Эшли Брайант-Бейкер, Директор по данным и аналитике в Fresh Eyes Digital – Интервью

Эшли Брайант-Бейкер является Директором по данным и аналитике в Fresh Eyes Digital, консалтинговой фирме, которая фокусируется на успехе некоммерческих организаций. До Fresh Eyes Digital она управляла своей собственной консалтинговой фирмой, B&B Data Solutions, где она помогала брендам создавать и использовать решения с данными. Она работала в области аналитики более десяти лет в различных отраслях, включая потребительские товары, путешествия, логистику, здравоохранение и некоммерческие организации.

Она стала востребованным спикером на темы гендерных предубеждений в ИИ, сегментации клиентов с помощью ИИ и разнообразия на рабочем месте. Она недавно была приглашена выступить на различных мероприятиях, включая SXSW, Data Minds Connect и Digital Summit DC. Эшли посещала Американскую аспирантуру в Париже, Джорджтаун, LSU и Университет Форт-Хейз. У нее есть степень магистра международной экономики, сертификат по науке о данных, степень бакалавра делового администрирования и степень бакалавра искусств.

Что первоначально привлекло вас к информатике и науке о данных?

В колледже я изучала искусство и была заинтересована в работе в компании по разработке видеоигр после окончания учебы в качестве дизайнера игр. Мой план был создать 3D-компьютерные модели и спроектировать персонажей и объекты, с которыми люди будут взаимодействовать в игре. Я даже работала тестировщиком качества видеоигр в EA Sports в колледже. Поскольку в то время в моем университете не было концентрации компьютерного искусства, я решила получить специальность в области информатики, чтобы дополнить свою степень в области искусства. Первоначально я не любила занятия по информатике вообще. Была граница враждебности по отношению к людям, не имеющим опыта (как я), со стороны других студентов и даже некоторых профессоров. Я закончила свою специальность, потому что моя цель для моего художественного дипломного проекта была создать и запрограммировать рабочую видеоигру. Я использовала Python и Maya, чтобы построить 3D-шахматную игру с анимированными фигурами, которые шли по доске, и очень простой ИИ, который мог играть против вас. В то время я не знала ничего о Python и думала, что никогда не буду использовать его снова.

Продвигаясь вперед во времени, одна из моих первых работ после окончания колледжа была в маркетинговой фирме в качестве младшего менеджера проекта. Я работала с командой художников, специалистов по маркетингу, производственных специалистов и одного аналитика в整个 здании, который управлял аналитикой для около 15 клиентов в одиночку. Она иногда просила меня о помощи, чтобы проверить ее математику или создать простые отчеты. Когда она ушла на больничный на несколько недель, она попросила моего руководителя и меня, чтобы я взял на себя ее обязанности, пока она была отсутствовала. Когда она вернулась, я попросил о переводе в ее отдел. Работа с данными была так интересна мне. Это был определенно неожиданный поворот в моей карьере, но я не оглядываюсь назад. Я продолжала хотеть учиться, поэтому я проходила курсы и подала заявки на аналитические работы, где я могла учиться у других. Затем все стало полным кругом, и я снова работала с Python, хотя и совершенно по-другому, чем раньше.

Все это говорит о том, что я первоначально попала в науку о данных чисто случайно.

Вы сейчас являетесь Директором по данным и аналитике в Fresh Eyes Digital, компании, которая работает с некоммерческими организациями. Не могли бы вы рассказать о том, что делает компания и какую работу вы выполняете там?

Fresh Eyes – это консалтинговая фирма, которая предоставляет маркетинговую и сборную поддержку некоммерческим организациям. Мы работаем с клиентами, чтобы понять их доноров, создать цифровые кампании вокруг целей некоммерческих организаций и помочь некоммерческим организациям понять, как их цифровое присутствие может быть повышено, чтобы достичь этих целей. Fresh Eyes наняла меня, потому что они хотели создать более прочное предложение по данным. Первоначально я работала с ними в качестве консультанта, где я помогала им спроектировать цифровое многомерное тестирование, понять результаты и автоматизировать аналитические и панельные услуги. Теперь я работаю с ними, чтобы создать набор предложений для некоммерческих организаций. Некоторые проекты, над которыми я работаю, включают прогностический анализ коэффициентов конверсии и пожертвований доноров с течением времени. Понимание эффектов внешних факторов, таких как политический климат, экономические изменения и новостные циклы, а также внутренних факторов, таких как стратегии маркетинговых сообщений, отчеты о влиянии некоммерческих организаций и даже перемещение руководящих ролей внутри организации, и как все это может повлиять на склонность к конверсии. Многое из этой информации информирует нашу прогностическую аналитику и панели, а также модели классификации, чтобы лучше понять доноров и вовлеченность.

Некоммерческие организации принимают использование передовых статистических методов и осознают, что это помогает их способности видеть свою миссию через то, что они могут лучше понять свое влияние и собирать деньги более структурированным образом.

Одним из ваших наиболее гордых достижений является быть защитником разнообразия в STEM, не могли бы вы рассказать о некоторых из этих достижений?

Существует много отличных организаций, которые работают над разнообразием и равенством в STEM: Black Girls Code, ByteBack в DC, DataKind и, недавно, моя община Zeta Phi Beta Inc. вместе с несколькими другими организациями сотрудничает с Google (GOOGL ), чтобы обучать недостаточно представленные группы в компьютерной и технической подготовке. Я делаю свою часть, добровольно работая с этими организациями, будучи наставником для людей,刚刚 вступающих в эту область, выступая на мероприятиях (особенно на технических мероприятиях, где я иногда являюсь единственной женщиной или человеком цвета) и преподавая на семинарах в школах (особенно в школах большинства меньшинств, сельских школах и альтернативных школах). Кроме того, я работала с несколькими компаниями, чтобы диверсифицировать их программы стажировки и программы для выпускников. Многое из этой работы я делала по привычке. Я выросла в доме и сообществе, где волонтерство было частью повседневной жизни. Я продолжила это через колледж и после него с Zeta Phi Beta Inc. Однако я думаю, что я склонялась к этой области, потому что я не имела возможности узнать о компьютерах и кодировании, пока не поступила в колледж, и когда я поступила в колледж, я помню чувство негативности, которое я испытывала, преследуя свою специальность в области информатики. Я не хочу, чтобы кто-либо, особенно тот, кто пытается учиться и улучшать себя, испытывал это. Я не думаю, что я действительно осознала влияние, которое я оказывала, пока не говорила с группой студентов на рекрутинговом мероприятии, и молодая черная девочка и ее мама подошли ко мне и сказали, что я была первой технической черной женщиной, которую они когда-либо видели на любой конференции или рекрутинговом мероприятии. Это был момент, когда я знала, что должна сделать это частью своей регулярной рутины.

Я пытаюсь участвовать в таких программах регулярно. На самом деле 16 марта я буду совместно проводить хакатон с удивительным ученым-дата-сайентистом и хорошим другом моим Сватхи в сотрудничестве с Girls in AI.

Вы также работали над расширением образования в области технологий в сельской местности и/или в низкодоходных кварталах. Насколько серьезной является эта проблема?

Вау. Нет времени, чтобы говорить о том, насколько это большая проблема! Коронавирус сделал ясным, что существуют системные неравенства в нашем обществе. К сожалению, одним из самых больших из них является образование. У меня есть хороший друг, который работает в альтернативной школе на окраине DC. Студенты там часто старше, им приходится работать, чтобы дополнить свое образование, у них не всегда есть инструменты дома, чтобы заниматься дистанционным обучением, такие как ноутбук или компьютер. Эти студенты имели учителя, который отстаивал их интересы, работая с школой, чтобы получить мобильный вариант, чтобы обеспечить доступ к школе на их телефонах. Однако это не всегда так в низкодоходных или альтернативных школьных средах. Ситуация в сельской местности аналогично сложна для студентов и учителей. Высокоскоростной интернет может быть очень дорогим в сельской местности и в некоторых случаях недоступен. Студенты, сидящие в паркинге McDonald’s для доступа к интернету, недопустимы, но, к сожалению, необходимость в некоторых из этих районов. Я знаю учителей в сельской Пенсильвании, которые сами не могут получить хороший интернет, чтобы подключиться к своим виртуальным классам.

Помимо коронавируса существует проблема недофинансирования в сельской местности и низкодоходных школах, нехватка технически подготовленных учителей, особенно в сельской местности, где привлечение талантов может быть сложным, и, конечно же, общая предвзятость против студентов цвета, иммигрантских студентов и даже сельских студентов, которые могут выглядеть или звучать по-другому, чем более широко принятая “американская” культура. Все эти сценарии способствуют отсутствию доступа к образованию в области STEM и, следовательно, студенты, которые никогда не знакомятся с этими предметами и карьерами.

Насколько серьезной является проблема гендерных и расовых предубеждений в ИИ?

Это то, о чем все бизнес и организации должны подумать. К сожалению, это трудно решить, потому что если ИИ показывает предубеждение к или против определенной группы, это часто означает, что в этой области компания или организация уже имела закономерность предубеждения. ИИ полагается на прошлые закономерности, чтобы предсказать будущее поведение и просто усиливает это поведение. Однако трудно заставить людей признать свои собственные предубеждения; у нас всех они есть, и часто мы бессознательно действуем на их основе. Необходимы системы, которые помогут смягчить эти предубеждения и держать команды ответственных как на техническом, так и на деловом уровне.

Как мы можем обеспечить, чтобы современные приложения ИИ не усиливали предубеждения, которые люди имеют?

Существуют шаги, которые организации могут предпринять, чтобы создать стандарт практики в области науки о данных и ИИ, чтобы помочь смягчить предубеждения. Я не могу достаточно подчеркнуть, что это должно быть совместный процесс между техническими и деловыми командами. Важность контекста, который не всегда виден техническим командам, является решающей.

Это начинается с признания и определения потенциальных источников предубеждения. Это может произойти на этапе сбора данных, выбора функций для построения модели или может произойти совершенно вне данных в деловых практиках. Например, мне когда-то был задан вопрос лидером компании, является ли их основной аудиторией действительно старшие, более состоятельные мужчины, которые чаще живут в сельской или пригородной местности. Я посмотрел на данные и понял, что их канал данных имел чрезмерное представительство этой группы. Но я также заметил, что большинство их клиентов пришли из одних и тех же источников СМИ, консервативного ток-радио. Я узнал из команды маркетинга, что компания получила низкозатратную или бесплатную рекламу на этих платформах на ранней стадии запуска, и большинство их клиентов отражали это. Предубеждение не было в данных, а в отсутствии диверсификации в коммуникационной стратегии. Однако в результате модель оценки жизненного цикла, созданная командой данных, оценила старших, более состоятельных мужчин из сельской и пригородной местности как лучших клиентов, усиливая коммуникационную стратегию, которую команда маркетинга использовала. Это то, за что техническая команда не должна быть ответственна, но они должны быть ответственны за задавание правильных вопросов.

Это приводит меня ко второму шагу, который заключается в установлении руководящих принципов для поиска и затем решения предубеждений, как только они будут обнаружены. Как только вы определили потенциальные источники предубеждения, организация должна создать список этих источников, чтобы искать эти проблемы и создать путь для кого-то, кто находит тревожные данные или закономерности, чтобы решить их. Это не может быть сделано в вакууме. Это ответственность всех команд обеспечить, чтобы приложения не усиливали предубеждения. Как в примере выше, команда данных не несет ответственности за коммуникационную стратегию. Они могут помочь выявить результаты и затем работать с другими командами в организации, чтобы решить их. В этом случае команда коммуникаций работала с командой науки о данных, чтобы протестировать другие коммуникационные стратегии, которые обслуживали разные демографические группы.

Когда предубеждения появляются в моделях данных, иногда это может быть в том, как команда данных определяет выбор функций, какие данные включаются или исключаются из хранилищ данных или даже метрика, которая прогнозируется. В этих случаях важно, чтобы команда данных понимала, что точность модели не всегда эквивалентна справедливости модели. Это может быть правдой, что включение определенных функций в модель данных увеличивает прогностическую точность модели, но дополнительные 0,5% точности могут прийти с социальной или деловой стоимостью. Определение того, что значит быть справедливым, не является легкой задачей и требует участия многогранных команд. Одна методология, называемая “контрфактической справедливостью”, учитывает, что решение является справедливым по отношению к индивиду, если оно одинаково в реальном мире и в контрфактическом мире, где индивид принадлежит к другой демографической группе. Кроме того, Microsoft (MSFT ) и Google AI опубликовали стандарты, которыми можно руководствоваться при учете справедливости в ИИ. Я лично ссылаюсь на рекомендации ЕС по этике в искусственном интеллекте, которые я нахожу довольно полными для моей отрасли. Как только стандарт справедливости будет установлен, команда данных может определить, является ли решение обработкой данных заранее, изменением решений системы после этого или включением определений справедливости в процесс обучения. Вопрос предубеждений в данных является сложным и требует регулярной оценки и голосов широкого круга людей. Это не просто техническая проблема, которую нужно решить.

Каковы ваши взгляды на государственные политики этики ИИ и данных?

Я думаю, что были движения в правильном направлении по созданию стандарта процедуры, когда речь идет об этике ИИ и данных. Исполнительный приказ Трампа об этике ИИ создает реестр моделей, развернутых в правительстве, устанавливает сроки для создания политических рекомендаций, поощряет агентства нанимать техно-ориентированные команды и людей, и поощряет прозрачность в использовании ИИ на протяжении всего правительства в областях, не связанных с исследованиями и разработками или национальной безопасностью, что, я думаю, является чрезвычайно важным. Этот план является интересным развитием в правительстве, которое исторически было медленным в адаптации технологий. Однако политики сделали мало, чтобы создать культуру этики, создать обязательные или согласованные планы по всем агентствам или даже определить, что именно означают этика или справедливость в этих контекстах. Когда новая администрация придет, я бы призвала их укрепить эти планы более структурированным и согласованным планом по всем агентствам, а также процедурой оценки, которая тщательно учитывает человеческое влияние, поскольку так много работы, которую наше правительство делает, влияет на повседневную жизнь людей как внутри страны, так и за рубежом.

Есть ли что-то еще, что вы хотели бы поделиться о своей работе с Fresh Eyes Digital?

Наука о данных может быть использована некоммерческими организациями, чтобы увеличить их влияние, работая над улучшением нашего мира множеством способов. Для этих организаций сбор данных обычно не является проблемой. У них есть много данных, с которыми можно работать. Использование этих данных ясным и действенным способом является сложной задачей для этих организаций, которые часто испытывают нехватку ресурсов и могут не иметь внутренней аналитической команды. Работа, которую мы выполняем в отделе данных в Fresh Eyes Digital, помогает этим организациям понять и развернуть свои данные правильным образом, принимая более обоснованные и стратегические решения. Я рада иметь возможность работать с этими организациями в том, чтобы помочь им стать более эффективными и результативными в их работе по положительному влиянию на наш мир.

Спасибо за подробные ответы, и я с нетерпением жду, чтобы следить за вашими будущими начинаниями. Читатели, которые хотят узнать больше, должны посетить веб-сайт Эшли Брайант-Бейкер и/или Fresh Eyes Digital,