sie weiterhin mit an den Tisch kommen, denn sie sind die Fachexperten und in der Regel auch die Datenexperten. Wir sind nicht wie eine Entwicklerwerkstatt, in der wir einfach die Daten nehmen, das Modell erstellen und es am Ende übergeben. Es ist sehr, sehr kooperativ. Und je mehr unsere Industriepartner investieren, desto mehr werden sie herausbekommen, denn sie können uns in die richtige Richtung weisen und sicherstellen, dass die Vorhersagen, die wir machen, für sie aus geschäftlicher Sicht sinnvoll sind , dass wir auf die richtigen Kennzahlen abzielen, wir verstehen, was Erfolg für sie bedeutet.

Wir brauchen ein multidisziplinäres Team um uns herum, das die Projekte unterstützt, und es braucht mehr als nur einen Wissenschaftler für maschinelles Lernen, um ein erfolgreiches Modell zu entwickeln, das sich positiv auf ein Unternehmen auswirkt. Es gibt viele Herausforderungen. Das sind diejenigen, die mir in den Sinn kamen.

Sie persönlich glauben, dass KI eine treibende Kraft sein sollte. Wie kann KI Ihrer Meinung nach die Zukunft positiv verändern?

Was mir an meinem Job am besten gefällt, ist, dass wir mit Kunden aus allen Branchen zusammenarbeiten und sehr unterschiedliche Probleme lösen, die aber alle wirklich für eine positive Veränderung genutzt werden. Und Amii verfügt über unser prinzipielles KI-Framework, das sicherstellt, dass wir genau das tun. Schon in der Vertragsphase stellen wir sicher, dass die Projekte, an denen wir mit unseren Industriepartnern arbeiten, auf ethische Weise für diese positive Veränderung genutzt werden. Alle Projekte, die ich zu sehen bekomme, werden zum Guten genutzt und verändern die Zukunft positiv.

Eines fällt mir ein: In Alberta haben wir es im Sommer häufig mit Waldbränden zu tun. Besonders in diesem Jahr war es selbst im April schlimm. Wir haben kürzlich eine Partnerschaft mit Canada Wildfire geschlossen. Es ist eine Forschungsgruppe der University of Alberta. 40 Jahre Wetterdaten im Zusammenhang mit schweren Waldbränden. Wir arbeiten mit ihnen zusammen, um diese Ereignisse in der Zukunft besser vorherzusagen, damit wir die möglicherweise benötigten Ressourcen besser vorbereiten können und die Teams in die Lage versetzen können, die Umgebung zu temperieren, bevor es zu einem Stadium kommt, in dem die Waldbrände wüten. Ich glaube, das liegt nur daran, dass ich in Edmonton bin. Ich weiß nicht, ob Sie letzte Woche hier waren, aber es war sehr verraucht.

Als ich am Sonntagabend (21. Mai 2023) ankam, war es ziemlich verraucht.

Es ist verheerend. Es ruiniert Gemeinschaften. Es nimmt den Menschen ihre Häuser weg. Feinstaub in der Luft einatmen zu müssen ist nicht großartig, aber die Verwüstung ist sehr groß. Das ist ein interessantes (Projekt), das uns allen am Herzen liegt.

Ein weiterer Bereich, in dem wir arbeiten, ist die Landwirtschaft. Wie werden wir unsere wachsende Bevölkerung ernähren? Wir arbeiten mit dem National Research Council an einem Problem der Proteinhäufigkeit. Wir versuchen sicherzustellen, dass die Pflanzen, die wir anbauen, einen höheren Proteingehalt haben, um unsere wachsende Bevölkerung zu ernähren, und nutzen maschinelles Lernen, um diese Vorhersagen treffen zu können.

Ein weiterer sehr beliebter Ansatz ist die Reduzierung von Emissionen. Zusammenarbeit mit Unternehmen im Öl- und Gassektor, um sicherzustellen, dass die verwendeten Prozesse sowie Systeme und Werkzeuge so effizient wie möglich sind. Wir arbeiten mit einer Wasseraufbereitungsanlage in Drayton Valley, einer kleinen Stadt in Alberta, zusammen und stellen sicher, dass diese Wasseraufbereitungsanlage so effizient wie möglich läuft und wir so viel sauberes Wasser wie möglich für die Gemeinde erzeugen . Auch Präzisionsmedizin.

Die Liste geht weiter. Im wahrsten Sinne des Wortes hat jedes Unternehmen, an dem wir arbeiten, diese Art von Projekten, diese Art von Anliegen. Es fällt mir schwer, einen Favoriten auszuwählen, denn wenn man darüber nachdenkt, haben sie alle die Möglichkeit, einen unglaublich positiven Einfluss auf die Zukunft zu haben.

Was ist Ihre Vision für die Zukunft der KI oder Robotik?

Mein Kontakt zur Robotik lag vor allem in der Lieferkette. Hier kommt Robotik bereits zum Einsatz, aber es geht auch darum, wie wir sie mit KI verbessern können, um auf bestehenden Systemen und der Automatisierung aufzubauen, wiederum durch effizientere Prozesse? Die Lieferkette ist offensichtlich daran interessiert, den Durchsatz zu steigern, mehr Aufträge schneller abzuwickeln und Entscheidungen effizienter zu treffen. Was die Robotik angeht, habe ich mich wiederum darauf konzentriert, auf bestehenden Robotern aufzubauen, um sie intelligenter und besser zu machen.

Generell denke ich, dass die Zukunft meiner Meinung nach in der Industrie immer noch sehr auf den Menschen ausgerichtet ist. Robotik wird als Werkzeug, als Ergänzung zum Menschen eingesetzt. Vielleicht wird Robotik unter Bedingungen eingesetzt, die für Menschen gefährlich sind und in denen wir den Umgebungen nicht ausgesetzt sein sollten. In diesem Fall ist die Robotik ein großartiger Ersatz für uns, um unsere Sicherheit zu erhöhen. Es gibt auch wirklich coole Forschung, die von unseren Kollegen und bionischen Gliedmaßen durchgeführt wird, um Menschen, die diese Unterstützung benötigen, die Kontrolle und Bewegung zu erleichtern. Alles ist immer noch stark an den Menschen und dessen Nutzung dieser Werkzeuge gebunden, erleichtert ihnen aber durch diese neuen Systeme die Nutzung und erleichtert ihnen das Leben.

Im Hinblick auf die Zukunft der KI im Allgemeinen ist dies eine äußerst interessante Zeit in diesem Bereich. Die Industrie hat endlich verstanden, dass KI da ist und alles verändern wird und man entweder führen oder geführt werden kann. Ich denke, eine der Visionen von Amii besteht darin, dass jedes Unternehmen mit der Technologie vertraut ist, sich darüber im Klaren ist, was sie kann und was nicht, und wirklich bereit ist, bei der Implementierung in ihrem Unternehmen zu experimentieren und zu iterieren, um einige ihrer schwierigsten Probleme zu lösen.

Bisher herrschte meiner Meinung nach die Auffassung vor, dass nur Technologieunternehmen KI- und ML-Anwender seien, aber jetzt wird es immer offensichtlicher, dass ML praktisch in jeder Organisation eingesetzt werden kann. Es ist nicht immer die richtige Antwort, aber es gibt normalerweise einen Anwendungsfall dafür. Ich hoffe, dass Unternehmen in Zukunft selbst zu natürlichen KI-Unternehmen werden, indem sie sich besser mit der Technologie auskennen und sich darüber im Klaren sind, wie sie sie für ihr Unternehmen nutzen können.

Vielen Dank für das tolle Interview. Leser, die mehr erfahren möchten, sollten die folgenden Ressourcen besuchen:

Laura Petrich, Doktorandin in Robotik und maschinellem Lernen – Interviewreihe

Als Gründungspartner von unite.AI und Mitglied des Forbes Technology Council ist Antoine ein Zukunftsforscher, der sich leidenschaftlich für die Zukunft von KI und Robotik einsetzt. Er ist außerdem Gründer von Securities.io, einer Investment-Website, der generativen KI-Plattform images.ai und arbeitet derzeit an der Einführung von genius.ai, einer Plattform, die Benutzern die Möglichkeit bietet, autonome Agenten durch Aufteilen von Eingabeaufforderungen zu konfigurieren und bereitzustellen Unteraufgaben.

Laura Petrich, Doktorandin in Robotik und maschinellem Lernen – Interviewreihe

Patrick M. Pilarski, Ph.D. Kanada CIFAR AI Chair (Amii) – Interviewreihe

Prasad Kawthekar, Mitbegründer und CEO von Dashworks – Interviewreihe

Arjun Narayan, Leiter Global Trust and Safety bei SmartNews – Interviewreihe

Razi Raziuddin, Mitbegründer und CEO von FeatureByte – Interview Series

Jordan Noone, Mitbegründer von Embedded Ventures – Interviewreihe