Ashley Bryant-Baker, directora de datos y análisis de Fresh Eyes Digital – Serie de entrevistas

Ashley Bryant Baker es director de datos y análisis en Ojos Frescos Digitales, una firma de consultoría enfocada en el éxito de las organizaciones sin fines de lucro. Antes de Fresh Eyes Digital, dirigió su propia firma de consultoría, B&B Data Solutions, donde ayudó a las marcas a crear y aprovechar soluciones de datos. Ha trabajado en análisis durante más de una década en industrias que van desde bienes de consumo empaquetados, viajes, logística, atención médica y organizaciones sin fines de lucro.

Se ha convertido en una oradora solicitada sobre los temas de sesgo de género en IA, segmentación de clientes mediante IA y diversidad en el lugar de trabajo. Recientemente ha sido invitada a hablar en varios eventos, incluidos SXSW, Data Minds Connect y Digital Summit DC. Ashley asistió a The American Graduate School en París, Georgetown, LSU y la Universidad de Fort Hays. Tiene una Maestría en Economía Internacional, Certificado en Ciencia de Datos, una Licenciatura en Negocios y una Licenciatura en Arte.

¿Qué te atrajo inicialmente de la informática y la ciencia de datos?

En la universidad estudié arte y estaba interesado en trabajar para una compañía de videojuegos cuando me gradué como diseñador de juegos. Mi plan era hacer modelos de computadora en 3D y diseñar personajes y objetos con los que la gente interactuaría en el juego. Incluso trabajé como probador de control de calidad de videojuegos para EA Sports en la universidad. Dado que en ese momento no había una concentración en artes informáticas en mi universidad, decidí especializarme en informática para complementar mi título de arte. Al principio no me gustaban nada las clases de informática. Había una hostilidad límite hacia las personas que no tenían experiencia (como yo) por parte de otros estudiantes e incluso de algunos profesores. Destaqué mi menor porque mi objetivo para mi culminación artística era diseñar y programar un videojuego funcional. Usé python y maya para construir un juego de ajedrez en 3D con piezas animadas que caminaban por el tablero y una IA muy simple que podía jugar contra ti. En ese momento no sabía nada sobre python y asumí que nunca lo volvería a usar.

Avance rápido a uno de mis primeros trabajos fuera de la universidad. Yo estaba trabajando en una empresa de marketing como jr. gerente de proyecto. Trabajé con un equipo de artistas, especialistas en marketing, especialistas en producción y un analista en todo el edificio que administraba los análisis de alrededor de 15 clientes por su cuenta. Me pedía ayuda periódicamente para verificar sus matemáticas o crear informes simples. Cuando tuvo que ausentarse por razones médicas durante varias semanas, nos preguntó a mi supervisor ya mí si podía reemplazarla durante su ausencia. Cuando volvió pedí un traslado a su departamento. Trabajar con los datos fue muy interesante para mí. Definitivamente fue un giro inesperado en mi carrera, pero no he mirado atrás desde entonces. Seguía queriendo aprender más, así que tomé cursos y solicité trabajos de análisis donde pudiera aprender de otros. Entonces todo dio un giro completo y estaba trabajando con python nuevamente, aunque de una manera totalmente diferente a la anterior.

Todo esto para decir. Inicialmente me metí en la ciencia de datos por pura casualidad.

Actualmente es Director de Datos y Análisis en Ojos Frescos Digitales, una empresa que trabaja con organizaciones sin fines de lucro. ¿Podrías compartir lo que hace la empresa y el trabajo que haces allí?

Fresh Eyes es una firma de consultoría que brinda apoyo de marketing y recaudación de fondos a organizaciones sin fines de lucro. Trabajamos con los clientes para comprender a sus donantes, crear campañas digitales en torno a los objetivos de las organizaciones sin fines de lucro y ayudar a las organizaciones sin fines de lucro a comprender cómo se puede elevar su presencia digital para alcanzar esos objetivos. Fresh Eyes me contrató porque querían crear una oferta de datos más sólida. Inicialmente, trabajé con ellos como consultor, donde los ayudé a diseñar pruebas digitales multivariantes, comprender los resultados y automatizar los servicios de análisis y tableros. Ahora estoy trabajando con ellos para crear un conjunto de ofertas para organizaciones sin fines de lucro. Algunos proyectos en los que estoy trabajando incluyen análisis predictivos sobre las tasas de conversión y donación de los electores y donantes a lo largo del tiempo. Comprender los efectos de los factores externos, como el clima político, los cambios económicos y los ciclos de noticias, así como los factores internos, como las estrategias de mensajes de marketing, los informes de impacto de las organizaciones sin fines de lucro e incluso el movimiento de los roles de liderazgo dentro de una organización y cómo todos estos pueden afectar propensión a convertir. Mucha de esta información informa nuestros análisis y paneles de pronóstico y modelos de clasificación para comprender mejor a los donantes y el compromiso.

Las organizaciones sin fines de lucro están adoptando el uso de métodos estadísticos avanzados y se están dando cuenta de que les ayuda a cumplir su misión cuando pueden comprender mejor su impacto y recaudar dinero de una manera más estructurada.

Uno de los logros de los que más se enorgullece es ser un defensor de la diversidad en STEM, ¿podría compartir algunos de estos aspectos destacados?

Hay tantas organizaciones excelentes que están trabajando para lograr la diversidad y la equidad en STEM: Black Girls Code, ByteBack aquí en DC, DataKind y, más recientemente, mi hermandad de mujeres Zeta Phi Beta Inc. junto con varias otras organizaciones se han asociado con Google para capacitar a los subrepresentados. grupos en informática y formación técnica. Hago mi parte ofreciéndome como voluntaria en estas organizaciones, siendo mentora de personas que recién ingresan al campo, hablando en eventos (particularmente eventos tecnológicos, donde a veces soy la única mujer o persona de color) y enseñando en talleres en escuelas (especialmente minorías mayoritarias). escuelas, escuelas rurales y escuelas alternativas). Además, he trabajado con varias empresas para diversificar sus programas de pasantías y programas de posgrado de nivel inicial. Mucho de este trabajo lo hice por costumbre. Crecí en un hogar y una comunidad donde el voluntariado era parte de la vida cotidiana. Continué con eso en la universidad y más allá con Zeta Phi Beta Inc. Sin embargo, creo que gravité hacia esta área porque no tuve la oportunidad de aprender sobre computadoras y codificación hasta la universidad y luego, cuando llegué a la universidad, recuerdo la sensación de negatividad que sentí al seguir mi especialización en informática. No quiero que nadie, especialmente alguien que está tratando de aprender y mejorarse a sí mismo, experimente eso. No creo que realmente me di cuenta del impacto que estaba teniendo hasta que estaba hablando con un grupo de estudiantes en un evento de reclutamiento y una joven negra y su madre se me acercaron y me dijeron que yo era la primera mujer técnica negra que tenían. visto en cualquier conferencia o evento de reclutamiento. Fue entonces cuando supe que tenía que hacer de esto parte de mi rutina habitual.

Trato de participar en este tipo de programas con regularidad. De hecho, el 16 de marzo seré coanfitrión de un hackathon con un científico de datos increíble y un buen amigo mío, Swathi, junto con Girls in AI.

También ha trabajado en expandir la educación tecnológica en vecindarios rurales y/o de bajos ingresos. ¿Qué importancia tiene este problema?

Guau. ¡No hay suficiente tiempo para hablar sobre el gran problema que es este! El coronavirus dejó muy claro que hay inequidades que son sistémicas en nuestra sociedad. Desafortunadamente, uno de los más grandes es la educación. Tengo un buen amigo que trabaja en una escuela alternativa en las afueras de DC. Los estudiantes allí a menudo son mayores, tienen que mantener trabajos además de ir a la escuela secundaria, no siempre tienen las herramientas en casa para aprender a distancia como una computadora portátil o de escritorio. Estos estudiantes tenían un maestro que abogó por ellos, trabajando con la escuela para obtener una opción móvil para asegurarse de que la mayoría de los estudiantes pudieran acceder a la escuela en sus teléfonos celulares. Sin embargo, ese no es siempre el caso en entornos escolares alternativos o de bajos ingresos. La situación rural es igualmente difícil para estudiantes y profesores. Internet de alta velocidad puede ser MUY costoso en áreas rurales y, en algunos casos, no está disponible. Los estudiantes que se sientan en los estacionamientos de McDonalds para acceder a Internet son inaceptables, pero son una necesidad desafortunada en algunas de estas áreas. Conozco maestros en las zonas rurales de Pensilvania que no pueden obtener una buena conexión a Internet para conectarse a sus aulas virtuales.

Fuera del coronavirus, está el problema de la falta de fondos en las escuelas rurales y de bajos ingresos, la falta de maestros técnicamente capacitados, particularmente en áreas rurales donde atraer talento puede ser difícil y, por supuesto, el prejuicio general contra los estudiantes de color, inmigrantes e incluso rurales. estudiantes que pueden verse o sonar diferentes de la cultura «estadounidense» más ampliamente aceptada. Todos estos escenarios se suman a la falta de acceso a la educación STEM y, por lo tanto, a los estudiantes que nunca están expuestos a esas materias y carreras.

¿Qué tan grande es el problema del sesgo racial y de género en la IA?

Es algo en lo que todas las empresas y organizaciones deberían pensar. Desafortunadamente, esto es difícil de resolver porque si la IA muestra un sesgo a favor o en contra de un grupo en particular, a menudo significa que en esa área en particular, la empresa u organización ya tenía un patrón de sesgo para empezar. La IA depende de patrones pasados ​​para predecir el comportamiento futuro y simplemente amplifica este comportamiento. Sin embargo, es difícil lograr que los humanos reconozcan sus propios sesgos, todos los tenemos y, a menudo, inconscientemente actuamos sobre ellos. Es necesario que existan sistemas para ayudar a mitigar estos sesgos y mantener a los equipos responsables tanto del lado técnico como del comercial.

¿Cómo podemos asegurarnos de que las aplicaciones de IA de hoy no amplifiquen los sesgos que tienen los humanos?

Hay algunos pasos que las organizaciones pueden tomar para crear un estándar de práctica en ciencia de datos e IA para ayudar a mitigar el sesgo. No puedo expresar lo suficiente cómo esto tiene que ser un proceso colaborativo entre grupos técnicos y grupos empresariales. La importancia del contexto que no siempre es visible para los equipos técnicos es primordial.

Comienza con el reconocimiento e identificación de posibles fuentes de sesgo. Puede ocurrir en el proceso de recopilación de datos, la selección de funciones para la creación de modelos o puede ocurrir completamente fuera de los datos en las prácticas comerciales. Por ejemplo, un líder de una empresa me preguntó una vez si su audiencia principal eran realmente hombres mayores y ricos que vivían con mayor frecuencia en vecindarios rurales o suburbanos. Observé los datos y me di cuenta de que su flujo de datos tenía una sobrerrepresentación de este grupo. Pero también me di cuenta de que la mayor parte de sus clientes procedían de los mismos medios de comunicación, la radiodifusión conservadora. Me enteré por un miembro del equipo de marketing que la empresa recibió marketing de bajo costo o sin costo en estas plataformas al principio de su lanzamiento y la mayoría de sus clientes lo reflejaron. El sesgo no estaba en los datos sino en la falta de diversificación en la estrategia de comunicación. Sin embargo, como resultado, el modelo de calificación del valor de por vida que creó el equipo de datos clasificó a los hombres mayores y más ricos de las comunidades suburbanas y rurales como los clientes con mejor desempeño, magnificando la estrategia de comunicación que empleó el equipo de marketing. Esto es algo de lo que ningún equipo técnico debería ser responsable de saber, sin embargo, deberían ser responsables de hacer las preguntas correctas.

Esto me lleva al segundo paso, que es establecer pautas para buscar y luego tratar con el sesgo una vez que se haya descubierto. Una vez que haya identificado las posibles fuentes de sesgo, la organización debe crear una lista de verificación de estas fuentes para buscar estos problemas y crear un camino para que alguien que encuentre datos o patrones preocupantes los aborde. Esto no se puede hacer en el vacío. Es responsabilidad de todos los equipos asegurarse de que las aplicaciones no amplifiquen los sesgos. Como en el ejemplo anterior, el equipo de datos no tiene responsabilidad sobre la estrategia de comunicación. Pueden ayudar a identificar los hallazgos y luego trabajar con otros equipos de la organización para abordarlos. En este caso, el equipo de comunicaciones trabajó con el equipo de ciencia de datos para probar otras estrategias de comunicación que separaron a diferentes grupos demográficos.

Cuando aparecen sesgos en los modelos de datos, a veces puede deberse a cómo un equipo de datos determina la selección de características, qué datos se incluyen o excluyen en los almacenes de datos o incluso la métrica que se predice. En estos casos, es importante que el equipo de datos comprenda que la precisión del modelo no siempre es equivalente a la imparcialidad del modelo. Puede ser cierto que incluir ciertas características en un modelo de datos aumente la precisión predictiva de un modelo, pero el 0,5 % adicional de precisión puede tener un costo social o empresarial. Determinar qué significa justo no es una tarea fácil y requiere la participación de equipos multifacéticos. Una metodología llamada “equidad contrafactual” considera que una decisión es justa para un individuo si es la misma en el mundo real y en un mundo contrafactual donde el individuo pertenece a un grupo demográfico diferente. Además, Microsoft y Google AI han publicado estándares mediante los cuales contabilizar la equidad en la IA. Personalmente, hago referencia a las directrices de la UE sobre ética en inteligencia artificial, que considero bastante completas para mi industria. Una vez que se establece un estándar de imparcialidad, el equipo de datos puede determinar si la solución es procesar los datos de antemano, modificar las decisiones del sistema posteriormente o incorporar definiciones de imparcialidad en el propio proceso de capacitación. La cuestión del sesgo en los datos es compleja y requiere una evaluación regular y las voces de una amplia gama de personas. No es simplemente una cuestión técnica a resolver.

¿Cuáles son sus puntos de vista sobre las políticas de ética de datos e inteligencia artificial promulgadas por el gobierno?

Creo que ha habido movimientos en la dirección correcta al crear un estándar de procedimiento cuando se trata de IA y ética de datos. La orden ejecutiva de Trump sobre la ética de la IA crea un registro de modelos implementados dentro del gobierno, establece un cronograma para crear orientación sobre políticas, alienta a las agencias a contratar equipos e individuos centrados en la tecnología y alienta la transparencia en el uso de la IA en todo el gobierno en áreas que no están involucradas con I+D. o la seguridad nacional, que creo que es inmensamente importante. Este tipo de plan de gran alcance es un desarrollo emocionante en el gobierno, que históricamente ha sido lento para adaptar la tecnología. Sin embargo, las políticas han hecho poco para crear una cultura de ética, crear planes obligatorios o cohesivos entre agencias o incluso definir exactamente qué significa ética o equidad en estos contextos. A medida que entre la nueva administración, les pediría que solidifiquen estos planes con un plan más estructurado y cohesivo en todas las agencias, así como un procedimiento de evaluación que considere cuidadosamente el impacto humano, ya que gran parte del trabajo que realiza nuestro gobierno afecta el día a día. vida de las personas tanto en el país como en el extranjero.

¿Hay algo más que le gustaría compartir sobre su trabajo con Fresh Eyes Digital?

La ciencia de datos puede ser utilizada por organizaciones sin fines de lucro para aumentar el impacto que están trabajando para mejorar nuestro mundo de muchas maneras. Para estas organizaciones, la recopilación de datos no suele ser su problema. Tienen muchos datos con los que trabajar. El uso de estos datos de manera clara y procesable es difícil para estas organizaciones que a menudo tienen recursos limitados y pueden no tener un equipo de análisis interno listo. El trabajo que hacemos en el departamento de datos de Fresh Eyes Digital ayuda a esas organizaciones a comprender e implementar sus datos de la manera correcta, tomando decisiones estratégicas mejor informadas. Me complace tener la oportunidad de trabajar con estas organizaciones de una manera que las ayude a ser más eficientes y efectivas a medida que trabajan para impactar nuestro mundo de manera positiva.

Gracias por las respuestas detalladas y espero seguir sus futuras empresas. Los lectores que deseen obtener más información deben visitar el Ashley Bryant Baker sitio web y/o Ojos Frescos Digitales,

Deja un comentario