アシュリー・ブライアント＝ベイカー、フレッシュアイズデジタルのデータ＆アナリティクスディレクター – インタビューシリーズ

アシュリー・ブライアント＝ベイカーは、フレッシュアイズデジタルのデータ＆アナリティクスディレクターです。フレッシュアイズデジタルは、非営利組織の成功に焦点を当てたコンサルティング会社です。フレッシュアイズデジタルに参加する前、アシュリーは自身のコンサルティング会社、B＆Bデータソリューションズを運営していました。そこでは、ブランドがデータソリューションを構築し、活用するのを支援していました。アシュリーは、10年以上にわたって、消費者向け製品、旅行、物流、ヘルスケア、非営利組織などの業界でアナリティクスに従事しています。

彼女は、AIにおけるジェンダーバイアス、AIを使用した顧客セグメンテーション、職場での多様性などのテーマで人気のあるスピーカーとなりました。最近、SXSW、Data Minds Connect、Digital Summit DCなどのイベントで講演するよう招待されました。アシュリーは、パリのアメリカン・グラジュエート・スクール、ジョージタウン、LSU、フォート・ヘイズ州立大学に通っています。国際経済学の修士号、データサイエンスの証明書、ビジネス学士号、美術学士号を取得しています。

コンピューターサイエンスとデータサイエンスに興味を持ったきっかけは何ですか?

大学時代、美術を学んでいて、卒業後はゲームデザイナーとしてゲーム会社で働くことを計画していました。3Dコンピューターモデルを作成し、キャラクターとオブジェクトを設計し、ゲーム内で人々が互動するようにすることを目指していました。実際、大学時代にはEA Sportsでゲームの品質保証テスターとして働いていました。大学にはコンピューターアーツの専攻コースがなかったため、美術学位を補うためにコンピューターサイエンスを副専攻しました。初めのうちはコンピューターサイエンスの授業が全く好きになれませんでした。他の学生や教授から、経験のない自分に対する冷たい態度に遭遇しました。美術の卒業制作で動く3Dチェスゲームを作るために、コンピューターサイエンスの副専攻を続けました。PythonとMayaを使用して、ピースがボード上を歩き、シンプルなAIが対戦できるチェスゲームを作りました。当時、Pythonを使用することはほとんどなかったので、将来使う機会がないと思っていました。

大学卒業後の初めての仕事では、マーケティング会社でジュニアプロジェクトマネージャーとして働きました。アーティスト、 マーケティングスペシャリスト、プロダクションスペシャリスト、そして1人のアナリストと一緒に働きました。アナリストは15のクライアントのアナリティクスを1人で管理していました。彼女は時折、数学を確認したり、シンプルなレポートを作成したりするのを手伝ってもらっていました。彼女が数週間の病気休暇に出たとき、上司と私に彼女の仕事を代行するよう頼まれました。彼女が戻ってきたとき、彼女の部門への転勤を申し込みました。データを扱うことは私にとって非常に面白かったです。キャリアの意外な方向転換でしたが、戻ることはありません。さらに学びたいと思ったので、コースを受講し、アナリティクスの仕事に応募しました。すべてが円満に終わり、Pythonを再び使用することになりましたが、以前とまったく異なる方法でした。

以上のように、データサイエンスに興味を持ったのは完全に偶然です。

現在、フレッシュアイズデジタルのデータ＆アナリティクスディレクターを務めています。会社の業務とそこでの仕事についてお話しください。

フレッシュアイズデジタルは、非営利組織にマーケティングとファンドレイジングのサポートを提供するコンサルティング会社です。クライアントと協力して、寄付者を理解し、非営利目標を中心にデジタルキャンペーンを構築し、デジタルプレゼンスを高めて目標を達成するのを支援します。フレッシュアイズデジタルは、私を雇用してより堅牢なデータ提供を構築したいと考えていました。初めのうちは、コンサルタントとして働き、デジタルマルチバリアテンストテストの設計、結果の理解、分析およびダッシュボードの自動化サービスを支援しました。現在、私は非営利組織向けのサービスを構築するために働いています。進行中のプロジェクトには、構成員および寄付者の転換率と寄付率の予測分析、外部要因（政治情勢、経済変動、ニュースサイクル）と内部要因（マーケティングメッセージ戦略、非営利影響レポート、組織内のリーダーシップ役職の動向）が寄付率に与える影響の理解、予測分析とダッシュボード、分類モデルによる寄付者と関与の理解の向上が含まれます。これらの情報は、より十分な意思決定を行うために、非営利組織に役立っています。

非営利組織は、先進的な統計的手法を採用し、影響をよりよく理解し、構造化された方法で資金を調達することができるため、データサイエンスの使用を増やしています。

STEMにおける多様性のためのアドボカシーは、彼女の最も自慢できる成果の1つです。いくつか具体的な例を挙げてください。

多様性と公平性をSTEMに導入するための優れた組織が多くあります。Black Girls Code、ByteBack、DataKind、最近では私のソロリティZeta Phi Beta Inc.がGoogleと協力して、コンピューターと技術トレーニングを未表現のグループに提供するために取り組んでいます。私はこれらの組織とボランティアとして協力し、新入生にメンターとなり、イベント（特にテクノロジーイベント）で講演し、学校（特に多数のマイノリティ、農村、代替学校）でワークショップを開催しています。さらに、企業のインターンシッププログラムと新入社員のグラジュエートプログラムを多様化するために取り組んでいます。私はこれらの活動を習慣的に行っています。私はボランティアを日常の一部として育ち、大学を経て今まで続けてきました。しかし、私は特にこの分野に惹かれたと思います。私はコンピューターとコーディングについて学ぶ機会がなかったため、大学でコンピューターサイエンスの学位を取得するまで待たなければなりませんでした。大学では、コンピューターサイエンスの学位を取得しようとするときに感じた否定的な感情を忘れることができません。誰もが学び、自己改善しようとする人に対して、そんな経験をさせてしまうことは、私には考えられません。私は、自分の影響力を実感したのは、採用イベントで学生たちと話をしているときでした。黒人の若い女性とその母親が私に近づいて、彼女らが初めて見た技術的な黒人女性だと言ったときでした。そこで、私はこの活動を定期的に行う必要性を感じました。実際、3月16日に、データサイエンティストのスワティと共に、Girls in AIと共同でハッカソンを共同開催する予定です。

農村および/または低所得地域におけるテクノロジー教育の拡大についても取り組んでいます。どれほど大きな問題ですか?

話し尽くす時間がありませんが、これは大きな問題です！コロナウイルスは、社会にシステム的な不平等があることを明らかにしました。教育が1つの大きな不平等です。ワシントンD.C.郊外の代替学校で働く友人がいます。生徒たちは、仕事と高校に通うのを両立させなければなりません。家庭で学習をするためのツールや、ラップトップ、デスクトップコンピューターが常に利用できるわけではありません。教師が生徒たちのために携帯電話でモバイルオプションを作成するよう学校と協力した結果、ほとんどの生徒が学校にアクセスできるようになりました。しかし、低所得または代替学校環境では、常にそうではありません。農村地域では、高速インターネットが非常に高価で、場合によっては利用できないことがあります。学生たちがインターネットを利用するためにマクドナルドの駐車場に座っていることは、受け入れられませんが、残念ながら、ある地域では必要なことです。ペンシルバニア州農村部の教師は、バーチャルクラスルームに接続するための適切なインターネットを自分で利用できないことがあります。

コロナウイルスの外では、農村および低所得学校では、技術的にトレーニングされた教師が不足しており、特に農村地域では、才能を引き付けるのが難しいことがあります。また、人種、移民、農村出身の学生に対する一般的な偏見もあります。すべてこれらのシナリオは、STEM教育へのアクセスが不足する原因となります。

AIにおけるジェンダーと人種のバイアスはどれほど大きな問題ですか?

すべての企業や組織が考慮すべき問題です。残念ながら、この問題は解決しづらく、AIが特定のグループに対して偏見を示す場合、多くの場合、企業や組織がすでにその分野で偏見を持っていることを意味します。AIは、将来の行動を予測するために過去のパターンに依存しており、これらの行動を増幅させます。しかし、人間が自分の偏見を認識することは難しく、無意識にそれに基づいて行動することがあります。偏見を軽減するためのシステムを設け、技術チームとビジネスチームの両方を責任あるものにする必要があります。

AIアプリケーションが人間の偏見を増幅しないようにするにはどうすればよいですか?

組織は、データサイエンスとAIにおける公平性の標準的な慣行を確立するためのステップを踏むことができます。私は、技術チームとビジネスチームの間のコラボレーションの重要性を強調したいと思います。技術チームには、常に可視化できないコンテキストが必要です。

潜在的な偏見の源を認識して特定することから始めます。データ収集プロセスで、モデル構築の際の特徴選択で、またはデータ以外のビジネス慣行で発生する可能性があります。たとえば、ある会社のリーダーが私に、同社のコアオーディエンスが実際に老若男女で、郊外や農村地域に住むことが多いのかどうかを尋ねました。データを調べると、同社のデータパイプラインにはそのグループが過剰に表れていることがわかりました。しかし、同社の顧客の大部分は同じメディアソース、保守的なラジオトークショーから来ていることもわかりました。マーケティングチームのメンバーから、同社がこれらのプラットフォームで低コストまたは無償でマーケティングを行っていたことを知りました。偏見はデータの中ではなく、マーケティング戦略の多様性の欠如にありました。しかし、結果として、データチームが作成した顧客の生涯価値スコアリングモデルは、老若男女、郊外や農村地域の顧客を最も優れた顧客としてスコアリングし、マーケティングチームが採用したコミュニケーション戦略を増幅させました。これは、技術チームが知るべきことではありませんが、正しい質問を尋ねる責任があります。

これにより、2番目のステップに進みます。偏見が見つかったら、それに対処するためのガイドラインを設定する必要があります。潜在的な偏見の源を特定したら、組織はそのような問題を探すためのチェックリストを作成し、誰かが懸念されるデータやパターンを見つけたときにそれらを報告するためのパスを作成する必要があります。これは、孤立した空間で行うことはできません。すべてのチームが、AIアプリケーションが偏見を増幅させないようにする責任があります。上記の例のように、データチームはコミュニケーション戦略についての責任を負っていませんが、調査結果を特定し、組織内の他のチームと協力してそれらに対処することができます。この場合、コミュニケーションチームは、さまざまな人口統計グループを対象にしたさまざまなコミュニケーション戦略をテストするために、データサイエンスチームと協力しました。

データモデルにバイアスが見つかった場合、それは特徴選択やデータストアに含まれるデータ、または予測されるメトリックの方法によって起こることがあります。そうした場合、データチームは、モデル精度が常に公平性に等しいわけではないことを理解する必要があります。特定の特徴をデータモデルに含めることで、モデルの予測精度が向上するかもしれませんが、追加の0.5％の精度は、社会的またはビジネス上のコストを伴う可能性があります。公平性の意味を決定することは、簡単なタスクではありません。多面的なチームの参加が必要です。カウンターファクチュアルフェアネスと呼ばれる1つの方法では、決定が公平であるかどうかを判断するために、実際の世界と、個人が異なる人口統計グループに属するカウンターファクチュアル世界を考慮します。さらに、MicrosoftとGoogle AIは、AIにおける公平性を説明するための標準を公開しています。私は、EUのAIにおける倫理に関するガイドラインを参照します。これは、私の業界にとってかなり包括的です。公平性の標準が確立されると、データチームは、データを事前に処理するか、システムの決定をその後変更するか、または公平性の定義をトレーニングプロセス自体に組み込むかを決定できます。データにおける偏見の問題は、複雑で、幅広い人々の声が必要な問題です。これは、技術的な問題だけに留まらないのです。

AIとデータ倫理に関する政府の政策についてどう思いますか?

AI倫理に関する手順の標準を確立することで、正しい方向に向かっている動きがあります。トランプの大統領令は、政府内で展開されたモデルを登録し、政策ガイダンスの作成のタイムラインを設定し、技術に特化したチームと個人の雇用を奨励し、政府全体でAIの使用の透明性を促進します。これは、従来技術の採用が遅れていた政府にとって、興奮するべき開発です。しかし、これらの政策は、倫理の文化を生み出すこと、政府全体に一貫した計画を生み出すこと、またはこれらの文脈での「倫理」または「公平性」の意味を定義することにほとんど貢献していません。新しい政権が就任するにつれて、彼らに、政府全体で一貫性のある計画を固めて、人々の生活に影響を与える政府の仕事を慎重に検討する評価プロセスを設けることを強調したいと思います。

フレッシュアイズデジタルでの仕事についてさらに何か共有したいことはありますか?

データサイエンスは、世界を良くするために働いている非営利組織の影響を高めるために使用できます。データの収集は通常、非営利組織の問題ではありません。多くのデータを扱っているのです。フレッシュアイズデジタルのデータ部門で行っている仕事は、これらの組織がデータを明確かつ実行可能な方法で使用できるように支援することです。私は、これらの組織と一緒に、世界に良い影響を与えるために、より効率的で効果的に働く手助けをする機会を持っていることを嬉しく思います。感謝します。

詳細な回答ありがとうございます。将来の取り組みを期待しています。さらに詳しく知りたい読者は、アシュリー・ブライアント＝ベイカーのウェブサイトまたはフレッシュアイズデジタルを訪問してください。