Ashley Bryant-Baker, Giám đốc Dữ liệu và Phân tích tại Fresh Eyes Digital – Loạt phỏng vấn

Ashley Bryant-Baker là Giám đốc Dữ liệu và Phân tích tại Fresh Eyes Digital, một công ty tư vấn tập trung vào thành công của các tổ chức phi lợi nhuận. Trước khi gia nhập Fresh Eyes Digital, cô đã điều hành công ty tư vấn của riêng mình, B&B Data Solutions, nơi cô giúp các thương hiệu xây dựng và tận dụng các giải pháp dữ liệu. Cô đã làm việc trong lĩnh vực phân tích trong hơn một thập kỷ trong các ngành từ hàng tiêu dùng, du lịch, hậu cần, chăm sóc sức khỏe và phi lợi nhuận.

Cô đã trở thành một diễn giả được săn đón về các chủ đề như Giới tính trong AI, Phân khúc khách hàng bằng AI và đa dạng trong nơi làm việc. Cô đã được mời nói chuyện tại các sự kiện khác nhau, bao gồm SXSW, Data Minds Connect và Digital Summit DC. Ashley đã tham dự Trường Cao đẳng Mỹ tại Paris, Georgetown, LSU và Fort Hays University. Cô có bằng Thạc sĩ về Kinh tế Quốc tế, Chứng chỉ về Khoa học Dữ liệu, bằng Cử nhân Kinh doanh và bằng Cử nhân Nghệ thuật.

Điều gì đã thu hút bạn đến với khoa học máy tính và khoa học dữ liệu?

Trong trường đại học, tôi học nghệ thuật và quan tâm đến việc làm việc cho một công ty trò chơi điện tử khi tốt nghiệp với tư cách là nhà thiết kế trò chơi. Kế hoạch của tôi là làm mô hình 3D và thiết kế nhân vật và đối tượng mà mọi người sẽ tương tác trong trò chơi. Tôi thậm chí đã làm việc như một người kiểm tra chất lượng trò chơi điện tử cho EA Sports trong trường đại học. Vì vào thời điểm đó, không có chuyên ngành nghệ thuật máy tính tại trường đại học của tôi, tôi quyết định học minor về khoa học máy tính để bổ sung cho bằng nghệ thuật của mình. Ban đầu, tôi không thích các lớp khoa học máy tính chút nào. Có một sự thù địch nhất định đối với những người không có kinh nghiệm (như tôi) từ các sinh viên khác và thậm chí một số giáo sư. Tôi đã hoàn thành minor vì mục tiêu của tôi cho dự án cuối cùng là thiết kế và lập trình một trò chơi điện tử hoạt động. Tôi đã sử dụng python và maya để xây dựng một trò chơi cờ vua 3D với các mảnh được hoạt hình hóa có thể đi lại trên bàn cờ và một AI đơn giản có thể chơi chống lại bạn. Vào thời điểm đó, tôi không biết gì về python và tôi giả sử tôi sẽ không bao giờ sử dụng nó lại.

Chuyển tiếp đến một trong những công việc đầu tiên của tôi sau khi tốt nghiệp. Tôi làm việc tại một công ty tiếp thị với tư cách là trưởng dự án junior. Tôi làm việc với một đội gồm các nghệ sĩ, chuyên gia tiếp thị, chuyên gia sản xuất và một nhà phân tích trong toàn bộ tòa nhà đang quản lý phân tích cho khoảng 15 khách hàng một mình. Cô ấy sẽ yêu cầu tôi giúp đỡ định kỳ để kiểm tra lại toán học hoặc tạo báo cáo đơn giản. Khi cô ấy phải nghỉ ốm trong vài tuần, cô ấy đã hỏi người giám sát và tôi xem liệu tôi có thể thay thế cho cô ấy trong thời gian cô ấy vắng mặt hay không. Khi cô ấy trở lại, tôi đã yêu cầu chuyển sang bộ phận của cô ấy. Làm việc với dữ liệu thực sự thú vị đối với tôi. Đó chắc chắn là một bước ngoặt không lường trước được trong sự nghiệp của tôi, nhưng tôi đã không bao giờ nhìn lại. Tôi tiếp tục muốn học thêm, vì vậy tôi đã tham gia các khóa học và申请 các công việc phân tích nơi tôi có thể học hỏi từ những người khác. Sau đó, mọi thứ đã trở lại đầy đủ và tôi đã làm việc với python một lần nữa, mặc dù theo một cách hoàn toàn khác so với trước đây.

Tất cả những điều này để nói, tôi ban đầu tham gia vào khoa học dữ liệu hoàn toàn bởi tai nạn.

Bạn hiện đang là Giám đốc Dữ liệu và Phân tích tại Fresh Eyes Digital, một công ty làm việc với các tổ chức phi lợi nhuận. Bạn có thể chia sẻ công ty làm gì và công việc bạn làm ở đó không?

Fresh Eyes là một công ty tư vấn cung cấp hỗ trợ tiếp thị và gây quỹ cho các tổ chức phi lợi nhuận. Chúng tôi làm việc với khách hàng để hiểu rõ hơn về người quyên góp, xây dựng các chiến dịch kỹ thuật số xung quanh mục tiêu của tổ chức phi lợi nhuận và giúp các tổ chức phi lợi nhuận hiểu cách hiện diện kỹ thuật số của họ có thể được nâng cao để đạt được mục tiêu đó. Fresh Eyes đã thuê tôi vì họ muốn xây dựng một dịch vụ dữ liệu mạnh mẽ hơn. Ban đầu, tôi đã làm việc với họ với tư cách là một nhà tư vấn, nơi tôi giúp họ thiết kế các thử nghiệm đa biến số kỹ thuật số, hiểu kết quả và tự động hóa các dịch vụ phân tích và bảng điều khiển. Giờ đây, tôi đang làm việc với họ để xây dựng một bộ dịch vụ cho các tổ chức phi lợi nhuận. Một số dự án tôi đang làm việc bao gồm phân tích dự đoán về tỷ lệ chuyển đổi và quyên góp của các thành viên và người quyên góp theo thời gian. Hiểu được tác động của các yếu tố bên ngoài, chẳng hạn như tình hình chính trị, thay đổi kinh tế và chu kỳ tin tức, cũng như các yếu tố nội bộ, chẳng hạn như chiến lược thông điệp tiếp thị, báo cáo tác động của tổ chức phi lợi nhuận và thậm chí chuyển động của các vai trò lãnh đạo trong một tổ chức và cách tất cả những yếu tố này có thể ảnh hưởng đến khả năng chuyển đổi. Nhiều thông tin này thông báo cho các phân tích dự báo và bảng điều khiển và các mô hình phân loại của chúng tôi để hiểu rõ hơn về người quyên góp và sự tham gia.

Các tổ chức phi lợi nhuận đang áp dụng việc sử dụng các phương pháp thống kê tiên tiến và nhận ra rằng nó giúp họ nhìn thấy sứ mệnh của mình khi họ có thể hiểu rõ hơn về tác động của mình và gây quỹ một cách có cấu trúc hơn.

Một trong những thành tựu mà bạn tự hào nhất là việc trở thành một người ủng hộ sự đa dạng trong STEM, bạn có thể chia sẻ một số điểm nổi bật không?

Có rất nhiều tổ chức tuyệt vời đang làm việc hướng tới sự đa dạng và công bằng trong STEM: Black Girls Code, ByteBack ở DC, DataKind và gần đây nhất, hội chị em của tôi Zeta Phi Beta Inc. cùng với một số tổ chức khác đã hợp tác với Google (GOOGL ) để đào tạo các nhóm bị đại diện thấp trong đào tạo kỹ thuật và máy tính. Tôi làm phần của mình bằng cách tình nguyện với những tổ chức này, trở thành người cố vấn cho những người mới tham gia lĩnh vực này, nói chuyện tại các sự kiện (đặc biệt là các sự kiện công nghệ, nơi tôi đôi khi là người phụ nữ hoặc người da màu duy nhất) và giảng dạy tại các hội thảo ở trường (đặc biệt là các trường đa số là thiểu số, trường nông thôn và trường thay thế). Ngoài ra, tôi đã làm việc với một số doanh nghiệp để đa dạng hóa chương trình thực tập và chương trình sau đại học cấp nhập cảnh. Tôi đã làm rất nhiều công việc này theo thói quen. Tôi lớn lên trong một ngôi nhà và một cộng đồng nơi tình nguyện là một phần của cuộc sống hàng ngày. Tôi đã tiếp tục điều này thông qua đại học và hơn thế nữa với Zeta Phi Beta Inc. Tuy nhiên, tôi nghĩ tôi đã bị thu hút đến lĩnh vực này vì tôi không có cơ hội học về máy tính và lập trình cho đến khi tôi vào đại học và sau đó khi tôi vào đại học, tôi nhớ cảm giác tiêu cực mà tôi cảm nhận khi theo đuổi minor về khoa học máy tính. Tôi không muốn ai, đặc biệt là những người đang cố gắng học hỏi và cải thiện bản thân, trải qua điều đó. Tôi không nghĩ tôi thực sự nhận ra tác động tôi đang tạo ra cho đến khi tôi nói chuyện với một nhóm sinh viên tại một sự kiện tuyển dụng và một cô gái da đen trẻ và mẹ cô ấy đến và nói với tôi rằng tôi là người phụ nữ kỹ thuật da đen đầu tiên họ từng thấy tại bất kỳ hội nghị hoặc sự kiện tuyển dụng nào. Đó là khi tôi biết tôi phải làm cho điều này trở thành một phần của thói quen thường xuyên của mình.

Tôi cố gắng tham gia các chương trình như thế này thường xuyên. Trên thực tế, vào ngày 16 tháng 3, tôi sẽ đồng tổ chức một cuộc thi lập trình với một nhà khoa học dữ liệu tuyệt vời và bạn bè của tôi, Swathi, kết hợp với Girls in AI.

Bạn cũng đã làm việc để mở rộng giáo dục công nghệ ở các khu vực nông thôn và / hoặc thu nhập thấp. Điều này có ý nghĩa như thế nào?

Ồ. Không có đủ thời gian để nói về vấn đề này! Coronavirus đã làm rõ rằng có những bất bình đẳng mang tính hệ thống trong xã hội của chúng ta. Thật không may, một trong những bất bình đẳng lớn nhất là giáo dục. Tôi có một người bạn làm việc tại một trường thay thế ở ngoại ô DC. Học sinh ở đó thường lớn tuổi hơn, họ phải giữ việc làm ngoài việc đi học trung học, họ không luôn có công cụ tại nhà để học từ xa như máy tính xách tay hoặc máy tính để bàn. Những học sinh này có một giáo viên đã vận động cho họ, làm việc với trường để có được một lựa chọn di động để đảm bảo rằng hầu hết học sinh có thể truy cập trường học trên điện thoại di động của họ. Tuy nhiên, điều đó không phải lúc nào cũng đúng trong môi trường trường học thấp thu nhập hoặc thay thế. Tình huống nông thôn cũng khó khăn cho học sinh và giáo viên. Internet tốc độ cao có thể rất tốn kém ở các khu vực nông thôn và trong một số trường hợp, không có sẵn. Học sinh ngồi trong bãi đậu xe của McDonald’s để truy cập internet là không thể chấp nhận được nhưng là một điều cần thiết không may trong một số khu vực. Tôi biết các giáo viên ở nông thôn Pennsylvania, những người thậm chí không thể kết nối internet để kết nối với các lớp học ảo của họ.

Ngoài coronavirus, có vấn đề về việc thiếu vốn ở các trường học nông thôn và thu nhập thấp, thiếu giáo viên được đào tạo kỹ thuật, đặc biệt là ở các khu vực nông thôn, nơi thu hút nhân tài có thể khó khăn và, tất nhiên, sự thiên vị chung chống lại học sinh da màu, học sinh nhập cư và thậm chí học sinh nông thôn, những người có thể trông hoặc nghe khác với “văn hóa Mỹ” được chấp nhận rộng rãi hơn. Tất cả những kịch bản này đều góp phần vào việc thiếu tiếp cận với giáo dục STEM và do đó, học sinh không bao giờ được tiếp xúc với những môn học và nghề nghiệp này.

Thái độ và sự thiên vị về giới tính và chủng tộc trong AI lớn đến mức nào?

Đây là điều mà mọi doanh nghiệp và tổ chức nên suy nghĩ. Thật không may, đây là một vấn đề khó giải quyết vì nếu AI đang thể hiện sự thiên vị đối với hoặc chống lại một nhóm nhất định, điều đó thường có nghĩa là trong lĩnh vực đó, công ty hoặc tổ chức đã có một mẫu thiên vị từ trước. AI dựa trên các mẫu trong quá khứ để dự đoán hành vi trong tương lai và đơn giản là khuếch đại hành vi này. Tuy nhiên, rất khó để giúp con người nhận ra自己的 thiên vị, chúng ta đều có thiên vị và thường hành động theo những thiên vị đó một cách vô thức. Cần có các hệ thống để giúp giảm thiểu những thiên vị này và giữ cho các đội ngũ chịu trách nhiệm về cả mặt kỹ thuật và kinh doanh.

Làm thế nào chúng ta có thể đảm bảo rằng các ứng dụng AI ngày nay không khuếch đại các thiên vị của con người?

Có một số bước mà các tổ chức có thể thực hiện để tạo ra một tiêu chuẩn thực hành trong khoa học dữ liệu và AI để giúp giảm thiểu thiên vị. Tôi không thể nhấn mạnh đủ rằng đây phải là một quá trình hợp tác giữa các nhóm kỹ thuật và kinh doanh. Sự quan trọng của ngữ cảnh không luôn rõ ràng với các nhóm kỹ thuật là rất quan trọng.

Nó bắt đầu bằng việc nhận ra và xác định các nguồn thiên vị tiềm năng. Nó có thể xảy ra trong quá trình thu thập dữ liệu, chọn tính năng để xây dựng mô hình hoặc nó có thể xảy ra hoàn toàn bên ngoài dữ liệu trong các hoạt động kinh doanh. Ví dụ, tôi đã từng được một nhà lãnh đạo tại một công ty hỏi liệu đối tượng cốt lõi của họ có thực sự là những người đàn ông giàu có lớn tuổi hơn hay không, những người thường sống ở các khu vực nông thôn hoặc ngoại ô. Tôi đã xem xét dữ liệu và nhận ra rằng đường ống dữ liệu của họ có sự đại diện quá mức của nhóm này. Nhưng tôi cũng nhận thấy rằng phần lớn khách hàng của họ đến từ cùng các nguồn truyền thông, đài phát thanh nói chuyện bảo thủ. Tôi đã học được từ một thành viên trong nhóm tiếp thị rằng công ty đã nhận được tiếp thị giá thấp hoặc không mất tiền trên các nền tảng này vào đầu thời gian ra mắt và phần lớn khách hàng của họ phản ánh điều này. Thiên vị không nằm trong dữ liệu mà trong việc thiếu đa dạng hóa trong chiến lược truyền thông. Tuy nhiên, kết quả là mô hình đánh giá giá trị trọn đời mà nhóm dữ liệu đã tạo ra đã đánh giá những người đàn ông giàu có lớn tuổi hơn từ các cộng đồng nông thôn và ngoại ô là những khách hàng hoạt động tốt nhất, khuếch đại chiến lược truyền thông mà nhóm tiếp thị đã sử dụng. Đây là điều mà không đội ngũ kỹ thuật nào nên chịu trách nhiệm biết, tuy nhiên họ nên chịu trách nhiệm đặt câu hỏi đúng.

Điều này dẫn tôi đến bước thứ hai, đó là thiết lập các hướng dẫn để tìm kiếm và sau đó giải quyết thiên vị một khi nó đã được phát hiện. Một khi bạn đã xác định được các nguồn thiên vị tiềm năng, tổ chức nên tạo một danh sách kiểm tra các nguồn này để tìm kiếm những vấn đề này và tạo một con đường cho ai đó tìm thấy dữ liệu hoặc mẫu đáng lo ngại để giải quyết chúng. Điều này không thể được thực hiện trong chân không. Đó là trách nhiệm của tất cả các đội để đảm bảo rằng các ứng dụng không khuếch đại các thiên vị. Như trong ví dụ trên, nhóm dữ liệu không có trách nhiệm đối với chiến lược truyền thông. Họ có thể giúp xác định các phát hiện và sau đó làm việc với các đội khác trong tổ chức để giải quyết chúng. Trong trường hợp này, nhóm truyền thông đã làm việc với nhóm khoa học dữ liệu để thử nghiệm các chiến lược truyền thông khác nhau nhằm vào các nhóm dân số khác nhau.

Khi thiên vị xuất hiện trong các mô hình dữ liệu, đôi khi nó có thể là cách một nhóm dữ liệu xác định việc chọn tính năng, dữ liệu nào được bao gồm hoặc loại trừ trong các cửa hàng dữ liệu hoặc thậm chí là metric được dự đoán. Trong những trường hợp này, điều quan trọng là nhóm dữ liệu phải hiểu rằng độ chính xác của mô hình không phải lúc nào cũng tương đương với sự công bằng của mô hình. Có thể đúng rằng việc bao gồm các tính năng nhất định trong một mô hình dữ liệu làm tăng độ chính xác dự đoán của mô hình, nhưng độ chính xác bổ sung 0,5% có thể có chi phí xã hội hoặc kinh doanh. Xác định điều gì là công bằng không phải là một nhiệm vụ dễ dàng và đòi hỏi sự tham gia của các đội đa dạng. Một phương pháp gọi là “sự công bằng phản事实” xem xét rằng một quyết định là công bằng đối với một cá nhân nếu nó giống như trong thế giới thực và trong một thế giới phản事实 nơi cá nhân đó thuộc về một nhóm dân số khác. Ngoài ra, Microsoft (MSFT ) và Google AI đã xuất bản các tiêu chuẩn để tính đến sự công bằng trong AI. Cá nhân tôi tham khảo các hướng dẫn của EU về đạo đức trong trí tuệ nhân tạo, mà tôi tìm thấy khá toàn diện cho ngành của tôi. Một khi một tiêu chuẩn về sự công bằng được thiết lập, nhóm dữ liệu có thể xác định xem giải pháp là xử lý dữ liệu trước, thay đổi quyết định của hệ thống sau hoặc kết hợp các định nghĩa về sự công bằng vào quá trình đào tạo chính nó. Câu hỏi về thiên vị trong dữ liệu là một vấn đề phức tạp đòi hỏi phải đánh giá thường xuyên và tiếng nói của một loạt các người.

Bạn có quan điểm gì về các chính sách đạo đức AI và dữ liệu được ban hành bởi chính phủ?

Tôi nghĩ đã có những động thái theo hướng đúng khi tạo ra một tiêu chuẩn thủ tục khi nói đến AI và đạo đức dữ liệu. Lệnh hành pháp của Trump về đạo đức AI tạo ra một đăng ký các mô hình được triển khai trong chính phủ, thiết lập một thời gian biểu để tạo hướng dẫn chính sách, khuyến khích các cơ quan thuê các đội và cá nhân tập trung vào công nghệ và khuyến khích tính minh bạch trong việc sử dụng AI trên toàn chính phủ ở các khu vực không liên quan đến R&D hoặc an ninh quốc gia, điều mà tôi nghĩ là vô cùng quan trọng. Loại kế hoạch này là một bước phát triển thú vị trong chính phủ, vốn đã từng chậm chạp trong việc áp dụng công nghệ. Tuy nhiên, các chính sách đã không làm được nhiều để tạo ra một văn hóa về đạo đức, tạo ra các kế hoạch bắt buộc hoặc toàn diện trên tất cả các cơ quan hoặc thậm chí định nghĩa chính xác những gì là đạo đức hoặc công bằng trong những ngữ cảnh này. Khi chính quyền mới tiếp quản, tôi sẽ nhấn mạnh với họ việc củng cố những kế hoạch này với một kế hoạch có cấu trúc và toàn diện hơn trên tất cả các cơ quan, cũng như một thủ tục đánh giá cẩn thận xem xét tác động của con người.

Có gì khác mà bạn muốn chia sẻ về công việc của mình với Fresh Eyes Digital?

Khoa học dữ liệu có thể được sử dụng bởi các tổ chức phi lợi nhuận để tăng cường tác động của những người đang làm việc để cải thiện thế giới của chúng ta theo nhiều cách. Đối với những tổ chức này, việc thu thập dữ liệu không phải là vấn đề. Họ có rất nhiều dữ liệu để làm việc. Sử dụng dữ liệu này theo những cách rõ ràng và có thể hành động được là điều khó khăn đối với những tổ chức này, những tổ chức thường bị giới hạn về nguồn lực và có thể không có một đội phân tích nội bộ sẵn sàng. Công việc chúng tôi làm trong bộ phận dữ liệu tại Fresh Eyes Digital giúp những tổ chức này hiểu và triển khai dữ liệu của họ theo những cách đúng, đưa ra những quyết định thông minh và chiến lược hơn. Tôi rất vui được có cơ hội làm việc với những tổ chức này theo cách giúp họ trở nên hiệu quả và hiệu quả hơn khi họ làm việc để tác động đến thế giới của chúng ta theo những cách tích cực.

Cảm ơn bạn vì những câu trả lời chi tiết và tôi mong đợi theo dõi các dự án tương lai của bạn. Những người đọc muốn tìm hiểu thêm nên truy cập trang web Ashley Bryant-Baker và / hoặc Fresh Eyes Digital,