Ashley Bryant-Baker, direktør for Data & Analytics hos Fresh Eyes Digital – Interviewserie

Ashley Bryant-Baker er direktør for Data og Analytics hos Fresh Eyes Digital, en konsulentvirksomhed, der fokuserer på succes for non-profit-organisationer. Før Fresh Eyes Digital drev hun sin egen konsulentvirksomhed, B&B Data Solutions, hvor hun hjalp mærker med at opbygge og udnytte data-løsninger. Hun har arbejdet med analytics i over et årti i brancher som forbrugerprodukter, rejser, logistik, sundhedsvesen og non-profit.

Hun er blevet en eftertragtet taler om emner som kønsbias i AI, kundesegmentering med AI og diversitet på arbejdspladsen. Hun er blevet inviteret til at tale ved forskellige begivenheder, herunder SXSW, Data Minds Connect og Digital Summit DC. Ashley har studeret på The American Graduate School i Paris, Georgetown, LSU og Fort Hays University. Hun har en mastergrad i international økonomi, certifikat i datavidenskab, en bachelorgrad i erhverv og en bachelorgrad i kunst.

Hvad var det, der oprindeligt tiltrak dig til datalogi og datavidenskab?

På universitetet studerede jeg kunst og var interesseret i at arbejde for en computerspilsvirksomhed, når jeg dimiterede som spildesigner. Min plan var at lave 3D-computermodeller og designe karakterer og objekter, som mennesker ville interagere med i spillet. Jeg arbejdede endda som en kvalitetskontroltest af EA Sports på universitetet. Da der på det tidspunkt ikke var nogen datalogi-koncentration på mit universitet, besluttede jeg at supplere min kunstuddannelse med en minor i datalogi. Jeg kunne ikke lide datalogi-kurserne til at starte med. Der var en grænse for fjendtlighed over for mennesker, der havde ingen erfaring (som jeg), fra andre studerende og endda nogle professorer. Jeg gennemførte min minor, fordi mit mål for min kunst-afhandling var at designe og programmere et fungerende computerspil. Jeg brugte python og maya til at bygge et 3D-skakspil med animerede brikker, der gik over brættet, og en meget enkel AI, der kunne spille imod dig. På det tidspunkt vidste jeg ikke noget om python, og jeg antog, at jeg aldrig ville bruge det igen.

I et af mine første jobs efter universitetet arbejdede jeg på en markedsføringsvirksomhed som junior-projektleder. Jeg arbejdede med et hold af kunstnere, markedspecialister, produktionspecialister og en analytiker i hele bygningen, der håndterede analytics for omkring 15 kunder på egen hånd. Hun bad mig om hjælp af og til til at kontrollere hendes matematik eller oprette simple rapporter. Når hun skulle på sygeorlov i flere uger, bad hun min chef og mig, om jeg kunne overtage hendes arbejde, mens hun var væk. Når hun kom tilbage, bad jeg om at blive overført til hendes afdeling. At arbejde med data var så interessant for mig. Det var bestemt en uventet vending i min karriere, men jeg har ikke kigget tilbage siden. Jeg fortsatte med at ville lære mere, så jeg tog kurser og ansøgte om analytics-job, hvor jeg kunne lære af andre. Så kom alt sammen, og jeg arbejdede med python igen, om end på en helt anden måde end før.

Alt dette for at sige, at jeg oprindeligt kom ind i datavidenskab rent tilfældigt.

Du er i øjeblikket direktør for Data & Analytics hos Fresh Eyes Digital, en virksomhed, der arbejder med non-profit-organisationer. Kan du dele, hvad virksomheden laver, og det arbejde, du udfører der?

Fresh Eyes er en konsulentvirksomhed, der tilbyder markedsføring og fundraising-understøttelse til non-profit-organisationer. Vi arbejder med kunder for at forstå deres donorer, bygge digitale kampagner omkring non-profit-mål og hjælpe non-profit-organisationer med at forstå, hvordan deres digitale tilstedeværelse kan forbedres for at nå disse mål. Fresh Eyes ansatte mig, fordi de ville opbygge en mere robust data-tilbud. Til at starte med arbejdede jeg med dem som konsulent, hvor jeg hjalp dem med at designe digitale multivariate-test, forstå resultater og automatisere analytics- og dashboard-tjenester. Nu arbejder jeg med dem på at opbygge et udvalg af tilbud til non-profit-organisationer. Nogle af de projekter, jeg arbejder på, omfatter prædikativ analyse omkring konstituenter og donorer konverterings- og donationssatser over tid. Forstå effekterne af eksterne faktorer, såsom det politiske klima, økonomiske ændringer og nyheds cykler, samt interne faktorer, såsom markedsføringsstrategier, non-profit-rapporter og endda bevægelser af ledelsesroller inden for en organisation og, hvordan disse alle kan påvirke sandsynligheden for konvertering. Meget af denne information informerer vores prognose-analyse og dashboards og klassifikationsmodeller for bedre at forstå donorer og engagement.

Non-profit-organisationer accepterer mere og mere brugen af avancerede statistiske metoder og indser, at det hjælper deres evne til at se deres mission igennem, når de kan forstå deres impact og indsamle penge på en mere struktureret måde.

En af dine mest stolte præstationer er at være en forkæmper for diversitet i STEM, kan du dele nogle af disse højdepunkter?

Der er så mange fantastiske organisationer, der arbejder mod diversitet og lighed i STEM: Black Girls Code, ByteBack her i DC, DataKind og for nylig min sorority Zeta Phi Beta Inc. sammen med flere andre organisationer har samarbejdet med Google (GOOGL ) for at uddanne underrepræsenterede grupper i computer- og teknisk træning. Jeg gør min del ved at frivilligt arbejde med disse organisationer, være mentor for mennesker, der er nye i feltet, tale ved begivenheder (især tech-begivenheder, hvor jeg ofte er den eneste kvinde eller person af farve) og undervise på workshops i skoler (især majoritetsminoritets-skoler, landskoler og alternativskoler). Jeg har også arbejdet med flere virksomheder for at diversificere deres praktikantprogrammer og indledende graduate-programmer. Meget af dette arbejde har jeg gjort af vane. Jeg voksede op i et hjem og en samfund, hvor frivilligt arbejde var en del af hverdagslivet. Jeg har fortsat med det gennem universitetet og derefter med Zeta Phi Beta Inc. Men jeg tror, jeg tiltrak mig dette område, fordi jeg ikke havde mulighed for at lære om computere og kodning, før jeg kom på universitetet, og da jeg kom på universitetet, husker jeg følelsen af negativitet, jeg havde, da jeg fulgte min minor i datalogi. Jeg vil ikke have, at nogen, især nogen, der prøver at lære og forbedre sig selv, skal opleve det. Jeg tror ikke, jeg rigtig indså den indvirkning, jeg havde, før jeg talte med en gruppe studerende ved en rekrutteringsbegivenhed, og en ung sort pige og hendes mor kom hen til mig og sagde, at jeg var den første tekniske sorte kvinde, de havde set på nogen konference eller rekrutteringsbegivenhed. Det var, da jeg vidste, jeg måtte gøre dette til en del af min regulære rutine.

Jeg prøver at deltage i denne type programmer regelmæssigt. Faktisk den 16. marts vil jeg co-værte en hackathon med en fantastisk datavidenskabsmand og god ven af mine Swathi i samarbejde med Girls in AI.

Du har også arbejdet på at udvide teknisk uddannelse i landdistrikter og/eller lavindkomst-kvarterer. Hvor stort er dette problem?

Wow, der er ikke nok tid til at tale om, hvor stort et problem dette er! Coronavirus gjorde det klart, at der er uligheder, der er systemiske i vores samfund. Desværre er en af de største af dem uddannelse. Jeg har en god ven, der arbejder på en alternativ skole på udkanten af DC. Studerende der er ofte ældre, de må have jobs ved siden af at gå i gymnasiet, de har ikke altid de værktøjer hjemme til at udføre distance-læring som en laptop eller computer. Disse studerende havde en lærer, der talte deres sag, arbejdede med skolen for at få en mobil mulighed for at sikre, at de fleste studerende kunne få adgang til skolen på deres mobiltelefoner. Men det er ikke altid tilfældet i lavindkomst- eller alternativ skolemiljøer. Situationen på landet er lige så svær for studerende og lærere. Højhastigheds-internet kan være meget dyrt i landdistrikter og i nogle tilfælde utilgængeligt. Studerende, der sidder i McDonald’s parkeringsområder for at få adgang til internet, er uacceptabelt, men en uheldig nødvendighed i nogle af disse områder. Jeg kender lærere i landdistrikter i Pennsylvania, der selv ikke kan få god internetadgang til at tilslutte sig deres virtuelle klasselokaler.

Uden for coronavirus er der problemet med underfinansiering i landdistrikter og lavindkomst-skoler, en mangel på teknisk trænede lærere, især i landdistrikter, hvor det kan være svært at tiltrække talent, og, naturligvis, den generelle bias mod studerende af farve, indvandrerstuderende og endda landdistriktsstuderende, der måske ser eller lyder anderledes end den mere accepterede “amerikanske” kultur. Alle disse scenarier bidrager til manglen på adgang til STEM-uddannelse og dermed studerende, der aldrig bliver udsat for disse fag og karriere.

Hvor stort er problemet med køns- og racemæssig bias i AI?

Det er noget, alle virksomheder og organisationer bør tænke over. Desværre er dette et svært problem at løse, fordi hvis AI viser bias mod eller imod en bestemt gruppe, betyder det ofte, at virksomheden eller organisationen allerede havde en mønster af bias i den pågældende branche. AI er afhængig af tidligere mønstre for at forudsige fremtidig adfærd og forstærker blot denne adfærd. Men det er svært at få mennesker til at erkende deres egne bias, vi har alle bias, og ofte handler vi ubevidst på dem. Der skal være systemer på plads for at hjælpe med at mindske disse bias og holde holdene ansvarlige både på det tekniske og forretningsmæssige område.

Hvordan kan vi sikre, at AI-anvendelserne i dag ikke forstærker de bias, mennesker har?

Der er nogle skridt, organisationer kan tage for at oprette en standard for praksis i datavidenskab og AI for at hjælpe med at mindske bias. Jeg kan ikke udtrykke nok, hvor meget dette skal være en samarbejdende proces mellem tekniske grupper og forretningsgrupper. Vigtigheden af kontekst, der ikke altid er synlig for tekniske hold, er afgørende.

Det begynder med at erkende og identificere potentielle kilder til bias. Det kan ske under dataindsamlingen, funktionsspecifikationen til modelbygning eller det kan ske helt uden for data i forretningspraksis. For eksempel blev jeg engang bedt af en leder i en virksomhed, om deres kernepublikum virkelig var ældre, rige mænd, der oftere boede i landdistrikter eller forstæder. Jeg kiggede på data og indså, at deres pipeline af data havde en overrepræsentation af denne gruppe. Men jeg lagde også mærke til, at størstedelen af deres kunder kom fra de samme mediekanaler, konservative taleradio. Jeg lærte af en medlem af markedsføringsholdet, at virksomheden havde fået lav- eller ingen omkostninger ved markedsføring på disse platforme tidligt i deres lancering, og størstedelen af deres kunder reflekterede dette. Bias var ikke i data, men i mangel på diversifikation i kommunikationsstrategien. Men som følge heraf scorede livstidsværdimodellen, som dataholdet oprettede, ældre, rige mænd fra forstæder og landdistrikter som de bedst performende kunder, hvilket forstærkede kommunikationsstrategien, som markedsføringsholdet anvendte. Dette er noget, som intet teknisk hold bør være ansvarligt for at vide, men de bør være ansvarlige for at stille de rigtige spørgsmål.

Dette fører mig til det andet skridt, som er at fastlægge retningslinjer for at lede efter og derefter håndtere bias, når det er blevet opdaget. Når man har identificeret potentielle kilder til bias, skal organisationen oprette en liste over disse kilder for at se efter disse problemer og oprette en vej for nogen, der finder bekymrende data eller mønstre, til at håndtere dem. Dette kan ikke gøres i en vakuum. Det er ansvarligt for alle hold at sikre, at anvendelser ikke forstærker bias. Som i eksemplet ovenfor har dataholdet intet ansvar for kommunikationsstrategien. De kan hjælpe med at pege på resultaterne og derefter arbejde med andre hold i organisationen for at håndtere dem. I dette tilfælde arbejdede kommunikationsholdet med datavidenskabsholdet for at teste andre kommunikationsstrategier, der serverede forskellige demografiske grupper.

Når bias viser sig i data-modeller kan det nogle gange være i, hvordan en data-hold bestemmer funktionsspecifikation, hvilke data der er inkluderet eller ekskluderet i data-lagrene eller selv den metrik, der forudses. I disse tilfælde er det vigtigt for data-holdet at forstå, at modelpræcision ikke altid er lig med model-fairness. Det kan være sandt, at inklusion af visse funktioner i en data-model øger den prædictive nøjagtighed af en model, men den ekstra 0,5% nøjagtighed kan komme på bekostning af en samfundsmæssig eller forretningsmæssig omkostning. At bestemme, hvad fairhed betyder, er ikke en let opgave og kræver deltagelse af multifacetterede hold. En metode kaldet “kontrafaktisk fairhed” overvejer, at en beslutning er fair over for en person, hvis den er den samme i den virkelige verden og i en kontrafaktisk verden, hvor personen tilhører en anden demografisk gruppe. Derudover har Microsoft (MSFT ) og Google AI offentliggjort standarder for, hvordan man tager fairhed i AI. Jeg personligt henviser til EU-retningslinjerne for etik i kunstig intelligens, som jeg finder ret omfattende til min branche. Når en standard for fairhed er etableret, kan data-holdet bestemme, om løsningen er at behandle data først, ændre systemets beslutninger efterfølgende eller inkorporere fairhedsdefinitioner i selv træningsprocessen. Spørgsmålet om bias i data er et komplekst spørgsmål, der kræver regelmæssig evaluering og stemmer fra en bred vifte af mennesker. Det er ikke blot et teknisk problem, der skal løses.

Hvad er dine synspunkter på regeringsindførte AI- og data-etiske politikker?

Jeg synes, der har været bevægelser i den rigtige retning ved at oprette en standard for procedurer, når det kommer til AI og data-etik. Trumps executive order på AI-etik opretter en registry over modeller, der er anvendt inden for regeringen, opretter en tidsplan for at oprette politik-vejledning, opmuntrer agenturer til at ansætte tech-fokuserede hold og personer og opmuntrer gennemsigtighed i AI-brug på tværs af regeringen i områder, der ikke er involveret i R&D eller national sikkerhed, hvilket jeg synes er utrolig vigtigt. Dette omfattende plan er en spændende udvikling i regeringen, der historisk har været langsom til at tilpasse teknologi. Men politikkerne har gjort lidt for at oprette en kultur af etik, oprette obligatoriske eller samordnede planer på tværs af agenturer eller endda definere, hvad etik eller fairhed betyder i disse sammenhænge. Da den nye administration kommer ind, ville jeg opfordre dem til at fastlægge disse planer med en mere struktureret og samordnet plan på tværs af alle agenturer samt en evaluering, der omhyggeligt overvejer den menneskelige indvirkning, da så meget af det arbejde, vores regering gør, påvirker daglige liv af mennesker både hjemme og udlandet.

Er der noget andet, du gerne vil dele om dit arbejde med Fresh Eyes Digital?

Datavidenskab kan bruges af non-profit-organisationer til at øge impacten, der arbejder på at forbedre vores verden på så mange måder. For disse organisationer er det ikke normalt et problem at indsamle data. De har masser af data at arbejde med. At bruge denne data på en klar og handlingsorienteret måde er svært for disse organisationer, der ofte er presset på ressourcer og måske ikke har et internt analytics-hold klar. Arbejdet, vi gør i data-afdelingen hos Fresh Eyes Digital, hjælper disse organisationer med at forstå og anvende deres data på de rigtige måder og tage mere informerede, strategiske beslutninger. Jeg er glad for at have muligheden for at arbejde med disse organisationer på en måde, der hjælper med at gøre dem mere effektive og effektive, mens de arbejder på at påvirke vores verden på positive måder.

Tak for de detaljerede svar, og jeg ser frem til at følge dine fremtidige eventyr. Læsere, der ønsker at lære mere, bør besøge Ashley Bryant-Baker hjemmeside og/eller Fresh Eyes Digital,