Ashley Bryant-Baker, Data- ja analytiikan johtaja Fresh Eyes Digitalissa – Haastattelusarja

Ashley Bryant-Baker on Data- ja analytiikan johtaja Fresh Eyes Digitalissa, joka on konsultointifirma, joka keskittyy voittoa tavoittelemattomien 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 vuosikymmenen ajan eri aloilla, kuten kulutustavaroiden, matkailun, logistiikan, terveydenhuollon ja voittoa tavoittelemattomien organisaatioiden parissa.

Hän on tullut tunnetuksi puhujana aiheista, kuten sukupuolten välinen bias AI:ssa, asiakassegmentointi AI:n avulla ja monimuotoisuus työpaikalla. Hän on vastikään puhunut useissa tapahtumissa, mukaan lukien SXSW, Data Minds Connect ja Digital Summit DC. Ashley on opiskellut The American Graduate School in Parisissa, Georgetownissa, LSU:ssa ja Fort Hays Universityssa. Hänellä on maisterin tutkinto kansainvälisestä taloustieteestä, todistus data-tieteestä, kaupan kandidaatin tutkinto ja taiteen kandidaatin tutkinto.

Mikä alun perin veti sinut tietokoneen tieteen ja data-tieteen pariin?

Yliopistossa opiskelin taidetta ja olin kiinnostunut työskentelemästä videopeliyhtiössä valmistumisen jälkeen pelisuunnittelijana. Suunnitelmani oli tehdä 3D-tietokoneella mallinnettuja malleja ja suunnitella hahmoja ja objekteja, joita ihmiset voisivat vuorovaikuttaa pelissä. Työskentelin jopa videopelin laadunvalvontatestaajana EA Sportsilla yliopistossa. Koska silloin ei ollut tietokoneiden taidetta yliopistossa, päättelin opiskella tietokoneen tieteen sivuaineena taide-tutkinnon täydentämiseksi. Aluksi en pitänyt tietokoneen tieteen kursseista lainkaan. Oli lähes vihamielinen suhtautuminen kokemattomiin opiskelijoihin (kuten minä) sekä joidenkin professorien taholta. Jatkoin sivuaineeni, koska tavoitteeni taiteen lopputyöksi oli suunnitella ja ohjelmoida toimiva videopeli. Käytin pythonia ja mayaa rakentamaan 3D-shakkipeliä, jossa oli animoituja nappuloita, jotka kävelivät lautalla, ja yksinkertainen tekoäly, joka voisi pelata vastaan. Silloin en tiennyt mitään pythonista ja oletin, etten koskaan käyttäisi sitä uudelleen.

Eteenpäin siirtymällä yhteen ensimmäisistä työpaikoistani yliopiston jälkeen. Työskentelin markkinointifirmassa juniorina projektipäällikkönä. Työskentelin tiimissä, jossa oli taiteilijoita, markkinointiasiantuntijoita, tuotantosuunnittelijoita ja yksi analyytikko koko rakennuksessa, joka hallitsi analytiikkaa noin 15:lle asiakkaalle yksin. Hän pyysi minulta apua ajoittain tarkistamaan matematiikkaa tai luomaan yksinkertaisia raportteja. Kun hänellä oli oltava sairausloma useita viikkoja, hän pyysi esimiestäni ja minua ottamaan hänen paikkansa. Kun hän palasi, pyysin siirtoa hänen osastolleen. Töissä käyminen datan parissa oli minulle niin mielenkiintoista. Se oli odottamaton käänne urallani, mutta en ole katunut sitä. Halusin jatkaa oppimista, joten otin kursseja ja hain analytiikkatyöpaikkoja, joissa voisin oppia muiden kanssa. Kaikki tuli täyteen, kun työskentelin pythonin parissa, vaikka aivan eri tavalla kuin aikaisemmin.

Kaiken kaikkiaan päädyin data-tieteeseen aivan sattumalta.

Olet tällä hetkellä Data- ja analytiikan johtaja Fresh Eyes Digitalissa, joka on yhtiö, joka työskentelee voittoa tavoittelemattomien organisaatioiden parissa. Voitko kertoa, mitä yhtiö tekee ja mitä sinä teet siellä?

Fresh Eyes on konsultointifirma, joka tarjoaa markkinointi- ja keräyspalveluita voittoa tavoittelemattomille organisaatioille. Työskentelemme asiakkaiden kanssa ymmärtääksemme heidän lahjoittajiaan, rakentaaksemme digitaalisia kampanjoita voittoa tavoittelemattomien tavoitteiden ympärille ja auttaaksemme voittoa tavoittelemattomia organisaatioita ymmärtämään, miten heidän digitaalinen läsnäolonsa voidaan korostaa tavoitteiden saavuttamiseksi. Fresh Eyes palkkasi minut, koska he halusivat kehittää vahvemman data-analytiikkaohjelmansa. Aluksi työskentelin heidän kanssaan konsulttina, jossa auttin heitä suunnittelemaan digitaalista monimuuttujaisia testejä, ymmärtämään tuloksia ja automatisoimaan analytiikka- ja dashboard-palveluita. Nyt työskentelen heidän kanssaan data-analytiikkaohjelmansa kehittämiseksi voittoa tavoittelemattomille. Jotkut projektit, joissa työskentelen, ovat ennusteanalyysi lahjoittajien ja asiakkaiden muuttumis- ja lahjoitusmäärien ympärillä. Ymmärtäminen ulkoisten tekijöiden, kuten poliittisen ilmapiirin, taloudellisten muutosten ja uutiskierrosten, sekä sisäisten tekijöiden, kuten markkinointiviestintästrategioiden, voittoa tavoittelemattomien vaikutusraporttien ja jopa johtajan roolin siirtymisen organisaatiossa ja miten nämä kaikki voivat vaikuttaa muuntumisennustaan. Paljon tätä tietoa kertoo ennusteanalytiikka- ja dashboard-malleistamme ja luokittelumalleistamme lahjoittajien ja sitoutumisen ymmärtämiseksi.

Voittoa tavoittelemattomat organisaatiot omaksuvat edistyneiden tilastollisten menetelmien käytön ja ymmärtävät, että se auttaa heidän kykyään nähdä läpi tehtävänsä, kun he pystyvät ymmärtämään vaikutustaan ja keräämään varoja järjestelmällisemmällä tavalla.

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

On niin monta loistavaa organisaatiota, jotka työskentelevät monimuotoisuuden ja oikeudenmukaisuuden puolesta STEM:ssa: Black Girls Code, ByteBack Washington D.C.:ssä, DataKind ja viimeksi minun sororityni Zeta Phi Beta Inc. sekä useat muut organisaatiot ovat yhteistyössä Googlen kanssa kouluttaakseen aliedustettuja ryhmiä tietokone- ja teknisissä koulutuksissa. Teen osani vapaaehtoistyöllä näiden organisaatioiden kanssa, toimimalla mentorina uusille aloittajille, puhumalla tapahtumissa (erityisesti teknologia-tapahtumissa, joissa olen usein ainoa nainen tai värillinen) ja opettamalla työpajoissa kouluissa (erityisesti enemmistöllisissä vähemmistökouluissa, maaseutukouluissa ja vaihtoehtoisissa kouluissa). Olen myös työskennellyt useiden yritysten kanssa monipuolistamaan heidän harjoitteluojaansa ja aloittelijoiden koulutusohjelmiaan. Suurin osa tästä työstä tein tavallisesti. Kasvoin kodissa ja yhteisössä, jossa vapaaehtoistyö oli osa arkipäivää. Olen jatkanut sitä yliopistossa ja sen jälkeen Zeta Phi Beta Inc.:n kanssa. Uskon kuitenkin, että olen kiinnostunut tästä alasta, koska en saanut mahdollisuutta oppia tietokoneista ja ohjelmoinnista ennen yliopistoa, ja kun pääsin yliopistoon, muistan tunteen negatiivisuutta, jota kokein tietokoneen tieteen sivuaineen opiskellessani. En halua, että kukaan, erityisesti joku, joka yrittää oppia ja parantaa itseään, kokee sitä. En usko, että ymmärsin vaikutusta, jonka tein, kunnes puhuin ryhmälle opiskelijoita rekrytointitapahtumassa ja nuori musta tyttö ja hänen äitinsä tulivat minulle ja sanoivat, että olin ensimmäinen tekninen musta nainen, jonka he olivat koskaan nähneet konferenssissa tai rekrytointitapahtumassa. Silloin tiesin, että minun on osallistuttava tällaisiin ohjelmiin säännöllisesti.

Yritän osallistua näihin ohjelmiin säännöllisesti. Itse asiassa 16. maaliskuuta olen yhdessä upean data-tieteilijän ja hyvän ystävän Swathin kanssa järjestämässä hackathonia Girls in AI:n kanssa.

Olet myös työskennellyt laajentamassa teknologia-koulutusta maaseutu- ja/tai alhaisissa tulotasoisissa naapurustoissa. Kuinka suuri ongelma tämä on?

Hämmästyttävästi. Ei ole tarpeeksi aikaa puhua siitä, kuinka suuri ongelma tämä on! Koronavirus teki selväksi, että on järjestelmällisiä epäkohtia yhteiskunnassamme. 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 pitänyt pitää yllä työpaikkoja opiskelun ohella, heillä ei aina ole välineitä kotona etäopetukseen, kuten kannettava tietokone tai tietokone. Nämä oppilaat olivat opettajalla, joka puolusti heitä, työskennellen koulun kanssa saadakseen mobiilivaihtoehdon, jotta useimmat oppilaat voisivat päästä kouluun heidän puhelimillaan. Tämä ei kuitenkaan aina ole tapahtunut alhaisissa tulotasoisissa tai vaihtoehtoisissa kouluympäristöissä. Maaseututilanne on vastaava oppilaiden ja opettajien kannalta. Laajakaistayhteys voi olla hyvin kallista maaseutualueilla ja joissakin tapauksissa se ei ole saatavilla. Oppilaat istuvat McDonald’sin parkkipaikoissa internetin vuoksi on vastenmielinen mutta valitettavasti välttämätön monissa näistä alueista. Tunnen opettajia maaseudun Pennsylvaniassa, jotka itse eivät voi saada hyvää internet-yhteyttä yhdistääkseen virtuaaliluokkiinsa.

Koronaviruksen ulkopuolella on ongelma alhaisissa tulotasoisissa ja maaseutukouluissa, jossa on puute teknisesti koulutetuista opettajista, erityisesti maaseutualueilla, joissa on haasteita houkutella kykyjä. Tämä lisää kaikki nämä skenaariot pääsyä STEM-koulutukseen, ja siten oppilaat, jotka eivät koskaan ole altistuneet näille aineille ja urille.

Kuinka suuri ongelma sukupuolten ja rotuisten ennakkoluulojen ongelma AI:ssa?

Se on asia, josta kaikkien yritysten ja organisaatioiden on mietittävä. Valitettavasti tämä on vaikea ratkaista, koska jos AI osoittaa ennakkoluuloja tietyille ryhmille, se tarkoittaa usein, että kyseisessä alueessa yrityksellä tai organisaatiolla on jo olemassa ennakkoluuloja. AI perustuu aiempiin malleihin ennustamaan tulevaa käyttäytymistä, ja se vain vahvistaa tätä käyttäytymistä. On kuitenkin vaikea saada ihmiset tunnistamaan oman ennakkoluulonsa, meillä kaikilla on niitä, ja usein toimimme niiden mukaan tiedostamatta. On olemassa järjestelmiä, jotka voivat auttaa vähentämään näitä ennakkoluuloja ja pitää tiimejä vastuussa sekä teknisellä että liiketoimintapuolella.

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

On otettu joitakin askelia luodakseen data-tieteen ja AI:n käytännön standardit, jotka auttavat vähentämään ennakkoluuloja. En voi korostaa tarpeeksi, kuinka tämä on yhteistyöprosessi teknisten ja liiketoimintaryhmien välillä. Asiayhteyden, joka ei aina ole näkyvissä teknisille tiimeille, on äärimmäisen tärkeää.

Se alkaa tunnistamalla ja identifioimalla mahdolliset ennakkoluulon lähteet. Se voi tapahtua datan keräämisen prosessissa, ominaisuuksien valinnassa mallin rakentamiseksi tai se voi tapahtua täysin datan ulkopuolella liiketoimintakäytännöissä. Esimerkiksi minulle kysyttiin johtajalta yhtiössä, oliko heidän ydinyleisönsä todella vanhempi, varakkaampi, miehiä, jotka usein asuivat maaseudulla tai esikaupunkialueilla. Tarkastelin dataa ja tajusin, että heidän datansa sisälsi ylipääsemäisen edustuksen tällaisista ryhmistä. Huomasin myös, että suurin osa heidän asiakkaistaan tuli samoilta medialähteiltä, konservatiiviselta radiolta. Opetin markkinointitiimiltä, että yhtiö oli saanut alennettua markkinointia näiltä alustoilta lanseerauksensa aikana, ja suurin osa heidän asiakkaistaan heijasti tätä. Ennakkoluulo ei ollut datassa, vaan viestintästrategiassa. Mutta seurauksena oli, että elinikäisen arvon malli, jonka data-tiimi loi, arvosti vanhempia, varakkaampia miehiä maaseudulta ja esikaupunkialueilta parhaiksi asiakkaiksi, vahvistaen viestintästrategiaa, jonka markkinointitiimi oli toteuttanut. Tämä on asia, josta tekninen tiimi ei pitäisi olla vastuussa, mutta heidän on vastuussa kysyä oikeat kysymykset.

Tämä johtaa minua toiseen vaiheeseen, joka on asettaa ohjeet ennakkoluulon etsimiseksi ja sen käsittelyksi, kun se on havaittu. Kun olet tunnistanut mahdolliset ennakkoluulon lähteet, organisaation on luotava tarkistuslista näistä lähteistä etsimään näitä ongelmia ja luotava polku jollekin, joka löytää huolestuttavia tietoja tai malleja, jotta he voivat osoittaa ne. Tätä ei voida tehdä eristyneisyydessä. Se on kaikkien tiimien vastuulla varmistaa, että sovellukset eivät vahvista ennakkoluuloja. Esimerkiksi edellä mainitussa tapauksessa data-tiimi ei ollut vastuussa viestintästrategiasta. He voivat auttaa tunnistamaan löydökset ja sitten työskennellä muiden tiimien kanssa organisaatiossa niiden ratkaisemiseksi. Tässä tapauksessa viestintätiimi työskenteli data-tieteen tiimin kanssa testatakseen muita viestintästrategioita, jotka palvelivat eri demografisia ryhmiä.

Kun ennakkoluulot ilmenevät data-malleissa, se voi joskus olla siinä, 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 tarkinnya ei aina ole sama kuin mallin reiluus. On totta, että tiettyjen ominaisuuksien sisällyttäminen data-malliin voi lisätä mallin ennustusvirhettä, mutta lisäinen 0,5 prosentin tarkinnya voi tulla yhteiskunnallisena tai liiketoimintakustannuksena. Määrittäminen, mitä reiluus tarkoittaa, ei ole helppoa, ja se vaatii monipuolisia tiimien osallistumista. Yksi menetelmä, joka kutsutaan “vastakkaisen todellisuuden reiluudeksi”, ottaa huomioon, että päätös on reilu yksilölle, jos se on sama sekä todellisessa maailmassa että vastakkaisessa maailmassa, jossa yksilö kuuluu toiseen demografiseen ryhmään. Lisäksi Microsoft ja Google 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 määrittää, onko ratkaisu datan käsittely ennen, järjestelmän päätösten muuttaminen myöhemmin tai reiluuden määrittelyjen sisällyttäminen itse koulutusprosessiin. Ennakkoluulon ongelma datassa on monimutkainen, joka vaatii säännöllistä arviointia ja laajan joukon ääniä. Se ei ole yksin tekninen ongelma, jota voidaan ratkaista.

Mitä mieltä olet hallituksen säätämistä AI- ja data-eettisistä ohjelmista?

Ajattelen, että on tehty askelia oikeaan suuntaan luomalla menettelytapaa, kun on kyse AI- ja data-eetiikasta. Trumpin toimeenpano AI-eetiikasta luo rekisterin malleista, jotka on käyttöön otettu hallituksessa, asettaa aikataulun luodakseen ohjeistuksia, rohkaisee virastoja palkkaamaan teknisiä tiimejä ja yksilöitä ja rohkaisee avoimuutta AI-käytössä hallituksessa, alueilla, jotka eivät ole osa tutkimusta ja kehittämistä tai kansallista turvallisuutta, mikä on äärimmäisen tärkeää. Tämänkaltaisen laajan suunnitelman on hyvä kehitys hallituksessa, joka on historiallisesti ollut hitaampi sopeutumaan teknologiaan. Kuitenkin nämä politiikat eivät ole tehneet paljonkaan luodakseen eettisen kulttuurin, luodakseen pakollisia tai yhdenmukaisia suunnitelmia virastojen välillä tai edes määritelläkseen tarkalleen, mitä eettiikka tai reiluus tarkoittaa näissä yhteyksissä. Uuden hallinnon tultua toivon, että he vakiinnuttavat nämä suunnitelmat yhdenmukaisemmalla ja yhtenäisemmällä suunnitelman kaikissa virastoissa sekä arviointimenetelmällä, joka huomioi huolellisesti inhimillisen vaikutuksen, koska paljon työtä, jonka hallitus tekee, vaikuttaa ihmisten päivittäisiin elämiin sekä kotimaassa että ulkomailla.

Onko jotain muuta, mitä haluaisit jakaa työstäsi Fresh Eyes Digitalissa?

Data-tiede voidaan käyttää voittoa tavoittelemattomien organisaatioiden parantamiseen, jotka työskentelevät monin tavoin parantamaan maailmaa. Nämä organisaatiot eivät yleensä kärsi datan keräämisestä. Heillä on paljon dataa, jota voidaan käyttää. Data-tieteen käyttäminen selkeässä ja toimivassa muodossa on kuitenkin haasteellista näille organisaatioille, jotka usein ovat resursseja niukassa ja joilla ei välttämättä ole sisäistä analytiikkaa valmiina. Data-osastolla Fresh Eyes Digitalissa 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 tehokkaammin heidän pyrkimyksissään vaikuttaa maailmaan myönteisesti.

Kiitos yksityiskohtaisista vastauksista, ja odotan innostuneena tulevia seikkailujasi. Lukijat, jotka haluavat oppia lisää, voivat vierailla Ashley Bryant-Baker -sivustolla ja/tai Fresh Eyes Digital -sivustolla.