Ashley Bryant-Baker, Fresh Eyes Digitalin Data- ja Analytiikkajohtaja – Haastattelusarja

Ashley Bryant-Baker on Fresh Eyes Digitalin Data- ja Analytiikkajohtaja, konsultointifirma joka on erikoistunut voittoatonaisten organisaatioiden menestykseen. Ennen Fresh Eyes Digitalia hän johti omaa konsultointifirmaansa B&B Data Solutionsia, jossa hän auttoi brändejä kehittämään ja hyödyntämään data-ratkaisuja. Hän on työskennellyt analytiikassa yli kymmenen vuoden ajan eri aloilla, kuten kulutustavaroiden, matkailun, logistiikan, terveydenhuollon ja voittoatonaisten organisaatioiden parissa.

Hän on tullut tunnetuksi puhujana aiheista kuten sukupuolten välinen ero AI:ssa, asiakassegmentointi AI:n avulla ja monimuotoisuus työpaikalla. Hän on ollut puhujana useissa tapahtumissa, kuten SXSW:ssa, Data Minds Connectissa ja Digital Summit DC:ssa. Ashley on opiskellut The American Graduate Schoolissa Pariisissa, Georgetownissa, LSU:ssa ja Fort Haysin yliopistossa. Hänellä on maisterin tutkinto kansainvälisestä taloudesta, todistus data-tieteestä, sekä bachelor-tutkinnot liiketaloudesta ja taiteesta.

Mikä aluksi kiinnosti sinua tietokoneisiin ja data-tieteeseen?

Yliopistossa opiskelin taidetta ja olin kiinnostunut työskentelemään videopelien parissa valmistumisen jälkeen pelisuunnittelijana. Suunnitelmani oli tehdä 3D-malleja ja suunnitella hahmoja ja esineitä, joita ihmiset voisivat vuorovaikuttaa pelissä. Työskentelin jopa videopelien laadunvalvontatestaajana EA Sportsilla yliopistossa. Koska tuolloin ei ollut tietokonegrafiikan pääainetta yliopistossani, päättelin opiskella tietokoneiden ohjelmointia sivuaineena taideopintojeni täydentämiseksi. Aluksi en pitänyt tietokoneen ohjelmointikursseista lainkaan. Muut opiskelijat ja jopa jotkut professorit suhtautuivat epäystävällisesti niihin, joilla ei ollut aiempaa kokemusta (kuten minulla). Päättelin kuitenkin suorittaa sivuaineeni, koska taideopiskelijana halusin suunnitella ja ohjelmoida toimivan videopelin. Käytin pythonia ja mayaa luodakseni 3D-shakkipelin, jossa oli animoituja nappuloita, jotka liikkuivat lautalla, ja yksinkertainen tekoäly, joka pystyi pelaamaan vastaan. Tuolloin en tiennyt mitään pythonista, ja oletin, etten koskaan käyttäisi sitä uudelleen.

Eteenpäin siirtymällä yhteen ensimmäisistä työpaikoistani yliopiston jälkeen. Työskentelin markkinointifirmassa juniorina projektinjohtajana. Työskentelin tiimissä, johon kuului taiteilijoita, markkinointiasiantuntijoita, tuotantosuunnittelijoita ja yksi analyytikko, joka hallitsi analytiikkaa noin 15 asiakkaalle. Hän pyysi minulta apua ajoittain tarkistamaan matematiikkaa tai luomaan yksinkertaisia raportteja. Kun hän joutui poissaolemaan useita viikkoja sairausloman vuoksi, hän pyysi esimiestäni ja minua ottamaan hänen vastuunsa. Kun hän palasi, pyysin siirtoa hänen osastolleen. Data työskentely oli minulle niin mielenkiintoista. Se oli varmasti odottamaton urani käänne, mutta en ole katunut sitä. Halusin jatkuvasti oppia enemmän, joten tein kursseja ja hain analytiikkaan liittyviä työpaikkoja, joissa voisin oppia muilta. Kaikki tuli täyteen, kun työskentelin pythonin parissa, vaikka aivan eri tavalla kuin aiemmin.

Kaiken kaikkiaan päädyin data-tieteeseen aivan sattumalta.

Olet tällä hetkellä Fresh Eyes Digitalin Data- ja Analytiikkajohtaja, yhtiö joka työskentelee voittoatonaisten organisaatioiden parissa. Voitko kertoa, mitä yhtiö tekee ja mitä sinä teet siellä?

Fresh Eyes on konsultointifirma, joka tarjoaa markkinointi- ja rahoitustukea voittoatonaisten organisaatioiden kehittämiseksi. Työskentelemme asiakkaiden kanssa ymmärtääksemme heidän lahjoittajiaan, rakentaaksemme digitaalisia kampanjoita voittoatonaisten tavoitteiden mukaisesti ja auttaaksemme voittoatonaisten organisaatioita ymmärtämään, miten heidän digitaalinen läsnäolonsa voidaan parantaa tavoitteiden saavuttamiseksi. Fresh Eyes palkkasi minut, koska he halusivat kehittää vahvemman data-analytiikkaohjelmaa. Aluksi työskentelin heidän kanssaan konsulttina, jossa auttin heitä suunnittelemalla digitaalista monimuuttujatestejä, ymmärtämällä tuloksia ja automatisoimalla analytiikka- ja dashboard-palveluita. Nyt työskentelen heidän kanssaan kehittääksemme voittoatonaisten organisaatioiden tarjoamaa palvelua. Jotkut projektit, joissa työskentelen, ovat ennustavaa analytiikkaa koskien kannattajien ja lahjoittajien muunnos- ja lahjoitusten määrää ajan myötä. Ymmärtämällä ulkoisten tekijöiden, kuten poliittisen ilmapiirin, taloudellisten muutosten ja uutiskierrosten, sekä sisäisten tekijöiden, kuten markkinointiviestintästrategioiden, voittoatonaisten organisaatioiden vaikutusraporttien ja jopa johtajan roolin siirtymisen vaikutusta organisaatioon ja miten nämä voivat vaikuttaa muunnostodennäköisyyteen. Paljon tätä tietoa ohjaa ennustevaa analytiikkaamme ja dashboardeja sekä luokittelumalleja ymmärtääksemme lahjoittajia ja sitoutumista paremmin.

Voittoatonaisten organisaatiot omaksuvat edistyksellisten tilastollisten menetelmien käytön ja ymmärtävät, että se auttaa heitä näkemään läpi tehtävänsä, kun he pystyvät ymmärtämään vaikutustaan ja keräämään varoja järjestelmällisemmällä tavalla.

Yksi ylpeykkösi on olla monimuotoisuuden puolustaja STEM:ssa, voitko kertoa joitakin näistä saavutuksista?

On niin monia loistavia organisaatioita, jotka työskentelevät monimuotoisuuden ja oikeudenmukaisuuden puolesta STEM:ssa: Black Girls Code, ByteBack Washington D.C:ssa, DataKind ja viimeksi minun sororityni Zeta Phi Beta Inc. sekä useat muut organisaatiot ovat yhteistyössä Googleen kanssa kouluttaakseen aliedustettuja ryhmiä tietokone- ja teknisissä koulutuksissa. Teen osani vapaaehtoistyöllä näiden organisaatioiden kanssa, toimimalla menttorina uusille aloittajille, puhumalla tapahtumissa (erityisesti teknologiaan liittyvissä tapahtumissa, joissa olen usein ainoa nainen tai vähemmistöryhmän edustaja) ja opettamalla työpajoissa kouluissa (erityisesti enemmistöllisissä vähemmistökouluissa, maaseutukouluissa ja vaihtoehtoisissa kouluissa). Olen myös työskennellyt useiden yritysten kanssa diversifioimaan harjoitteluoja ja aloittelijoiden koulutusohjelmia. Paljon tätä työtä tein tavallisesti. Kasvoin kodissa ja yhteisössä, jossa vapaaehtoistyö oli osa arkipäivää. Jatkan tätä yliopistosta lähtien Zeta Phi Beta Inc.:n kautta. Uskon, että kiinnittäydyn tähän alueeseen, koska en itse saanut oppia tietokoneista ja ohjelmoinnista ennen yliopistoa, ja kun pääsin yliopistoon, muistan tunteen, joka oli negatiivinen, kun opiskelin tietokoneen ohjelmointia. En halua, että kukaan, erityisesti joku, joka yrittää oppia ja parantaa itseään, kokee samaa.

Yritän osallistua näihin ohjelmiin säännöllisesti. Esimerkiksi 16. maaliskuuta isännöin hackathonin yhdessä upean data-tieteilijän ja hyvän ystävänieni Swathin kanssa yhteistyössä Girls in AI:n kanssa.

Olet myös työskennellyt laajentamaan teknologia-koulutusta maaseutu- ja matalatuloalueilla. Kuinka suuri ongelma tämä on?

Wow, ei ole tarpeeksi aikaa puhua siitä, kuinka suuri ongelma tämä on! Koronavirus teki selväksi, että yhteiskunnassamme on järjestelmällisiä epäkohtia. Valitettavasti yksi suurimmista niistä on koulutus. Minulla on hyvä ystävä, joka työskentelee vaihtoehtoisessa koulussa Washington D.C:n laitamilla. Oppilaat siellä ovat usein vanhempia, heidän on pidettävä työpaikkaa opiskelun ohella eivät aina ole varustettu välineillä etäopetukseen, kuten kannettavalla tietokoneella tai pöytätietokoneella. Nämä oppilaat olivat opettajalla, joka ajoi heidän asiaansa, työskennellen koulun kanssa saadakseen mobiilivaihtoehdon, jotta useimmat oppilaat pystyisivät käyttämään koulua puhelimillaan. Tämä ei kuitenkaan aina ole tapahtunut matalatuloisissa tai vaihtoehtoisissa kouluympäristöissä. Maaseudun tilanne on samoin vaikea sekä oppilaille että opettajille. Laajakaistaisen internetin hinta voi olla hyvin kallis maaseutualueilla, ja joissakin tapauksissa se ei ole saatavilla. Oppilaat istuvat McDonald’sin parkkipaikalla internetin vuoksi on vastenmielinen mutta valitettavasti välttämätön joidenkin alueiden tapausten mukaan. Tunnen opettajia maaseudun Pennsylvaniassa, jotka itse eivät pysty saamaan hyvää internetyhteyttä virtuaaliluokkiinsa.

Ulkoisten tekijöiden lisäksi on myös matalatuloisten ja maaseutualueiden koulujen alirahoitus, teknisesti koulutettujen opettajien puute, erityisesti maaseutualueilla, joissa on vaikea houkutella lahjakkaita henkilöitä, ja tietysti yleinen ennakkoluulo oppilaita kohtaan, jotka ovat värillisiä, maahanmuuttajia tai maaseudun asukkeja, jotka saattavat näyttää tai kuulosta erilaisilta kuin yleisesti hyväksytty “amerikkalainen” kulttuuri. Kaikki nämä tilanteet lisäävät STEM-koulutuksen puutetta ja siten oppilaiden, jotka eivät koskaan ole altistuneet näille aineille ja urille.

Kuinka suuri ongelma on sukupuolten ja rotujen välinen ero AI:ssa?

Se on asia, joka kaikkien yritysten ja organisaatioiden tulisi pohtia. Valitettavasti tämä on vaikea ongelma ratkaista, koska jos AI osoittaa ennakkoluuloa tietylle ryhmälle, se usein tarkoittaa, että kyseisellä alueella yrityksellä tai organisaatiolla on jo olemassa ennakkoluulo. AI perustuu menneisiin malleihin ennustamaan tulevaa käyttäytymistä ja vain vahvistaa tätä käyttäytymistä. On kuitenkin vaikea saada ihmiset tunnistamaan oman ennakkoluulonsa, meillä kaikilla on niitä, ja usein toimimme niiden mukaan tietämättömästi. On olemassa järjestelmiä, jotka voivat auttaa vähentämään näitä ennakkoluuloja ja pitää tiimejä vastuussa sekä teknisellä että liiketoimintapuolella.

Miten voidaan varmistaa, että nykyisen AI-sovellukset eivät vahvista ihmisten ennakkoluuloja?

On joitakin toimia, joita organisaatiot voivat tehdä luodakseen data-tieteen ja AI:n käytännön standardin, jotta voidaan vähentää ennakkoluuloja. En voi painottaa tarpeeksi, että tämä on yhteistyöprosessi teknisten ja liiketoimintatiimien välillä. Asiayhteyden merkitys, joka ei aina ole näkyvissä teknisille tiimeille, on olennainen.

Se alkaa ennakkoluulojen potentiaalisten lähteiden tunnistamisesta. Se voi tapahtua datakeräilyprosessissa, mallin rakentamisessa tai se voi tapahtua kokonaan datan ulkopuolella liiketoimintakäytännöissä. Esimerkiksi minulle kysyttiin johtajalta, oliko heidän ydinyleisönsä todella vanhempien, varakkaampien miesten, jotka usein asuivat maaseutu- tai esikaupunkialueilla. Tarkastelin dataa ja totesin, että heidän dataputkessaan oli ylipainotettu edustus tällaisista ihmisistä. Huomasin myös, että suurin osa heidän asiakkaistaan tuli samojen median lähteiden kautta, konservatiivisista radiokanavista. Opetin markkinointitiimiltä, että yritys oli saanut matalan tai ilmaisen markkinoinnin näiltä alustoilta lanseerauksensa aikana, ja suurin osa heidän asiakkaistaan heijasti tätä. Ennakkoluulo ei ollut datassa, vaan viestintästrategiassa. Tuloksena data-tiimin luoma elinikäisen arvon malli piti vanhempia, varakkaampia miehiä maaseutu- ja esikaupunkialueilla parhaana asiakkaana, vahvistaen viestintästrategiaa, jonka markkinointitiimi oli toteuttanut. Tämä on jotain, mitä tekninen tiimi ei pitäisi tietää, mutta heidän pitäisi olla vastuussa kysymyksen asettamisesta.

Tämä johtaa minua toiseen vaiheeseen, jossa on ohjeet ennakkoluulojen etsimiseksi ja niiden käsittelyksi, kun ne on havaittu. Kun olet tunnistanut ennakkoluulojen potentiaaliset lähteet, organisaation tulisi luoda checklist lähteistä etsimään näitä ongelmia ja luoda polku jollekin, joka löytää huolestuttavia tietoja tai malleja, jotta he voivat osoittaa ne. Tätä ei voida tehdä eristyneisyydessä. On kaikkien tiimien vastuulla varmistaa, että sovellukset eivät vahvista ennakkoluuloja. Kuten edellä mainitussa esimerkissä, data-tiimi ei ole vastuussa viestintästrategiasta. He voivat auttaa havaitsemaan tulokset ja sitten työskennellä muiden tiimien kanssa organisaatiossa osoittamaan ne. Tässä tapauksessa viestintätiimi työskenteli data-tieteen tiimin kanssa testaamaan muita viestintästrategioita, jotka palvelivat eri demograafisia ryhmiä.

Kun ennakkoluulot ilmenevät data-malleissa, se voi johtua siitä, miten data-tiimi määrittää ominaisuuksien valinnan, mitä dataa sisällytetään tai poistetaan data-varastosta tai jopa mitä metriikkaa ennustetaan. Näissä tapauksissa on tärkeää, että data-tiimi ymmärtää, että mallin tarkinnot eivät aina ole sama kuin mallin reiluus. On totta, että tietyt ominaisuudet data-mallissa voivat lisätä mallin ennustettavuutta, mutta lisäinen 0,5 prosentin tarkinnot voi tulla yhteiskunnallisena tai liiketoimintakustannuksena. Määrittäminen, mitä reiluus tarkoittaa, ei ole helppoa tehtävää, ja se vaatii monipuolisia tiimejä. Yksi metodologia, joka kutsutaan “vastakkaisen reiluuden” nimellä, ottaa huomioon, että päätös on reilu yksilölle, jos se on sama sekä todellisessa maailmassa että vastakkaisessa maailmassa, jossa yksilö kuuluu eri demograafiseen ryhmään. Lisäksi Microsoft (MSFT ) ja Google (GOOGL ) AI ovat julkaisseet standardeja, joilla voidaan ottaa huomioon reiluus AI:ssa. Itse viittaan EU:n eettisiin ohjeisiin tekoälyssä, jotka pidän melko kattavina alallani. Kun reiluuden standardi on määritelty, data-tiimi voi päättää, onko ratkaisu datan esikäsittely, järjestelmän päätösten muuttaminen myöhemmin tai reiluuden määrittelyjen sisällyttäminen itse koulutusprosessiin. AI:n ennakkoluulon ongelma on monimutkainen, joka vaatii säännöllistä arviointia ja laajan joukon ääniä. Se ei ole pelkästään tekninen ongelma, jota voidaan ratkaista.

Mitkä ovat näkymät hallituksen määräämien AI- ja data-etiikkaohjeiden suhteen?

Luulen, että on tehty askelia oikeaan suuntaan luomalla menettelytapaa, kun on kyse AI:sta ja data-etiikasta. Trumpin AI-etiikan toimeenpano luo rekisterin hallituksen käyttämistä malleista, asettaa aikataulun luodakseen ohjeistuksia, rohkaisee virastoja palkkaamaan teknologiaan keskittyneitä tiimejä ja yksilöitä ja rohkaisee avoimuutta AI:n käytössä hallituksessa alueilla, jotka eivät liity tutkimukseen ja kehitykseen tai kansalliseen turvallisuuteen, mikä on minusta erittäin tärkeää. Tämä laaja suunnitelma on jännittävä kehitys hallituksessa, joka on historiallisesti ollut hitaasti sopeutumassa teknologiaan. Kuitenkin nämä ohjeet eivät ole tehneet paljonkaan luodakseen eettisen kulttuurin, luodakseen pakollisia tai yhtenäisiä suunnitelmia virastojen välillä tai määritteleeksi tarkalleen, mitä etiikka tai reiluus tarkoittaa näissä yhteyksissä. Uuden hallinnon tultua toivon, että he vakiinnuttavat nämä suunnitelmat strukturoidumman ja yhtenäisemmän suunnitelman kaikille virastoille sekä arviointimenettelyllä, joka huomioi huolellisesti ihmisen vaikutusta, koska paljon siitä, mitä hallitus tekee, vaikuttaa ihmisten päivittäiseen elämään sekä kotimaassa että ulkomailla.

Onko mitään muuta, mitä haluaisit jakaa Fresh Eyes Digitalin työstä?

Data-tiede voidaan käyttää voittoatonaisten organisaatioiden vaikuttavuuden lisäämiseksi, jotka työskentelevät parantamaan maailmaa monin tavoin. Nämä organisaatiot eivät yleensä koeta ongelmia datan keräämisessä. Heillä on paljon dataa, jota voidaan käyttää. Käyttääkseen tätä dataa selkeässä ja toimivassa muodossa on vaikeaa näille organisaatioille, jotka usein ovat resursseja niukassa ja joilla ei välttämättä ole sisäistä analytiikkatiimiä. Fresh Eyes Digitalin dataosastolla tehtävät työt auttavat näitä organisaatioita ymmärtämään ja käyttämään dataa oikein, jotta he voivat tehdä parempia, strategisia päätöksiä. Olen iloinen voidessani työskennellä näiden organisaatioiden kanssa tavalla, joka auttaa heitä toimimaan tehokkaammin ja vaikuttavammin positiivisella tavalla maailmaamme.

Kiitos yksityiskohtaisista vastauksista ja odotan innostuneena tulevia hankkeita. Lukijat, jotka haluavat oppia lisää, voivat vierailla Ashley Bryant-Bakerin verkkosivuilla ja/tai Fresh Eyes Digital:lla.