Ешлі Брайант-Бейкер, Директор даних та аналітики у Fresh Eyes Digital – Інтерв’ю Серія

Ешлі Брайант-Бейкер є Директором даних і аналітики у Fresh Eyes Digital, консалтинговій компанії, яка спеціалізується на успіху некомерційних організацій. До того, як приєднатися до Fresh Eyes Digital, вона керувала своєю власною консалтинговою компанією, B&B Data Solutions, де допомагала брендам створювати та використовувати дані рішення. Вона працює в галузі аналітики понад десяти років у різних галузях, включаючи споживчі товари, подорожі, логістику, охорону здоров’я та некомерційні організації.

Вона стала затребуваною спікеркою на теми Гендерної упередженості в штучному інтелекті, сегментації клієнтів за допомогою штучного інтелекту та різноманітності на робочому місці. Вона була запрошена до участі в різних заходах, включаючи SXSW, Data Minds Connect і Digital Summit DC. Ешлі навчалася в Американському університеті в Парижі, Джорджтауні, LSU і Форт-Гейзському університеті. Вона має ступінь магістра міжнародної економіки, сертифікат з науки про дані, ступінь бакалатора бізнесу та ступінь бакалатора мистецтв.

Що спочатку привернуло вас до комп’ютерних наук і науки про дані?

Університеті я вивчала мистецтво і була зацікавлена працювати у відеоігровій компанії після закінчення університету як дизайнер гри. Мій план був створити 3D-комп’ютерні моделі та дизайн персонажів і об’єктів, з якими люди могли взаємодіяти у грі. Я навіть працювала тестувальником якості відеоігор для EA Sports під час навчання в університеті. Оскільки в той час не було комп’ютерного мистецтва в моєму університеті, я вирішила отримати спеціалізацію з комп’ютерних наук, щоб доповнити свою освіту мистецтва. Спочатку я зовсім не любила комп’ютерні науки. Там була певна ворожість до людей, які не мали досвіду (як я), з боку інших студентів і навіть деяких професорів. Я залишилася в спеціалізації, оскільки моя мета була створити робочу відеогру для свого дипломного проекту. Я використала Python і Maya, щоб створити 3D-шахову гру з анімованими фігурами, які рухалися по дошці, і дуже простий штучний інтелект, який міг грати проти вас. На той час я нічого не знала про Python і припускала, що ніколи не буду ним користуватися.

Перейшовши до однієї з моїх перших робіт після університету. Я працювала в маркетинговій компанії як молодший менеджер проекту. Я працювала з командою художників, маркетологів, спеціалістів з виробництва та одного аналітика в整个 будівлі, який керував аналітикою для близько 15 клієнтів самостійно. Вона періодично просила мене про допомогу, щоб перевірити її розрахунки або створити прості звіти. Коли їй довелося взяти лікарняний лист на кілька тижнів, вона попросила моєму керівнику і мене, чи можу я замінити її під час її відсутності. Коли вона повернулася, я попросила про перевод до її відділу. Робота з даними була такою цікавою для мене. Це був зовсім несподіваний поворот у моєй кар’єрі, але я не оглядаюсь назад. Я продовжувала хотіти дізнаватися більше, тому я проходила курси та подавала заявки на роботи з аналітики, де могла навчатися у інших. Потім все повернулося до початку, і я знову працювала з Python, хоча зовсім інакше, ніж раніше.

Все це сказати. Я спочатку потрапила в науку про дані цілком випадково.

Ви зараз Директор даних та аналітики у Fresh Eyes Digital, компанії, яка працює з некомерційними організаціями. Чи можете ви розповісти про те, що робить компанія, і про вашу роботу там?

Fresh Eyes – це консалтингова компанія, яка надає маркетингову та благодійну підтримку некомерційним організаціям. Ми працюємо з клієнтами, щоб зрозуміти їхніх донорів, створювати цифрові кампанії навколо цілей некомерційних організацій та допомагати некомерційним організаціям зрозуміти, як їхня цифрова присутність може бути підвищена, щоб досягти цих цілей. Fresh Eyes прийняла мене, оскільки вони хотіли створити більш повну пропозицію щодо даних. Спочатку я працювала з ними як консультант, де допомагала їм розробляти цифрові багатоваріантні тести, розуміти результати та автоматизувати аналітичні та сервісні послуги з панелями. Тепер я працюю з ними над створенням набору пропозицій для некомерційних організацій. Деякі проекти, над якими я працюю, включають передбачувальний аналіз щодо конверсії та ставок донорів за час. Розуміння впливу зовнішніх факторів, таких як політична ситуація, економічні зміни та новинні цикли, а також внутрішніх факторів, таких як стратегії маркетингових повідомлень, звіти про вплив некомерційних організацій та навіть рух керівних ролей всередині організації, і того, як все це може вплинути на схильність до конверсії. Багато цієї інформації інформує нашу прогнозну аналітику та панелі, а також моделі класифікації для кращого розуміння донорів та залучення.

Некомерційні організації приймають використання передових статистичних методів і розуміють, що це допомагає їм бачити свою місію, коли вони можуть краще зрозуміти свій вплив і зібрати гроші більш структурованим чином.

Одним з ваших найкращих досягнень є адвокатство щодо різноманітності в STEM, чи можете ви розповісти про деякі з цих досягнень?

Є багато великих організацій, які працюють над різноманітністю та рівністю в STEM: Black Girls Code, ByteBack у Вашингтоні, DataKind і,最近, моя сестринська організація Zeta Phi Beta Inc. разом з іншими організаціями співпрацюють з Google (GOOGL ), щоб тренувати недопредставлені групи у комп’ютерних та технічних навчаннях. Я роблю свою частку, волонтерством з цими організаціями, будучи наставником для людей, які тільки починають свою кар’єру в галузі, виступаючи на заходах (особливо технологічних заходах, де я іноді єдина жінка чи людина кольору) і викладаючи на семінарах у школах (особливо в школах majority-майORITY, сільських школах та альтернативних школах). Крім того, я працювала з кількома підприємствами, щоб диверсифікувати їхні програми стажування та програмні програми для випускників. Багато цієї роботи я робила через звичку. Я виросла в будинку та громаді, де волонтерство було частиною повсякденного життя. Я продовжила це через університет і далі з Zeta Phi Beta Inc. Однак я думаю, що я схилилася до цієї області, оскільки я не мала можливості дізнатися про комп’ютери та кодування до університету, а коли я потрапила до університету, я пам’ятаю відчуття негативності, яке я відчувала, переслідуючи свою спеціалізацію з комп’ютерних наук. Я не хочу, щоб хтось, особливо той, хто намагається дізнатися і покращити себе, відчував би те саме. Я не думаю, що я справді зрозуміла вплив, який я мала, доки не розмовляла з групою студентів на заході з вербування і молодий чорний дівчина та її мама підійшли до мене і сказали, що я була першою технічною чорною жінкою, яку вони бачили на будь-якій конференції чи заході з вербування. Тоді я зрозуміла, що мені потрібно зробити це частиною моєї регулярної діяльності.

Я намагаюся брати участь у таких програмах регулярно. Насправді 16 березня я буду співорганізатором хакатону з чудовим вченим-даними і хорошим другом мого Сваті у співпраці з Girls in AI.

Ви також працювали над розширенням освіти у сфері технологій у сільських та/або низькодоходних районах. Наскільки це значна проблема?

Вау. Не вистачає часу, щоб говорити про те, якою великою проблемою це є! Коронавірус зробив кристально ясним, що існують системні нерівності в нашому суспільстві. Нажаль, однією з найбільших нерівностей є освіта. У мене є добрий друг, який працює в альтернативній школі на околиці Вашингтону. Учні там часто старші, їм потрібно тримати роботу поряд з навчанням, вони не завжди мають інструменти вдома для дистанційного навчання, такі як ноутбук або комп’ютер. Ці учні мали вчителя, який відстоював їхні інтереси, працюючи зі школою, щоб отримати мобільний варіант, щоб більшість учнів могли отримати доступ до школи на своїх телефонах. Однак це не завжди так у низькодоходних або альтернативних школах. Сільська ситуація також складна для учнів і вчителів. Швидкий інтернет може бути дуже дорогим у сільських районах і в деяких випадках недоступним. Учні, які сидять у паркінгах McDonald’s за інтернетом, є недопустимими, але нещасними необхідностями в деяких з цих районів. Я знаю вчителів у сільській Пенсільванії, які самі не можуть отримати добрий інтернет, щоб підключитися до своїх віртуальних класів.

Поза коронавірусом існує проблема недофінансування у сільських та низькодоходних школах, нестача технічно підготовлених вчителів, особливо у сільських районах, де приваблювання талантів може бути складним, а також загальна упередженість проти учнів кольору, іммігрантських учнів та навіть сільських учнів, які можуть виглядати або звучати інакше, ніж широко прийнята “американська” культура. Всі ці сценарії додаються до відсутності доступу до освіти у сфері STEM, а отже, учні ніколи не знайомляться з цими предметами та кар’єрами.

Наскільки великою проблемою є гендерна та расова упередженість у штучному інтелекті?

Це щось, про що всі підприємства та організації повинні думати. Нажаль, це складна проблема для вирішення, оскільки якщо штучний інтелект показує упередженість щодо певної групи, це часто означає, що в цій галузі компанія або організація вже мали певний шаблон упередженості. Штучний інтелект залежить від минулих шаблонів, щоб передбачити майбутню поведінку, і просто посилює цю поведінку. Однак складно змусити людей визнати свої власні упередженості, у нас усіх їх є, і часто ми несвідомо діємо відповідно до них. Потрібні системи, які допоможуть пом’якшити ці упередженості та утримувати команди під контролем як з технічної, так і з бізнес-сторони.

Як ми можемо забезпечити, щоб сучасні застосування штучного інтелекту не посилили упередженості людей?

Є певні кроки, які організації можуть зробити, щоб створити стандарт практики у сфері науки про дані та штучного інтелекту, щоб допомогти пом’якшити упередженість. Я не можу достатньо підкреслити, що це має бути колаборативний процес між технічними групами та бізнес-групами. Важливість контексту, який не завжди видимий технічним командам, є найважливішим.

Це починається з визнання та ідентифікації потенційних джерел упередженості. Це може статися під час збору даних, вибору функцій для побудови моделі або це може статися повністю поза даними у бізнес-практиках. Наприклад, мені колись запитав лідер компанії, чи дійсно їхня основна аудиторія складається з старших, багатих чоловіків, які частіше живуть у сільських чи приміських районах. Я подивилася на дані та зрозуміла, що їхній потік даних мав надпредставництво цієї групи. Але я також помітила, що більша частина їхніх клієнтів походила з тих самих джерел медіа, консервативного ток-радіо. Я дізналася від члена маркетингової команди, що компанія отримала низьку або безкоштовну рекламу на цих платформах на початку свого запуску, і більша частина їхніх клієнтів відображала це. Упередженість не була у даних, а у відсутності диверсифікації у комунікаційній стратегії. Однак у результаті модель оцінки життєвої цінності, створена командою даних, оцінювала старших, багатих чоловіків з приміських та сільських громад як найкращих клієнтів, посилюючи комунікаційну стратегію, яку використовувала маркетинговою командою. Це щось, за що технічна команда не повинна бути відповідальною, однак вони повинні бути відповідальними за запитання правильних питань.

Це веде мене до другого кроку, який полягає у встановленні керівних принципів для пошуку та подальшого вирішення проблеми упередженості після її виявлення. Як тільки ви визначили потенційні джерела упередженості, організація повинна створити список цих джерел, щоб шукати ці проблеми та створити шлях для когось, хто знаходить сумнівні дані або шаблони, щоб звернутися до них. Це не може бути зроблено у вакуумі. Це відповідальність усіх команд забезпечити, щоб застосування не посилили упередженості. Як у прикладі вище, команда даних не має відповідальності за комунікаційну стратегію. Вони можуть допомогти визначити висновки, а потім працювати з іншими командами в організації, щоб звернутися до них. У цьому випадку команда комунікацій працювала з командою науки про дані, щоб протестувати інші комунікаційні стратегії, які зверталися до різних демографічних груп.

Коли упередженість з’являється у моделях даних, іноді це відбувається через те, як команда даних визначає вибір функцій, які дані включаються або виключаються у даних, або навіть метрику, яка передбачається. У цих випадках важливо, щоб команда даних зрозуміла, що точність моделі не завжди еквівалентна справедливості моделі. Це може бути правдою, що включення певних функцій до моделі даних збільшує передбачувану точність моделі, але додаткові 0,5% точності можуть коштувати суспільної або бізнесової ціни. Визначення того, що означає чесність, не є легким завданням і вимагає участі багатогранних команд. Одна з методологій, яка називається “протилежна чесність”, розглядає рішення як чесне щодо особи, якщо воно таке саме в реальному світі та у протилежному світі, де особа належить до іншої демографічної групи. Крім того, Microsoft (MSFT ) і Google AI опублікували стандарти, згідно з якими можна врахувати чесність у штучному інтелекті. Я особисто посилаюся на керівні принципи ЄС щодо етики штучного інтелекту, які, на мою думку, досить повні для моєї галузі. Як тільки встановлено стандарт чесності, команда даних може визначити, чи потрібно обробити дані заздалегідь, змінити рішення системи після цього або включити визначення чесності у процес навчання самої системи. Питання про упередженість у даних є складним і вимагає регулярної оцінки та голосів широкого кола людей. Це не просто технічна проблема, яку потрібно вирішити.

Які ваші погляди на державні нормативні акти щодо етики штучного інтелекту та даних?

Я думаю, що були рухи у правильному напрямку шляхом створення стандартної процедури щодо етики штучного інтелекту та даних. Виконавчий наказ Трампа щодо етики штучного інтелекту створює реєстр моделей, розгорнутих урядом, встановлює графік для створення політики керівництва, заохочує агентства наймати технічно-орієнтовані команди та осіб та заохочує прозорість у використанні штучного інтелекту по всьому уряду в областях, не пов’язаних з дослідженнями та розробкою чи національною безпекою, що, на мою думку, дуже важливо. Такий далекосяжний план є цікавим розвитком уряду, який історично був повільним у впровадженні технологій. Однак політики зробили мало, щоб створити культуру етики, створити обов’язкові або узгоджені плани по всім агентствам чи навіть визначити точно, що означає етика або чесність у цих контекстах. Як нова адміністрація приходить, я б хотіла, щоб вони закріпили ці плани більш структурованим та узгодженим планом по всім агентствам, а також процедурою оцінки, яка ретельно розглядає вплив на людей, оскільки така велика частина роботи нашого уряду впливає на щоденні життя людей як вдома, так і за кордоном.

Чи є щось ще, що ви хотіли б поділитися про свою роботу з Fresh Eyes Digital?

Наука про дані може бути використана некомерційними організаціями для підвищення впливу тих, хто працює над поліпшенням нашого світу багатьма способами. Для цих організацій збір даних зазвичай не є проблемою. У них є багато даних, з якими можна працювати. Використання цих даних у ясній та дієві формі є складним для цих організацій, які часто обмежені ресурсами та можуть не мати внутрішньої аналітичної команди. Робота, яку ми робимо в департаменті даних у Fresh Eyes Digital, допомагає цим організаціям зрозуміти та розгорнути свої дані правильним чином, приймаючи більш обґрунтовані та стратегічні рішення. Я рада мати можливість працювати з цими організаціями таким чином, щоб допомогти їм стати більш ефективними та ефективними у своїй роботі над позитивним впливом на наш світ.

Дякую за детальні відповіді, і я з нетерпінням чекаю вашого майбутнього розвитку. Читачам, які бажають дізнатися більше, слід відвідати сайт Ешлі Брайант-Бейкер і/або Fresh Eyes Digital.