Ashley Bryant-Baker, Direktur Data & Analitik di Fresh Eyes Digital – Seri Wawancara

Ashley Bryant-Baker adalah Direktur Data dan Analitik di Fresh Eyes Digital, sebuah perusahaan konsultan yang fokus pada kesuksesan organisasi nirlaba. Sebelum bergabung dengan Fresh Eyes Digital, dia memiliki perusahaan konsultan sendiri, B&B Data Solutions, di mana dia membantu merek membangun dan memanfaatkan solusi data. Dia telah bekerja di bidang analitik selama lebih dari satu dekade di berbagai industri, termasuk barang konsumsi, perjalanan, logistik, kesehatan, dan nirlaba.

Dia telah menjadi pembicara yang dicari pada topik-topik seperti Bias Gender di AI, Segmentasi Pelanggan Menggunakan AI, dan keragaman di tempat kerja. Dia baru-baru ini diundang untuk berbicara di berbagai acara, termasuk SXSW, Data Minds Connect, dan Digital Summit DC. Ashley telah menghadiri The American Graduate School in Paris, Georgetown, LSU, dan Fort Hays University. Dia memiliki gelar Master di Ekonomi Internasional, Sertifikat di Data Science, Sarjana Bisnis, dan Sarjana Seni.

Apa yang awalnya menarik Anda ke ilmu komputer dan ilmu data?

Di kuliah, saya belajar seni dan tertarik bekerja untuk perusahaan game video ketika lulus sebagai desainer game. Rencana saya adalah membuat model komputer 3D dan merancang karakter dan objek yang akan diinteraksi oleh orang-orang dalam game. Saya bahkan bekerja sebagai pengujian kualitas game video untuk EA Sports di kuliah. Karena pada saat itu tidak ada konsentrasi seni komputer di universitas saya, saya memutuskan untuk mengambil minor di ilmu komputer untuk melengkapi gelar seni saya. Saya awalnya tidak menyukai kelas ilmu komputer sama sekali. Ada permusuhan terhadap orang-orang yang tidak memiliki pengalaman (seperti saya) dari mahasiswa lain dan bahkan beberapa profesor. Saya tetap pada minor saya karena tujuan saya untuk tugas akhir seni adalah merancang dan memprogram game video yang berfungsi. Saya menggunakan python dan maya untuk membangun game catur 3D dengan potongan yang beranimasi dan AI yang sangat sederhana yang bisa bermain melawan Anda. Pada saat itu, saya tidak tahu apa-apa tentang python dan saya menganggap saya tidak akan pernah menggunakannya lagi.

Maju cepat ke salah satu pekerjaan saya pertama setelah lulus kuliah. Saya bekerja di sebuah perusahaan pemasaran sebagai manajer proyek junior. Saya bekerja dengan tim seniman, spesialis pemasaran, spesialis produksi, dan satu analis di seluruh bangunan yang mengelola analitik untuk sekitar 15 klien sendirian. Dia akan meminta saya untuk membantu secara berkala untuk memeriksa matematika atau membuat laporan sederhana. Ketika dia harus cuti sakit selama beberapa minggu, dia meminta atasan saya dan saya untuk mengambil alih pekerjaannya sementara dia pergi. Ketika dia kembali, saya meminta transfer ke departemennya. Bekerja dengan data sangat menarik bagi saya. Ini pasti sebuah belokan yang tidak terduga dalam karir saya, tapi saya tidak pernah menyesali itu. Saya terus ingin belajar lebih banyak, jadi saya mengambil kursus dan melamar pekerjaan analitik di mana saya bisa belajar dari orang lain. Lalu semuanya menjadi lengkap dan saya bekerja dengan python lagi, meskipun dengan cara yang sangat berbeda dari sebelumnya.

Semua ini untuk mengatakan bahwa saya awalnya masuk ke ilmu data sepenuhnya karena kebetulan.

Anda saat ini adalah Direktur Data & Analitik di Fresh Eyes Digital, sebuah perusahaan yang bekerja dengan organisasi nirlaba. Bisakah Anda membagikan apa yang dilakukan perusahaan dan pekerjaan yang Anda lakukan di sana?

Fresh Eyes adalah sebuah perusahaan konsultan yang menyediakan dukungan pemasaran dan penggalangan dana untuk organisasi nirlaba. Kami bekerja dengan klien untuk memahami donor mereka, membangun kampanye digital di sekitar tujuan nirlaba, dan membantu organisasi nirlaba memahami bagaimana kehadiran digital mereka dapat ditingkatkan untuk mencapai tujuan tersebut. Fresh Eyes merekrut saya karena mereka ingin membangun penawaran data yang lebih kuat. Awalnya, saya bekerja dengan mereka sebagai konsultan di mana saya membantu mereka merancang pengujian multivariat digital, memahami hasilnya, dan mengotomatisasi layanan analitik dan pelaporan. Sekarang, saya bekerja dengan mereka untuk membangun serangkaian penawaran untuk organisasi nirlaba. Beberapa proyek yang saya kerjakan termasuk analisis prediktif sekitar tingkat konversi dan donasi pendonor selama waktu. Memahami efek dari faktor eksternal, seperti iklim politik, perubahan ekonomi, dan siklus berita, serta faktor internal, seperti strategi pesan pemasaran, laporan dampak nirlaba, dan bahkan pergerakan peran kepemimpinan dalam sebuah organisasi, dan bagaimana semua ini dapat mempengaruhi kemungkinan konversi. Banyak informasi ini mempengaruhi analitik perkiraan dan pelaporan kami dan model klasifikasi untuk lebih memahami pendonor dan keterlibatan.

Organisasi nirlaba mulai memanfaatkan metode statistik lanjutan dan menyadari bahwa ini membantu kemampuan mereka untuk melihat misi mereka ketika mereka dapat lebih memahami dampak mereka dan mengumpulkan dana dengan cara yang lebih terstruktur.

Salah satu prestasi yang paling Anda banggakan adalah menjadi advokat untuk keragaman di STEM, bisakah Anda membagikan beberapa sorotan?

Ada banyak organisasi hebat di luar sana yang bekerja menuju keragaman dan kesetaraan di STEM: Black Girls Code, ByteBack di DC, DataKind, dan baru-baru ini, organisasi saya, Zeta Phi Beta Inc., bersama dengan beberapa organisasi lain, telah bermitra dengan Google (GOOGL ) untuk melatih kelompok yang kurang terwakili dalam pelatihan teknis dan komputer. Saya melakukan bagian saya dengan menjadi sukarelawan dengan organisasi-organisasi ini, menjadi mentor bagi orang-orang yang baru memasuki bidang ini, berbicara di acara-acara (terutama acara teknologi, di mana saya sering kali satu-satunya wanita atau orang berwarna), dan mengajar di lokakarya di sekolah-sekolah (terutama sekolah mayoritas minoritas, sekolah pedesaan, dan sekolah alternatif). Selain itu, saya telah bekerja dengan beberapa bisnis untuk diversifikasi program magang dan program sarjana tingkat awal. Banyak dari pekerjaan ini saya lakukan karena kebiasaan. Saya tumbuh dewasa di rumah dan komunitas di mana menjadi sukarelawan adalah bagian dari kehidupan sehari-hari. Saya terus melakukannya melalui kuliah dan setelahnya dengan Zeta Phi Beta Inc. Namun, saya pikir saya tertarik pada bidang ini karena saya tidak memiliki kesempatan untuk belajar tentang komputer dan coding sampai kuliah, dan ketika saya masuk kuliah, saya ingat perasaan negatif yang saya rasakan saat mengambil minor di ilmu komputer. Saya tidak ingin siapa pun, terutama seseorang yang mencoba belajar dan meningkatkan diri, mengalami hal itu. Saya tidak berpikir saya benar-benar menyadari dampak yang saya buat sampai saya berbicara dengan sekelompok siswa di acara perekrutan dan seorang gadis muda hitam dan ibunya datang kepada saya dan mengatakan bahwa saya adalah wanita teknis berwarna pertama yang mereka lihat di konferensi atau acara perekrutan. Itulah saat saya tahu saya harus membuat ini menjadi bagian dari rutinitas saya.

Saya mencoba berpartisipasi dalam program-program seperti ini secara teratur. Bahkan, pada tanggal 16 Maret, saya akan menjadi co-tuan rumah hackathon dengan seorang ilmuwan data yang luar biasa dan teman baik saya, Swathi, dalam kerja sama dengan Girls in AI.

Anda juga telah bekerja pada perluasan pendidikan teknologi di daerah pedesaan dan/atau daerah berpenghasilan rendah. Seberapa besar masalah ini?

Wah. Tidak ada waktu untuk membicarakan betapa besarnya masalah ini! Coronavirus membuat jelas bahwa ada ketidaksetaraan yang sistemik dalam masyarakat kita. Sayangnya, salah satu yang terbesar adalah pendidikan. Saya memiliki seorang teman yang bekerja di sekolah alternatif di pinggiran DC. Siswa di sana sering kali lebih tua, mereka harus memegang pekerjaan tambahan sambil bersekolah, mereka tidak selalu memiliki alat di rumah untuk melakukan pembelajaran jarak jauh seperti laptop atau komputer desktop. Siswa-siswa ini memiliki seorang guru yang mendukung mereka, bekerja sama dengan sekolah untuk mendapatkan opsi mobile untuk memastikan sebagian besar siswa dapat mengakses sekolah melalui ponsel mereka. Namun, ini tidak selalu terjadi di lingkungan sekolah alternatif atau berpenghasilan rendah. Situasi pedesaan sama-sama sulit bagi siswa dan guru. Internet berkecepatan tinggi dapat sangat mahal di daerah pedesaan dan dalam beberapa kasus tidak tersedia. Siswa duduk di parkiran McDonald’s untuk mengakses internet adalah tidak dapat diterima, tetapi merupakan kebutuhan yang tidak menyenangkan di beberapa daerah. Saya tahu guru-guru di pedesaan Pennsylvania yang tidak dapat mendapatkan internet yang baik untuk terhubung ke kelas virtual mereka.

Di luar coronavirus, ada masalah underfunding di sekolah-sekolah pedesaan dan berpenghasilan rendah, kurangnya guru yang terlatih secara teknis, terutama di daerah pedesaan di mana menarik bakat dapat sulit, dan, tentu saja, bias umum melawan siswa berwarna, siswa imigran, dan bahkan siswa pedesaan yang mungkin terlihat atau terdengar berbeda dari “budaya Amerika” yang lebih diterima. Semua skenario ini menambah kurangnya akses ke pendidikan STEM dan, oleh karena itu, siswa yang tidak pernah terpapar pada subjek dan karir tersebut.

Seberapa besar masalah bias gender dan rasial di AI?

Ini adalah sesuatu yang semua bisnis dan organisasi harus pertimbangkan. Sayangnya, ini adalah masalah yang sulit untuk dipecahkan karena jika AI menunjukkan bias terhadap atau melawan kelompok tertentu, itu sering berarti bahwa dalam bidang tersebut, perusahaan atau organisasi sudah memiliki pola bias sebelumnya. AI bergantung pada pola masa lalu untuk memprediksi perilaku masa depan dan hanya memperkuat perilaku ini. Namun, sulit untuk membuat manusia mengakui bias mereka sendiri, kita semua memiliki bias dan sering kali tidak sengaja bertindak berdasarkan bias tersebut. Perlu ada sistem yang ada untuk membantu mitigasi bias ini dan menjaga tim tetap bertanggung jawab, baik dari sisi teknis maupun bisnis.

Bagaimana kita dapat memastikan bahwa aplikasi AI hari ini tidak memperkuat bias yang dimiliki manusia?

Ada beberapa langkah yang dapat diambil organisasi untuk menciptakan standar praktik dalam ilmu data dan AI untuk membantu mitigasi bias. Saya tidak dapat menekankan cukup bahwa ini harus menjadi proses kolaboratif antara tim teknis dan tim bisnis. Pentingnya konteks yang tidak selalu terlihat oleh tim teknis sangat penting.

Ini dimulai dengan mengenali dan mengidentifikasi sumber bias potensial. Ini dapat terjadi dalam proses pengumpulan data, pemilihan fitur untuk pembangunan model, atau dapat terjadi sepenuhnya di luar data dalam praktik bisnis. Misalnya, saya pernah diminta oleh seorang pemimpin di sebuah perusahaan jika audiens inti mereka benar-benar pria tua yang kaya yang lebih sering tinggal di daerah pedesaan atau pinggiran kota. Saya melihat data dan menyadari bahwa pipa data mereka memiliki representasi yang berlebihan dari kelompok ini. Namun, saya juga menyadari bahwa sebagian besar pelanggan mereka berasal dari sumber media yang sama, yaitu radio berbicara konservatif. Saya belajar dari anggota tim pemasaran bahwa perusahaan tersebut menerima pemasaran dengan biaya rendah hingga nol di platform-platform ini pada awal peluncuran mereka, dan sebagian besar pelanggan mereka mencerminkan hal ini. Biasnya tidak ada dalam data, tetapi dalam kurangnya diversifikasi dalam strategi komunikasi. Namun, sebagai hasilnya, model skor nilai seumur hidup yang dibuat oleh tim data menghitung pria tua yang kaya dari komunitas pedesaan dan pinggiran kota sebagai pelanggan dengan kinerja terbaik, memperkuat strategi komunikasi yang digunakan oleh tim pemasaran. Ini adalah sesuatu yang tidak seharusnya menjadi tanggung jawab tim teknis, tetapi mereka harus bertanggung jawab untuk mengajukan pertanyaan yang tepat.

Ini membawa saya ke langkah kedua, yaitu menetapkan pedoman untuk mencari dan kemudian menangani bias begitu ditemukan. Setelah Anda mengidentifikasi sumber bias potensial, organisasi harus membuat daftar periksa dari sumber-sumber ini untuk mencari masalah ini dan menciptakan jalur untuk seseorang yang menemukan data atau pola yang mengkhawatirkan untuk mengatasi masalah tersebut. Ini tidak dapat dilakukan dalam vakum. Ini adalah tanggung jawab semua tim untuk memastikan bahwa aplikasi tidak memperkuat bias. Seperti contoh di atas, tim data tidak memiliki tanggung jawab atas strategi komunikasi. Mereka dapat membantu menunjukkan temuan dan kemudian bekerja dengan tim lain di organisasi untuk mengatasi masalah tersebut. Dalam hal ini, tim komunikasi bekerja dengan tim ilmu data untuk menguji strategi komunikasi lain yang menargetkan kelompok demografis yang berbeda.

Ketika bias muncul dalam model data, kadang-kadang ini dapat terjadi dalam cara tim data menentukan pemilihan fitur, data apa yang dimasukkan atau dikecualikan dalam penyimpanan data, atau bahkan metrik yang diprediksi. Dalam kasus-kasus ini, penting bagi tim data untuk memahami bahwa akurasi model tidak selalu setara dengan keadilan model. Mungkin benar bahwa memasukkan fitur tertentu dalam model data dapat meningkatkan akurasi prediktif model, tetapi tambahan 0,5% akurasi mungkin datang dengan biaya sosial atau bisnis. Menentukan apa yang adil bukanlah tugas yang mudah dan memerlukan partisipasi tim yang multifaset. Salah satu metodologi yang disebut “keadilan kontrafaktual” mempertimbangkan bahwa keputusan adalah adil terhadap individu jika keputusan tersebut sama di dunia nyata dan di dunia kontrafaktual di mana individu tersebut termasuk dalam kelompok demografis yang berbeda. Selain itu, Microsoft (MSFT ) dan Google AI telah menerbitkan standar untuk mempertimbangkan keadilan dalam AI. Saya secara pribadi merujuk pada pedoman EU tentang etika dalam kecerdasan buatan, yang saya temukan cukup komprehensif untuk industri saya. Setelah standar keadilan ditetapkan, tim data dapat menentukan apakah solusi untuk memproses data sebelumnya, mengubah keputusan sistem setelahnya, atau mengintegrasikan definisi keadilan ke dalam proses pelatihan itu sendiri. Pertanyaan tentang bias dalam data adalah masalah yang kompleks yang memerlukan evaluasi teratur dan suara dari berbagai orang. Ini bukan hanya masalah teknis yang perlu dipecahkan.

Apa pandangan Anda tentang kebijakan etika data dan AI yang diberlakukan oleh pemerintah?

Saya pikir ada gerakan dalam arah yang benar dengan menciptakan standar prosedur ketika datang ke etika AI dan data. Perintah eksekutif Trump tentang etika AI menciptakan registri model yang diterapkan dalam pemerintah, menetapkan timeline untuk menciptakan pedoman kebijakan, mendorong agen-agen untuk merekrut tim dan individu yang berfokus pada teknologi, dan mendorong transparansi dalam penggunaan AI di seluruh pemerintah di area yang tidak terkait dengan R&D atau keamanan nasional, yang saya pikir sangat penting. Rencana yang luas ini adalah perkembangan yang menggembirakan dalam pemerintah, yang secara historis lambat dalam mengadopsi teknologi. Namun, kebijakan ini telah melakukan sedikit untuk menciptakan budaya etika, menciptakan rencana yang wajib atau kohesif di seluruh agen-agen, atau bahkan untuk mendefinisikan apa yang dimaksud dengan etika atau keadilan dalam konteks ini. Ketika administrasi baru datang, saya akan menekankan pada mereka untuk memperkuat rencana ini dengan rencana yang lebih terstruktur dan kohesif di seluruh agen-agen, serta prosedur evaluasi yang secara hati-hati mempertimbangkan dampak manusia, karena banyak dari pekerjaan yang dilakukan oleh pemerintah kita mempengaruhi kehidupan sehari-hari orang-orang, baik domestik maupun luar negeri.

Apakah ada yang lain yang ingin Anda bagikan tentang pekerjaan Anda dengan Fresh Eyes Digital?

Ilmu data dapat digunakan oleh organisasi nirlaba untuk meningkatkan dampak mereka yang bekerja untuk memperbaiki dunia kita dengan banyak cara. Untuk organisasi-organisasi ini, mengumpulkan data biasanya bukanlah masalah mereka. Mereka memiliki banyak data untuk bekerja. Menggunakan data ini dengan cara yang jelas dan dapat diambil tindakan adalah sulit bagi organisasi-organisasi ini, yang sering kali terbatas sumber daya dan mungkin tidak memiliki tim analitik internal yang siap. Pekerjaan yang kami lakukan di departemen data di Fresh Eyes Digital membantu organisasi-organisasi ini untuk memahami dan menerapkan data mereka dengan cara yang tepat, membuat keputusan yang lebih terinformasi dan strategis. Saya senang memiliki kesempatan untuk bekerja dengan organisasi-organisasi ini dengan cara yang membantu membuat mereka lebih efisien dan efektif dalam bekerja untuk mempengaruhi dunia kita dengan cara-cara positif.

Terima kasih atas jawaban yang terperinci dan saya berharap dapat mengikuti ventura Anda di masa depan. Pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi situs web Ashley Bryant-Baker dan/atau Fresh Eyes Digital,