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

एशले ब्रायंट-बेकर फ्रेश आइज डिजिटल में डेटा और एनालिटिक्स 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 सॉल्यूशंस चलाई, जहां उन्होंने ब्रांडों को डेटा समाधान बनाने और उनका 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, कस्टमर 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 सहित विभिन्न आयोजनों में बोलने के लिए आमंत्रित किया गया है। एशले ने द अमेरिकन ग्रेजुएट स्कूल इन पेरिस, जॉर्जटाउन, एलएसयू और फोर्ट हAYS विश्वविद्यालय में भाग लिया है। उनके पास अंतर्राष्ट्रीय अर्थशास्त्र में मास्टर डिग्री, डेटा साइंस में प्रमाण पत्र, व्यवसाय में स्नातक और कला में स्नातक की डिग्री है।

आपको कंप्यूटर साइंस और डेटा साइंस में क्या आकर्षित किया?

कॉलेज में मैंने कला का अध्ययन किया और स्नातक होने के बाद एक वीडियो गेम कंपनी में गेम डिज़ाइनर के रूप में काम करने में रुचि रखता था। मेरी योजना 3डी कंप्यूटर मॉडल बनाने और वीडियो गेम में इंटरैक्ट करने के लिए पात्रों और वस्तुओं को डिज़ाइन करने की थी। मैंने कॉलेज में ईए स्पोर्ट्स के लिए एक वीडियो गेम क्वालिटी आश्वासन परीक्षक के रूप में भी काम किया। चूंकि उस समय मेरे विश्वविद्यालय में कंप्यूटर कला सांद्रता नहीं थी, इसलिए मैंने अपनी कला डिग्री को पूरक करने के लिए कंप्यूटर विज्ञान में माइनर करने का फैसला किया। मैंने शुरू में कंप्यूटर विज्ञान कक्षाओं का आनंद नहीं लिया। अन्य छात्रों और कुछ प्रोफेसरों से अनुभवहीन लोगों (जैसे मैं) के प्रति एक सीमा से अधिक शत्रुता थी। मैंने अपने माइनर को इसलिए बनाए रखा क्योंकि मेरा कला कैपस्टोन एक कार्यशील वीडियो गेम डिज़ाइन और प्रोग्राम करना था। मैंने पाइथन और माया का उपयोग करके एक 3डी शतरंज गेम बनाया जिसमें बोर्ड पर चलने वाले एनिमेटेड टुकड़े और एक बहुत ही सरल एआई थी जो आपके खिलाफ खेल सकती थी। उस समय मुझे पाइथन के बारे में कुछ नहीं पता था और मैंने माना कि मैं इसका फिर से उपयोग नहीं करूंगा।

आगे बढ़ने वाली एक घटना में से एक मेरी स्नातक की पढ़ाई के बाद मेरी पहली नौकरी थी। मैं एक विपणन फर्म में एक जूनियर परियोजना प्रबंधक के रूप में काम कर रहा था। मैंने कलाकारों, विपणन विशेषज्ञों, उत्पादन विशेषज्ञों और एक विश्लेषक की एक टीम के साथ काम किया जो पूरे भवन में लगभग 15 ग्राहकों के लिए विश्लेषण प्रबंधन कर रहा था। वह मुझसे समय-समय पर अपनी गणित की जांच करने या सरल रिपोर्ट बनाने में मदद मांगती थी। जब वह कई हफ्तों के लिए चिकित्सा अवकाश पर गई तो उसने अपने पर्यवेक्षक और मुझसे पूछा कि क्या मैं उसकी जगह ले सकता हूं। जब वह वापस आई तो मैंने अपने 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 और अधिक सीखना चाहता था, इसलिए मैंने पाठ्यक्रम लिए और उन विश्लेषणात्मक नौकरियों 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 आया था।

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

फ्रेश आइज एक परामर्श फर्म है जो गैर-लाभकारी संगठनों को विपणन और निधि 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 इसलिए नियुक्त किया क्योंकि वे एक अधिक मजबूत डेटा पेशकश बनाना चाहते थे। शुरू में मैंने उन्हें एक सलाहकार के रूप में काम किया, जहां मैंने उन्हें डिजिटल मल्टीवेरिएट परीक्षण डिजाइन करने, परिणामों को समझने और विश्लेषण और डैशबोर्डिंग सेवाओं को स्वचालित करने में मदद की। अब मैं उन्हें गैर-लाभकारी संगठनों के लिए एक सूट ऑफरिंग्स बनाने के लिए काम कर रहा हूं। मैं जिन परियोजनाओं पर काम कर रहा हूं उनमें से कुछ में समय के साथ संविधान और दाताओं की रूपांतरण और दान दरों के आसपास भविष्यसूचक विश्लेषण शामिल है। 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 संगठन के भीतर नेतृत्व भूमिकाओं की गति और कैसे वे सभी रूपांतरण 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 क्षमता को उनके मिशन को पूरा करने में मदद करता है जब वे अपने प्रभाव को बेहतर ढंग से समझने और अधिक संरचित तरीके से धन जुटाने में सक्षम होते हैं।

आपकी सबसे बड़ी उपलब्धियों में से एक स्टेम में विविधता के लिए एक वकील होना है, क्या आप इनमें से कुछ बता सकते हैं?

बहुत सारे महान संगठन हैं जो स्टेम में विविधता और समानता की दिशा में काम कर रहे हैं: ब्लैक गर्ल्स कोड, बाइटबैक यहां डीसी में, डेटाकिंड और हाल ही में मेरी सोरोरिटी ज़ेटा फाई बीटा इंक। गूगल के साथ साथ कई अन्य संगठनों ने कम प्रतिनिधित्व वाले समूहों को कंप्यूटर और तकनीकी प्रशिक्षण में प्रशिक्षित करने के लिए भागीदारी की है। मैं इन संगठनों के साथ स्वेच्छा से अपना हिस्सा करता हूं, नए क्षेत्र में प्रवेश करने वाले लोगों के लिए एक मेंटर हूं, आयोजनों (विशेष रूप से तकनीकी आयोजनों में बोलता हूं, जहां मैं अक्सर एकमात्र महिला या रंग का व्यक्ति हूं) और स्कूलों (विशेष रूप से बहुसंख्यक अल्पसंख्यक स्कूलों, ग्रामीण स्कूलों और वैकल्पिक स्कूलों में) में कार्यशालाओं में पढ़ाता हूं। इसके अतिरिक्त, मैंने कई व्यवसायों के साथ मिलकर अपने इंटर्नशिप कार्यक्रमों और प्रवेश स्तर के स्नातक कार्यक्रमों को विविध बनाने में मदद की है। मैंने इस क्षेत्र में बहुत काम किया है क्योंकि मैं एक ऐसे घर और समुदाय में बड़ा हुआ हूं जहां स्वेच्छा से काम करना 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 में इसलिए आकर्षित हुआ क्योंकि मुझे कंप्यूटर विज्ञान में अपने माइनर का पीछा करते समय नकारात्मकता की भावना नहीं हुई थी। मुझे नहीं लगता कि मैं वास्तव में तब तक प्रभाव को महसूस नहीं कर रहा था जब तक कि मैं एक भर्ती आयोजन में छात्रों के समूह से बात नहीं कर रहा था और एक युवा काली लड़की और उसकी माँ ने मुझसे कहा कि मैं पहली तकनीकी काली महिला थी जिसे उन्होंने किसी भी सम्मेलन या भर्ती आयोजन 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 अच्छे दोस्त स्वाति के साथ मिलकर एक हैकथॉन की सह-moderation करूंगा जो गर्ल्स इन एआई के साथ संयोजन में है।

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। इस मुद्दे के बारे में बात करने के लिए पर्याप्त समय नहीं है! कोरोनावायरस ने स्पष्ट कर दिया कि हमारे समाज में असमानताएं हैं जो प्रणालीगत हैं। दुर्भाग्य से, उनमें से एक सबसे बड़ा शिक्षा है। मेरे पास एक अच्छा दोस्त है जो डीसी के बाहरी इलाके में एक वैकल्पिक स्कूल में काम करता है। छात्रों को अक्सर पुराना होना पड़ता है, उन्हें स्कूल जाने के साथ-साथ नौकरी भी करनी पड़ती है, और उनके पास घर पर दूरस्थ शिक्षा करने के लिए उपकरण नहीं होते हैं, जैसे कि लैपटॉप या डेस्कटॉप कंप्यूटर। इन छात्रों के पास एक शिक्षक था जो उनके लिए पैरवी करता था, जो स्कूल के साथ काम करता था ताकि अधिकांश छात्रों के लिए एक मोबाइल विकल्प प्राप्त किया जा सके ताकि वे अपने सेल फोन पर स्कूल में भाग ले सकें। हालांकि, यह हमेशा ग्रामीण या वैकल्पिक स्कूली वातावरण में मामला नहीं होता है। ग्रामीण स्थिति भी छात्रों और शिक्षकों के लिए कठिन है। उच्च गति वाला इंटरनेट ग्रामीण क्षेत्रों में बहुत महंगा हो सकता है और कुछ मामलों में उपलब्ध नहीं है। छात्रों को मैकडॉनल्ड्स पार्किंग में इंटरनेट के लिए बैठना अस्वीकार्य है, लेकिन कुछ क्षेत्रों में यह एक दुर्भाग्यपूर्ण आवश्यकता है। मुझे पेंसिल्वेनिया के ग्रामीण क्षेत्रों में शिक्षकों को पता है जो अपने वर्चुअल कक्षा में जुड़ने के लिए अच्छा इंटरनेट नहीं प्राप्त कर सकते हैं।

कोरोनावायरस के बाहर भी ग्रामीण और कम आय वाले स्कूलों में अंडरफंडिंग का मुद्दा है, ग्रामीण क्षेत्रों में विशेष रूप से तकनीकी रूप से प्रशिक्षित शिक्षकों की कमी, और अमेरिकी संस्कृति से अलग दिखने वाले छात्रों के प्रति सामान्य पूर्वाग्रह। सभी这些 परिदृश्य स्टेम शिक्षा तक पहुंच की कमी में योगदान करते हैं और इसलिए छात्रों को कभी भी इन विषयों और करियर के संपर्क में नहीं लाया जाता 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 क्योंकि यदि एआई किसी विशेष समूह के प्रति या उसके खिलाफ 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 था। एआई पिछले पैटर्न पर निर्भर करता है ताकि यह भविष्य के व्यवहार का अनुमान लगा सके और बस इस व्यवहार को बढ़ाता है। हालांकि, यह मानवों को अपने पूर्वाग्रहों को स्वीकार करने के लिए मिलना मुश्किल है, हम सभी के पास वे हैं और अक्सर हम उनके प्रति अनजाने में कार्य करते हैं। पूर्वाग्रहों को कम करने में मदद करने के लिए तकनीकी और व्यवसाय दोनों पक्षों पर टीमों को जिम्मेदार रखने के लिए प्रणाली होनी चाहिए।

आज के एआई अनुप्रयोगों को यह सुनिश्चित करने के लिए हम क्या कर सकते हैं कि वे मानव पूर्वाग्रहों को बढ़ा नहीं रहे हैं?

संगठन डेटा विज्ञान और एआई 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 जो तकनीकी और व्यवसायिक दोनों टीमों के बीच हो। तकनीकी टीमों के लिए जो संदर्भ हमेशा दिखाई नहीं देता है वह महत्वपूर्ण है।

यह संभावित पूर्वाग्रह के स्रोतों की पहचान करने और उन्हें पहचानने से शुरू होता है। यह डेटा संग्रह प्रक्रिया में हो सकता है, 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 कंपनी के नेता से पूछा गया कि क्या उनका मूल दर्शक वास्तव में वृद्ध, धनी पुरुष थे जो अधिक बार ग्रामीण या उपनगरीय इलाकों 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 अधिकांश ग्राहक एक ही मीडिया स्रोतों से आते थे, जो रूढ़िवादी बात कर रहे थे। मुझे विपणन टीम के एक सदस्य से पता चला कि कंपनी को अपने लॉन्च में शुरुआत में इन प्लेटफार्मों पर निम्न से नि:शुल्क विपणन मिला था और उनके अधिकांश ग्राहक इसे प्रतिबिंबित करते थे। पूर्वाग्रह डेटा में नहीं था, लेकिन संचार रणनीति में विविधता की कमी थी। हालांकि, परिणामस्वरूप, डेटा टीम द्वारा बनाया गया लाइफटाइम मूल्य स्कोरिंग मॉडल ने उपनगरीय और ग्रामीण समुदायों से वृद्ध, धनी पुरुषों को सर्वश्रेष्ठ प्रदर्शन करने वाले ग्राहकों के रूप में स्कोर किया, जो विपणन टीम द्वारा नियोजित संचार रणनीति को बढ़ाता है। यह कुछ ऐसा है जिसके लिए किसी तकनीकी टीम को जिम्मेदार नहीं ठहराया जाना चाहिए, हालांकि वे सही प्रश्न पूछने के लिए जिम्मेदार हैं।

यह मुझे दूसरे चरण में ले जाता है, जो पूर्वाग्रह का पता लगाने और फिर एक बार यह पता लगाने के बाद से निपटने के लिए दिशानिर्देश स्थापित करना है। एक बार जब आप संभावित पूर्वाग्रह स्रोतों की पहचान कर लेते हैं, तो संगठन को इन स्रोतों की एक चेकलिस्ट बनानी चाहिए और फिर एक मार्ग बनाना चाहिए ताकि कोई भी जो चिंताजनक डेटा या पैटर्न पाता है उन्हें संबोधित कर सके। यह एक वैक्यूम में नहीं किया जा सकता है। यह सुनिश्चित करना सभी टीमों की जिम्मेदारी है कि अनुप्रयोग पूर्वाग्रहों को बढ़ा नहीं रहे हैं। जैसा कि ऊपर दिए गए उदाहरण में, डेटा टीम के पास संचार रणनीति पर कोई जिम्मेदारी नहीं है। वे निष्कर्षों को इंगित करने में मदद कर सकते हैं और फिर संगठन में अन्य टीमों के साथ काम कर सकते हैं ताकि उन्हें संबोधित किया जा सके। इस मामले में, संचार टीम ने डेटा विज्ञान टीम के साथ मिलकर विभिन्न जनसांख्यिकीय समूहों को परोसने वाली अन्य संचार रणनीतियों का परीक्षण करने के लिए काम किया।

जब पूर्वाग्रह डेटा मॉडल में दिखाई देते हैं तो यह कभी-कभी यह देखने में हो सकता है कि डेटा टीम कैसे सुविधा चयन निर्धारित करती है, कौन सा डेटा डेटा स्टोर में शामिल या बाहर रखा जाता है, या यहां तक कि कौन सा मीट्रिक अनुमानित है। इन मामलों में, यह महत्वपूर्ण है कि डेटा टीम समझे कि मॉडल सटीकता हमेशा मॉडल निष्पक्षता के बराबर नहीं होती है। यह सच हो सकता है कि डेटा मॉडल में कुछ सुविधाओं को शामिल करने से मॉडल की पूर्वानुमान सटीकता बढ़ जाती है, लेकिन अतिरिक्त 0.5% सटीकता एक सामाजिक या व्यावसायिक लागत पर आ सकती है। निष्पक्षता का क्या अर्थ है यह निर्धारित करना एक आसान काम नहीं है और इसमें बहुस्तरीय टीमों की भागीदारी की आवश्यकता होती है। एक विधि जिसे “काउंटरफैक्चुअल निष्पक्षता” कहा जाता है, यह मानता है कि एक निर्णय तब निष्पक्ष होता है जब यह वास्तविक दुनिया में और एक काल्पनिक दुनिया में समान होता है जहां व्यक्ति एक अलग जनसांख्यिकीय समूह से संबंधित होता है। इसके अतिरिक्त, माइक्रोसॉफ्ट और गूगल एआई ने निष्पक्षता के लिए मानक प्रकाशित किए हैं जो मेरे उद्योग के लिए हैं। मैं व्यक्तिगत रूप से कृत्रिम बुद्धिमत्ता में नैतिकता पर ईयू दिशानिर्देशों का संदर्भ लेता हूं, जिसे मैं अपने उद्योग के लिए khá व्यापक पाता हूं। एक बार जब निष्पक्षता का एक मानक स्थापित हो जाता है, तो डेटा टीम यह निर्धारित कर सकती है कि समाधान डेटा को पहले से ही संसाधित करना है, प्रणाली के निर्णयों को बाद में बदलना है, या निष्पक्षता परिभाषाओं को प्रशिक्षण प्रक्रिया में शामिल करना है। डेटा में पूर्वाग्रह का मुद्दा एक जटिल है जिसे नियमित मूल्यांकन और विभिन्न लोगों की आवाजों की आवश्यकता है।

आपके विचार सरकार द्वारा लागू की गई एआई और डेटा नैतिकता नीतियों पर क्या हैं?

मुझे लगता है कि एआई और डेटा नैतिकता के संबंध में प्रक्रिया का मानक बनाने के लिए कुछ कदम उठाए गए हैं। ट्रंप के एआई नैतिकता पर कार्यकारी आदेश में एक रजिस्ट्री बनाना शामिल है जिसमें सरकार द्वारा तैनात मॉडल हैं, नीति मार्गदर्शन बनाने के लिए एक समय सीमा निर्धारित की जाती है, एजेंसियों को तकनीकी-केंद्रित टीमों और व्यक्तियों को नियुक्त करने के लिए प्रोत्साहित किया जाता है, और सरकार में एआई के उपयोग में पारदर्शिता को बढ़ावा दिया जाता है, जो कि अनुसंधान और विकास या राष्ट्रीय सुरक्षा से संबंधित क्षेत्रों से बाहर है। यह सरकार द्वारा प्रौद्योगिकी को अपनाने में ऐतिहासिक रूप से धीमी होने के बावजूद एक दूरगामी योजना है।

हालांकि, नीतियों ने एक नैतिकता संस्कृति बनाने, एजेंसियों भर में सुसंगत योजनाओं को बनाने या इन संदर्भों में नैतिकता या निष्पक्षता को परिभाषित करने के लिए बहुत कम किया है। जैसा कि नई प्रशासन आती है, मैं उन पर जोर दूंगा कि वे इन योजनाओं को एक अधिक संरचित और सुसंगत योजना के साथ ठोस करें जो सभी एजेंसियों में है और एक मूल्यांकन प्रक्रिया है जो सावधानी से मानव प्रभाव पर विचार करती है क्योंकि सरकार द्वारा किए गए बहुत से काम घरेलू और विदेशी दोनों स्तरों पर लोगों के दैनिक जीवन को प्रभावित करते हैं।

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

डेटा विज्ञान का उपयोग गैर-लाभकारी संगठनों द्वारा किया जा सकता है जो हमारे विश्व को बेहतर बनाने के लिए इतने सारे तरीकों से काम कर रहे हैं। इन संगठनों के लिए डेटा इकट्ठा करना आमतौर पर उनकी समस्या नहीं है। उनके पास काम करने के लिए बहुत सारे डेटा हैं। इस डेटा का उपयोग स्पष्ट और कार्रवाई योग्य तरीके से करना इन संगठनों के लिए कठिन है जो अक्सर संसाधनों पर दबाव डालते हैं और आंतरिक विश्लेषण टीम तक पहुंच नहीं हो सकती है। फ्रेश आइज डिजिटल में डेटा विभाग में हम जो काम करते हैं वह इन संगठनों को उनके डेटा को सही तरीके से तैनात करने में मदद करता है, जिससे वे अधिक सूचित, रणनीतिक निर्णय ले सकते हैं। मुझे इन संगठनों के साथ काम करने का अवसर मिला है जो दुनिया को सकारात्मक तरीके से प्रभावित करने के लिए काम कर रहे हैं।

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