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

Ashley Bryant-Baker , kâr amacı gütmeyen kuruluşların başarısına odaklanan bir danışmanlık firması olan Fresh Eyes Digital‘de Veri ve Analitik Direktörüdür. Fresh Eyes Digital’den önce, markaların veri çözümleri oluşturmasına ve kullanmasına yardımcı olan kendi danışmanlık firması B&B Data Solutions’ı yönetti. On yılı aşkın bir süredir tüketici paketlenmiş mallar, seyahat, lojistik, sağlık ve kâr amacı gütmeyen kuruluşlar gibi çeşitli endüstrilerde analitik alanında çalışmıştır.

Cinsiyetçi AI’de, AI kullanarak Müşteri Segmentasyonu ve işyerindeki çeşitlilik konularında aranan bir konuşmacı haline gelmiştir. SXSW, Data Minds Connect ve Digital Summit DC gibi çeşitli etkinliklere konuşmacı olarak davet edilmiştir. Ashley, The American Graduate School in Paris, Georgetown, LSU ve Fort Hays Üniversitesi’ne katılmıştır. Uluslararası İktisat alanında yüksek lisans, Veri Bilimi Sertifikası, İşletme Lisans ve Sanat Lisansına sahiptir.

Sizce bilgisayar bilimi ve veri bilimiyle ilk olarak nasıl ilgilenmeye başladınız?

Üniversitede sanat okudum ve mezun olduktan sonra bir video oyunu şirketinde oyun tasarımcısı olarak çalışmayı planlıyordum. Planım, insanların oyun içinde etkileşime gireceği karakterler ve nesneleri tasarlamak ve 3D bilgisayar modelleri oluşturmaktı. Ayrıca üniversitede EA Sports için video oyunu kalite güvence testcisi olarak çalıştım. O zamanlar üniversitemizde bilgisayar sanatları yoğunlaşması yoktu, bu nedenle sanat derecemi desteklemek için bilgisayar bilimi bölümünden yan dal yaptım. İlk olarak bilgisayar bilimi derslerini hiç sevmemiştim. Diğer öğrencilerden ve bazı profesörlerden experience’siz kişiler (benim gibi) karşı olumsuz bir tavır vardı. Oyun için bir video oyunu tasarlamak ve programlamak istediğim için yan dalı tamamladım. Python ve maya kullanarak bir 3D satranç oyunu oluşturdum ve basit bir AI ile oynayabilirsiniz. O zamanlar python hakkında hiçbir şey bilmiyordum ve asla kullanmayacağımı düşünmüştüm.

İlk işlerden birine fast forward. Bir pazarlama firmasında jr. proje müdürü olarak çalışıyordum. Sanatçılar, pazarlama uzmanları, üretim uzmanları ve binada tek bir analist vardı ve yaklaşık 15 müşterinin analitiklerini kendisi yönetiyordu. Bazen bana matematiklerini kontrol etmesi veya basit raporlar oluşturması için yardım ederdim. Tıbbi izin nedeniyle birkaç hafta boyunca uzaklaşmak zorunda kaldığında, müdürüme ve bana analitik departmanına geçmek isteyip istemediğimi sordu. Verilerle çalışmak benim için çok ilginçti. Beklenmedik bir kariyer değişikliği oldu, ama geri dönmeyeceğim. Daha fazla öğrenmek istedim, bu nedenle kurslar aldım ve diğerlerinden öğrenmek için analitik işlere başvuruda bulundum. Her şey tam da olması gerektiği gibi oldu ve python ile tekrar çalışmaya başladım, ancak öncekinden tamamen farklı bir şekilde.

Tüm bunlar demek oluyor ki, veri bilimine tamamen tesadüfen girdim.

Şu anda Fresh Eyes Digital‘de Veri ve Analitik Direktörüsünüz, kâr amacı gütmeyen kuruluşlarla çalışan bir şirket. Şirketin ne yaptığını ve orada yaptığınız işi anlatabilir misiniz?

Fresh Eyes, kâr amacı gütmeyen kuruluşlara pazarlama ve bağış toplama desteği sağlayan bir danışmanlık firmasıdır. Müşterilerimizle birlikte bağışçılarını anlamak, kâr amacı gütmeyen hedefler etrafında dijital kampanyalar oluşturmak ve dijital varlıklarının bu hedeflere ulaşmak için nasıl yükseltilebileceğini anlamalarına yardımcı oluyoruz. Fresh Eyes, daha güçlü bir veri teklifi oluşturmak istediği için beni işe aldı. İlk olarak danışman olarak çalıştım ve onlara dijital çok değişkenli test tasarımı, sonuçları anlamak ve analitik ve panolama hizmetlerini otomatikleştirmek konusunda yardımcı oldum. Şimdi, kâr amacı gütmeyen kuruluşlar için bir dizi teklif oluşturmaya çalışıyorum. Çalıştığım projeler arasında, bağışçıların ve bağışçıların zaman içinde dönüştürme ve bağış oranları etrafında öngörülü analizler bulunmaktadır. Dış faktörlerin etkilerini anlamak, siyasi iklim, ekonomik değişiklikler ve haber döngüleri, serta iç faktörler, pazarlama mesajlaşma stratejileri, kâr amacı gütmeyen etki raporları ve hatta bir organizasyon içinde liderlik rollerinin hareketi ve bunların tümünün dönüştürme eğilimini nasıl etkileyebileceğini anlamak. Bu bilgiler, tahmin analitiğimizi ve panellerimizi ve sınıflandırma modellerimizi daha iyi bağışçıları ve katılımı anlamak için bilgilendirmektedir.

Kâr amacı gütmeyen kuruluşlar, gelişmiş istatistiksel yöntemlerin kullanımını benimsemekte ve amacını gerçekleştirmek için daha iyi anladıklarında ve daha yapılandırılmış bir şekilde para topladıklarında bunu yapmalarına yardımcı olan bir araç olarak veri bilimini gerçekleştirdiklerini anlamaktadırlar.

STEM’de çeşitlilik için bir savunucu olmanız, bu konudaki bazı önemli başarılarınızı paylaşabilir misiniz?

Çeşitlilik ve eşitlik için çalışan birçok harika organizasyon var: Black Girls Code, ByteBack burada DC’de, DataKind ve en son olarak benim kızlık derneğim Zeta Phi Beta Inc. Google ile birlikte teknik eğitimde temsil edilmeyen grupları eğitmek için several diğer organizasyonlarla ortaklık kurdu. Bu organizasyonlarla gönüllü olarak çalışarak, alana yeni giren insanlara mentorluk yaparak, özellikle teknoloji etkinliklerinde (bazen tek kadın veya renkli insan olduğum için) konuşarak ve okullarda (özellikle çoğunlukla azınlık okulları, kırsal okullar ve alternatif okullarda) atölye çalışmaları yaparak katkıda bulunuyorum. Ayrıca, birkaç şirketin staj programlarını ve giriş seviyesi mezun programlarını çeşitlendirmelerine yardımcı oldum. Bu tür çalışmaları yapma alışkanlığı edindim. Bir evde ve toplulukta büyüdüm, burada gönüllülük günlük hayatın bir parçasıydı. Bunu üniversitede ve sonrasında Zeta Phi Beta Inc. ile devam ettirdim. Ancak bu alana yönelmemin nedeni, bilgisayar bilimi bölümünden yan dal aldığım zaman hissettiğim olumsuzluğu yaşamak istememem. Kimse, özellikle de öğrenmeye ve kendini geliştirmeye çalışan biri, bunu deneyimlemesin istemem. Aslında bir grup öğrenciyle konuşurken, bir genç siyah kız ve annesi bana geldi ve beni herhangi bir konferans veya işe alım etkinliğinde gördükleri ilk teknik siyah kadın olarak tanımladılar. O zaman anladım ki bunu düzenli olarak yapmalıyım.

Bu tür programlara düzenli olarak katılmaya çalışıyorum. Aslında 16 Mart’ta bir arkadaşım Swathi ile birlikte Girls in AI ile bir hackathon düzenleyeceğim.

Teknoloji eğitiminin kırsal ve/veya düşük gelirli mahallelerde genişletilmesi konusunda çalıştınız. Bu vấnanın ne kadar önemli olduğunu düşünüyorsunuz?

Vakit yok, bu vấnanın ne kadar büyük olduğunu anlatmaya! Koronavirüs, toplumumuzda sistematik eşitsizlikler olduğunu gösterdi. Maalesef, bunlardan biri eğitimdir. DC’nin dışındaki bir alternatif okulda çalışan bir arkadaşım var. Öğrenciler genellikle daha yaşlı, okula gitmenin yanı sıra işlerde çalışmak zorundalar ve evde uzaktan eğitim için laptop veya masaüstü bilgisayarları yok. Öğretmenleri, öğrencilerin cep telefonlarında okul erişimi sağlayacak bir mobil seçenek için okul ile birlikte çalıştı. Ancak bu, düşük gelirli veya alternatif okul ortamlarında her zaman böyle değildir. Kırsal alanlardaki durum da benzer şekilde zor. Yüksek hızlı internet kırsal alanlarda çok pahalı olabilir ve bazı durumlarda erişilemez. Öğrencilerin McDonald’s otoparklarında internet erişimi için beklemesi kabul edilemez, ancak bazı alanlarda maalesef bir zorunluluk. Kırsal Pennsylvania’da iyi internet erişimi olmayan ve sanal sınıflarına bağlanamayan öğretmenler tanıyorum.

Koronavirüs dışında, kırsal ve düşük gelirli okullarda fon eksikliği, özellikle yetenekli öğretmenleri çekmenin zor olduğu kırsal alanlarda teknik olarak eğitimli öğretmenlerin eksikliği ve genel olarak renkli öğrencilere, göçmen öğrencilere ve hatta kırsal öğrencilere karşı önyargı gibi sorunlar vardır. Tüm bu senaryolar, STEM eğitimi erişimi azalan ve bu konulara ve kariyerlere hiç maruz kalmayan öğrencilere katkıda bulunur.

AI’de cinsiyet ve ırkçı önyargı ne kadar büyük bir vấnadır?

Bu, tüm işletmelerin ve organizasyonların düşünmesi gereken bir şey. Maalesef, bu zor bir vấnadır, çünkü AI’de önyargıya sahip olmak, genellikle bir şirketin veya organizasyonun zaten o alanda önyargılı bir kalıpta olduğu anlamına gelir. AI, gelecekteki davranışları öngörlemek için geçmiş kalıplara dayanır ve bu davranışı yükseltir. Ancak, insanların kendi önyargılarını tanımalarını sağlamak zor, çünkü hepimiz önyargılıyız ve thường bilinçsizce buna göre davranırız. Önyargıları azaltmaya yardımcı olmak için sistemler oluşturulmalıdır ve teknik ve iş grupları hesap verebilir olmalıdır.

Bugün kullanılan AI uygulamalarının insan önyargılarını artırmasını nasıl önleyebiliriz?

Önyargıları azaltmaya yardımcı olmak için organizasyonlar, veri bilimi ve AI’de bir uygulama standardı oluşturabilir. Teknik gruplar ve iş grupları arasındaki işbirliğinin ne kadar önemli olduğunu vurgulamak istiyorum.

Veri toplama sürecinde, model oluşturma için özellik seçimi veya tamamen veri dışında iş uygulamalarında önyargı kaynaklarını tanımakla başlar. Örneğin, bir şirketin liderine, core аудиторisinin gerçekten yaşlı, zengin erkekler olup olmadığını sordum, bunlar genellikle kırsal veya banliyö bölgelerinde yaşıyorlardı. Verilere baktım ve onların pipeline’ının bu grubun aşırı temsil edildiğini gördüm. Ancak, aynı zamanda müşterilerinin çoğunun konservatif talk radyo gibi aynı medya kaynaklarından geldiğini fark ettim. Pazarlama ekibinin bir üyesi, şirketin bu platformlarda düşük maliyetli veya ücretsiz pazarlama aldığını ve müşterilerinin çoğunun bu grubu yansıttığını söyledi. Önyargı veride değildi, ancak iletişim stratejisinin çeşitlendirilmemesindeydi. Ancak, sonuç olarak, veri ekibi tarafından oluşturulan lifetime değer puanlama modeli, yaşlı, zengin, kırsal ve banliyö topluluklarından erkekleri en iyi müşteriler olarak puanladı ve pazarlama ekibinin uyguladığı iletişim stratejisini yükseltti. Bu, teknik bir ekibin bilmesi gereken bir şey değil, ancak doğru soruları sormaları gerekiyor.

İkinci adım, önyargıları bulduktan sonra bunlarla nasıl başa çıkılacağını belirlemek için rehberler oluşturmaktır. Önyargı kaynaklarını tanımladıktan sonra, organizasyon bu kaynakları aramak için bir kontrol listesi oluşturmalı ve bunları ele almak için bir yol oluşturmalıdır. Bu, bir vacuum’da yapılamaz. Önyargıları azaltmak, tüm ekiplerin sorumluluğundadır. Örnekte olduğu gibi, veri ekibi iletişim stratejisi üzerinde hiçbir sorumluluğa sahip değildir. Ancak bulguları belirlemeye yardımcı olabilir ve diğer ekiplerle birlikte bunları ele alabilir. Bu durumda, iletişim ekibi, farklı demografik gruplara hitap eden farklı iletişim stratejilerini test etmek için veri bilim ekibiyle birlikte çalıştı.

Önyargılar veri modellerinde ortaya çıktığında, bazen özellik seçiminde, veri depolarında hangi verilerin dahil edildiği veya hariç tutulduğu veya öngörülen metriğin seçimi ile ilgilidir. Bu durumlarda, veri ekibinin model doğruluğunun her zaman model adil olmadığını anlaması önemlidir. Belirli özellikleri bir veri modeline dahil etmek, modelin öngörme doğruluğunu artırabilir, ancak ek %0.5’lik doğruluk, toplumsal veya ticari bir maliyetle gelebilir. Adil olanın ne olduğunu belirlemek kolay bir görev değildir ve çok yönlü ekiplerin katılımını gerektirir. Karşıt gerçeklik adilliği olarak adlandırılan bir metodoloji, bir kararın adil olup olmadığını, gerçek dünyada ve bireyin farklı bir demografik gruba ait olduğu karşıt bir dünyada aynı olup olmadığını dikkate alır. Ayrıca Microsoft ve Google AI, AI’de adilliği hesaba katmak için standartlar yayınladı. Ben, endüstrim için oldukça kapsamlı bulduğum AB’nin yapay zeka etiği rehberlerine kişisel olarak atıfta bulunuyorum. Bir adillik standardı belirlendikten sonra, veri ekibi, çözümün verilerin önceden işlenmesinden, sistemin kararlarının sonradan değiştirilmesinden veya adil tanımların eğitim sürecine dahil edilmesinden geçip geçmediğini belirleyebilir. Verideki önyargı sorunu, düzenli olarak değerlendirilmesi gereken ve birçok kişinin sesini içeren karmaşık bir sorundur. Bu sadece teknik bir sorun değildir.

Aİ ve veri etiği politikaları konusunda hükümetin aldığı önlemler hakkında ne düşünüyorsunuz?

Doğru yönde adımlar atıldığını düşünüyorum, AI etiği için prosedür standardı oluşturuldu. Trump’ın AI etiği konusunda verdiği yürütme emri, hükümet içinde dağıtılan modellerin bir kayıt defterini oluşturur, politika rehberliği oluşturma zamanlaması belirler, ajanslara teknoloji odaklı ekipler ve bireyler istihdam etmelerini teşvik eder ve hükümet içinde AI kullanımında şeffaflığı teşvik eder, bu da çok önemlidir. Bu tür bir plan, tarihi olarak teknolojiye yavaş uyum sağlayan hükümet için heyecan verici bir gelişmedir. Ancak, bu politikalar, etik kültürü oluşturmakta, ajanslar arasında zorunlu veya kapsamlı planlar oluşturmakta veya bu bağlamlarda etik veya adillik anlamına gelen şeyi tanımlamada çok az şey yapmıştır. Yeni yönetim geldiğinde, ajanslar arasında daha yapılandırılmış ve kapsamlı bir plan oluşturmalarını ve insan etkisini dikkatli bir şekilde değerlendiren bir değerlendirme prosedürü oluşturmalarını vurgulayacağım, çünkü hükümetin yaptığı çok fazla iş, insanların günlük hayatlarını etkiliyor.

Fresh Eyes Digital ile çalışmanız hakkında paylaşmak istediğiniz başka bir şey var mı?

Veri bilimi, dünyayı birçok şekilde iyileştirmeye çalışan kâr amacı gütmeyen kuruluşlar tarafından kullanılabiliyor. Bu organizasyonlar için veri toplamak genellikle bir sorun değil. Çoğu zaman çok fazla veriyle çalışıyorlar. Bu veriyi net ve uygulanabilir bir şekilde kullanmak, genellikle kaynakları kıt ve içlerinde analitik ekibi olmayan bu organizasyonlar için zor. Fresh Eyes Digital’deki veri departmanındaki çalışmamız, bu organizasyonların verilerini doğru şekilde anlamalarına ve uygulamalarına yardımcı oluyor, böylece daha bilinçli, stratejik kararlar alabiliyorlar. Bu organizasyonlarla çalışarak, daha verimli ve etkili bir şekilde dünyayı olumlu yönde etkilemelerine yardımcı olmaktan mutluyum.

Detaylı cevaplarınız için teşekkür ederim ve gelecekteki girişimlerinizi takip ediyorum. Daha fazla bilgi edinmek isteyen okuyucular Ashley Bryant-Baker web sitesini ve/veya Fresh Eyes Digital ziyaret edebilirler.