Ashley Bryant-Baker, Director of Data & Analytics på Fresh Eyes Digital – Intervju-serie

Ashley Bryant-Baker är Director of Data and Analytics på Fresh Eyes Digital, ett konsultföretag som fokuserar på framgång för ideella organisationer. Innan Fresh Eyes Digital drev hon sitt eget konsultföretag, B&B Data Solutions, där hon hjälpte varumärken att bygga och utnyttja data-lösningar. Hon har arbetat med analyser i över ett decennium inom branscher som konsumentvaror, resor, logistik, hälsovård och ideella organisationer.

Hon har blivit en eftertraktad talare på ämnen som könsbias i AI, kundsegmentering med AI och mångfald på arbetsplatsen. Hon har nyligen bjudits in att tala på olika evenemang, inklusive SXSW, Data Minds Connect och Digital Summit DC. Ashley har studerat vid The American Graduate School i Paris, Georgetown, LSU och Fort Hays University. Hon har en masterexamen i internationell ekonomi, certifikat i data-vetenskap, en kandidatexamen i företagsekonomi och en kandidatexamen i konst.

Vad var det som initialt lockade dig till datavetenskap och data-analyser?

På college studerade jag konst och var intresserad av att arbeta för ett videospel-företag när jag tog examen som speldesigner. Min plan var att göra 3D-dator-modeller och designa karaktärer och föremål som människor skulle interagera med i spelet. Jag arbetade till och med som en videospel-kvalitets-säkerhets-testare för EA Sports på college. Eftersom det inte fanns någon datavetenskaplig koncentration på mitt universitet bestämde jag mig för att läsa datavetenskap som biämne för att komplettera min konst-examen. Jag tyckte initialt inte om datavetenskaps-kurserna alls. Det fanns en gräns för fiendskap mot människor som hade ingen erfarenhet (som jag) från andra studenter och till och med vissa professorer. Jag fortsatte med min biämne eftersom mitt mål för min konst-avhandling var att designa och programmera ett fungerande videospel. Jag använde python och maya för att bygga ett 3D-schack-spel med animerade pjäser som gick över brädet och en mycket enkel AI som kunde spela mot dig. På den tiden visste jag ingenting om python och jag antog att jag aldrig skulle använda det igen.

Snabba framåt till en av mina första jobb efter college. Jag arbetade på ett marknadsföringsföretag som en junior-projektledare. Jag arbetade med ett team av konstnärer, marknads-specialister, produktionsspecialister och en analytiker i hela byggnaden som hanterade analyser för cirka 15 kunder på egen hand. Hon bad mig om hjälp då och då för att dubbel-kontrollera hennes matematik eller skapa enkla rapporter. När hon var tvungen att ta medicinsk ledighet i flera veckor bad hon min chef och mig om att ta över hennes arbete medan hon var borta. När hon kom tillbaka bad jag om en överföring till hennes avdelning. Att arbeta med data var så intressant för mig. Det var definitivt en oväntad vändning i min karriär, men jag har inte sett tillbaka sedan. Jag ville fortsätta lära mig mer, så jag tog kurser och ansökte om analytiker-jobb där jag kunde lära av andra. Sedan kom allt fulla cirkeln och jag arbetade med python igen, fast på ett helt annat sätt än tidigare.

Allt detta för att säga att jag initialt kom in i data-vetenskap av en ren tillfällighet.

Du är för närvarande Director of Data & Analytics på Fresh Eyes Digital, ett företag som arbetar med ideella organisationer. Kan du berätta om vad företaget gör och det arbete du utför där?

Fresh Eyes är ett konsultföretag som erbjuder marknadsförings- och insamlings-stöd till ideella organisationer. Vi arbetar med kunder för att förstå deras donatorer, bygga digitala kampanjer runt ideella mål och hjälpa ideella organisationer att förstå hur deras digitala närvaro kan höjas för att uppnå dessa mål. Fresh Eyes anställde mig eftersom de ville bygga en mer robust data-erbjudande. Initialt arbetade jag med dem som konsult där jag hjälpte dem att designa digitala multivariata tester, förstå resultat och automatisera analytiska och dashboard-tjänster. Nu arbetar jag med dem för att bygga ut ett paket med erbjudanden för ideella organisationer. Några projekt jag arbetar med inkluderar prediktiv analys runt konstituents och donators omvandlings- och donations-rater över tid. Att förstå effekterna av externa faktorer, såsom det politiska klimatet, ekonomiska förändringar och nyhets-cykler, samt interna faktorer, såsom marknads-strategier, ideella påverkans-rapporter och till och med rörelser av lednings-roller inom en organisation och hur dessa alla kan påverka benägenheten att konvertera. Mycket av denna information informerar vår prognos-analys och dashboards och klassificerings-modeller för att bättre förstå donatorer och engagemang.

Ideella organisationer accepterar alltmer användningen av avancerade statistiska metoder och inser att det hjälper deras förmåga att se sin mission genom när de kan bättre förstå sin påverkan och samla in pengar på ett mer strukturerat sätt.

En av dina största prestationer är att vara en förespråkare för mångfald inom STEM, kan du berätta om några av dessa höjdpunkter?

Det finns så många bra organisationer där ute som arbetar mot mångfald och jämlikhet inom STEM: Black Girls Code, ByteBack i DC, DataKind och nyligen min sorority Zeta Phi Beta Inc. tillsammans med flera andra organisationer som har samarbetat med Google (GOOGL ) för att utbilda underrepresenterade grupper i datavetenskap och teknisk utbildning. Jag gör min del genom att volontär-arbeta med dessa organisationer, vara mentor för människor som nyss kommer in i fältet, tala på evenemang (särskilt tekniska evenemang, där jag ibland är den enda kvinnan eller personen med färg) och undervisa på workshop-par i skolor (särskilt majoritets-minoritets-skolor, landsbygds-skolor och alternativa skolor). Dessutom har jag arbetat med flera företag för att diversifiera deras praktik-program och inträdes-nivå-program för studenter. Mycket av detta arbete gjorde jag av vana. Jag växte upp i ett hem och en samhälle där volontär-arbete var en del av vardags-livet. Jag har fortsatt med detta genom college och därefter med Zeta Phi Beta Inc. Men jag tror att jag drogs till detta område eftersom jag inte hade möjlighet att lära mig om datorer och programmering förrän på college och sedan när jag kom till college mindes jag känslan av negativitet jag upplevde när jag sökte min biämne i datavetenskap. Jag vill inte att någon, särskilt någon som försöker lära sig och förbättra sig, ska uppleva detta. Jag tror inte att jag verkligen insåg den påverkan jag hade tills jag pratade med en grupp studenter på ett rekryterings-evenemang och en ung svart flicka och hennes mamma kom fram till mig och sa att jag var den första tekniska svarta kvinnan de någonsin hade sett på något evenemang eller rekryterings-evenemang. Det var då jag visste att jag måste göra detta till en del av min regelbundna rutin.

Jag försöker delta i dessa typer av program regelbundet. Faktum är att jag den 16 mars kommer att sam-värd en hackathon med en fantastisk datavetare och god vän till mig, Swathi, i samarbete med Girls in AI.

Du har också arbetat med att utöka teknisk utbildning i landsbygds- och/eller låg-inkomst-områden. Hur stor är denna fråga?

Wow. Det finns inte tillräckligt med tid för att tala om hur stor denna fråga är! Coronavirus gjorde det kristallklart att det finns ojämlikheter som är systemiska i vårt samhälle. Tyvärr är en av de största ojämlikheterna utbildning. Jag har en god vän som arbetar på en alternativ skola på landsbygden utanför DC. Studenter där är ofta äldre, de måste ha jobb utöver att gå i skolan, de har inte alltid verktygen hemma för att göra distans-lärande som en laptop eller dator. Dessa studenter hade en lärare som förespråkade för dem, som arbetade med skolan för att få en mobil lösning för att se till att de flesta studenterna kunde komma åt skolan på sina mobil-telefoner. Men det är inte alltid fallet i låg-inkomst- eller alternativa skol-miljöer. Situationen på landsbygden är lika svår för studenter och lärare. Hög-hastighets-internet kan vara mycket dyrt på landsbygden och i vissa fall otillgängligt. Studenter som sitter i McDonalds-parkeringar för internet-åtkomst är oacceptabelt men en olycklig nödvändighet i vissa områden. Jag känner lärare i rurala Pennsylvania som själva inte kan få bra internet för att ansluta till sina virtuella klass-rum.

Utöver coronavirus finns det frågan om under-finansiering i landsbygds- och låg-inkomst-skolor, en brist på tekniskt utbildade lärare särskilt i landsbygds-områden där det kan vara svårt att locka talanger, och naturligtvis den allmänna fördomen mot studenter med färg, invandrare-studenter och till och med landsbygds-studenter som kan se eller låta annorlunda än den mer allmänt accepterade “amerikanska” kulturen. Alla dessa scenarier bidrar till bristen på tillgång till STEM-utbildning och därmed studenter som aldrig exponeras för dessa ämnen och karriärer.

Hur stor är frågan om kön- och ras-bias i AI?

Det är något som alla företag och organisationer bör tänka på. Tyvärr är detta en svår fråga att lösa eftersom om AI visar bias mot eller för en viss grupp, betyder det oftast att företaget eller organisationen redan hade en mönster av bias i det specifika området. AI är beroende av tidigare mönster för att förutsäga framtida beteende och förstärker bara detta beteende. Men det är svårt att få människor att erkänna sina egna fördomar, vi har alla fördomar och agerar ofta omedvetet på dem. Det behövs system på plats för att hjälpa till att mildra dessa fördomar och hålla team ansvariga både på den tekniska och affärsmässiga sidan.

Hur kan vi säkerställa att AI-tillämpningarna idag inte förstärker de fördomar människor har?

Det finns några steg organisationer kan ta för att skapa en standard för datavetenskap och AI för att hjälpa till att mildra bias. Jag kan inte betona tillräckligt hur detta måste vara en samarbets-process mellan tekniska grupper och affärs-grupper. Vikten av sammanhang som inte alltid är synligt för tekniska team är av stor betydelse.

Det börjar med att erkänna och identifiera potentiella källor till bias. Det kan hända i data-insamlings-processen, funktion-val för modell-byggnad eller det kan hända helt utanför data i affärs-praxis. Till exempel blev jag en gång ombedd av en ledare på ett företag om deras kärn-publik var verkligen äldre, rika män som oftare bodde i landsbygds- eller förorts-områden. Jag tittade på data och insåg att deras pipeline av data hade en över-representation av denna grupp. Men jag märkte också att de flesta av deras kunder kom från samma medie-källor, konservativa talk-radio. Jag lärde mig av en medlem av marknads-teamet att företaget fick låg- eller ingen kostnad för marknadsföring på dessa plattformar tidigt i deras lansering och att de flesta av deras kunder reflekterade detta. Biasen var inte i data, men i bristen på diversifiering i kommunikations-strategin. Men som ett resultat skapade data-teamet en livstids-värde-modell som poängsatte äldre, rikare, män från landsbygds- och förorts-områden som de bästa kunderna, vilket förstärkte kommunikations-strategin som marknads-teamet använde. Detta är något som inget tekniskt team bör vara ansvarigt för att veta, men de bör vara ansvariga för att ställa rätt frågor.

Detta leder mig till det andra steget, som är att fastställa riktlinjer för att leta efter och sedan hantera bias när det har upptäckts. När du har identifierat potentiella källor till bias bör organisationen skapa en check-lista över dessa källor för att leta efter dessa problem och skapa en väg för någon som hittar oroande data eller mönster att hantera dem. Detta kan inte göras i ett vakuum. Det är ansvaret för alla team att säkerställa att tillämpningar inte förstärker fördomar. Som i exemplet ovan har data-teamet inget ansvar för kommunikations-strategin. De kan hjälpa till att identifiera resultaten och sedan arbeta med andra team inom organisationen för att hantera dem. I detta fall arbetade kommunikations-teamet med data-vetenskap-teamet för att testa andra kommunikations-strategier som serverade olika demografiska grupper.

När bias visas i data-modeller kan det ibland bero på hur en data-team bestämmer funktion-val, vilken data som inkluderas eller exkluderas i data-lagren eller till och med den metric som förutsägs. I dessa fall är det viktigt för data-teamet att förstå att modell-precision inte alltid är ekvivalent med modell-rättvisa. Det kan vara sant att inkludera vissa funktioner i en data-modell ökar den prediktiva precisionen av modellen, men den extra 0,5% precisionen kan komma på bekostnad av ett samhälleligt eller affärsmässigt pris. Att bestämma vad rättvist betyder är inte en lätt uppgift och kräver deltagande av multifacetterade team. En metod kallad “kontrafaktisk rättvisa” överväger att ett beslut är rättvist mot en individ om det är detsamma i den faktiska världen och i en kontrafaktisk värld där individen tillhör en annan demografisk grupp. Dessutom har Microsoft (MSFT ) och Google AI publicerat standarder för att ta hänsyn till rättvisa i AI. Jag personligen hänvisar till EU-riktlinjerna för etik i artificiell intelligens, som jag tycker är ganska omfattande för min bransch. När en standard för rättvisa har etablerats kan data-teamet bestämma om lösningen är att bearbeta data innan, ändra systemets beslut efteråt eller införliva rättvise-definitioner i utbildnings-processen själv. Frågan om bias i data är en komplex fråga som kräver regelbunden utvärdering och röster från en bred range av människor. Det är inte bara en teknisk fråga som ska lösas.

Vad är dina åsikter om regeringens AI- och data-etiska policys?

Jag tycker att det har skett rörelser i rätt riktning genom att skapa en standard för procedur när det gäller AI och data-etik. Trumps exekutiva order om AI-etik skapar ett register över modeller som distribueras inom regeringen, upprättar en tidsplan för att skapa policy-riktlinjer, uppmuntrar byråer att anställa tekniskt fokuserade team och individer och uppmuntrar transparens i AI-användning inom regeringen i områden som inte är involverade i FoU eller nationell säkerhet, vilket jag tycker är oerhört viktigt. Denna typ av långtgående plan är en spännande utveckling inom regeringen, som historiskt sett har varit långsam att anpassa sig till teknologi. Men politikerna har gjort lite för att skapa en kultur av etik, skapa obligatoriska eller sammanhängande planer över byråer eller till och med definiera exakt vad etik eller rättvisa betyder i dessa sammanhang. När den nya administrationen kommer in skulle jag betona för dem att solidifiera dessa planer med en mer strukturerad och sammanhängande plan över alla byråer, samt en utvärderings-procedur som noggrant överväger den mänskliga påverkan, eftersom så mycket av det arbete som vår regering gör påverkar människors dagliga liv både inom och utanför landet.

Finns det något annat du vill dela om ditt arbete med Fresh Eyes Digital?

Data-vetenskap kan användas av ideella organisationer för att öka påverkan för de som arbetar för att förbättra vår värld på så många sätt. För dessa organisationer är insamling av data vanligtvis inte deras problem. De har massor av data att arbeta med. Att använda denna data på ett tydligt och agerbart sätt är svårt för dessa organisationer som ofta är begränsade av resurser och kanske inte har ett internt analytiskt team redo. Det arbete vi gör i data-avdelningen på Fresh Eyes Digital hjälper dessa organisationer att förstå och distribuera sin data på rätt sätt, vilket gör mer informerade, strategiska beslut. Jag är glad att ha möjligheten att arbeta med dessa organisationer på ett sätt som hjälper dem att bli mer effektiva och effektiva i sitt arbete för att påverka vår värld på positiva sätt.

Tack för de detaljerade svaren och jag ser fram emot att följa dina framtida företag. Läsare som vill lära sig mer kan besöka Ashley Bryant-Baker webbplats och/eller Fresh Eyes Digital,