Ashley Bryant-Baker, Direttore di Data & Analytics di Fresh Eyes Digital – Serie di Interviste

Ashley Bryant-Baker è il Direttore di Data e Analytics di Fresh Eyes Digital, una società di consulenza focalizzata sul successo delle organizzazioni no-profit. Prima di Fresh Eyes Digital, ha gestito la sua società di consulenza, B&B Data Solutions, dove ha aiutato i marchi a costruire e sfruttare le soluzioni di dati. Ha lavorato nell’analisi dei dati per oltre un decennio in settori che vanno dai beni di consumo, ai viaggi, alla logistica, alla sanità e alle organizzazioni no-profit.

È diventata un’oratrice molto richiesta su argomenti come il pregiudizio di genere nell’AI, la segmentazione dei clienti utilizzando l’AI e la diversità sul posto di lavoro. È stata recentemente invitata a parlare a vari eventi, tra cui SXSW, Data Minds Connect e Digital Summit DC. Ashley ha frequentato The American Graduate School a Parigi, Georgetown, LSU e Fort Hays University. Ha un master in Economia Internazionale, un certificato in Data Science, un Bachelor in Business e un Bachelor in Arte.

Cosa ti ha inizialmente attratto verso l’informatica e la scienza dei dati?

Al college ho studiato arte e mi interessavo a lavorare per una società di videogiochi quando mi sono laureata come game designer. Il mio piano era quello di creare modelli 3D e progettare personaggi e oggetti con cui le persone avrebbero interagito nel gioco. Ho anche lavorato come tester di qualità per EA Sports al college. Poiché all’epoca non c’era una concentrazione in informatica artistica alla mia università, ho deciso di fare un minor in informatica per integrare il mio diploma in arte. Inizialmente non mi piacevano le lezioni di informatica per niente. C’era un’ostilità borderline nei confronti delle persone senza esperienza (come me) da parte degli altri studenti e anche di alcuni professori. Ho mantenuto il mio minor perché il mio obiettivo per il mio capolavoro di arte era quello di progettare e programmare un videogioco funzionante. Ho utilizzato python e maya per costruire un gioco di scacchi 3D con pezzi animati che camminavano sulla scacchiera e un’intelligenza artificiale molto semplice che poteva giocare contro di te. All’epoca non sapevo nulla di python e pensavo che non l’avrei mai utilizzato di nuovo.

Proiettiamoci in avanti a uno dei miei primi lavori dopo il college. Stavo lavorando in una società di marketing come project manager junior. Lavoravo con un team di artisti, specialisti di marketing, specialisti di produzione e un’analista che gestiva l’analisi per circa 15 clienti da sola. Mi chiedeva aiuto periodicamente per controllare i suoi calcoli o creare semplici report. Quando doveva prendersi una pausa per malattia per diverse settimane, mi ha chiesto al mio supervisore e a me se potevo sostituirla mentre era via. Quando è tornata, le ho chiesto di trasferirmi nel suo dipartimento. Lavorare con i dati era così interessante per me. È stato sicuramente un cambiamento inaspettato nella mia carriera, ma non mi sono mai guardata indietro. Volevo continuare a imparare, quindi ho seguito corsi e ho fatto domanda per lavori di analisi in cui potevo imparare da altri. Poi tutto è tornato pieno cerchio e ho iniziato a lavorare con python di nuovo, sebbene in un modo completamente diverso da prima.

Tutto ciò per dire che sono entrata nella scienza dei dati per puro caso.

Attualmente sei il Direttore di Data & Analytics di Fresh Eyes Digital, una società che lavora con le organizzazioni no-profit. Potresti condividere cosa fa la società e il lavoro che svolgi lì?

Fresh Eyes è una società di consulenza che fornisce supporto di marketing e raccolta fondi alle organizzazioni no-profit. Lavoriamo con i clienti per capire i loro donatori, costruire campagne digitali intorno agli obiettivi delle organizzazioni no-profit e aiutare le organizzazioni no-profit a capire come la loro presenza digitale possa essere elevata per raggiungere quegli obiettivi. Fresh Eyes mi ha assunto perché volevano costruire un’offerta di dati più robusta. Inizialmente ho lavorato con loro come consulente, dove ho aiutato a progettare test multivariati digitali, a capire i risultati e ad automatizzare i servizi di analisi e dashboarding. Ora sto lavorando con loro per costruire una serie di offerte per le organizzazioni no-profit. Alcuni progetti su cui sto lavorando includono l’analisi predittiva sui tassi di conversione e donazione dei costituenti e dei donatori nel tempo. Capire gli effetti dei fattori esterni, come il clima politico, i cambiamenti economici e i cicli di notizie, nonché i fattori interni, come le strategie di messaggistica di marketing, i rapporti di impatto delle organizzazioni no-profit e persino il movimento dei ruoli di leadership all’interno di un’organizzazione e come tutti questi possono influenzare la propensione alla conversione. Molte di queste informazioni informano la nostra analisi di previsione e i nostri dashboard e modelli di classificazione per capire meglio i donatori e l’engagement.

Le organizzazioni no-profit stanno abbracciando l’uso di metodi statistici avanzati e stanno capendo che ciò aiuta la loro capacità di vedere la loro missione attraverso quando sono in grado di capire meglio il loro impatto e raccogliere fondi in modo più strutturato.

Una delle tue realizzazioni più grandi è essere un’advocata per la diversità nella scienza, tecnologia, ingegneria e matematica (STEM), potresti condividere alcuni di questi punti salienti?

Ci sono così tante grandi organizzazioni là fuori che stanno lavorando verso la diversità e l’equità nella scienza, tecnologia, ingegneria e matematica: Black Girls Code, ByteBack a DC, DataKind e, più recentemente, la mia confraternita Zeta Phi Beta Inc. insieme a diverse altre organizzazioni hanno collaborato con Google (GOOGL ) per formare gruppi sottorappresentati nella formazione tecnica e informatica. Faccio la mia parte volontariando con queste organizzazioni, essendo una mentore per le persone che entrano nel settore, parlando agli eventi (in particolare gli eventi tecnici, dove a volte sono l’unica donna o persona di colore) e insegnando in laboratori nelle scuole (soprattutto scuole a maggioranza di minoranze, scuole rurali e scuole alternative). Inoltre, ho lavorato con diverse aziende per diversificare i loro programmi di stage e i programmi di laurea di primo livello. Gran parte di questo lavoro l’ho fatto per abitudine. Sono cresciuta in una casa e in una comunità in cui il volontariato faceva parte della vita quotidiana. Ho continuato questo attraverso il college e oltre con Zeta Phi Beta Inc. Tuttavia, credo di essermi orientata verso questa area perché non ho avuto l’opportunità di imparare sui computer e la programmazione fino al college e, quando sono arrivata al college, ricordo il senso di negatività che ho provato perseguendo il mio minor in informatica. Non voglio che nessuno, soprattutto qualcuno che sta cercando di imparare e migliorarsi, debba provare questo. Non credo di aver realmente capito l’impatto che stavo facendo fino a quando non ho parlato con un gruppo di studenti a un evento di reclutamento e una giovane ragazza nera e sua madre sono venute da me e mi hanno detto che ero la prima donna tecnica nera che avevano mai visto a una conferenza o evento di reclutamento. È stato allora che ho capito che dovevo rendere questa parte della mia routine regolare.

Cerco di partecipare a questo tipo di programmi regolarmente. In effetti, il 16 marzo sarò co-ospite di un hackathon con una fantastica scienziata dei dati e amica mia, Swathi, in collaborazione con Girls in AI.

Hai anche lavorato per espandere l’istruzione tecnologica nei quartieri rurali e/o a basso reddito. Quanto è grande questo problema?

Wow, non c’è abbastanza tempo per parlare di quanto grande sia questo problema! Il coronavirus ha reso cristallino che ci sono disuguaglianze sistemiche nella nostra società. Purtroppo, una delle più grandi è l’istruzione. Ho un’amica che lavora in una scuola alternativa alla periferia di DC. Gli studenti lì sono spesso più grandi, devono lavorare per mantenere se stessi in aggiunta a frequentare la scuola superiore, non hanno sempre gli strumenti a casa per fare l’apprendimento a distanza come un laptop o un computer desktop. Questi studenti avevano un insegnante che li sosteneva, lavorando con la scuola per ottenere un’opzione mobile per assicurarsi che la maggior parte degli studenti potesse accedere alla scuola sul loro cellulare. Tuttavia, non è sempre il caso in ambienti scolastici a basso reddito o alternativi. La situazione rurale è altrettanto difficile per gli studenti e gli insegnanti. L’accesso a Internet ad alta velocità può essere VERY costoso nelle aree rurali e in alcuni casi non disponibile. Gli studenti che siedono nei parcheggi di McDonald’s per l’accesso a Internet è inaccettabile, ma una necessità sfortunata in alcune di queste aree. Conosco insegnanti in Pennsylvania rurale che non possono ottenere un buon accesso a Internet per connettersi alle loro aule virtuali.

Fuori dal coronavirus, c’è il problema della mancanza di fondi nelle scuole rurali e a basso reddito, la mancanza di insegnanti tecnici formati, in particolare nelle aree rurali dove attirare talenti può essere difficile, e, naturalmente, il pregiudizio generale contro gli studenti di colore, gli studenti immigrati e persino gli studenti rurali che possono apparire o suonare diversi dalla cultura “americana” più ampiamente accettata. Tutti questi scenari contribuiscono alla mancanza di accesso all’istruzione STEM e, quindi, gli studenti che non vengono mai esposti a queste materie e carriere.

Quanto grande è il problema del pregiudizio di genere e razziale nell’AI?

È qualcosa che tutte le aziende e le organizzazioni dovrebbero considerare. Purtroppo, questo è un problema difficile da risolvere perché se l’AI mostra un pregiudizio verso o contro un particolare gruppo, significa spesso che in quel particolare settore l’azienda o l’organizzazione aveva già un modello di pregiudizio. L’AI si basa su modelli passati per prevedere il comportamento futuro e semplicemente amplifica questo comportamento. Tuttavia, è difficile far riconoscere agli esseri umani i loro pregiudizi, li abbiamo tutti e spesso agiamo inconsciamente su di essi. Ci devono essere sistemi in place per aiutare a mitigare questi pregiudizi e tenere i team responsabili sia sul lato tecnico che su quello aziendale.

Come possiamo assicurarci che le applicazioni AI di oggi non amplifichino i pregiudizi umani?

Ci sono alcuni passaggi che le organizzazioni possono fare per creare uno standard di pratica nella scienza dei dati e nell’AI per aiutare a mitigare il pregiudizio. Non posso esprimere abbastanza quanto questo debba essere un processo collaborativo tra i team tecnici e aziendali. L’importanza del contesto che non è sempre visibile ai team tecnici è fondamentale.

Comincia con il riconoscimento e l’identificazione delle potenziali fonti di pregiudizio. Ciò può accadere nel processo di raccolta dei dati, nella selezione delle caratteristiche per la costruzione del modello o può accadere completamente al di fuori dei dati nelle pratiche aziendali. Ad esempio, una volta mi è stato chiesto da un leader di un’azienda se il loro pubblico di riferimento fosse veramente costituito da uomini più anziani e ricchi che vivevano più spesso in quartieri rurali o suburbani. Ho guardato i dati e mi sono resa conto che il loro flusso di dati aveva una sovrarappresentazione di questo gruppo. Ma ho anche notato che la maggior parte dei loro clienti proveniva dalle stesse fonti di media, la radio talk show conservatrice. Ho appreso da un membro del team di marketing che l’azienda aveva ricevuto un marketing a basso costo o gratuito su queste piattaforme all’inizio del loro lancio e la maggior parte dei loro clienti rifletteva questo. Il pregiudizio non era nei dati, ma nella mancanza di diversificazione nella strategia di comunicazione. Tuttavia, come risultato, il modello di punteggio del valore della vita che il team di dati ha creato ha valutato gli uomini più anziani e ricchi dei quartieri rurali e suburbani come i clienti migliori, amplificando la strategia di comunicazione che il team di marketing aveva impiegato. Questo è qualcosa che nessun team tecnico dovrebbe essere responsabile di sapere, tuttavia dovrebbero essere responsabili di fare le domande giuste.

Questo mi porta al secondo passo, che è quello di stabilire linee guida per la ricerca e quindi per la gestione del pregiudizio una volta che è stato scoperto. Una volta che si sono identificate le potenziali fonti di pregiudizio, l’organizzazione dovrebbe creare un elenco di controllo di queste fonti per cercare questi problemi e creare un percorso per qualcuno che trova dati o modelli preoccupanti da affrontare. Ciò non può essere fatto in un vuoto. È responsabilità di tutti i team assicurarsi che le applicazioni non amplifichino i pregiudizi. Come nell’esempio sopra, il team di dati non ha alcuna responsabilità sulla strategia di comunicazione. Possono aiutare a identificare i risultati e poi lavorare con altri team all’interno dell’organizzazione per affrontarli. In questo caso, il team di comunicazione ha lavorato con il team di scienza dei dati per testare altre strategie di comunicazione che servivano diversi gruppi demografici.

Quando i pregiudizi si verificano nei modelli di dati, a volte può essere nel modo in cui un team di dati determina la selezione delle caratteristiche, quali dati sono inclusi o esclusi negli archivi di dati o anche la metrica che viene prevista. In questi casi, è importante che il team di dati capisca che l’accuratezza del modello non è sempre equivalente alla correttezza del modello. Potrebbe essere vero che l’inclusione di determinate caratteristiche in un modello di dati aumenta l’accuratezza predittiva del modello, ma l’ulteriore 0,5% di accuratezza potrebbe derivare da un costo sociale o aziendale. Determinare cosa significhi “equo” non è un compito facile e richiede la partecipazione di team multifunzionali. Una metodologia chiamata “equità contrattuale” considera che una decisione è equa nei confronti di un individuo se è la stessa nel mondo reale e in un mondo contrattuale in cui l’individuo appartiene a un gruppo demografico diverso. Inoltre, Microsoft (MSFT ) e Google AI hanno pubblicato standard per tenere conto dell’equità nell’AI. Io personalmente faccio riferimento alle linee guida dell’UE sull’etica nell’intelligenza artificiale, che trovo abbastanza complete per il mio settore. Una volta stabilito uno standard di equità, il team di dati può determinare se la soluzione è quella di elaborare i dati in anticipo, alterare le decisioni del sistema successivamente o incorporare le definizioni di equità nel processo di formazione stesso. La questione del pregiudizio nei dati è un problema complesso che richiede una valutazione regolare e le voci di un’ampia gamma di persone. Non è semplicemente un problema tecnico da risolvere.

Quali sono le tue opinioni sulle politiche di etica dei dati e dell’AI attuate dal governo?

Credo che ci siano stati movimenti nella direzione giusta creando uno standard di procedura quando si tratta di etica dei dati e dell’AI. L’ordine esecutivo di Trump sull’etica dell’AI crea un registro dei modelli distribuiti all’interno del governo, stabilisce un calendario per la creazione di linee guida di politica, incoraggia le agenzie ad assumere team e individui tecnici e incoraggia la trasparenza nell’uso dell’AI in tutto il governo in aree non coinvolte nella R&D o nella sicurezza nazionale, cosa che credo sia immensamente importante. Questo tipo di piano di vasta portata è uno sviluppo emozionante nel governo, che storicamente è stato lento nell’adattare la tecnologia. Tuttavia, le politiche hanno fatto poco per creare una cultura di etica, creare piani compulsivi o coerenti tra le agenzie o per definire esattamente cosa significhi “etica” o “equità” in questi contesti. Mentre la nuova amministrazione arriva, vorrei sottolineare loro di consolidare questi piani con un piano più strutturato e coerente in tutte le agenzie, nonché con una procedura di valutazione che consideri attentamente l’impatto umano, poiché gran parte del lavoro che il nostro governo svolge influenza la vita quotidiana delle persone sia a livello nazionale che internazionale.

C’è qualcos’altro che ti piacerebbe condividere sul tuo lavoro con Fresh Eyes Digital?

La scienza dei dati può essere utilizzata dalle organizzazioni no-profit per aumentare l’impatto di coloro che lavorano per migliorare il nostro mondo in così tanti modi. Per queste organizzazioni, raccogliere i dati non è normalmente un problema. Hanno molti dati con cui lavorare. Utilizzare questi dati in modi chiari e azionabili è difficile per queste organizzazioni, che sono spesso strette dalle risorse e potrebbero non avere un team di analisi interno pronto all’uso. Il lavoro che svolgiamo nel dipartimento di dati di Fresh Eyes Digital aiuta queste organizzazioni a comprendere e a distribuire i loro dati nel modo giusto, prendendo decisioni più informate e strategiche. Sono felice di avere l’opportunità di lavorare con queste organizzazioni in un modo che aiuta a renderle più efficienti ed efficaci mentre lavorano per avere un impatto positivo sul nostro mondo.

Grazie per le risposte dettagliate e guardo con ansia ai tuoi futuri progetti. I lettori che desiderano saperne di più possono visitare il sito web di Ashley Bryant-Baker e/o Fresh Eyes Digital,