Ashley Bryant-Baker, Fresh Eyes Digital'de Veri ve Analitik Direktörü - Röportaj Serisi

Ashley Bryant-Baker Şurada Veri ve Analitik Direktörüdür: Taze Gözler Dijital, kar amacı gütmeyen kuruluşların başarısına odaklanan bir danışmanlık firmasıdır. Fresh Eyes Digital'den önce kendi danışmanlık şirketi B&B Data Solutions'ı yönetti ve burada markaların veri çözümleri oluşturmasına ve bunlardan yararlanmasına yardımcı oldu. Ambalajlı tüketim malları, seyahat, lojistik, sağlık ve kar amacı gütmeyen kuruluşlar arasında değişen sektörlerde on yılı aşkın bir süredir analitik alanında çalıştı.

Yapay Zekada Cinsiyet Önyargısı, Yapay Zeka Kullanarak Müşteri Segmentasyonu ve işyerinde çeşitlilik konularında aranan bir konuşmacı haline geldi. Yakın zamanda SXSW, Data Minds Connect ve Digital Summit DC gibi çeşitli etkinliklerde konuşma yapması için davet edildi. Ashley, Paris, Georgetown, LSU ve Fort Hays Üniversitesi'ndeki The American Graduate School'a katıldı. Uluslararası Ekonomi alanında Master derecesine, Veri Bilimi Sertifikasına, İşletme Lisans Derecesine ve Sanat Lisans Derecesine sahiptir.

Başlangıçta sizi bilgisayar bilimi ve veri bilimine çeken neydi?

Üniversitede sanat okudum ve oyun tasarımcısı olarak mezun olduğumda bir video oyunu şirketinde çalışmakla ilgilendim. Planım, 3B bilgisayar modelleri yapmak ve insanların oyunda etkileşime gireceği karakterler ve nesneler tasarlamaktı. Hatta üniversitede EA Sports için video oyunu kalite güvence testçisi olarak çalıştım. O zamanlar üniversitemde bilgisayar sanatları üzerine yoğunlaşma olmadığı için sanat derecemi desteklemek için bilgisayar bilimlerinde yan dal yapmaya karar verdim. Başlangıçta bilgisayar bilimleri derslerini hiç sevmedim. Diğer öğrenciler ve hatta bazı profesörler arasında, deneyimi olmayan insanlara (benim gibi) karşı neredeyse bir düşmanlık vardı. Yan dalımı sürdürdüm çünkü sanat bitirme projemdeki hedefim çalışan bir video oyunu tasarlamak ve programlamaktı. Python ve Maya kullanarak tahtada yürüyen animasyonlu taşlar ve size karşı oynayabilen çok basit bir yapay zeka içeren 3B bir satranç oyunu yaptım. O zamanlar Python hakkında hiçbir şey bilmiyordum ve bir daha asla kullanmayacağımı varsaydım.

Üniversiteden mezun olduktan sonraki ilk işlerimden birine hızlıca ilerleyelim. Bir pazarlama firmasında jr. proje yöneticisi olarak çalışıyordum. Sanatçılar, pazarlama uzmanları, prodüksiyon uzmanları ve tüm binada yaklaşık 15 müşteri için kendi başına analitik yöneten bir analistten oluşan bir ekiple çalıştım. Matematiksel hesaplamalarını iki kez kontrol etmem veya basit raporlar oluşturmam için periyodik olarak benden yardım isterdi. Birkaç hafta boyunca sağlık iznine ayrılması gerektiğinde, süpervizörüme ve bana yokluğunda onun yerine geçip geçemeyeceğimi sordu. Geri döndüğünde onun departmanına transfer olmak istedim. Verilerle çalışmak benim için çok ilginçti. Kariyerimde kesinlikle beklenmedik bir dönüm noktasıydı ama o zamandan beri geriye bakmadım. Daha fazla şey öğrenmek istemeye devam ettim, bu yüzden kurslar aldım ve başkalarından öğrenebileceğim analitik işlerine başvurdum. Sonra her şey tam bir döngüye girdi ve eskisinden tamamen farklı bir şekilde de olsa tekrar Python ile çalışmaya başladım.

Bütün bunlar söylenecek. Başlangıçta veri bilimine tamamen tesadüfen girdim.

Şu anda şirketinde Veri ve Analitik Direktörüsünüz. Taze Gözler Dijital, kar amacı gütmeyen kuruluşlarla çalışan bir şirket. Firmanın neler yaptığını ve orada yaptığınız çalışmaları paylaşır mısınız?

Fresh Eyes, kâr amacı gütmeyen kuruluşlara pazarlama ve bağış toplama desteği sağlayan bir danışmanlık firmasıdır. Müşterilerimizle bağışçılarını anlamak, kâr amacı gütmeyen kuruluş hedefleri doğrultusunda dijital kampanyalar oluşturmak ve kâr amacı gütmeyen kuruluşların bu hedeflere ulaşmak için dijital varlıklarını nasıl artırabileceklerini anlamalarına yardımcı olmak için çalışıyoruz. Fresh Eyes beni daha güçlü bir veri sunumu oluşturmak istedikleri için işe aldı. Başlangıçta danışman olarak onlarla çalıştım ve dijital çok değişkenli testler tasarlamalarına, sonuçları anlamalarına ve analitik ve gösterge paneli hizmetlerini otomatikleştirmelerine yardımcı oldum. Şimdi ise kâr amacı gütmeyen kuruluşlar için bir dizi hizmet oluşturmak üzere onlarla birlikte çalışıyorum. Üzerinde çalıştığım bazı projeler, zaman içinde seçmenlerin ve bağışçıların dönüşüm ve bağış oranları etrafında öngörücü analizler içeriyor. Siyasi iklim, ekonomik değişimler ve haber döngüleri gibi dış faktörlerin yanı sıra pazarlama mesajlaşma stratejileri, kâr amacı gütmeyen kuruluş etki raporları ve hatta bir kuruluş içindeki liderlik rollerinin değişimi gibi iç faktörlerin etkilerini ve bunların dönüşüm eğilimini nasıl etkileyebileceğini anlamak. Bu bilgilerin çoğu, bağışçıları ve etkileşimi daha iyi anlamak için tahmin analizlerimizi, gösterge panellerimizi ve sınıflandırma modellerimizi bilgilendiriyor.

Kâr amacı gütmeyen kuruluşlar, gelişmiş istatistiksel yöntemlerin kullanımını benimsiyor ve etkilerini daha iyi anlayabildiklerinde ve daha yapılandırılmış bir şekilde para topladıklarında, bunun misyonlarını görme becerilerine yardımcı olduğunu fark ediyorlar.

En gurur verici başarılarınızdan biri, STEM'de çeşitliliğin savunucusu olmaktır, bu önemli noktalardan bazılarını paylaşabilir misiniz?

STEM alanında çeşitlilik ve eşitlik için çalışan çok sayıda harika kuruluş var: Black Girls Code, Washington'daki ByteBack, DataKind ve en son olarak kız öğrenci birliğim Zeta Phi Beta Inc. ve diğer birkaç kuruluş, bilgisayar ve teknik eğitim konusunda yeterince temsil edilmeyen grupları eğitmek için Google ile ortaklık kurdu. Ben bu kuruluşlarda gönüllü olarak çalışarak, alana yeni giren insanlara mentorluk yaparak, etkinliklerde konuşarak (özellikle bazen tek kadın veya renkli kişi olduğum teknoloji etkinliklerinde) ve okullarda atölyelerde ders vererek (özellikle çoğunluk azınlık okulları, kırsal okullar ve alternatif okullar) üzerime düşeni yapıyorum. Ayrıca, staj programlarını ve giriş seviyesi lisansüstü programlarını çeşitlendirmek için birkaç şirketle çalıştım. Bu çalışmaların çoğunu alışkanlıktan yaptım. Gönüllülüğün günlük hayatın bir parçası olduğu bir evde ve toplulukta büyüdüm. Bunu üniversite boyunca ve sonrasında Zeta Phi Beta Inc. ile sürdürdüm. Ancak sanırım bu alana yönelmemin sebebi üniversiteye kadar bilgisayarlar ve kodlama hakkında bilgi edinme fırsatım olmamasıydı. Üniversiteye geldiğimde ise bilgisayar bilimleri alanında yan dal yaparken hissettiğim olumsuzluk hissini hatırlıyorum. Kimsenin, özellikle de öğrenmeye ve kendini geliştirmeye çalışan birinin bunu deneyimlemesini istemiyorum. Bir işe alım etkinliğinde bir grup öğrenciyle konuşurken genç bir siyahi kız ve annesi yanıma gelip herhangi bir konferansta veya işe alım etkinliğinde gördükleri ilk teknik siyahi kadın olduğumu söyleyene kadar yarattığım etkiyi gerçekten fark etmediğimi düşünüyorum. İşte o zaman bunu düzenli rutinimin bir parçası haline getirmem gerektiğini anladım.

Bu tür programlara düzenli olarak katılmaya çalışıyorum. Aslında 16 Mart'ta Girls in AI ile birlikte harika bir veri bilimcisi ve iyi arkadaşım Swathi ile bir hackathon'a ev sahipliği yapacağım.

Ayrıca, kırsal ve/veya düşük gelirli mahallelerde teknoloji eğitimini genişletmek için çalıştınız. Bu ne kadar önemli bir konu?

Vay canına. Bunun ne kadar büyük bir sorun olduğunu anlatmaya zaman yok! Koronavirüs, toplumumuzda sistematik eşitsizlikler olduğunu açıkça ortaya koydu. Maalesef en büyüklerinden biri eğitim. Washington D.C.'nin eteklerinde alternatif bir okulda çalışan iyi bir arkadaşım var. Oradaki öğrenciler genellikle daha büyük, liseye gitmenin yanı sıra başka işlerde de çalışmak zorundalar ve evde uzaktan eğitim için dizüstü veya masaüstü bilgisayar gibi araçlara her zaman sahip olmuyorlar. Bu öğrencilerin, çoğu öğrencinin cep telefonlarından okula erişebilmesini sağlamak için okul ile birlikte mobil bir seçenek getirmek üzere savunuculuk yapan bir öğretmenleri vardı. Ancak düşük gelirli veya alternatif okul ortamlarında durum her zaman böyle değildir. Kırsal durum da öğrenciler ve öğretmenler için benzer şekilde zordur. Yüksek hızlı internet kırsal alanlarda ÇOK pahalı olabilir ve bazı durumlarda mevcut olmayabilir. İnternet erişimi için McDonald's otoparklarında oturan öğrenciler kabul edilemez, ancak bu bölgelerin bazılarında talihsiz bir zorunluluktur. Pennsylvania'nın kırsal kesimlerinde sanal sınıflarına bağlanmak için iyi bir internet bağlantısı bulamayan öğretmenler tanıyorum.

Koronavirüs dışında, kırsal ve düşük gelirli okullarda yetersiz finansman sorunu, özellikle yetenekleri çekmenin zor olabileceği kırsal alanlarda teknik olarak eğitilmiş öğretmenlerin eksikliği ve elbette beyaz olmayan öğrencilere, göçmen öğrencilere ve hatta kırsal kesime karşı genel önyargı var. daha yaygın olarak kabul edilen "Amerikan" kültüründen farklı görünen veya ses çıkaran öğrenciler. Tüm bu senaryolar, STEM eğitimine erişim eksikliğine ve dolayısıyla bu konulara ve kariyerlere asla maruz kalmayan öğrencilere katkıda bulunur.

Yapay zekada cinsiyet ve ırk önyargısı ne kadar büyük bir sorun?

Bu, tüm işletmelerin ve kuruluşların düşünmesi gereken bir şeydir. Ne yazık ki bu, çözülmesi zor bir soru çünkü yapay zeka belirli bir gruba karşı veya belirli bir gruba karşı önyargı gösteriyorsa, bu genellikle o belirli alanda şirketin veya kuruluşun zaten bir önyargı modeline sahip olduğu anlamına gelir. AI, gelecekteki davranışı tahmin etmek için geçmiş kalıplara güvenir ve bu davranışı basit bir şekilde güçlendirir. Bununla birlikte, insanların kendi önyargılarını fark etmelerini sağlamak zordur, hepimizde bunlara sahibiz ve çoğu zaman bilinçsizce onlara göre hareket ederiz. Bu önyargıları hafifletmeye ve ekipleri hem teknik hem de ticari açıdan sorumlu tutmaya yardımcı olacak sistemlerin yürürlükte olması gerekir.

Günümüzün yapay zeka uygulamalarının insanların önyargılarını artırmamasını nasıl sağlayabiliriz?

Kuruluşların, önyargıyı azaltmaya yardımcı olmak için veri biliminde ve yapay zekada bir uygulama standardı oluşturmak için atabilecekleri bazı adımlar vardır. Bunun teknik gruplar ve iş grupları arasında nasıl ortak bir süreç olması gerektiğini yeterince ifade edemiyorum. Teknik ekipler tarafından her zaman görülemeyen bağlamın önemi çok önemlidir.

Her şey, potansiyel önyargı kaynaklarını fark edip belirlemekle başlar. Bu, veri toplama sürecinde, model oluşturma için özellik seçiminde veya tamamen verilerin dışında, iş uygulamalarında gerçekleşebilir. Örneğin, bir şirketteki bir lider bana, çekirdek hedef kitlelerinin gerçekten de kırsal veya banliyö mahallelerinde yaşayan yaşlı, zengin erkekler olup olmadığını sordu. Verilere baktım ve veri havuzlarında bu grubun aşırı temsil edildiğini fark ettim. Ancak müşterilerinin büyük bir kısmının aynı medya kaynaklarından, muhafazakar radyolardan geldiğini de fark ettim. Pazarlama ekibinden bir üyeden, şirketin bu platformlarda lansmanlarının başlarında düşük maliyetli veya ücretsiz pazarlama aldığını ve müşterilerinin büyük bir kısmının da bunu yansıttığını öğrendim. Önyargı verilerde değil, iletişim stratejisindeki çeşitlilik eksikliğindeydi. Ancak sonuç olarak, veri ekibinin oluşturduğu yaşam boyu değer puanlama modeli, banliyö ve kırsal topluluklardan gelen yaşlı, zengin erkekleri en iyi performans gösteren müşteriler olarak puanlayarak pazarlama ekibinin kullandığı iletişim stratejisini güçlendirdi. Bu, hiçbir teknik ekibin bilmesi gereken bir şey değil, ancak doğru soruları sormaktan sorumlu olmaları gereken bir şey.

Bu beni ikinci adıma, yani önyargıları tespit etmek ve ortaya çıktıktan sonra bunlarla başa çıkmak için yönergeler oluşturmaya getiriyor. Potansiyel önyargı kaynaklarını belirledikten sonra, kuruluş bu sorunları araştırmak ve endişe verici veriler veya kalıplar bulan birinin bunları ele alması için bir yol oluşturmak üzere bu kaynaklardan oluşan bir kontrol listesi oluşturmalıdır. Bu, boşlukta yapılamaz. Uygulamaların önyargıları artırmamasını sağlamak tüm ekiplerin sorumluluğundadır. Yukarıdaki örnekte olduğu gibi, veri ekibinin iletişim stratejisi üzerinde hiçbir sorumluluğu yoktur. Bulguları belirlemeye yardımcı olabilir ve ardından bunları ele almak için kuruluştaki diğer ekiplerle birlikte çalışabilirler. Bu durumda iletişim ekibi, farklı demografik grupları ayıran diğer iletişim stratejilerini test etmek için veri bilimi ekibiyle birlikte çalıştı.

Veri modellerinde önyargılar ortaya çıktığında, bazen bir veri ekibinin özellik seçimini nasıl belirlediği, veri depolarına hangi verilerin dahil edildiği veya hariç tutulduğu ve hatta tahmin edilen ölçüm olabilir. Bu durumlarda, veri ekibinin model doğruluğunun her zaman model adaletine eşdeğer olmadığını anlaması önemlidir. Bir veri modeline belirli özellikleri dahil etmenin bir modelin tahmin doğruluğunu artırdığı doğru olabilir, ancak doğruluğun %0.5'lik ek bir toplumsal veya ticari maliyeti olabilir. Fuarın ne anlama geldiğini belirlemek kolay bir iş değildir ve çok yönlü ekiplerin katılımını gerektirir. "Karşı-olgusal adalet" adı verilen bir metodoloji, gerçek dünyada ve bireyin farklı bir demografik gruba ait olduğu karşı-olgusal bir dünyada aynıysa, bir kararın bireye karşı adil olduğunu düşünür. Ek olarak, Microsoft ve Google AI, AI'daki adaleti hesaba katmak için standartlar yayınladı. Sektörüm için oldukça kapsamlı bulduğum yapay zekada etik konusundaki AB yönergelerine kişisel olarak atıfta bulunuyorum. Bir adalet standardı oluşturulduktan sonra veri ekibi, çözümün verileri önceden işlemek mi, daha sonra sistemin kararlarını değiştirmek mi yoksa adalet tanımlarını eğitim sürecinin kendisine dahil etmek mi olduğunu belirleyebilir. Verilerdeki önyargı sorunu, düzenli değerlendirme ve geniş bir yelpazedeki insanların görüşlerini gerektiren karmaşık bir sorundur. Çözülmesi gereken sadece teknik bir sorun değildir.

Devletin yürürlüğe koyduğu yapay zeka ve veri etiği politikaları hakkındaki görüşleriniz nelerdir?

Yapay zeka ve veri etiği söz konusu olduğunda bir prosedür standardı oluşturarak doğru yönde ilerleme kaydedildiğini düşünüyorum. Trump'ın yapay zeka etiğiyle ilgili başkanlık kararnamesi, hükümet içinde kullanılan modellerin bir kaydını oluşturuyor, politika rehberliği oluşturmak için bir zaman çizelgesi belirliyor, kurumları teknoloji odaklı ekipler ve bireyler istihdam etmeye teşvik ediyor ve Ar-Ge veya ulusal güvenlikle ilgili olmayan alanlarda hükümet genelinde yapay zeka kullanımında şeffaflığı teşvik ediyor ki bence bu son derece önemli. Bu tür kapsamlı bir plan, teknolojiyi benimseme konusunda tarihsel olarak yavaş davranan hükümet için heyecan verici bir gelişme. Ancak politikalar, bir etik kültürü oluşturmak, kurumlar arasında zorunlu veya tutarlı planlar oluşturmak veya bu bağlamlarda etiğin veya adaletin tam olarak ne anlama geldiğini tanımlamak için çok az şey yaptı. Yeni yönetim göreve geldikçe, hükümetimizin yaptığı işlerin büyük bir kısmının hem yurt içinde hem de yurt dışında insanların günlük yaşamlarını etkilemesi nedeniyle, tüm kurumlarda daha yapılandırılmış ve tutarlı bir plan ve insan etkisini dikkatlice değerlendiren bir değerlendirme prosedürü ile bu planları sağlamlaştırmaları konusunda onları ikna etmek isterim.

Fresh Eyes Digital ile yaptığınız işlerle ilgili paylaşmak istediğiniz başka bir şey var mı?

Veri bilimi, dünyamızı birçok yönden iyileştirmek için çalışan kar amacı gütmeyen kuruluşlar tarafından etkiyi artırmak için kullanılabilir. Bu kuruluşlar için veri toplamak genellikle onların sorunu değildir. Çalışmak için çok fazla veriye sahipler. Bu verileri net ve eyleme geçirilebilir şekillerde kullanmak, genellikle kaynakları kısıtlı olan ve hazır bir dahili analiz ekibine sahip olmayan bu kuruluşlar için zordur. Fresh Eyes Digital'de veri departmanında yaptığımız iş, bu kuruluşların verilerini doğru şekilde anlamalarına ve dağıtmalarına ve daha bilinçli, stratejik kararlar almalarına yardımcı olur. Dünyamızı olumlu yönde etkilemeye çalışırken, bu kuruluşlarla daha verimli ve etkili olmalarına yardımcı olacak şekilde çalışma fırsatına sahip olduğum için mutluyum.

Ayrıntılı cevaplar için teşekkür ederim ve gelecekteki girişimlerinizi takip etmeyi dört gözle bekliyorum. Daha fazla bilgi edinmek isteyen okuyucular şu adresi ziyaret etmelidir: Ashley Bryant-Baker web sitesi ve/veya  Taze Gözler Dijital,