แอชลีย์ ไบรอント์-เบเกอร์ ผู้อำนวยการฝ่ายข้อมูลและการวิเคราะห์แห่ง Fresh Eyes Digital – สัมภาษณ์เชิงลึก

แอชลีย์ ไบรอนต์-เบเกอร์ เป็นผู้อำนวยการฝ่ายข้อมูลและการวิเคราะห์แห่ง Fresh Eyes Digital ซึ่งเป็นบริษัทที่ปรึกษาที่เน้นความสำเร็จขององค์กรไม่แสวงหากำไร ก่อนที่จะเข้าร่วม Fresh Eyes Digital เธอ曾經ดำเนินธุรกิจที่ปรึกษาของตนเองชื่อ B&B Data Solutions ซึ่งเธอช่วยเหลือแบรนด์ต่างๆ ในการสร้างและใช้ประโยชน์จากโซลูชันข้อมูล เธอมีประสบการณ์ทำงานด้านการวิเคราะห์มากกว่า 10 ปี ในอุตสาหกรรมต่างๆ เช่น สินค้าอุปโภคบริโภค การเดินทาง การขนส่ง สาธารณสุข และองค์กรไม่แสวงหากำไร

เธอได้รับการยอมรับในฐานะผู้พูดที่มีความเชี่ยวชาญในเรื่องของการวิเคราะห์ข้อมูลและความหลากหลายในสถานที่ทำงาน เธอได้รับเชิญให้พูดในที่ประชุมต่างๆ รวมถึง SXSW, Data Minds Connect และ Digital Summit DC แอชลีย์曾ศึกษาที่ The American Graduate School in Paris, Georgetown, LSU และ Fort Hays University เธอมีปริญญาโทด้านเศรษฐศาสตร์ระหว่างประเทศ ใบอนุญาตด้านวิทยาศาสตร์ข้อมูล ปริญญาตรีด้านธุรกิจ และปริญญาตรีด้านศิลปะ

สิ่งใดที่ดึงดูดคุณให้เข้าสู่สาขาวิทยาศาสตร์ข้อมูลและวิเคราะห์ข้อมูล?

ในสมัยเรียนมหาวิทยาลัย ฉันศึกษาด้านศิลปะและสนใจที่จะทำงานให้กับบริษัทเกมเมื่อสำเร็จการศึกษา โดยมีเป้าหมายที่จะเป็นนักออกแบบเกม ฉันทำงานเป็นผู้ทดสอบคุณภาพเกมสำหรับ EA Sports ในสมัยเรียนมหาวิทยาลัย เนื่องจากในขณะนั้นมหาวิทยาลัยของฉันไม่มีการเน้นด้านวิทยาศาสตร์ข้อมูล ฉันจึงเลือกเรียนวิชาวิทยาศาสตร์ข้อมูลเพื่อเสริมความรู้ด้านศิลปะของฉัน ฉันไม่ชอบวิชาวิทยาศาสตร์ข้อมูลในตอนแรก แต่ฉันก็ยังคงเรียนต่อไปเพราะฉันต้องการสร้างเกมที่ใช้ภาษา Python และ Maya เพื่อสร้างเกมหมากรุก 3 มิติที่มีตัวละครและวัตถุที่สามารถเดินได้ และมี AI ที่สามารถเล่นได้

หลังจากสำเร็จการศึกษา ฉันทำงานที่บริษัทโฆษณาเป็นผู้จัดการโครงการ ฉันทำงานร่วมกับทีมศิลปิน ผู้เชี่ยวชาญด้านการตลาด ผู้เชี่ยวชาญด้านการผลิต และผู้วิเคราะห์ข้อมูลเพียงคนเดียวที่ดูแลลูกค้า 15 ราย เธอจะขอให้ฉันช่วยตรวจสอบการคำนวณและสร้างรายงานง่ายๆ เมื่อเธอไปพักรักษาตัว ฉันจึงได้รับมอบหมายให้ดูแลงานของเธอ เมื่อเธอกลับมา ฉันขอโอนย้ายไปที่ฝ่ายวิเคราะห์ข้อมูล และฉันก็ไม่เคยหันหลังให้กับงานนี้อีกเลย

ทุกอย่างเกิดขึ้นโดยบังเอิญ ฉันเข้าสู่สาขาวิทยาศาสตร์ข้อมูลโดยไม่ได้ตั้งใจ

คุณเป็นผู้อำนวยการฝ่ายข้อมูลและการวิเคราะห์แห่ง Fresh Eyes Digital ซึ่งเป็นบริษัทที่ปรึกษาที่เน้นความสำเร็จขององค์กรไม่แสวงหากำไร คุณสามารถอธิบายได้หรือไม่ว่าบริษัทของคุณทำอะไรและคุณทำงานอะไรที่นั่น?

Fresh Eyes เป็นบริษัทที่ปรึกษาที่ให้การสนับสนุนด้านการตลาดและการระดมทุนแก่องค์กรไม่แสวงหากำไร เราทำงานร่วมกับลูกค้าเพื่อทำความเข้าใจผู้บริจาค สร้างแคมเปญดิจิทัลเพื่อสนับสนุนเป้าหมายขององค์กรไม่แสวงหากำไร และช่วยให้องค์กรไม่แสวงหากำไรเข้าใจว่าพวกเขาสามารถเพิ่มความเข้าถึงดิจิทัลของตนได้อย่างไร Fresh Eyes ได้รับฉันเข้าทำงานเพราะพวกเขาต้องการสร้างบริการข้อมูลที่มีประสิทธิภาพมากขึ้น ในตอนแรก ฉันทำงานเป็นที่ปรึกษาให้กับพวกเขา โดยช่วยพวกเขาออกแบบการทดสอบแบบหลายตัวแปร การทำความเข้าใจผลลัพธ์ และการทำให้การวิเคราะห์และบริการแดชบอร์ดเป็นอัตโนมัติ

องค์กรไม่แสวงหากำไรกำลังเริ่มใช้วิธีการทางสถิติที่ซับซ้อนและตระหนักว่าสิ่งนี้ช่วยให้พวกเขาเห็นผลกระทบของตนได้ดีขึ้น และระดมทุนได้อย่างมีประสิทธิภาพมากขึ้น

คุณเป็นผู้สนับสนุนความหลากหลายใน STEM คุณสามารถแบ่งปันเรื่องราวที่น่าภาคภูมิใจของคุณได้หรือไม่?

มีองค์กรที่น่าประทับใจมากมายที่ทำงานเพื่อความหลากหลายและความเท่าเทียมใน STEM เช่น Black Girls Code, ByteBack ใน DC, DataKind และล่าสุด สโมสรของฉัน Zeta Phi Beta Inc. ร่วมกับ Google (GOOGL ) เพื่อฝึกอบรมกลุ่มที่ไม่ได้รับการเป็นตัวแทนในด้านคอมพิวเตอร์และเทคนิค ฉันทำส่วนของฉันโดยการอาสาสมัครกับองค์กรเหล่านี้ การเป็นคนรุ่นใหม่สำหรับผู้ที่เพิ่งเข้าสู่สาขานี้ การพูดในที่ประชุม (โดยเฉพาะที่ประชุมด้านเทคนิค ซึ่งฉันอาจเป็นผู้หญิงหรือคนผิวสีคนเดียว) และการสอนในโรงเรียน (โดยเฉพาะโรงเรียนที่มีคนส่วนใหญ่เป็นชนกลุ่มน้อย โรงเรียนในพื้นที่ชนบท และโรงเรียนทางเลือก)

ฉันพยายามเข้าร่วมในโครงการเหล่านี้เป็นประจำ ในความเป็นจริงวันที่ 16 มีนาคม ฉันจะจัดงานแฮกกาธอนร่วมกับนักวิทยาศาสตร์ข้อมูลที่น่าทึ่งและเป็นเพื่อนของฉัน Swathi ร่วมกับ Girls in AI

คุณยังทำงานในการขยายการศึกษาด้านเทคนิคในพื้นที่ชนบทและ/หรือพื้นที่ที่มีรายได้น้อย คุณสามารถอธิบายถึงความสำคัญของปัญหานี้ได้หรือไม่?

ปัญหานี้มีความสำคัญมาก ไวรัสโคโรนาได้ทำให้เราเห็นความไม่เท่าเทียมในระบบสังคมของเราอย่างชัดเจน หนึ่งในความไม่เท่าเทียมเหล่านั้นคือการศึกษา ฉันมีเพื่อนที่ทำงานที่โรงเรียนทางเลือกในพื้นที่ชนบทนอก DC นักเรียนในโรงเรียนเหล่านี้มักจะอายุมากกว่าและมีงานทำควบคู่ไปกับการเรียน พวกเขาไม่ได้มีอุปกรณ์ที่จำเป็นในการเรียนทางไกล เช่น คอมพิวเตอร์หรือแล็ปท็อป

นอกเหนือจากไวรัสโคโรนาแล้ว ยังมีปัญหาเรื่องการขาดแคลนทุนวิจัยในโรงเรียนชนบทและโรงเรียนที่มีรายได้น้อย การขาดแคลนผู้สอนเทคนิคที่มีฝีมือ โดยเฉพาะในพื้นที่ชนบทที่ดึงดูดผู้มีฝีมือได้ยาก และความลำเอียงโดยทั่วไปต่อนักเรียนที่มีสีผิวหรือมีภูมิหลังที่แตกต่างจาก “วัฒนธรรมอเมริกันที่ยอมรับ” ทั้งหมดนี้ทำให้นักเรียนเหล่านี้ไม่มีโอกาสเข้าถึงการศึกษาด้าน STEM

ปัญหาเรื่องเพศและเชื้อชาติใน AI มีความสำคัญขนาดไหน?

เป็นปัญหาที่ทุกธุรกิจและองค์กรควรพิจารณา ปัญหาเรื่องการลำเอียงใน AI เป็นเรื่องที่ยากจะแก้ไข เนื่องจาก AI มักจะสะท้อนการลำเอียงที่มีอยู่แล้วในองค์กรหรือบริษัท AI ขึ้นอยู่กับแบบแผนในอดีตเพื่อคาดการณ์พฤติกรรมในอนาคต และการลำเอียงนี้มักจะถูกขยายใหญ่ขึ้น

เราจะรับรองได้อย่างไรว่า AI ในปัจจุบันจะไม่ขยายการลำเอียงที่มนุษย์มี?

มีหลายขั้นตอนที่องค์กรสามารถทำได้เพื่อสร้างมาตรฐานในการใช้ AI และวิทยาศาสตร์ข้อมูลเพื่อช่วยลดการลำเอียง นี่เป็นกระบวนการที่ต้องมีการทำงานร่วมกันระหว่างทีมเทคนิคและทีมธุรกิจ ความสำคัญของบริบทที่ไม่เห็นได้ชัดเจนสำหรับทีมเทคนิคเป็นสิ่งสำคัญ

เริ่มต้นด้วยการรับรู้และระบุแหล่งที่มาของการลำเอียง ซึ่งสามารถเกิดขึ้นในกระบวนการรวบรวมข้อมูล การเลือกคุณสมบัติสำหรับการสร้างแบบจำลอง หรือแม้กระทั่งนอกข้อมูลในแนวปฏิบัติทางธุรกิจ ตัวอย่างเช่น ฉันเคยถูกถามโดยผู้นำของบริษัทว่ากลุ่มเป้าหมายหลักของพวกเขาคือชายวัยกลางคนผู้มั่งคั่งที่อาศัยอยู่ในพื้นที่ชนบทหรือชานเมืองหรือไม่ ฉันตรวจสอบข้อมูลและพบว่ามีการเป็นตัวแทนเกินขนาดของกลุ่มคนนี้ในข้อมูลของพวกเขา แต่ฉันก็พบว่าลูกค้าส่วนใหญ่มาจากแหล่งข้อมูลสื่อเดียวกัน ซึ่งเป็นสถานีวิทยุพูดคุยแบบอนุรักษ์นิยม

การลำเอียงนี้ไม่ได้เกิดจากข้อมูล แต่เกิดจากกลยุทธ์การสื่อสารที่ไม่หลากหลายของทีมการตลาด เมื่อเป็นผลให้แบบจำลองการให้คะแนนมูลค่าตลอดชีวิตที่ทีมข้อมูลสร้างขึ้นได้คะแนนให้กับกลุ่มคนนี้ว่าเป็นลูกค้าที่ดีที่สุด ซึ่งทำให้การลำเอียงในกลยุทธ์การสื่อสารของทีมการตลาดมีขนาดใหญ่ขึ้น

สิ่งนี้นำไปสู่ขั้นตอนที่สอง ซึ่งก็คือการสร้างแนวทางในการค้นหาและจัดการกับการลำเอียงเมื่อถูกพบ นี่ไม่สามารถทำได้โดยทีมเทคนิคเพียงอย่างเดียว แต่ต้องมีการทำงานร่วมกันระหว่างทีมต่างๆ ในองค์กร

เมื่อการลำเอียงปรากฏในแบบจำลองข้อมูล บางครั้งอาจเกิดจากวิธีการเลือกคุณสมบัติหรือการรวมหรือการแยกข้อมูลในแบบจำลอง การตัดสินใจเหล่านี้ต้องอาศัยการมีส่วนร่วมของทีมหลายๆ ทีมในการประเมินผลกระทบของการลำเอียงและหาวิธีแก้ไข

คุณมีความคิดเห็นอย่างไรเกี่ยวกับนโยบายด้านจริยธรรมของ AI และข้อมูลที่รัฐบาลออกมา?

ฉันคิดว่ามีการเคลื่อนไหวในทางที่ดีในการสร้างมาตรฐานในการใช้ AI และข้อมูล แต่นโยบายเหล่านี้ยังไม่ได้สร้างวัฒนธรรมแห่งจริยธรรมหรือแผนการปฏิบัติที่ครอบคลุมและบังคับใช้ได้จริงๆ

มีอะไรอีกไหมที่คุณต้องการแบ่งปันเกี่ยวกับงานของคุณที่ Fresh Eyes Digital?

วิทยาศาสตร์ข้อมูลสามารถช่วยให้องค์กรไม่แสวงหากำไรเพิ่มผลกระทบของตนได้ องค์กรเหล่านี้มักจะมีข้อมูลมากมาย แต่การนำข้อมูลเหล่านั้นมาใช้อย่างมีประสิทธิภาพเป็นเรื่องที่ท้าทาย การทำงานของเราในฝ่ายข้อมูลของ Fresh Eyes Digital ช่วยให้องค์กรเหล่านี้เข้าใจและใช้ข้อมูลของตนได้ดีขึ้น ทำให้ตัดสินใจได้อย่างมีข้อมูลและกลยุทธ์มากขึ้น

ขอขอบคุณสำหรับคำตอบที่มีรายละเอียด และฉันหวังว่าจะได้ติดตามการผจญภัยในอนาคตของคุณ ผู้อ่านสามารถเยี่ยมชมเว็บไซต์ของ แอชลีย์ ไบรอนต์-เบเกอร์ และ/หรือ Fresh Eyes Digital เพื่อเรียนรู้เพิ่มเติม