Ashley Bryant-Baker, Διευθύντρια Δεδομένων και Αναλυτικών στο Fresh Eyes Digital – Σειρά Συνεντεύξεων

Ashley Bryant-Baker είναι Διευθύντρια Δεδομένων και Αναλυτικών στο Fresh Eyes Digital, μια εταιρεία συμβούλων που επικεντρώνεται στην επιτυχία των μη κερδοσκοπικών οργανισμών. Πριν από το Fresh Eyes Digital, διηύθυνε τη δική της εταιρεία συμβούλων, B&B Data Solutions, όπου βοήθησε τις μάρκες να δημιουργήσουν και να εκμεταλλευτούν λύσεις δεδομένων. Έχει εργαστεί στις αναλύσεις για πάνω από μια δεκαετία σε βιομηχανίες που κυμαίνονται από καταναλωτικά προϊόντα, ταξίδια, логιστική, υγεία και μη κερδοσκοπικούς οργανισμούς.

Έχει γίνει ένας περιζήτητος ομιλητής στα θέματα του Φύλου στα AI, της Κατηγοριοποίησης Πελατών με τη χρήση AI και της đa dạngίας στην εργασία. Έχει πρόσφατα προσκληθεί να μιλήσει σε διάφορα γεγονότα, συμπεριλαμβανομένων των SXSW, Data Minds Connect και Digital Summit DC. Η Ashley έχει παρακολουθήσει το Αμερικανικό Πανεπιστήμιο στο Παρίσι, το Georgetown, το LSU και το Πανεπιστήμιο Fort Hays. Έχει πτυχίο στις Διεθνείς Οικονομικές Επιστήμες, Πιστοποιητικό στις Επιστήμες Δεδομένων, πτυχίο στη Διοίκηση Επιχειρήσεων και πτυχίο στις Τέχνες.

Τι σας έκανε να ενδιαφερθείτε για την επιστήμη των υπολογιστών και τις επιστήμες δεδομένων;

Στο κολέγιο σπούδαζα τέχνες και ήμουν ενδιαφερμένος να εργαστώ για μια εταιρεία βιντεοπαιχνιδιών όταν αποφοιτούσα ως σχεδιαστής παιχνιδιών. Ο στόχος μου ήταν να κάνω 3D μοντέλα υπολογιστή και να σχεδιάσω χαρακτήρες και αντικείμενα που οι άνθρωποι θα αλληλεπιδρούσαν με στο παιχνίδι. Εργάστηκα ακόμη και ως δοκιμαστής ποιότητας βιντεοπαιχνιδιών για την EA Sports στο κολέγιο. Από τότε που δεν υπήρχε συγκέντρωση υπολογιστικών τεχνών στο πανεπιστήμιό μου, αποφάσισα να κάνω ελάσσων στη επιστήμη των υπολογιστών για να συμπληρώσω το πτυχίο μου στις τέχνες. Αρχικά δεν μου άρεσαν οι τάξεις επιστήμης των υπολογιστών καθόλου. Υπήρχε μια συνοριογραμμή εχθρότητας προς τους ανθρώπους που δεν είχαν εμπειρία (όπως εγώ) από τους άλλους μαθητές και ακόμη και από κάποιους καθηγητές. Κράτησα το ελάσσων μου επειδή ο στόχος μου για το πτυχίο μου στις τέχνες ήταν να σχεδιάσω και να προγραμματίσω ένα λειτουργικό βιντεοπαιχνίδι. Χρησιμοποίησα python και maya για να κάνω ένα 3D σκακιέρα με κινούμενα κομμάτια που περπατούσαν πάνω στο ταμπλό και ένα πολύ απλό AI που μπορούσε να παίξει εναντίον σας. Την εποχή εκείνη δεν ήξερα τίποτα για python και υποθέτησα ότι δεν θα το χρησιμοποιούσα ποτέ ξανά.

Προωθήστε το χρόνο σε μια από τις πρώτες δουλειές μου μετά το κολέγιο. Εργαζόμουν σε μια εταιρεία μάρκετινγκ ως νεαρός διευθυντής έργου. Εργαζόμουν με μια ομάδα καλλιτεχνών, ειδικών μάρκετινγκ, ειδικών παραγωγής και ενός αναλυτή στο整ο κτίριο που διαχειριζόταν αναλύσεις για περίπου 15 πελάτες μόνη της. Με ζητούσε περιστασιακά να της βοηθήσω να ελέγξω τα μαθηματικά της ή να δημιουργήσω απλές αναφορές. Όταν έπρεπε να πάει σε ιατρική άδεια για幾 tuần, μου ζήτησε και στον επιβλέπων μου αν θα μπορούσα να την αντικαταστήσω όσο ήταν μακριά. Όταν επέστρεψε, της ζήτησα να μεταφερθώ στο τμήμα της. Η εργασία με τα δεδομένα ήταν τόσο ενδιαφέρουσα για μένα. Ήταν σίγουρα μια απρόσμενη στροφή στην καριέρα μου, αλλά δεν έχω κοιτάξει πίσω από τότε. Συνέχισα να θέλω να μάθω περισσότερα, έτσι πήρα μαθήματα και申请 για θέσεις εργασίας αναλυτικών όπου θα μπορούσα να μάθω από άλλους. Τότε όλα ήρθαν πλήρως και εργαζόμουν ξανά με python, αν και με ένα τελείως διαφορετικό τρόπο από πριν.

Όλα αυτά για να πω. Αρχικά μπήκα στις επιστήμες δεδομένων καθαρά από τύχη.

Είστε τώρα Διευθύντρια Δεδομένων και Αναλυτικών στο Fresh Eyes Digital, μια εταιρεία που εργάζεται με μη κερδοσκοπικούς οργανισμούς. Μπορείτε να μοιραστείτε τι κάνει η εταιρεία και ποια είναι η δουλειά σας εκεί;

Το Fresh Eyes είναι μια εταιρεία συμβούλων που παρέχει υποστήριξη μάρκετινγκ και συγκέντρωσης κεφαλαίων σε μη κερδοσκοπικούς οργανισμούς. Εργαζόμαστε με πελάτες για να κατανοήσουμε τους δωρητές τους, να χτίσουμε ψηφιακές εκστρατείες γύρω από τους στόχους των μη κερδοσκοπικών οργανισμών και να βοηθήσουμε τους μη κερδοσκοπικούς οργανισμούς να κατανοήσουν πώς μπορεί να ανυψωθεί η ψηφιακή τους παρουσία για να επιτύχουν αυτούς τους στόχους. Το Fresh Eyes με προσέλαβε επειδή ήθελαν να χτίσουν μια πιο ισχυρή προσφορά δεδομένων. Αρχικά εργάστηκα μαζί τους ως συμβουλος, όπου τους βοήθησα να σχεδιάσουν ψηφιακές πολυμεταβλητές δοκιμές, να κατανοήσουν τα αποτελέσματα και να αυτοματοποιήσουν τις υπηρεσίες αναλυτικών και πίνακα ελέγχου. Τώρα εργάζομαι μαζί τους για να χτίσουμε μια σειρά από προσφορές για μη κερδοσκοπικούς οργανισμούς. Κάποια από τα έργα στα οποία εργάζομαι περιλαμβάνουν προβλεπτική ανάλυση γύρω από τους μετατρέψιμους και δωρητές ρυθμούς των συντελεστών και των δωρητών με τον καιρό. Κατανοώντας τις επιπτώσεις των εξωτερικών παραγόντων, όπως το πολιτικό κλίμα, οι αλλαγές στην οικονομία και οι κύκλοι ειδήσεων, καθώς και εσωτερικών παραγόντων, όπως οι στρατηγικές μήνυσης μάρκετινγκ, οι αναφορές επίδρασης των μη κερδοσκοπικών οργανισμών και ακόμη και η κίνηση των ρόλων ηγεσίας μέσα σε einen οργανισμό και πώς όλα αυτά μπορούν να επηρεάσουν την προδιάθεση για μετατροπή. Πολύ από αυτές τις πληροφορίες ενημερώνουν τις αναλυτικές μας προβλέψεις και πίνακες ελέγχου και τα μοντέλα ταξινόμησης για να κατανοήσουμε καλύτερα τους δωρητές και την εμπλοκή.

Οι μη κερδοσκοπικοί οργανισμοί υιοθετούν την χρήση προηγμένων στατιστικών μεθόδων και συνειδητοποιούν ότι βοηθά την ικανότητά τους να δουν την αποστολή τους όταν μπορούν να κατανοήσουν καλύτερα την επίδρασή τους και να συγκεντρώσουν χρήματα με πιο δομημένο τρόπο.

Μια από τις πιο υπερήφανες επιτεύξεις σας είναι η υπεράσπιση της đa様ίας στις STEM, μπορείτε να μοιραστείτε κάποια από αυτά τα υψηλά σημεία;

Υπάρχουν τόσο πολλές υπέροχες οργανώσεις εκεί έξω που εργάζονται για τη đa様ία και την ισότητα στις STEM: Black Girls Code, ByteBack στο DC, DataKind και πιο πρόσφατα η αδελφότητα μου Zeta Phi Beta Inc. μαζί με άλλες οργανώσεις έχουν συνεργαστεί με τη Google (GOOGL ) για να εκπαιδεύσουν υπό-αντιπροσωπεύουσες ομάδες σε τεχνική και τεχνική εκπαίδευση. Κάνω το μέρος μου εθελοντικά με αυτές τις οργανώσεις, ως μέντορας σε ανθρώπους που εισέρχονται στο πεδίο, ομιλώντας σε εκδηλώσεις (ειδικά τεχνικές εκδηλώσεις, όπου είμαι μερικές φορές η μόνη γυναίκα ή πρόσωπο χρώματος) και διδάσκοντας σε εργαστήρια σε σχολεία (ειδικά σε σχολεία πλειοψηφίας, σε αγροτικά σχολεία και σε εναλλακτικά σχολεία). Επιπλέον, έχω εργαστεί με πολλές επιχειρήσεις για να διαφοροποιήσω τα προγράμματα πρακτικής άσκησης και τα προγράμματα αποφοίτων. Πολύ από αυτή τη δουλειά την έκανα από συνήθεια. Μεγάλωσα σε ένα σπίτι και μια κοινότητα όπου το εθελοντισμό ήταν μέρος της καθημερινής ζωής. Συνέχισα αυτό το πανεπιστήμιο με την Zeta Phi Beta Inc. Ωστόσο, νομίζω ότι έλκυστηκα σε αυτήν την περιοχή επειδή δεν είχα την ευκαιρία να μάθω για υπολογιστές και κωδικοποίηση μέχρι το κολέγιο και τότε που πήγα στο κολέγιο, θυμάμαι την αίσθηση της αρνητικότητας που ένιωθα όταν ακολουθούσα το ελάσσων μου στη επιστήμη των υπολογιστών. Δεν θέλω κανέναν, ειδικά κάποιον που προσπαθεί να μάθει και να βελτιώσει τον εαυτό του, να βιώσει αυτό. Δεν νομίζω ότι πραγματικά συνειδητοποίησα την επίδραση που έκανα μέχρι που μιλούσα με μια ομάδα μαθητών σε μια εκδήλωση भरσης και μια νεαρή μαύρη κοπέλα και η μητέρα της ήρθαν και μου είπαν ότι ήμουν η πρώτη τεχνική μαύρη γυναίκα που είχαν δει σε οποιαδήποτε конференσία ή εκδήλωση भरσης. Αυτό ήταν όταν κατάλαβα ότι έπρεπε να κάνω αυτό μέρος της καθημερινής μου ρουτίνας.

Προσπαθώ να συμμετάσχω σε αυτά τα είδη προγραμμάτων τακτικά. Πράγματι, στις 16 Μαρτίου θα συνδιοργανώσω ένα hackathon με μια καταπληκτική επιστήμονα δεδομένων και καλή φίλη μου Swathi σε συνδυασμό με τα Girls in AI.

Έχετε επίσης εργαστεί στην επέκταση της τεχνολογικής εκπαίδευσης σε αγροτικές και/ή φτωχές γειτονιές. Πόσο σημαντικό είναι αυτό το ζήτημα;

Ω. Δεν υπάρχει αρκετός χρόνος για να μιλήσουμε για το πόσο μεγάλο ζήτημα είναι αυτό! Ο ιός Coronaemade ήταν σαφής ότι υπάρχουν ανισότητες που είναι συστημικές στην κοινωνία μας. Δυστυχώς, μια από τις μεγαλύτερες είναι η εκπαίδευση. Έχω einen καλό φίλο που εργάζεται σε ένα εναλλακτικό σχολείο στα περίχωρα της DC. Οι μαθητές εκεί είναι συχνά μεγαλύτεροι, πρέπει να κρατήσουν δουλειές παράλληλα με το σχολείο, δεν έχουν πάντα τα εργαλεία στο σπίτι για να κάνουν τηλε-εκπαίδευση όπως ένας φορητός υπολογιστής ή υπολογιστής. Αυτοί οι μαθητές είχαν έναν δάσκαλο που τους υπερασπίστηκε, εργαζόμενος με το σχολείο για να πάρει μια мобाइल επιλογή για να βεβαιωθεί ότι οι περισσότεροι μαθητές θα μπορούσαν να έχουν πρόσβαση στο σχολείο στα κινητά τους τηλέφωνα. Ωστόσο, αυτό δεν είναι πάντα η περίπτωση σε φτωχά ή εναλλακτικά σχολικά περιβάλλοντα. Η αγροτική κατάσταση είναι εξίσου δύσκολη για τους μαθητές και τους δασκάλους. Η ταχύτητα του internet μπορεί να είναι πολύ ακριβή σε αγροτικές περιοχές και σε ορισμένες περιπτώσεις μη διαθέσιμη. Οι μαθητές που κάθονται σε πάρκινγκ McDonald’s για πρόσβαση στο internet είναι απαράδεκτοι αλλά μια άτυχη αναγκαιότητα σε κάποιες από αυτές τις περιοχές. Ξέρω δασκάλους σε αγροτικές περιοχές της Πενσυλβάνια που δεν μπορούν να πάρουν καλό internet για να συνδεθούν με τα εικονικά ταμεία τους.

Εκτός από τον ιό Corona, υπάρχει το ζήτημα της υποχρηματοδότησης σε αγροτικές και φτωχές σχολές, έλλειψη τεχνικά εκπαιδευμένων δασκάλων, ιδιαίτερα σε αγροτικές περιοχές όπου η προσέλκυση ταλέντων μπορεί να είναι δύσκολη και, φυσικά, η γενική προκατάληψη κατά των μαθητών χρώματος, μεταναστών μαθητών και ακόμη και αγροτικών μαθητών που μπορεί να φαίνονται ή να ακούγονται διαφορετικά από τον πιο rộngυναπαντούμενο “Αμερικανικό” πολιτισμό. Όλες αυτές οι περιπτώσεις προστίθενται στην έλλειψη πρόσβασης στην εκπαίδευση STEM και, επομένως, οι μαθητές που δεν εκτίθενται ποτέ σε αυτά τα θέματα και σταδιοδρομίες.

Πόσο μεγάλο ζήτημα είναι το φύλο και η φυλετική προκατάληψη στα AI;

Είναι κάτι που όλες οι επιχειρήσεις και οι οργανισμοί πρέπει να σκεφτούν. Δυστυχώς, αυτό είναι ένα δύσκολο ζήτημα να λυθεί επειδή αν τα AI δείχνουν προκατάληψη προς ή κατά μιας ομάδας, συνήθως σημαίνει ότι σε αυτήν την περιοχή η εταιρεία ή ο οργανισμός ήδη είχε ένα μοτίβο προκατάληψης. Τα AI βασίζονται σε προηγούμενα μοτίβα για να προβλέψουν μελλοντική συμπεριφορά και απλώς ενισχύουν αυτή τη συμπεριφορά. Ωστόσο, είναι δύσκολο να κάνετε τους ανθρώπους να αναγνωρίσουν τις δικές τους προκαταλήψεις, τις έχουμε όλες και συχνά τις ακολουθούμε χωρίς να το συνειδητοποιούμε. Χρειάζονται συστήματα για να βοηθήσουν να μετριάσει αυτές τις προκαταλήψεις και να κρατήσουν τις ομάδες υπεύθυνες και στις τεχνικές και στις επιχειρηματικές πλευρές.

Πώς μπορούμε να διασφαλίσουμε ότι οι εφαρμογές AI της σημερινής εποχής δεν ενισχύουν τις προκαταλήψεις που έχουν οι άνθρωποι;

Υπάρχουν κάποια βήματα που οι οργανισμοί μπορούν να κάνουν για να δημιουργήσουν ένα πρότυπο πρακτικής στις επιστήμες δεδομένων και στο AI για να βοηθήσουν να μετριάσει την προκατάληψη. Δεν μπορώ να εκφράσω αρκετά πόσο αυτό πρέπει να είναι μια συνεργατική διαδικασία μεταξύ τεχνικών ομάδων και επιχειρηματικών ομάδων. Η σημασία του контекστου που δεν είναι πάντα ορατός στις τεχνικές ομάδες είναι परमόντα.

Ξεκινά με την αναγνώριση και την ταυτοποίηση πιθανών πηγών προκατάληψης. Μπορεί να συμβεί στη διαδικασία συλλογής δεδομένων, την επιλογή χαρακτηριστικών για την κατασκευή μοντέλων ή μπορεί να συμβεί完全 dışında των δεδομένων στις επιχειρηματικές πρακτικές. Για παράδειγμα, μου ζητήθηκε από έναν ηγέτη σε μια εταιρεία αν το πυρήνα κοινό τους ήταν πραγματικά μεγαλύτεροι, πλούσιοι άνδρες που συχνά ζούσαν σε αγροτικές ή προαστιακές περιοχές. Έψαξα τα δεδομένα και κατάλαβα ότι το πλήθος των δεδομένων τους είχε μια υπερεκπροσώπηση αυτής της ομάδας. Αλλά επίσης, έπαιρνα ότι το μεγαλύτερο μέρος των πελατών τους προερχόταν από τις ίδιες πηγές μέσων, συντηρητική ραδιοφωνία. Μάθαμε από ένα μέλος της ομάδας μάρκετινγκ ότι η εταιρεία έλαβε χαμηλό έως μηδενικό κόστος μάρκετινγκ σε αυτές τις πλατφόρμες νωρίς στην εκκίνηση και το μεγαλύτερο μέρος των πελατών τους αντανακλούσε αυτό. Η προκατάληψη δεν ήταν στα δεδομένα αλλά στην έλλειψη διαφοροποίησης στην στρατηγική επικοινωνίας. Ωστόσο, ως αποτέλεσμα, το μοντέλο σκοράρισής τους για την αξία ζωής που δημιούργησε η ομάδα δεδομένων κατηγοριοποίησε τους μεγαλύτερους, πλουσιότερους, άνδρες από αγροτικές και προαστιακές κοινότητες ως τους καλύτερους πελάτες, ενισχύοντας την στρατηγική επικοινωνίας που η ομάδα μάρκετινγκ είχε χρησιμοποιήσει. Αυτό είναι κάτι που δεν πρέπει να είναι υπεύθυνο για την τεχνική ομάδα να γνωρίζει, ωστόσο πρέπει να είναι υπεύθυνο για το να κάνει τις σωστές ερωτήσεις.

Αυτό με οδηγεί στο δεύτερο βήμα, το οποίο είναι να ορίσετε οδηγίες για την αναζήτηση και στη συνέχεια για την αντιμετώπιση της προκατάληψης όταν έχει ανακαλυφθεί. Μόλις έχουν αναγνωριστεί πιθανές πηγές προκατάληψης, ο οργανισμός πρέπει να δημιουργήσει μια λίστα ελέγχου αυτών των πηγών για να αναζητήσει αυτά τα ζητήματα και να δημιουργήσει μια διαδρομή για κάποιον που βρίσκει ανησυχητικά δεδομένα ή μοτίβα να τα αντιμετωπίσει. Αυτό δεν μπορεί να γίνει σε κενό. Είναι η ευθύνη όλων των ομάδων να διασφαλίσουν ότι οι εφαρμογές δεν ενισχύουν τις προκαταλήψεις. Όπως στο παραπάνω παράδειγμα, η ομάδα δεδομένων δεν έχει ευθύνη για την στρατηγική επικοινωνίας. Μπορούν να βοηθήσουν να ανακαλύψουν τα ευρήματα και στη συνέχεια να εργαστούν με άλλες ομάδες στην οργάνωση για να τα αντιμετωπίσουν. Σε αυτή την περίπτωση, η ομάδα επικοινωνίας εργάστηκε με την ομάδα επιστημών δεδομένων για να δοκιμάσει άλλες στρατηγικές επικοινωνίας που θα εξυπηρετούσαν διαφορετικές δημογραφικές ομάδες.

Όταν οι προκαταλήψεις εμφανίζονται στα μοντέλα δεδομένων, μερικές φορές μπορεί να είναι στο πώς μια ομάδα δεδομένων καθορίζει την επιλογή χαρακτηριστικών, ποια δεδομένα περιλαμβάνονται ή εξαιρούνται από τις αποθήκες δεδομένων ή ακόμη και το μετρικό που προβλέπεται. Σε αυτές τις περιπτώσεις, είναι σημαντικό για την ομάδα δεδομένων να κατανοήσει ότι η ακρίβεια του μοντέλου δεν είναι πάντα ισοδύναμη με την ισότητα του μοντέλου. Μπορεί να είναι αλήθεια ότι η συμπερίληψη ορισμένων χαρακτηριστικών σε ένα μοντέλο δεδομένων αυξάνει την προβλεπτική ακρίβεια του μοντέλου, αλλά η πρόσθετη ακρίβεια του 0,5% μπορεί να έρθει με κοινωνικό ή επιχειρηματικό κόστος. Η καθορισμός της ισότητας δεν είναι μια εύκολη εργασία και απαιτεί τη συμμετοχή πολυμερών ομάδων. Μια μεθοδολογία που ονομάζεται “counterfactual ισότητα” λαμβάνει υπόψη ότι μια απόφαση είναι ισότητα προς ένα άτομο αν είναι η ίδια στον πραγματικό κόσμο και σε έναν κόσμο όπου το άτομο ανήκει σε μια διαφορετική δημογραφική ομάδα. Επιπλέον, η Microsoft (MSFT ) και η Google AI έχουν δημοσιεύσει πρότυπα με τα οποία να λογαριαστούν για την ισότητα στο AI. Προσωπικά, αναφέρω τις οδηγίες της ΕΕ για την ηθική στις τεχνολογίες AI, τις οποίες βρίσκω αρκετά περιεκτικές για την βιομηχανία μου. Μόλις καθοριστεί ένα πρότυπο ισότητας, η ομάδα δεδομένων μπορεί να καθορίσει αν η λύση είναι να επεξεργαστούν τα δεδομένα πριν, να τροποποιήσουν τις αποφάσεις του συστήματος μετά ή να ενσωματώσουν ορισμούς ισότητας στη διαδικασία εκπαίδευσης. Το ζήτημα της προκατάληψης στα δεδομένα είναι ένα σύνθετο ζήτημα που απαιτεί τακτική αξιολόγηση και τις φωνές ενός ευρέος φάσματος ανθρώπων. Δεν είναι απλά ένα τεχνικό ζήτημα που πρέπει να λυθεί.

Τι είναι η άποψή σας για τις κυβερνητικές νομοθεσίες AI και δεδομένων;

Νομίζω ότι υπάρχουν κινήσεις προς τη σωστή κατεύθυνση με τη δημιουργία ενός προτύπου διαδικασίας όταν πρόκειται για AI και ηθική δεδομένων. Η εκτελεστική διάταξη του Trump για την ηθική AI δημιουργεί ένα μητρώο μοντέλων που αναπτύσσονται εντός της κυβέρνησης, ορίζει ένα χρονοδιάγραμμα για τη δημιουργία οδηγιών πολιτικής, ενθαρρύνει τις υπηρεσίες να προσλάβουν τεχνολογικά εστιασμένες ομάδες και άτομα και ενθαρρύνει τη διαφάνεια στη χρήση AI σε όλη τη κυβέρνηση σε περιοχές που δεν αφορούν την έρευνα και ανάπτυξη ή την εθνική ασφάλεια, το οποίο νομίζω ότι είναι απίστευτα σημαντικό. Αυτό το είδος μακροπρόθεσμου σχεδίου είναι μια ενθαρρυντική εξέλιξη στην κυβέρνηση, η οποία ιστορικά ήταν αργή να προσαρμοστεί στην τεχνολογία. Ωστόσο, οι πολιτικές έχουν κάνει λίγα για να δημιουργήσουν μια κουλτούρα ηθικής, να δημιουργήσουν υποχρεωτικά ή συνοχή προγράμματα σε όλες τις υπηρεσίες ή ακόμη και να ορίσουν genau τι σημαίνει ηθική ή ισότητα σε αυτούς τους контекστους. Όταν η νέα διοίκηση έρχεται, θα τους επιβάλω ναсолιδώσουν αυτά τα σχέδια με ένα πιο δομημένο και συνοχή πρόγραμμα σε όλες τις υπηρεσίες, καθώς και μια διαδικασία αξιολόγησης που να λαμβάνει υπόψη την ανθρώπινη επίδραση, поскольку τόσο από το έργο που κάνει η κυβέρνηση μας επηρεάζει τις καθημερινές ζωές των ανθρώπων τόσο εντός όσο και εκτός της χώρας.

Υπάρχει κάτι άλλο που θα ήθελε να μοιραστεί σχετικά με τη δουλειά σας στο Fresh Eyes Digital;

Οι επιστήμες δεδομένων μπορούν να χρησιμοποιηθούν από μη κερδοσκοπικούς οργανισμούς για να αυξήσουν την επίδραση εκείνων που εργάζονται για να βελτιώσουν τον κόσμο μας με πολλούς τρόπους. Για αυτούς τους οργανισμούς, η συλλογή δεδομένων δεν είναι συνήθως το πρόβλημά τους. Έχουν πολλά δεδομένα για να εργαστούν. Η χρήση αυτών των δεδομένων με σαφείς και ενεργούς τρόπους είναι δύσκολη για αυτούς τους οργανισμούς, οι οποίοι συχνά είναι υπό πίεση πόρων και μπορεί να μην έχουν μια εσωτερική ομάδα αναλυτικών στην ευθύνη. Η δουλειά που κάνουμε στο τμήμα δεδομένων του Fresh Eyes Digital βοηθά αυτούς τους οργανισμούς να κατανοήσουν και να αναπτύξουν τα δεδομένα τους με τους σωστούς τρόπους, λαμβάνοντας πιο ενημερωμένες, στρατηγικές αποφάσεις. Είμαι ευτυχισμένος που έχω την ευκαιρία να εργαστώ με αυτούς τους οργανισμούς με τρόπο που βοηθά να κάνουν πιο αποτελεσματικές και αποτελεσματικές τις εργασίες τους, καθώς εργάζονται για να επηρεάσουν τον κόσμο μας με θετικούς τρόπους.

Ευχαριστώ για τις λεπτομερείς απαντήσεις και αναμένω να ακολουθήσω τις μελλοντικές σας επιχειρήσεις. Οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν τον ιστότοπο Ashley Bryant-Baker και/ή Fresh Eyes Digital,