D'ingénieur aéronautique à spécialiste des données IA – un entretien avec Gosia Los-Brzozowska

D'ingénieure aéronautique à data scientist en IA, le parcours de Gosia Los-Brzozowska est tout sauf typique. Chez Bureau de Spyrosoft à Białystok, she’s turned a knack for data into a force for innovation, working on everything from generative AI to predictive maintenance. In this candid chat with Karolina Spryszynska, Head of Employer Branding, Gosia shares her path, the challenges she’s tackled, and what it means to be among the Top 100 Women in Data Science.

Gosia, à quoi ressemblait votre parcours vers le poste de Data Scientist en IA ?

Well, it all started in high school; I wondered what kind of studies would be interesting for me. Once, I went to a mechanics lecture and understood nothing; all the Greek letters, formulas…But despite that, I felt like something was leading me that way, so I decided to follow that path. After university, I started working as an aircraft engineer in the design and manufacturing areas. My tasks included redesigning, evaluating field experiences, and approving manufacturing processes. Every decision had to be made based on data. This is where my adventure began as a Data Specialist.

Pourriez-vous partager votre avis sur le projet de solutions d'IA basées sur les données le plus intéressant auquel vous avez participé chez Spyrosoft ?

Choisir le plus intéressant n'est pas une tâche facile ! Chez Spyrosoft AI, we work on a variety of projects, from cost optimisation to autonomous vehicles. Recently, the hottest topic has definitely been gen AI. Our projects aim to develop data driven AI solutions that leverage advanced computational methods to enhance decision-making and improve operational efficiencies.

Ma première expérience professionnelle avec l'IA générative a été une plongée passionnante dans l'avenir des tests logiciels. Chez Spyrosoft, je développais un assistant intelligent pour générer des scripts de test pour les applications QML à l'aide de l'apprentissage automatique.

Imagine this: A tool that not only understands the intricacies of QML but also autonomously crafts precise, efficient test scripts. Our goal was to develop an AI that could read through the QML code, comprehend its structure and functionality, and then generate comprehensive test scripts, all with minimal human intervention. It was a thrill – working with cutting-edge AI models, brainstorming and conducting experiments. It’s the perfect playground.

Avez-vous rencontré des difficultés dans vos récents projets ? Dites-nous en quoi elles consistaient.

Challenges are the daily bread in AI. I haven’t worked on the project without them. Automating and optimizing business processes is crucial to overcoming these challenges. Most often, we face meeting financial constraints, which requires close budget monitoring, automation per-custom needs, often of specific if not unique use, and finally, managing client expectations. That’s the GIGO effect – Garbage In, Garbage Out. No magic. You need data, computing power and highly qualified people to incorporate AI.

Quoi qu'il en soit… Il existe une solution à chaque défi. Et les résultats sont d'autant plus satisfaisants lorsqu'ils sont soutenus par une infrastructure de gestion des données robuste.

Quels sont les pièges et risques courants lors de la planification d'un projet de science des données avec une infrastructure de gestion des données ?

Il y a une blague :
– Qu'est-ce qui est important lors de l'achat d'un appartement ?
– Seulement trois choses : l'emplacement, l'emplacement, l'emplacement.

If it goes about planning a data science project or any project, I could rephrase the joke and say: Communication, communication, communication. Adapting communication techniques is crucial for resolving the problem and ensuring all involved parties understand the importance of data quality. Moreover, even with technologies such as ChatGPT, some time is needed to research, develop, test, and deploy.

Pouvez-vous partager un exemple de projet de data science réussi que vous avez dirigé en utilisant le machine learning ? Comment avez-vous exploité les données pour fournir des insights précieux ?

I led a predictive maintenance project for a newly introduced aircraft fleet, ultimately, a few thousand units. The goal was to rank the engines in terms of overhaul need, thereby preventing unexpected failures and minimising downtime through comprehensive data analysis. This project used a Cumulative Damage Model (CDM) learning from design, production, operational and environmental data. The tool provided not only valuable insights into engines’ health, but also contributed to more efficient and cost-effective maintenance practices. Additionally, the project helped enhance human decision making by integrating advanced technologies to optimize maintenance workflows.

Vous avez également été nommée l'une des Top 100 Women in Data Science cette année ; félicitations ! Qu'est-ce que cela signifie pour vous ?

Merci de le reconnaître ! Être reconnu comme l'un des Top 100 des femmes en science des données this year is a significant honour. It means a lot because it reflects my hard work and dedication, and it proves it’s not only my feeling. It is incredible to be included among talented and fantastic women, which also demonstrates the inclusive culture in IT.