Ешли Брајант-Бејкер, директор на податоци и аналитика во Fresh Eyes Digital – серија на интервјуа

Ешли Брајант-Бејкер е директор за податоци и аналитика на Fresh Eyes Digital, консултантска фирма фокусирана на успехот на непрофитните организации. Пред Fresh Eyes Digital, таа водеше сопствена консултантска фирма, B&B Data Solutions, каде им помагаше на брендовите да градат и да користат решенија за податоци. Таа работи во аналитика повеќе од една деценија во индустрии кои се движат од спакувани производи за широка потрошувачка, патувања, логистика, здравствена заштита и непрофитни организации.

Таа стана баран говорник на темите за родова пристрасност во вештачката интелигенција, сегментација на клиенти со користење на вештачка интелигенција и разновидност на работното место. Таа неодамна беше поканета да зборува на различни настани, вклучувајќи ги SXSW, Data Minds Connect и Digital Summit DC. Ешли го посетувала Американското училиште за постдипломски студии во Париз, Џорџтаун, ЛСУ и Универзитетот Форт Хејс. Таа има магистерски студии по меѓународна економија, сертификат за наука за податоци, диплома за бизнис и диплома по уметност.

Што на почетокот ве привлече кон компјутерската наука и науката за податоци?

На колеџ студирав уметност и бев заинтересиран да работам за компанија за видео игри кога дипломирав како дизајнер на игри. Мојот план беше да направам 3D компјутерски модели и да дизајнирам ликови и предмети со кои луѓето ќе комуницираат во играта. Дури и работев како тестер за обезбедување квалитет на видео игри за EA Sports на колеџ. Бидејќи во тоа време немаше концентрација на компјутерски уметности на мојот универзитет, решив да се занимавам со компјутерски науки за да ја дополнам мојата диплома за уметност. На почетокот воопшто не ги сакав часовите по информатика. Имаше гранично непријателство кон луѓето кои немаа искуство (како мене) од други студенти, па дури и некои професори. Го издвоив мојот малолетник затоа што целта на мојот врвен камен беше да дизајнирам и програмирам работна видео игра. Користев питон и маја за да изградам 3D шаховска игра со анимирани фигури што се шетаа по таблата и многу едноставна вештачка интелигенција што може да игра против вас. Во тоа време не знаев ништо за питон и претпоставував дека никогаш повеќе нема да го користам.

Брзо напред кон една од моите први работни места надвор од колеџ. Работев во маркетинг фирма како помладиот. проект менаџер. Работев со тим од уметници, специјалисти за маркетинг, специјалисти за производство и една аналитичарка во целата зграда која сама управуваше со аналитика за околу 15 клиенти. Периодично ќе ме замоли за помош за да ја проверува својата математика или да креира едноставни извештаи. Кога таа мораше да оди на лекарско отсуство неколку недели, ме праша мојот претпоставен и мене дали можам да ја преземам додека ја нема. Кога се врати, побарав трансфер во нејзиниот оддел. Работата со податоците ми беше толку интересна. Дефинитивно тоа беше неочекуван пресврт во мојата кариера, но оттогаш не се вртев назад. Постојано сакав да научам повеќе, па посетував курсеви и аплицирав за аналитички работни места каде што можев да учам од другите. Потоа сè дојде во круг и повторно работев со питон, иако на тотално поинаков начин од порано.

Сето ова да се каже. Јас првично влегов во науката за податоци чисто случајно.

Во моментов сте директор на податоци и аналитика во Fresh Eyes Digital, компанија која работи со непрофитни организации. Можете ли да споделите што работи компанијата и работата што ја работите таму?

Fresh Eyes е консултантска фирма која обезбедува маркетинг и поддршка за собирање средства на непрофитни организации. Работиме со клиенти за да ги разбереме нивните донатори, да градиме дигитални кампањи околу непрофитни цели и да им помогнеме на непрофитните да разберат како нивното дигитално присуство може да се зголеми за да се исполнат тие цели. Fresh Eyes ме ангажираше затоа што сакаа да изградат поцврста понуда за податоци. Првично работев со нив како консултант каде што им помогнав да дизајнираат дигитално мултиваријантно тестирање, да ги разберат резултатите и да ги автоматизираат услугите за аналитика и табла. Сега работам со нив за да изградам пакет понуди за непрофитни организации. Некои проекти на кои работам вклучуваат предвидлива анализа околу стапките на конверзија и донации на конституентите и донаторите со текот на времето. Разбирање на ефектите од надворешните фактори, како што се политичката клима, економските промени и циклусите на вести, како и внатрешните фактори, како што се стратегиите за маркетинг пораки, извештаите за влијанието на непрофитните организации, па дури и движењето на лидерските улоги во организацијата и како сето тоа може да влијае склоност кон конвертирање. Многу од овие информации ја информираат нашата аналитика за прогнозирање и контролни табли и модели за класификација за подобро разбирање на донаторите и ангажманот.

Непрофитните организации ја прифаќаат употребата на напредни статистички методи и сфаќаат дека тоа им помага да ја увидат нивната мисија кога ќе можат подобро да го разберат нивното влијание и да соберат пари на поструктуриран начин.

Едно од вашите најгорди достигнувања е да се биде застапник за различноста во STEM, дали можете да споделите некои од овие најважни моменти?

Има толку многу големи организации таму кои работат на различност и правичност во STEM: Black Girls Code, ByteBack овде во DC, DataKind и неодамна моето друштво Zeta Phi Beta Inc. заедно со неколку други организации соработуваа со Google за да обучуваат недоволно застапени групи по компјутерска и техничка обука. Го правам мојот дел со тоа што волонтирам во овие организации, ќе бидам ментор на луѓето кои штотуку влегле на теренот, зборувајќи на настани (особено технолошки настани, каде што понекогаш сум единствената жена или личност со боја) и предавајќи на работилници во училиштата (особено мнозинството малцинство училишта, рурални училишта и алтернативни училишта). Дополнително, работев со неколку бизниси за да ги диверзифицирам нивните програми за практикантска работа и програми за постдипломски студии на почетно ниво. Многу од оваа работа ја работев од навика. Пораснав во дом и заедница каде волонтерството беше дел од секојдневието. Јас го продолжив тоа низ колеџот и понатаму со Zeta Phi Beta Inc. Сепак, мислам дека гравитирав кон оваа област бидејќи немав можност да учам за компјутерите и кодирањето до колеџ, а потоа кога стигнав на колеџ се сеќавам на чувството за негативност Се чувствував извршувајќи го мојот малолетник во компјутерски науки. Не сакам никој, особено некој што се обидува да научи и да се подобри себеси, да го доживее тоа. Мислам дека навистина не го сфатив влијанието што го имав додека не разговарав со група студенти на настан за регрутирање, а една млада црна девојка и нејзината мајка не дојдоа до мене и ми рекоа дека јас сум првата техничка црнка што ја имале. некогаш видено на која било конференција или настан за регрутирање. Тогаш знаев дека морам да го направам овој дел од мојата редовна рутина.

Се трудам редовно да учествувам во вакви програми. Всушност, на 16-ти март ќе бидам ко-домаќин на хакатон со неверојатен научник за податоци и мој добар пријател Свати во врска со Девојки во вештачка интелигенција.

Сте работеле и на проширување на техничкото образование во руралните и/или населбите со ниски приходи. Колку е ова значајно прашање?

Леле. Нема доволно време да се зборува за тоа каков огромен проблем е ова! Коронавирусот кристално јасно стави до знаење дека има системски нееднаквости во нашето општество. За жал, еден од најголемите е образованието. Имам добар пријател кој работи во алтернативно училиште на периферијата на DC. Учениците таму често се постари, тие мора да ги задржат работните места покрај одењето во средно училиште, тие немаат секогаш алатки дома за учење на далечина како лаптоп или десктоп компјутер. Овие ученици имаа наставник кој се залагаше за нив, работејќи со училиштето за да добијат мобилна опција за да се уверат дека повеќето ученици можат да пристапат до училиштето преку нивните мобилни телефони. Сепак, тоа не е секогаш случај во ниски приходи или алтернативни училишни средини. Ситуацијата во руралните средини е слично тешка и за учениците и за наставниците. Интернетот со голема брзина може да биде МНОГУ скап во руралните области и во некои случаи недостапен. Студентите кои седат на паркинзите на Мекдоналдс за пристап до интернет е неприфатливо, но несреќна потреба во некои од овие области. Познавам наставници во руралните Пенсилванија кои самите не можат да добијат добар интернет за да се поврзат со нивните виртуелни училници.

Надвор од коронавирусот, постои прашањето за недоволно финансирање во руралните училишта и училиштата со ниски приходи, недостатокот на технички обучени наставници, особено во руралните области каде привлекувањето таленти може да биде тешко и, се разбира, општата пристрасност кон учениците со боја, учениците имигранти, па дури и од руралните средини. студенти кои можеби изгледаат или звучат поинаку од пошироко прифатената „американска“ култура. Сите овие сценарија придонесуваат за недостатокот на пристап до образованието за СТЕМ и затоа студентите кои никогаш не се изложени на тие предмети и кариери.

Колку е голем проблем родовата и расната пристрасност во вештачката интелигенција?

Тоа е нешто за што треба да размислуваат сите бизниси и организации. За жал, ова е тешко да се реши бидејќи ако вештачката интелигенција покажува пристрасност кон или против одредена група, тоа најчесто значи дека во таа конкретна област компанијата или организацијата веќе имале шема на пристрасност за почеток. Вештачката интелигенција се потпира на минатите модели со цел да се предвиди идното однесување и едноставно го засилува ова однесување. Сепак, тешко е да се натераат луѓето да ги препознаат сопствените предрасуди, сите ги имаме и честопати несвесно дејствуваме според нив. Треба да постојат системи кои ќе помогнат да се ублажат овие предрасуди и да се одржуваат тимовите одговорни и на техничката и на деловната страна.

Како можеме да осигураме дека денешните апликации за вештачка интелигенција не ги засилуваат предрасудите што ги имаат луѓето?

Постојат некои чекори што организациите можат да ги преземат за да создадат стандард за практика во науката за податоци и вештачка интелигенција за да помогнат во ублажувањето на пристрасноста. Не можам доволно да изразам како ова треба да биде процес на соработка помеѓу техничките групи и деловните групи. Важноста на контекстот што не е секогаш видлив за техничките тимови е најважна.

Започнува со препознавање и идентификување на потенцијалните извори на пристрасност. Тоа може да се случи во процесот на собирање податоци, изборот на карактеристики за градење модел или може да се случи целосно надвор од податоците во деловните практики. На пример, еднаш ме праша лидер во една компанија дали нивната основна публика е навистина постари, богати мажи кои почесто живееле во рурални или приградски населби. Ги погледнав податоците и сфатив дека нивната линија на податоци има преголема застапеност на оваа група. Но, забележав и дека најголемиот дел од нивните клиенти доаѓаат од истите медиумски извори, конзервативното радио за разговор. Од член на маркетинг тимот дознав дека компанијата добила ниска до бесплатна маркетинг на овие платформи на почетокот на нивното лансирање и најголемиот дел од нивните клиенти го одразувале тоа. Пристрасноста не беше во податоците, туку во недостатокот на диверзификација во комуникациската стратегија. Како и да е, како резултат на тоа, моделот за бодување на вредност во текот на животот што го создаде тимот за податоци ги оцени постарите, побогатите мажи од приградските и руралните заедници како клиенти со најдобри перформанси, зголемувајќи ја комуникациската стратегија што ја користеше маркетинг тимот. Ова е нешто што ниту еден технички тим не треба да биде одговорен да го знае, но тие треба да бидат одговорни да ги поставуваат вистинските прашања.

Ова ме води до вториот чекор кој е да се постават насоки за барање и потоа справување со пристрасноста откако ќе биде откриена. Откако ќе ги идентификувате потенцијалните извори на пристрасност, организацијата треба да создаде листа за проверка на овие извори за да ги бара овие прашања и да создаде патека за некој што ќе најде податоци или обрасци за да ги реши. Ова не може да се направи во вакуум. Одговорност на сите тимови е да се осигураат дека апликациите не ги засилуваат предрасудите. Како во примерот погоре, тимот за податоци нема никаква одговорност за комуникациската стратегија. Тие можат да помогнат да се утврдат наодите и потоа да работат со други тимови во организацијата за да ги решат. Во овој случај, тимот за комуникации работеше со тимот за наука за податоци за тестирање на други комуникациски стратегии кои ги отсекоа различните демографски групи.

Кога предрасудите се појавуваат во моделите на податоци, понекогаш тоа може да биде во начинот на кој тим за податоци го одредува изборот на карактеристики, кои податоци се вклучени или исклучени во складиштата на податоци или дури и предвидената метрика. Во овие случаи, важно е тимот за податоци да разбере дека точноста на моделот не е секогаш еквивалентна на правичноста на моделот. Можеби е точно дека вклучувањето одредени карактеристики во моделот на податоци ја зголемува предиктивната прецизност на моделот, но дополнителните 0.5% од точноста може да бидат со општествени или деловни трошоци. Одредувањето што значи фер не е лесна задача и бара учество на повеќеслојни тимови. Една методологија наречена „контрафактуална правичност“ смета дека одлуката е праведна кон поединецот ако е иста во вистинскиот свет и во контрафактичен свет каде што поединецот припаѓа на различна демографска група. Дополнително, Мајкрософт и Гугл вештачката интелигенција објавија стандарди според кои треба да се направи правичност на сметката во вештачката интелигенција. Јас лично се повикувам на упатствата на ЕУ за етика во вештачката интелигенција, за кои сметам дека се прилично сеопфатни за мојата индустрија. Откако ќе се воспостави стандард за правичност, тимот за податоци може да одреди дали решението е претходно да ги обработи податоците, да ги промени одлуките на системот потоа или да вгради дефиниции за правичност во самиот процес на обука. Прашањето за пристрасност во податоците е сложено прашање кое бара редовна евалуација и гласови на широк опсег на луѓе. Тоа не е само техничко прашање што треба да се реши.

Кои се вашите гледишта за владините политики за вештачка интелигенција и етика на податоци?

Мислам дека има движења во вистинската насока преку создавање стандард на процедура кога станува збор за вештачката интелигенција и етиката на податоците. Извршната наредба на Трамп за етиката на вештачката интелигенција создава регистар на модели распоредени во владата, поставува временска рамка за креирање насоки за политики, ги охрабрува агенциите да ангажираат тимови и поединци фокусирани на технологија и поттикнува транспарентност во употребата на вештачката интелигенција низ владата во области кои не се вклучени во истражување и развој или националната безбедност, што мислам дека е неизмерно важно. Овој вид далекусежен план е возбудлив развој на владата, која историски бавно ја прилагодува технологијата. Сепак, политиките направија малку за да се создаде култура на етика, да се создадат задолжителни или кохезивни планови низ агенциите или дури да се дефинира што точно значи етика или правичност во овие контексти. Како што доаѓа новата администрација, би им помогнал да ги зацврстат овие планови со поструктуриран и покохезивен план во сите агенции, како и процедура за евалуација која внимателно го разгледува човечкото влијание како и голем дел од работата што ја прави нашата влада влијае на секојдневното животот на луѓето дома и во странство.

Дали има нешто друго што би сакале да споделите за вашата работа со Fresh Eyes Digital?

Науката за податоци може да се користи од непрофитни организации за да се зголеми влијанието кои работат на подобрување на нашиот свет на толку многу начини. За овие организации собирањето податоци обично не е нивен проблем. Имаат многу податоци за работа. Користењето на овие податоци на јасни и акциони начини е тешко за овие организации кои често се притиснати на ресурси и можеби немаат подготвен внатрешен тим за анализа. Работата што ја работиме во одделот за податоци во Fresh Eyes Digital им помага на тие организации да ги разберат и да ги распоредат своите податоци на вистински начини, донесувајќи повеќе добро информирани, стратешки одлуки. Мило ми е што имам можност да работам со овие организации на начин што ќе им помогне да ги направат поефикасни и поефективни бидејќи тие работат да влијаат на нашиот свет на позитивен начин.

Ви благодарам за деталните одговори и со нетрпение очекувам да ги следам вашите идни потфати. Читателите кои сакаат да дознаат повеќе треба да го посетат Ешли Брајант-Бејкер веб-страница и/или  Fresh Eyes Digital,