Ashley Bryant-Baker, Director de Date și Analitică la Fresh Eyes Digital – Interviu

Ashley Bryant-Baker este Director de Date și Analitică la Fresh Eyes Digital, o firmă de consultanță axată pe succesul organizațiilor non-profit. Înainte de a se alătura Fresh Eyes Digital, a condus propria firmă de consultanță, B&B Data Solutions, unde a ajutat brandurile să creeze și să exploateze soluții de date. A lucrat în analitică timp de peste un deceniu în industrii variate, de la bunuri de consum, călătorii, logistică, sănătate și organizații non-profit.

Ea a devenit un vorbitor solicitat pe teme precum Prejudecățile de gen în AI, Segmentarea clienților utilizând AI și diversitatea în locul de muncă. A fost invitată recent să vorbească la diverse evenimente, inclusiv SXSW, Data Minds Connect și Digital Summit DC. Ashley a studiat la Școala Americană de Absolvenți din Paris, Georgetown, LSU și Universitatea Fort Hays. Are o diplomă de master în Economie Internațională, Certificat în Știința Datelor, o diplomă de licență în Afaceri și o diplomă de licență în Arte.

Ce v-a atras inițial către știința calculatoarelor și știința datelor?

La facultate, am studiat arte și eram interesată să lucrez pentru o companie de jocuri video când m-am absolvit ca designer de jocuri. Planul meu era să creez modele 3D și să proiectez personaje și obiecte cu care oamenii ar interacționa în joc. Chiar am lucrat ca tester de calitate pentru jocuri video la EA Sports în timpul facultății. Deoarece la acea vreme nu exista o concentrare în arte calculator la universitatea mea, am decis să urmez un minor în știința calculatoarelor pentru a completa diploma mea de arte. Inițial, nu mi-a plăcut deloc cursurile de știința calculatoarelor. Existau o ostilitate de graniță față de oamenii care nu aveau experiență (ca mine) din partea altor studenți și chiar a unor profesori. Am continuat minorul pentru că scopul meu pentru proiectul meu de absolvire era să proiectez și să programez un joc de șah 3D funcțional cu piese animate care se deplasau pe tabla și un AI simplu care putea juca împotriva mea. Atunci, nu știam nimic despre Python și am presupus că nu voi folosi niciodată acest limbaj de programare.

Înainte, la una dintre primele mele locuri de muncă după absolvire, lucram la o firmă de marketing ca manager de proiect junior. Lucram cu o echipă de artiști, specialiști în marketing, specialiști în producție și un analist în întreaga clădire care gestiona analitica pentru aproximativ 15 clienți de una singură. Ea mă ruga periodic să o ajut să verific matematica sau să creez rapoarte simple. Când a trebuit să ia concediu medical pentru câteva săptămâni, ea i-a cerut șefului meu și mie dacă aș putea să o înlocuiesc pe perioada absenței ei. Când s-a întors, i-am cerut să fiu transferată în departamentul ei. A lucra cu datele a fost atât de interesant pentru mine. A fost cu siguranță o schimbare neașteptată în cariera mea, dar nu m-am uitat niciodată înapoi. Am continuat să vreau să învăț mai mult, așa că am urmat cursuri și am aplicat pentru locuri de muncă în analitică, unde puteam învăța de la alții. Apoi, totul a devenit clar și eram din nou lucrând cu Python, deși într-un mod complet diferit decât înainte.

Pe scurt, am ajuns în știința datelor pur și simplu din întâmplare.

Sunteți în prezent Director de Date și Analitică la Fresh Eyes Digital, o companie care lucrează cu organizații non-profit. Puteți să împărtășiți ce face compania și ce lucrați acolo?

Fresh Eyes este o firmă de consultanță care oferă suport de marketing și strângere de fonduri pentru organizații non-profit. Lucrăm cu clienții pentru a înțelege donatorii lor, a construi campanii digitale în jurul obiectivelor organizației non-profit și a ajuta organizațiile non-profit să înțeleagă cum prezența lor digitală poate fi îmbunătățită pentru a atinge aceste obiective. Fresh Eyes m-a angajat pentru că au vrut să construiască o ofertă de date mai robustă. Inițial, am lucrat cu ei ca consultant, unde i-am ajutat să proiecteze testarea multivariată digitală, să înțeleagă rezultatele și să automatizeze serviciile de analitică și dashboarding. Acum, lucrez cu ei pentru a dezvolta o suită de oferte pentru organizații non-profit. Unele proiecte la care lucrez includ analiza predictivă a ratelor de conversie și donații ale constituenților și donatorilor în timp. Înțelegerea efectelor factorilor externi, cum ar fi climatul politic, schimbările economice și ciclurile de știri, precum și factorii interni, cum ar fi strategiile de mesaje de marketing, rapoartele de impact ale organizației non-profit și chiar mișcarea rolurilor de conducere în cadrul organizației și modul în care toate acestea pot afecta propensitatea de a se converti. Multe dintre aceste informații informează analitica noastră de previziune și dashboard-urile și modelele de clasificare pentru a înțelege mai bine donatorii și implicarea lor.

Organizațiile non-profit adoptă utilizarea metodelor statistice avansate și realizează că acest lucru le ajută capacitatea de a-și atinge misiunea atunci când pot înțelege mai bine impactul lor și pot strânge fonduri într-un mod mai structurat.

Una dintre realizările dvs. de care sunteți cel mai mândru este a fi un avocat pentru diversitate în STEM, puteți împărtăși unele dintre aceste realizări?

Există atâtea organizații minunate acolo care lucrează pentru diversitate și echitate în STEM: Black Girls Code, ByteBack aici în DC, DataKind și, recent, sororitatea mea Zeta Phi Beta Inc., împreună cu alte organizații, au colaborat cu Google (GOOGL ) pentru a instrui grupuri subreprezentate în formare tehnică și computațională. Fac partea mea prin voluntariat cu aceste organizații, fiind mentor pentru oamenii care intră în domeniu, vorbind la evenimente (în special evenimente tehnice, unde uneori sunt singura femeie sau persoană de culoare) și predând la ateliere în școli (în special școli majoritare minoritare, școli rurale și școli alternative). De asemenea, am lucrat cu mai multe companii pentru a diversifica programele lor de internship și programele de absolvenți de nivel intrare. Mult din acest lucru l-am făcut din obișnuință. Am crescut într-un mediu și o comunitate în care voluntariatul era o parte a vieții de zi cu zi. Am continuat acest lucru prin facultate și dincolo de Zeta Phi Beta Inc. Cu toate acestea, cred că m-am îndreptat către această zonă pentru că nu am avut ocazia să învăț despre computere și programare până la facultate și, când am ajuns la facultate, îmi amintesc de sentimentul de negativitate pe care l-am simțit urmând minorul în știința calculatoarelor. Nu vreau ca nimeni, în special cineva care încearcă să învețe și să se îmbunătățească, să experimenteze acest lucru. Nu cred că am realizat cu adevărat impactul pe care îl aveam până când nu am vorbit cu un grup de studenți la un eveniment de recrutare și o tânără fată neagră și mama ei au venit la mine și mi-au spus că eram prima femeie tehnică neagră pe care o văzuseră vreodată la vreun congres sau eveniment de recrutare. Atunci am știut că trebuie să fac acest lucru parte a rutinei mele regulate.

Încerc să particip la astfel de programe în mod regulat. De fapt, pe 16 martie, voi co-găzdui un hackathon cu o minunată oameni de știință și bună prietenă a mea, Swathi, în conjuncție cu Girls in AI.

Ați lucrat, de asemenea, la extinderea educației tehnice în cartierele rurale și/sau cu venituri mici. Cât de semnificativă este această problemă?

Wow, nu există suficient timp pentru a discuta despre ce problemă uriașă este! Coronavirus a făcut clar că există inegalități care sunt sistemice în societatea noastră. Din nefericire, una dintre cele mai mari este educația. Am un bun prieten care lucrează la o școală alternativă la periferia DC. Studenții de acolo sunt adesea mai în vârstă, trebuie să aibă grijă de locuri de muncă în plus față de școală și nu au întotdeauna instrumentele de acasă pentru a face învățământ la distanță, cum ar fi un laptop sau un computer de birou. Acești studenți aveau un profesor care a pledat pentru ei, lucrând cu școala pentru a obține o opțiune mobilă pentru a se asigura că majoritatea studenților pot accesa școala pe telefoanele lor mobile. Cu toate acestea, acest lucru nu este întotdeauna cazul în medii școlare cu venituri mici sau alternative. Situația rurală este la fel de dificilă pentru studenți și profesori. Internetul de mare viteză poate fi foarte scump în zonele rurale și, în unele cazuri, este indisponibil. Studenții care stau în parcările McDonald’s pentru internet este inacceptabil, dar o necesitate nefericită în unele dintre aceste zone. Știu profesori în ruralul din Pennsylvania care nu pot obține un internet bun pentru a se conecta la sălile lor virtuale.

În afara coronavirusului, există problema subfinanțării în școlile rurale și cu venituri mici, o lipsă de profesori instruiți tehnic, în special în zonele rurale, unde atragerea talentelor poate fi dificilă și, desigur, prejudecățile generale împotriva studenților de culoare, studenților imigranți și chiar studenților rurali care pot arăta sau suna diferit de cultura “americană” mai larg acceptată. Toate aceste scenarii contribuie la lipsa de acces la educația STEM și, prin urmare, la faptul că studenții nu sunt niciodată expuși la aceste subiecte și cariere.

Cât de mare este problema prejudecății de gen și a prejudecății rasiale în AI?

Este ceva la care toate companiile și organizațiile ar trebui să se gândească. Din nefericire, aceasta este o problemă dificil de rezolvat, deoarece dacă AI arată prejudecăți împotriva sau în favoarea unui anumit grup, acest lucru înseamnă de obicei că, în acea zonă, compania sau organizația a avut deja un model de prejudecăți. AI se bazează pe modele trecute pentru a prezice comportamentul viitor și pur și simplu amplifică acest comportament. Cu toate acestea, este dificil să faci oamenii să-și recunoască propriile prejudecăți; toți avem prejudecăți și adesea acționăm inconștient asupra lor. Trebuie să existe sisteme în loc pentru a ajuta la mitigarea acestor prejudecăți și a ține echipele responsabile atât din punct de vedere tehnic, cât și din punct de vedere comercial.

Cum putem asigura că aplicațiile AI de astăzi nu amplifică prejudecățile pe care le au oamenii?

Există câteva pași pe care organizațiile îi pot face pentru a crea un standard de procedură în știința datelor și AI pentru a ajuta la mitigarea prejudecăților. Nu pot sublinia suficient de mult că acest lucru trebuie să fie un proces colaborativ între echipele tehnice și comerciale. Importanța contextului care nu este întotdeauna vizibil pentru echipele tehnice este esențială.

Acest lucru începe cu recunoașterea și identificarea potențialelor surse de prejudecăți. Acest lucru poate apărea în procesul de colectare a datelor, în selecția caracteristicilor pentru construirea modelului sau poate apărea complet în afara datelor, în practicile comerciale. De exemplu, am fost odată întrebată de un lider de la o companie dacă publicul lor țintă era cu adevărat format din bărbați mai în vârstă, mai bogați, care trăiesc mai des în zone rurale sau suburbane. Am examinat datele și am realizat că pipeline-ul lor de date avea o reprezentare excesivă a acestui grup. Dar am remarcat, de asemenea, că majoritatea clienților lor proveneau din aceleași surse media, posturi de radio conservatoare. Am aflat de la un membru al echipei de marketing că compania a primit marketing gratuit sau la cost redus pe aceste platforme la lansarea inițială și majoritatea clienților lor reflectau acest lucru. Prejudecata nu era în date, ci în lipsa de diversificare a strategiei de comunicare. Cu toate acestea, ca urmare, modelul de scorare a valorii pe viață pe care l-a creat echipa de date a evaluat bărbații mai în vârstă, mai bogați din comunitățile rurale și suburbane ca fiind cei mai buni clienți, amplificând strategia de comunicare pe care echipa de marketing a implementat-o. Acest lucru este ceva pentru care nicio echipă tehnică nu ar trebui să fie responsabilă, dar ar trebui să fie responsabilă pentru a pune întrebările potrivite.

Acest lucru mă conduce la al doilea pas, care constă în stabilirea unor ghiduri pentru identificarea și abordarea prejudecăților odată ce au fost descoperite. Odată ce ați identificat potențialele surse de prejudecăți, organizația ar trebui să creeze o listă de verificare a acestor surse pentru a căuta aceste probleme și pentru a crea o cale pentru cineva care găsește date sau modele îngrijorătoare pentru a aborda acestea. Acest lucru nu poate fi făcut într-un vid. Este responsabilitatea tuturor echipelor să se asigure că aplicațiile nu amplifică prejudecățile. Așa cum este exemplul de mai sus, echipa de date nu are nicio responsabilitate asupra strategiei de comunicare. Ei pot ajuta la identificarea constatărilor și apoi pot lucra cu alte echipe din cadrul organizației pentru a aborda acestea. În acest caz, echipa de marketing a lucrat cu echipa de știință a datelor pentru a testa alte strategii de comunicare care vizează diferite grupuri demografice.

Când prejudecățile apar în modelele de date, uneori poate fi vorba despre modul în care echipa de date determină selecția caracteristicilor, ce date sunt incluse sau excluse din depozitele de date sau chiar metrica care este prevăzută. În aceste cazuri, este important pentru echipa de date să înțeleagă că acuratețea modelului nu este întotdeauna echivalentă cu echitatea modelului. Este posibil ca includerea anumitor caracteristici într-un model de date să crească acuratețea previziunii modelului, dar acuratețea suplimentară de 0,5% poate veni la un cost social sau comercial. Determinarea a ceea ce înseamnă “corect” nu este o sarcină ușoară și necesită participarea unor echipe multifacetate. O metodologie numită “corectitudine contrafactuală” consideră că o decizie este corectă față de un individ dacă este aceeași în lumea reală și într-o lume contrafactuală în care individul aparține unui grup demografic diferit. De asemenea, Microsoft (MSFT ) și Google AI au publicat standarde pentru a ține cont de echitatea în AI. Personal, mă refer la ghidurile UE privind etica în inteligența artificială, pe care le găsesc destul de cuprinzătoare pentru industria mea. Odată ce s-a stabilit un standard de echitate, echipa de date poate determina dacă soluția este să preproceseze datele înainte, să modifice deciziile sistemului ulterior sau să incorporeze definiții de echitate în procesul de antrenament în sine. Problema prejudecăților în date este una complexă care necesită o evaluare regulată și vocile unor oameni foarte diverși. Nu este doar o problemă tehnică care trebuie rezolvată.

Care sunt opiniile dvs. cu privire la politicile de etică și date implementate de guvern?

Cred că au existat mișcări în direcția cea bună prin crearea unui standard de procedură atunci când vine vorba de etica și datele AI. Ordinul executiv al lui Trump privind etica AI creează un registru al modelelor implementate în cadrul guvernului, stabilește un calendar pentru crearea unor îndrumări de politică, încurajează agențiile să angajeze echipe și persoane cu focus pe tehnologie și încurajează transparența în utilizarea AI în cadrul guvernului în domenii care nu sunt implicate în cercetare și dezvoltare sau securitate națională, ceea ce consider că este extrem de important. Acest tip de plan cuprinzător este un progres emoționant în guvern, care istoric a fost lent în a adopta tehnologia. Cu toate acestea, politicile au făcut puțin pentru a crea o cultură a eticii, pentru a crea planuri obligatorii sau coerente în cadrul agențiilor sau pentru a defini exact ce înseamnă etică sau corectitudine în aceste contexte. Pe măsură ce noua administrație vine, aș sublinia importanța de a consolida aceste planuri cu un plan mai structurat și coerent în cadrul tuturor agențiilor, precum și o procedură de evaluare care să ia în considerare cu atenție impactul uman, deoarece mult din ceea ce face guvernul afectează viețile oamenilor atât în țară, cât și în străinătate.

Există altceva pe care ați dori să-l împărtășiți despre munca dvs. la Fresh Eyes Digital?

Știința datelor poate fi utilizată de organizații non-profit pentru a crește impactul celor care lucrează pentru a îmbunătăți lumea noastră în atâtea moduri. Pentru aceste organizații, colectarea datelor nu este, de obicei, o problemă. Au multe date cu care pot lucra. Utilizarea acestor date în moduri clare și acționabile este dificilă pentru aceste organizații, care sunt adesea limitate de resurse și nu au întotdeauna o echipă de analitică internă la dispoziție. Munca noastră în departamentul de date de la Fresh Eyes Digital ajută aceste organizații să înțeleagă și să implementeze datele în moduri corecte, luând decizii mai informate și strategice. Sunt bucuroasă să am ocazia de a lucra cu aceste organizații într-un mod care le ajută să devină mai eficiente și mai eficace în timp ce lucrează pentru a avea un impact pozitiv asupra lumii noastre.

Mulțumesc pentru răspunsurile detaliate și abia aștept să urmăresc viitoarele dvs. aventuri. Citiitorii care doresc să afle mai multe ar trebui să viziteze site-ul Ashley Bryant-Baker și/sau Fresh Eyes Digital.