एशले ब्रायंट-बेकर, फ्रेश आइज डिजिटल में डेटा और विश्लेषण के निदेशक – साक्षात्कार श्रृंखला

एशले ब्रायंट-बेकर फ्रेश आइज डिजिटल में डेटा और विश्लेषण के निदेशक हैं, जो एक परामर्श फर्म है जो गैर-लाभकारी संगठनों की सफलता पर केंद्रित है। फ्रेश आइज डिजिटल से पहले, उन्होंने अपनी खुद की परामर्श फर्म, बी एंड बी डेटा समाधान चलाई, जहां उन्होंने ब्रांडों को डेटा समाधान बनाने और उन्हें लाभ उठाने में मदद की। उन्होंने उपभोक्ता पैकेज्ड गुड्स, यात्रा, लॉजिस्टिक्स, स्वास्थ्य सेवा और गैर-लाभकारी संगठनों सहित विभिन्न उद्योगों में एक दशक से अधिक समय से विश्लेषण में काम किया है।

वह जेंडर बायस इन एआई, ग्राहक सेगमेंटेशन यूजिंग एआई और कार्यस्थल में विविधता जैसे विषयों पर एक प्रतिष्ठित वक्ता बन गई हैं। उन्हें हाल ही में एसएक्सएसडब्ल्यू, डेटा माइंड्स कनेक्ट और डिजिटल समिट डीसी जैसी विभिन्न घटनाओं में बोलने के लिए आमंत्रित किया गया है। एशले ने पेरिस में अमेरिकन ग्रेजुएट स्कूल, जॉर्जटाउन, एलएसयू और फोर्ट हays विश्वविद्यालय में भाग लिया है। उनके पास अंतर्राष्ट्रीय अर्थशास्त्र में मास्टर डिग्री, डेटा विज्ञान में प्रमाण पत्र, व्यवसाय में स्नातक और कला में स्नातक की डिग्री है।

आपको कंप्यूटर विज्ञान और डेटा विज्ञान में आकर्षित करने वाली पहली चीज क्या थी?

कॉलेज में मैंने कला का अध्ययन किया और स्नातक होने के बाद एक वीडियो गेम कंपनी के लिए काम करने की योजना बनाई थी जैसे कि एक गेम डिज़ाइनर। मेरी योजना 3डी कंप्यूटर मॉडल और पात्रों और वस्तुओं को डिज़ाइन करना था जिनसे लोग गेम में बातचीत करेंगे। मैंने कॉलेज में ईए स्पोर्ट्स के लिए एक वीडियो गेम गुणवत्ता आश्वासन परीक्षक के रूप में भी काम किया। चूंकि उस समय मेरे विश्वविद्यालय में कंप्यूटर कला में कोई सांद्रता नहीं थी, इसलिए मैंने अपनी कला डिग्री को पूरक करने के लिए कंप्यूटर विज्ञान में माइनर करने का फैसला किया। शुरुआत में मुझे कंप्यूटर विज्ञान कक्षाएं बिल्कुल पसंद नहीं थीं। अन्य छात्रों और कुछ प्रोफेसरों से अनुभवहीन लोगों (जैसे मेरे) के प्रति एक सीमा विरोधी माहौल था। मैंने अपने माइनर को इसलिए चिपकाया क्योंकि मेरा लक्ष्य अपने कला कैपस्टोन के लिए एक कार्यशील वीडियो गेम डिज़ाइन और प्रोग्राम करना था। मैंने पाइथन और माया का उपयोग करके एक 3डी शतरंज का खेल बनाया जिसमें एनिमेटेड टुकड़े थे जो बोर्ड पर चलते थे और एक बहुत ही सरल एआई था जो आपके खिलाफ खेल सकता था। उस समय मुझे नहीं पता था कि मैं पाइथन का उपयोग कभी फिर से करूंगा।

आगे बढ़ने के लिए, मेरी पहली नौकरी स्नातक स्तर की थी। मैं एक विपणन फर्म में एक जूनियर परियोजना प्रबंधक के रूप में काम कर रहा था। मैं कलाकारों, विपणन विशेषज्ञों, उत्पादन विशेषज्ञों और एक विश्लेषक की एक टीम के साथ काम कर रहा था जो लगभग 15 ग्राहकों के लिए विश्लेषण का प्रबंधन कर रहा था। वह मुझसे समय-समय पर मदद मांगती थी ताकि वह अपनी गणित की जांच कर सके या सरल रिपोर्ट बना सके। जब उसे कई हफ्तों के लिए चिकित्सा अवकाश पर जाना पड़ा, तो उसने अपने पर्यवेक्षक और मुझसे पूछा कि क्या मैं उसके लिए काम कर सकता हूं। जब वह वापस आई, तो मैंने अपने पर्यवेक्षक से उसके विभाग में स्थानांतरण के लिए कहा। डेटा के साथ काम करना मुझे बहुत दिलचस्प लगा। यह निश्चित रूप से मेरे करियर में एक अप्रत्याशित मोड़ था, लेकिन मैंने पीछे मुड़कर नहीं देखा। मैं अधिक सीखना चाहता था, इसलिए मैंने पाठ्यक्रम लिए और विश्लेषण की नौकरी के लिए आवेदन किया जहां मैं दूसरों से सीख सकता था। फिर सब कुछ पूरा हो गया और मैं फिर से पाइथन के साथ काम कर रहा था, हालांकि पहले से बहुत अलग तरीके से।

यह सब कहने के लिए, मैं शुद्ध दुर्घटना से डेटा विज्ञान में गया था।

आप वर्तमान में फ्रेश आइज डिजिटल में डेटा और विश्लेषण के निदेशक हैं, जो एक कंपनी है जो गैर-लाभकारी संगठनों के साथ काम करती है। क्या आप कंपनी के बारे में और बता सकते हैं और आप वहां क्या काम करते हैं?

फ्रेश आइज एक परामर्श फर्म है जो गैर-लाभकारी संगठनों को विपणन और धन संग्रहण समर्थन प्रदान करती है। हम ग्राहकों के साथ काम करते हैं ताकि वे अपने दाताओं को समझ सकें, गैर-लाभकारी लक्ष्यों के आसपास डिजिटल अभियान बना सकें और गैर-लाभकारी संगठनों को यह समझने में मदद कर सकें कि उनकी डिजिटल उपस्थिति को कैसे बढ़ाया जा सकता है ताकि वे अपने लक्ष्यों को प्राप्त कर सकें। फ्रेश आइज ने मुझे एक अधिक मजबूत डेटा पेशकश बनाने के लिए नियुक्त किया था। शुरुआत में मैंने उन्हें एक सलाहकार के रूप में काम किया, जहां मैंने उन्हें डिजिटल बहुस्तरीय परीक्षण डिजाइन करने, परिणामों को समझने और विश्लेषण और डैशबोर्डिंग सेवाओं को स्वचालित करने में मदद की। अब मैं उनके साथ एक सूट ऑफ ऑफरिंग्स बनाने के लिए काम कर रहा हूं। मैं जिन परियोजनाओं पर काम कर रहा हूं, उनमें से कुछ में शामिल हैं: संविधान और दाताओं की रूपांतरण और दान दरों के बारे में भविष्यसूचक विश्लेषण। बाहरी कारकों के प्रभावों को समझना, जैसे कि राजनीतिक जलवायु, आर्थिक परिवर्तन और समाचार चक्र, साथ ही साथ आंतरिक कारक, जैसे कि विपणन संदेश रणनीतियों, गैर-लाभकारी प्रभाव रिपोर्ट और यहां तक कि एक संगठन के भीतर नेतृत्व भूमिकाओं की गति और कैसे वे सभी दान करने की प्रवृत्ति को प्रभावित कर सकते हैं। बहुत सारी जानकारी हमारे पूर्वानुमान विश्लेषण और डैशबोर्ड और वर्गीकरण मॉडल को बेहतर ढंग से दाताओं और जुड़ाव को समझने के लिए सूचित करती है।

गैर-लाभकारी संगठन उन्नत सांख्यिकीय विधियों का उपयोग करने को अपना रहे हैं और महसूस कर रहे हैं कि यह उनकी मिशन को पूरा करने में उनकी क्षमता को देखने में मदद करता है जब वे अपने प्रभाव को बेहतर ढंग से समझने में सक्षम होते हैं और अधिक संरचित तरीके से धन जुटाते हैं।

आपकी सबसे बड़ी उपलब्धियों में से एक स्टेम में विविधता के लिए एक वकील होना है, कुछ हाइलाइट्स साझा करें?

विविधता और इक्विटी में स्टेम की दिशा में काम करने वाले कई महान संगठन हैं: ब्लैक गर्ल्स कोड, बाइटबैक यहां डीसी में, डेटाकिंड और हाल ही में मेरी सोरोरिटी ज़ेटा फाई बीटा इंक। गूगल के साथ कई अन्य संगठनों के साथ साझेदारी की है कम प्रतिनिधित्व वाले समूहों को कंप्यूटर और तकनीकी प्रशिक्षण में प्रशिक्षित करने के लिए। मैं इन संगठनों के साथ स्वयंसेवा करके, क्षेत्र में नए लोगों के लिए एक मेंटर बनकर, घटनाओं (विशेष रूप से तकनीकी घटनाओं, जहां मैं अक्सर एकमात्र महिला या रंग का व्यक्ति हूं) पर बोलने और स्कूलों (विशेष रूप से अधिकांश अल्पसंख्यक स्कूलों, ग्रामीण स्कूलों और वैकल्पिक स्कूलों) में कार्यशालाओं में पढ़ाकर अपना हिस्सा करता हूं। इसके अलावा, मैंने कई व्यवसायों के साथ मिलकर उनके इंटर्नशिप कार्यक्रमों और प्रवेश स्तर के स्नातक कार्यक्रमों को विविध बनाने के लिए काम किया है। मैंने इस क्षेत्र में बहुत काम किया है क्योंकि मैं एक ऐसे घर और समुदाय में बड़ा हुआ हूं जहां स्वयंसेवा जीवन का एक हिस्सा था। मैंने कॉलेज और उसके बाद ज़ेटा फाई बीटा इंक के साथ इसे जारी रखा है। हालांकि, मुझे लगता है कि मैं इस क्षेत्र की ओर आकर्षित हुआ क्योंकि मुझे कॉलेज तक कंप्यूटर और कोडिंग सीखने का अवसर नहीं मिला था, और जब मैं कॉलेज में गया, तो मुझे कंप्यूटर विज्ञान में अपने माइनर का पीछा करते हुए नकारात्मकता की भावना याद है। मैं नहीं चाहता कि कोई, विशेष रूप से कोई जो सीखने और बेहतर बनने की कोशिश कर रहा है, उसी अनुभव से गुजरे। मुझे लगता है कि मैं वास्तव में तब तक प्रभाव डालने की सराहना नहीं करता था जब तक कि मैं एक भर्ती घटना में छात्रों के समूह से बात नहीं कर रहा था और एक युवा काली लड़की और उसकी माँ मुझसे कहा कि मैं पहली तकनीकी काली महिला थी जिन्हें उन्होंने किसी भी सम्मेलन या भर्ती घटना में देखा था। यह तब था जब मुझे एहसास हुआ कि मुझे इसे अपने नियमित दिनचर्या का हिस्सा बनाना होगा।

मैं इन तरह के कार्यक्रमों में नियमित रूप से भाग लेने की कोशिश करता हूं। वास्तव में, 16 मार्च को मैं एक अद्भुत डेटा वैज्ञानिक और मेरे एक अच्छे दोस्त स्वाति के साथ गール्स इन एआई के साथ एक हैकथॉन की सह-मेजबानी करूंगा।

आपने ग्रामीण और/या कम आय वाले पड़ोस में तकनीकी शिक्षा का विस्तार करने पर भी काम किया है। यह कितना बड़ा मुद्दा है?

वाह। यह एक ऐसा मुद्दा है जिस पर बात करने के लिए पर्याप्त समय नहीं है! कोरोनावायरस ने स्पष्ट रूप से दिखा दिया कि हमारे समाज में प्रणालीगत असमानताएं हैं। दुर्भाग्य से, उनमें से एक शिक्षा है। मेरे पास एक अच्छा दोस्त है जो डीसी के बाहरी इलाके में एक वैकल्पिक स्कूल में काम करता है। वहां के छात्र अक्सर बड़े होते हैं, उन्हें स्कूल जाने के साथ-साथ नौकरी भी करनी होती है, और उन्हें घर पर दूरस्थ शिक्षा करने के लिए लैपटॉप या डेस्कटॉप कंप्यूटर जैसे साधन नहीं होते हैं। इन छात्रों के पास एक शिक्षक था जो उनके लिए जोर दे रहा था, जो स्कूल के साथ काम कर रहा था ताकि अधिकांश छात्रों को मोबाइल विकल्प मिल सके ताकि वे अपने सेल फोन पर स्कूल में पहुंच सकें। हालांकि, यह हमेशा ग्रामीण या वैकल्पिक स्कूली वातावरण में ऐसा नहीं होता है। ग्रामीण स्थिति भी छात्रों और शिक्षकों के लिए कठिन है। ग्रामीण क्षेत्रों में उच्च गति वाला इंटरनेट बहुत महंगा हो सकता है और कभी-कभी उपलब्ध नहीं होता है। छात्र मैकडॉनल्ड्स पार्किंग में इंटरनेट के लिए बैठना अस्वीकार्य है, लेकिन कुछ क्षेत्रों में यह एक दुर्भाग्यपूर्ण आवश्यकता है। मुझे पता है कि ग्रामीण पेंसिल्वेनिया में शिक्षक जो अपने वर्चुअल कक्षाओं में जुड़ने के लिए अच्छा इंटरनेट नहीं प्राप्त कर सकते हैं।

कोरोनावायरस के बाहर, ग्रामीण और कम आय वाले स्कूलों में वित्तीय संसाधनों की कमी है, ग्रामीण क्षेत्रों में विशेष रूप से तकनीकी रूप से प्रशिक्षित शिक्षकों की कमी है, और रंग के छात्रों, प्रवासी छात्रों और यहां तक कि ग्रामीण छात्रों के खिलाफ सामान्य पूर्वाग्रह भी है जो “अमेरिकी” संस्कृति से अलग दिखते हैं या लगते हैं। इन सभी परिदृश्यों से स्टेम शिक्षा और करियर तक पहुंच कम हो जाती है।

एआई में लिंग और जातीय पूर्वाग्रह कितना बड़ा मुद्दा है?

यह एक ऐसी चीज है जिस पर सभी व्यवसाय और संगठनों को विचार करना चाहिए। दुर्भाग्य से, यह एक कठिन समस्या है जिसे हल करना मुश्किल है क्योंकि यदि एआई किसी विशेष समूह के प्रति पूर्वाग्रह दिखा रहा है, तो यह अक्सर इसका मतलब है कि उस विशेष क्षेत्र में कंपनी या संगठन में पहले से ही पूर्वाग्रह का एक पैटर्न है। एआई पिछले पैटर्न पर निर्भर करता है ताकि वह भविष्य के व्यवहार का अनुमान लगा सके, और यह पूर्वाग्रह को बढ़ा देता है। हालांकि, यह मानवों को अपने पूर्वाग्रह को स्वीकार करने में मुश्किल है, हम सभी के पास पूर्वाग्रह हैं और अक्सर हम इसके बारे में जाने बिना कार्य करते हैं। पूर्वाग्रह को कम करने और टीमों को जवाबदेह रखने के लिए प्रणाली होनी चाहिए।

हम एआई को कैसे सुनिश्चित कर सकते हैं कि आज के एआई अनुप्रयोग मानव पूर्वाग्रह को बढ़ा नहीं रहे हैं?

संगठन एआई और डेटा विज्ञान में पूर्वाग्रह को कम करने में मदद करने के लिए कुछ कदम उठा सकते हैं। मैं इस बात पर जोर नहीं दे सकता कि यह एक संयुक्त प्रक्रिया होनी चाहिए जिसमें तकनीकी और व्यवसायिक दोनों टीमें शामिल हों। तकनीकी टीमों के लिए अदृश्य संदर्भ का महत्व परम।

यह पूर्वाग्रह के संभावित स्रोतों को पहचानने और पहचानने से शुरू होता है। यह डेटा संग्रह प्रक्रिया में, मॉडल निर्माण के लिए सुविधा चयन में हो सकता है, या यह पूरी तरह से डेटा के बाहर व्यवसायिक प्रथाओं में हो सकता है। उदाहरण के लिए, मुझे एक बार एक कंपनी के नेता से पूछा गया कि क्या उनका मुख्य दर्शक वास्तव में वृद्ध, धनी पुरुष थे जो अधिक बार ग्रामीण या उपनगरीय समुदायों में रहते थे। मैंने डेटा को देखा और महसूस किया कि उनके डेटा पाइपलाइन में इस समूह का अधिक प्रतिनिधित्व था। लेकिन मैंने यह भी देखा कि उनके ग्राहकों का अधिकांश हिस्सा उन्हीं मीडिया स्रोतों से आया था, जो रूढ़िवादी बात कर रहे थे। मैंने विपणन टीम के एक सदस्य से सीखा कि कंपनी ने अपने लॉन्च में इन प्लेटफार्मों पर कम लागत वाला विपणन प्राप्त किया था, और उनके ग्राहकों का अधिकांश हिस्सा इस रणनीति को दर्शाता था। पूर्वाग्रह डेटा में नहीं था, लेकिन संचार रणनीति में था। हालांकि, इसके परिणामस्वरूप, जीवनकाल मूल्य स्कोरिंग मॉडल जो डेटा टीम ने बनाया था, उसने ग्रामीण और उपनगरीय समुदायों में वृद्ध, धनी पुरुषों को सर्वश्रेष्ठ प्रदर्शन करने वाले ग्राहकों के रूप में स्कोर किया, जो विपणन टीम द्वारा नियोजित संचार रणनीति को बढ़ाता था। यह कुछ ऐसा है जिसके लिए किसी तकनीकी टीम को जिम्मेदार नहीं ठहराया जाना चाहिए, लेकिन उन्हें सही प्रश्न पूछने की जिम्मेदारी है।

यह मुझे दूसरे चरण में ले जाता है, जो पूर्वाग्रह का पता लगाने और एक बार पता चलने पर उसका सामना करने के लिए दिशानिर्देश निर्धारित करना है। एक बार जब आप संभावित पूर्वाग्रह के स्रोतों की पहचान कर लेते हैं, तो संगठन को इन मुद्दों की तलाश में एक चेकलिस्ट बनानी चाहिए और किसी को भी चिंताजनक डेटा या पैटर्न को संबोधित करने के लिए एक मार्ग बनाना चाहिए। यह एक खाली जगह में नहीं किया जा सकता है। यह सुनिश्चित करना सभी टीमों की जिम्मेदारी है कि अनुप्रयोग पूर्वाग्रह को बढ़ावा न दें। जैसा कि ऊपर दिए गए उदाहरण में, डेटा टीम को संचार रणनीति पर नियंत्रण नहीं है। वे निष्कर्ष निकाल सकते हैं और फिर संगठन की अन्य टीमों के साथ मिलकर उन्हें संबोधित कर सकते हैं। इस मामले में, संचार टीम ने डेटा विज्ञान टीम के साथ मिलकर विभिन्न जनसांख्यिकीय समूहों को संबोधित करने वाली विभिन्न संचार रणनीतियों का परीक्षण किया।

जब पूर्वाग्रह डेटा मॉडल में दिखाई देता है, तो यह कभी-कभी यह हो सकता है कि डेटा टीम कैसे सुविधा चयन, कौन सा डेटा डेटा स्टोर में शामिल किया जाता है या बाहर रखा जाता है, या यहां तक कि अनुमानित मीट्रिक भी हो सकती है। इन मामलों में, यह महत्वपूर्ण है कि डेटा टीम समझे कि मॉडल सटीकता मॉडल न्याय के बराबर नहीं है। यह सच हो सकता है कि कुछ सुविधाओं को डेटा मॉडल में शामिल करने से मॉडल की भविष्यसूचक सटीकता बढ़ जाती है, लेकिन अतिरिक्त 0.5% सटीकता समाज या व्यवसाय की लागत पर आ सकती है। न्याय क्या है यह निर्धारित करना एक आसान काम नहीं है और इसमें बहुस्तरीय टीमों की भागीदारी की आवश्यकता है। एक पद्धति जिसे “काउंटरफैक्चुअल न्याय” कहा जाता है, यह मानता है कि एक निर्णय तब न्यायपूर्ण होता है जब यह वास्तविक दुनिया में और एक काल्पनिक दुनिया में समान होता है जहां व्यक्ति एक अलग जनसांख्यिकीय समूह से संबंधित है। इसके अलावा, माइक्रोसॉफ्ट और गूगल एआई ने न्याय के लिए मानकों को प्रकाशित किया है। मैं व्यक्तिगत रूप से कृत्रिम बुद्धिमत्ता में नैतिकता पर यूरोपीय संघ के दिशानिर्देशों का संदर्भ लेता हूं, जिन्हें मैं अपने उद्योग के लिए khá व्यापक पाता हूं। एक बार जब न्याय का मानक स्थापित हो जाता है, तो डेटा टीम यह निर्धारित कर सकती है कि समाधान डेटा को पहले से संसाधित करना है, प्रणाली के निर्णयों को बाद में बदलना है, या न्याय की परिभाषाओं को प्रशिक्षण प्रक्रिया में शामिल करना है। डेटा में पूर्वाग्रह का मुद्दा एक जटिल है जिसमें व्यापक लोगों की आवाज की नियमित मूल्यांकन की आवश्यकता होती है। यह केवल एक तकनीकी मुद्दा नहीं है जिसे हल किया जाना है।

आप सरकार द्वारा लागू की गई एआई और डेटा नैतिकता नीतियों के बारे में क्या सोचते हैं?

मुझे लगता है कि एआई और डेटा नैतिकता के संबंध में प्रक्रिया के मानक को बनाने की दिशा में कदम उठाए गए हैं। ट्रंप के एआई नैतिकता पर कार्यकारी आदेश में सरकार के भीतर तैनात मॉडल का एक रजिस्ट्री बनाना, नीति मार्गदर्शन बनाने के लिए एक समय सीमा निर्धारित करना, तकनीकी-केंद्रित टीमों और व्यक्तियों को नियुक्त करने के लिए एजेंसियों को प्रोत्साहित करना और सरकार के भीतर एआई के उपयोग में पारदर्शिता को बढ़ावा देना शामिल है। जो क्षेत्र र&D या राष्ट्रीय सुरक्षा से संबंधित नहीं हैं। यह सरकार द्वारा एक दूरगामी योजना है, जो प्रौद्योगिकी को अपनाने में ऐतिहासिक रूप से धीमी रही है। हालांकि, नीतियों ने एक संस्कृति को बनाने के लिए बहुत कम किया है जो नैतिकता को बढ़ावा देती है, एजेंसियों भर में एक साथ और सुसंगत योजना बनाती है, या यह परिभाषित करती है कि इन संदर्भों में नैतिकता या न्याय क्या है। जैसा कि नई प्रशासन आती है, मैं उन पर जोर दूंगा कि वे इन योजनाओं को एजेंसियों भर में एक अधिक संरचित और सुसंगत योजना के साथ मजबूत करें, साथ ही एक मूल्यांकन प्रक्रिया के साथ जो मानव प्रभाव को सावधानी से विचार करती है, क्योंकि सरकार द्वारा किया गया बहुत सा काम देशी और विदेशी दोनों लोगों के दैनिक जीवन को प्रभावित करता है।

क्या आप फ्रेश आइज डिजिटल के साथ अपने काम के बारे में और कुछ साझा करना चाहेंगे?

डेटा विज्ञान का उपयोग गैर-लाभकारी संगठनों द्वारा किया जा सकता है जो हमारे विश्व को सकारात्मक तरीके से प्रभावित करने के लिए काम कर रहे हैं। इन संगठनों के लिए डेटा इकट्ठा करना आमतौर पर समस्या नहीं है। उनके पास काम करने के लिए बहुत सारा डेटा है। इस डेटा का उपयोग स्पष्ट और कार्रवाई योग्य तरीके से करना इन संगठनों के लिए कठिन है जो संसाधनों पर दबाव डाले जा सकते हैं और आंतरिक विश्लेषण टीम तक पहुंच नहीं हो सकती है। फ्रेश आइज डिजिटल में डेटा विभाग में हमारा काम उन संगठनों को उनके डेटा को सही तरीके से समझने और तैनात करने में मदद करता है, जिससे वे अधिक सूचित, रणनीतिक निर्णय ले सकते हैं। मुझे इन संगठनों के साथ काम करने का अवसर मिलने पर खुशी होती है जो हमारे विश्व को सकारात्मक तरीके से प्रभावित करने के लिए काम कर रहे हैं।

आपके विस्तृत उत्तर के लिए धन्यवाद और मैं आपके भविष्य के उद्यमों का अनुसरण करने की प्रतीक्षा कर रहा हूं। जो पाठक अधिक जानना चाहते हैं उन्हें एशले ब्रायंट-बेकर वेबसाइट और/या फ्रेश आइज डिजिटल पर जाना चाहिए।