Ashley Bryant-Baker, Directora de Datos y Análisis en Fresh Eyes Digital – Serie de Entrevistas

Ashley Bryant-Baker es Directora de Datos y Análisis en Fresh Eyes Digital, una firma de consultoría enfocada en el éxito de las organizaciones sin fines de lucro. Antes de unirse a Fresh Eyes Digital, dirigió su propia firma de consultoría, B&B Data Solutions, donde ayudó a las marcas a crear y aprovechar soluciones de datos. Ha trabajado en análisis durante más de una década en industrias que van desde productos de consumo, viajes, logística, atención médica y organizaciones sin fines de lucro.

Ella se ha convertido en una conferencista solicitada sobre temas como el sesgo de género en la IA, la segmentación de clientes utilizando la IA y la diversidad en el lugar de trabajo. Ha sido invitada a hablar en varios eventos, incluyendo SXSW, Data Minds Connect y Digital Summit DC. Ashley asistió a la Escuela de Graduados Americana en París, Georgetown, LSU y la Universidad de Fort Hays. Tiene una maestría en Economía Internacional, un certificado en Ciencia de Datos, una licenciatura en Negocios y una licenciatura en Artes.

¿Qué te atrajo inicialmente a la informática y la ciencia de datos?

En la universidad estudié arte y estaba interesada en trabajar para una empresa de videojuegos cuando me gradué como diseñadora de juegos. Mi plan era hacer modelos de computadora en 3D y diseñar personajes y objetos con los que la gente interactuaría en el juego. Incluso trabajé como probadora de calidad de videojuegos para EA Sports en la universidad. Como en ese momento no había una concentración en arte computacional en mi universidad, decidí hacer una especialización en ciencias de la computadora para complementar mi título en arte. Al principio no me gustaban las clases de ciencias de la computadora en absoluto. Había una hostilidad hacia las personas que no tenían experiencia (como yo) por parte de otros estudiantes y algunos profesores. Me mantuve en la especialización porque mi objetivo para mi proyecto de arte final era diseñar y programar un juego de videojuegos que funcionara. Utilicé python y maya para construir un juego de ajedrez en 3D con piezas animadas que caminaban por el tablero y un AI muy simple que podía jugar contra ti. En ese momento no sabía nada sobre python y asumí que nunca lo volvería a usar.

Avanzando hacia uno de mis primeros trabajos después de la universidad. Estaba trabajando en una firma de marketing como gerente de proyectos junior. Trabajé con un equipo de artistas, especialistas en marketing, especialistas en producción y un analista en todo el edificio que estaba gestionando análisis para alrededor de 15 clientes por su cuenta. Ella me pedía ayuda periódicamente para verificar su matemática o crear informes simples. Cuando tuvo que tomar una licencia médica por varias semanas, me pidió a mi supervisor y a mí si podía hacerse cargo de su trabajo mientras ella estaba ausente. Cuando regresó, le pedí que me transfiriera a su departamento. Trabajar con los datos fue tan interesante para mí. Fue definitivamente un giro inesperado en mi carrera, pero no he mirado hacia atrás desde entonces. Seguí queriendo aprender más, así que tomé cursos y solicité trabajos de análisis donde podía aprender de otros. Luego, todo se unió y estaba trabajando con python de nuevo, aunque de una manera completamente diferente a la anterior.

Todo esto para decir que entré en la ciencia de datos puramente por accidente.

Actualmente eres Directora de Datos y Análisis en Fresh Eyes Digital, una empresa que trabaja con organizaciones sin fines de lucro. ¿Podrías compartir qué hace la empresa y el trabajo que realizas allí?

Fresh Eyes es una firma de consultoría que brinda apoyo de marketing y recaudación de fondos a organizaciones sin fines de lucro. Trabajamos con los clientes para comprender a sus donantes, construir campañas digitales alrededor de los objetivos de las organizaciones sin fines de lucro y ayudar a las organizaciones sin fines de lucro a comprender cómo su presencia digital puede ser elevada para cumplir con esos objetivos. Fresh Eyes me contrató porque querían construir una oferta de datos más robusta. Inicialmente trabajé con ellos como consultora, donde les ayudé a diseñar pruebas de variación multivariable digitales, a entender los resultados y a automatizar los servicios de análisis y paneles de control. Ahora estoy trabajando con ellos para desarrollar una suite de ofertas para organizaciones sin fines de lucro. Algunos de los proyectos en los que estoy trabajando incluyen análisis predictivos sobre las tasas de conversión y donación de los constituyentes y donantes con el tiempo. Entender los efectos de los factores externos, como el clima político, los cambios económicos y los ciclos de noticias, así como los factores internos, como las estrategias de mensajería de marketing, los informes de impacto de las organizaciones sin fines de lucro y incluso el movimiento de roles de liderazgo dentro de una organización y cómo todos estos pueden afectar la propensión a convertirse. Mucha de esta información informa nuestros análisis de previsión y paneles de control y modelos de clasificación para comprender mejor a los donantes y la participación.

Las organizaciones sin fines de lucro están adoptando el uso de métodos estadísticos avanzados y se dan cuenta de que esto ayuda a su capacidad para ver su misión a través de cuando pueden comprender mejor su impacto y recaudar dinero de una manera más estructurada.

Una de tus logros más destacados es ser defensora de la diversidad en STEM, ¿podrías compartir algunos de estos logros?

Hay muchas organizaciones excelentes que trabajan hacia la diversidad y la equidad en STEM: Black Girls Code, ByteBack en DC, DataKind y, más recientemente, mi hermandad Zeta Phi Beta Inc. junto con varias otras organizaciones han colaborado con Google (GOOGL ) para capacitar a grupos subrepresentados en capacitación técnica y computacional. Hago mi parte voluntariando con estas organizaciones, siendo mentora de personas que ingresan por primera vez en el campo, hablando en eventos (particularmente eventos de tecnología, donde a veces soy la única mujer o persona de color) y enseñando en talleres en escuelas (especialmente escuelas mayoritariamente minoritarias, escuelas rurales y escuelas alternativas). Además, he trabajado con varias empresas para diversificar sus programas de pasantías y programas de graduados de nivel de entrada. Mucho de este trabajo lo hice por hábito. Crecí en un hogar y una comunidad donde el voluntariado era parte de la vida cotidiana. He continuado con esto a través de la universidad y más allá con Zeta Phi Beta Inc. Sin embargo, creo que me incliné hacia esta área porque no tuve la oportunidad de aprender sobre computadoras y codificación hasta la universidad y, cuando llegué a la universidad, recuerdo la sensación de negatividad que sentí al perseguir mi especialización en ciencias de la computadora. No quiero que nadie, especialmente alguien que está tratando de aprender y mejorarse, experimente eso. No creo que me diera cuenta del impacto que estaba teniendo hasta que hablé con un grupo de estudiantes en un evento de reclutamiento y una joven negra y su madre se acercaron a mí y me dijeron que era la primera mujer técnica negra que habían visto en cualquier conferencia o evento de reclutamiento. Fue entonces cuando supe que tenía que hacer de esto parte de mi rutina regular.

Trato de participar en este tipo de programas regularmente. De hecho, el 16 de marzo estaré coorganizando un hackathon con una increíble científica de datos y amiga mía, Swathi, en conjunto con Girls in AI.

¿También has trabajado en la expansión de la educación en tecnología en áreas rurales y/o de bajos ingresos? ¿Cuán significativo es este problema?

¡Guau! No hay suficiente tiempo para hablar sobre lo grande que es este problema. El coronavirus hizo que quedara claro que hay desigualdades sistémicas en nuestra sociedad. Desafortunadamente, una de las más grandes es la educación. Tengo una amiga que trabaja en una escuela alternativa en las afueras de DC. Los estudiantes allí a menudo son mayores, tienen que mantener trabajos además de asistir a la escuela secundaria, no siempre tienen las herramientas en casa para hacer el aprendizaje a distancia como una computadora portátil o de escritorio. Estos estudiantes tenían un maestro que abogaba por ellos, trabajando con la escuela para obtener una opción móvil para que la mayoría de los estudiantes pudieran acceder a la escuela en sus teléfonos celulares. Sin embargo, esto no siempre es el caso en entornos de escuelas de bajos ingresos o alternativas. La situación rural es similarmente difícil para los estudiantes y los maestros. El acceso a Internet de alta velocidad puede ser muy costoso en áreas rurales y, en algunos casos, no está disponible. Los estudiantes sentados en estacionamientos de McDonald’s para acceder a Internet es inaceptable, pero una necesidad desafortunada en algunas de estas áreas. Conozco a maestros en áreas rurales de Pensilvania que no pueden obtener un buen acceso a Internet para conectarse a sus aulas virtuales.

Fuera del coronavirus, hay el problema de la falta de financiamiento en escuelas rurales y de bajos ingresos, la falta de maestros técnicamente capacitados, particularmente en áreas rurales donde atraer talento puede ser difícil, y, por supuesto, el sesgo generalizado contra los estudiantes de color, los estudiantes inmigrantes y incluso los estudiantes rurales que pueden parecer o sonar diferentes de la cultura “estadounidense” más ampliamente aceptada. Todos estos escenarios contribuyen a la falta de acceso a la educación en STEM y, por lo tanto, los estudiantes que nunca se exponen a estas materias y carreras.

¿Cuán grande es el problema del sesgo de género y racial en la IA?

Es algo que todas las empresas y organizaciones deberían considerar. Desafortunadamente, esto es algo difícil de resolver porque si la IA muestra sesgo hacia o contra un grupo en particular, a menudo significa que en ese área particular, la empresa u organización ya tenía un patrón de sesgo para empezar. La IA se basa en patrones pasados para predecir el comportamiento futuro y simplemente amplifica este comportamiento. Sin embargo, es difícil hacer que los humanos reconozcan sus propios sesgos, todos los tenemos y a menudo actuamos en ellos de manera inconsciente. Necesitan haber sistemas en lugar para ayudar a mitigar estos sesgos y mantener a los equipos responsables tanto en el lado técnico como en el empresarial.

¿Cómo podemos asegurarnos de que las aplicaciones de IA de hoy no amplifiquen los sesgos que los humanos tienen?

Hay algunos pasos que las organizaciones pueden tomar para crear un estándar de práctica en ciencia de datos y IA para ayudar a mitigar el sesgo. No puedo enfatizar lo suficiente cómo esto tiene que ser un proceso colaborativo entre los grupos técnicos y los grupos empresariales. La importancia del contexto que no siempre es visible para los equipos técnicos es fundamental.

Comienza con el reconocimiento y la identificación de posibles fuentes de sesgo. Puede ocurrir en el proceso de recolección de datos, la selección de características para la construcción de modelos o puede ocurrir completamente fuera de los datos en las prácticas comerciales. Por ejemplo, una vez se me pidió por un líder de una empresa si su audiencia principal era realmente hombres mayores, ricos que más a menudo vivían en vecindarios rurales o suburbanos. Miré los datos y me di cuenta de que su canal de datos tenía una sobrerepresentación de este grupo. Pero también noté que la mayoría de sus clientes provenían de las mismas fuentes de medios, la radio de conversación conservadora. Aprendí de un miembro del equipo de marketing que la empresa recibió marketing de bajo costo o gratuito en estas plataformas al principio de su lanzamiento y la mayoría de sus clientes reflejaban esto. El sesgo no estaba en los datos, sino en la falta de diversificación en la estrategia de comunicación. Sin embargo, como resultado, el modelo de puntuación de valor de vida que el equipo de datos creó puntuó a los hombres mayores, ricos de las comunidades suburbanas y rurales como los clientes con mejor desempeño, magnificando la estrategia de comunicación que el equipo de marketing empleó. Esto es algo que ningún equipo técnico debería ser responsable de saber, sin embargo, deberían ser responsables de hacer las preguntas correctas.

Esto me lleva al segundo paso, que es establecer pautas para buscar y luego tratar con el sesgo una vez que se ha descubierto. Una vez que se han identificado las posibles fuentes de sesgo, la organización debería crear una lista de verificación de estas fuentes para buscar estos problemas y crear una vía para que alguien que encuentre datos o patrones preocupantes los aborde. Esto no se puede hacer en un vacío. Es la responsabilidad de todos los equipos garantizar que las aplicaciones no amplifiquen los sesgos. Como en el ejemplo anterior, el equipo de datos no tiene responsabilidad sobre la estrategia de comunicación. Pueden ayudar a identificar los hallazgos y luego trabajar con otros equipos en la organización para abordarlos. En este caso, el equipo de comunicaciones trabajó con el equipo de ciencia de datos para probar estrategias de comunicación que sirvieran a diferentes grupos demográficos.

Cuando los sesgos aparecen en los modelos de datos, a veces puede ser en la forma en que un equipo de datos determina la selección de características, qué datos se incluyen o excluyen en los almacenes de datos o incluso la métrica que se predice. En estos casos, es importante que el equipo de datos comprenda que la precisión del modelo no es siempre equivalente a la equidad del modelo. Puede ser cierto que incluir ciertas características en un modelo de datos aumente la precisión predictiva del modelo, pero el 0,5% adicional de precisión puede tener un costo social o empresarial. Determinar qué significa la equidad no es una tarea fácil y requiere la participación de equipos multifacéticos. Una metodología llamada “equidad contrafáctica” considera que una decisión es justa hacia un individuo si es la misma en el mundo real y en un mundo contrafáctico donde el individuo pertenece a un grupo demográfico diferente. Además, Microsoft (MSFT ) y Google AI han publicado estándares para tener en cuenta la equidad en la IA. Personalmente, me refiero a las pautas de la UE sobre ética en la inteligencia artificial, que encuentro bastante completas para mi industria. Una vez que se ha establecido un estándar de equidad, el equipo de datos puede determinar si la solución es procesar los datos antes, alterar las decisiones del sistema después o incorporar definiciones de equidad en el proceso de entrenamiento en sí. La cuestión del sesgo en los datos es compleja y requiere una evaluación regular y las voces de una amplia gama de personas. No es simplemente un problema técnico que se resuelva.

¿Cuáles son tus puntos de vista sobre las políticas de ética de datos y IA promulgadas por el gobierno?

Creo que ha habido movimientos en la dirección correcta al crear un estándar de procedimiento cuando se trata de ética de IA y datos. La orden ejecutiva de Trump sobre la ética de la IA crea un registro de modelos desplegados dentro del gobierno, establece un cronograma para crear orientación de políticas, alienta a las agencias a contratar equipos y personas con enfoque en tecnología y alienta la transparencia en el uso de la IA en todo el gobierno en áreas que no involucran I+D o seguridad nacional, lo que creo que es enormemente importante. Este tipo de planificación de gran alcance es un desarrollo emocionante en el gobierno, que históricamente ha sido lento para adaptar la tecnología. Sin embargo, las políticas han hecho poco para crear una cultura de ética, crear planes compulsivos o coherentes en todas las agencias o incluso definir exactamente qué significa ética o equidad en estos contextos. A medida que llega la nueva administración, les impresionaría solidificar estos planes con un plan más estructurado y coherente en todas las agencias, así como un procedimiento de evaluación que considere cuidadosamente el impacto humano, ya que gran parte del trabajo que hace nuestro gobierno afecta la vida diaria de las personas tanto dentro como fuera del país.

¿Hay algo más que te gustaría compartir sobre tu trabajo con Fresh Eyes Digital?

La ciencia de datos puede ser utilizada por las organizaciones sin fines de lucro para aumentar el impacto de quienes trabajan para mejorar nuestro mundo de muchas maneras. Para estas organizaciones, recopilar datos no es típicamente su problema. Tienen muchos datos con los que trabajar. Utilizar estos datos de manera clara y accionable es difícil para estas organizaciones que a menudo están limitadas por los recursos y pueden no tener un equipo de análisis interno listo. El trabajo que realizamos en el departamento de datos en Fresh Eyes Digital ayuda a esas organizaciones a comprender y desplegar sus datos de la manera correcta, tomando decisiones más informadas y estratégicas. Me alegra tener la oportunidad de trabajar con esas organizaciones de una manera que les ayude a ser más eficientes y efectivas a medida que trabajan para impactar nuestro mundo de maneras positivas.

Gracias por las respuestas detalladas y espero seguir tus futuras aventuras. Los lectores que deseen aprender más pueden visitar el sitio web de Ashley Bryant-Baker y/o Fresh Eyes Digital,