Como podemos tornar a ciência de dados mais diversificada – e por que isso importa

Vivenciamos uma mudança international radical na percepção social das questões relacionadas à diversidade. Estudos demonstram uma tendência clara para a ‘consciência da diversidade’ na última década. Mas isso se traduziu em ganhos para STEM?

Tanto quanto podemos dizer, a resposta é um morno ‘claro, um pouco. Estamos vendo pequenas mudanças filtradas na forma de compromissos corporativos e acadêmicos, mas estudos continuados demonstram que ainda há muito trabalho a ser feito quando se trata de recrutamento actual e tratamento de oportunidades iguais.

Embora isso provavelmente seja verdade na maioria dos setores tradicionais, nos campos STEM é especialmente interessante ver a questão da diversidade através das lentes da ciência de dados e dos cientistas de dados.

Entrevistei Radhika Krishnan, diretora de produtos, Hitachi Vantarapara descobrir o que estava no centro da questão da diversidade em 2022.

Krishnan me disse que precisávamos garantir que estávamos tomando medidas para entender o problema, se quiséssemos resolvê-lo:

O que não é medido, não progride, portanto, medir e capturar dados é um ótimo ponto de partida. Felizmente, há mais foco no rastreamento e benchmarking, já que muitas organizações estão coletando dados para diferentes categorias, como o número de mulheres atuando em conselhos, números de diversidade em uma organização e mulheres ocupando cargos de liderança em uma empresa. A transparência e a visibilidade desses números são fundamentais para criar mudanças.

Mas há mais de um problema quando se trata de questões de diversidade na ciência de dados. Há o problema da ciência e o problema do cientista. Como Krishnan explicou, o viés pode se infiltrar em dados ou sistemas por meio de qualquer um desses caminhos:

Existem duas áreas que introduzem viés, uma são os próprios algoritmos, quem está escrevendo e o cientista de dados que arquiteta a estrutura – a outra parte em que o viés é introduzido, são os dados que são usados ​​para treinar – é preciso descobrir uma maneira de garantir que ambos os espaços sejam cobertos e que haja um sistema para identificar preconceitos em ambas as áreas.

Medir quanta diversidade você tem nas ciências de dados é um longo caminho, mas precisamos ter cuidado com o que dizemos que constitui o domínio da “ciência de dados”. Não podemos simplesmente presumir que estamos falando de engenheiros de dados e arquitetos de dados.

Também é pertinente para os especialistas de domínio com experiência que estão coletando os dados e os insights de mineração. Deve haver diversidade lá também. Por mais simples que pareça, muito disso se resume ao foco no cliente.

Se você conhece sua base de clientes, isso é elementary. Sua base de clientes raramente é apenas um tipo de pessoa. Não importa em que setor você atua, você precisa ter diversidade na organização que atende aos clientes, porque a própria base de clientes é diversificada.

No entanto, é preciso mais do que identificar e medir problemas para resolvê-los. Indiscutivelmente, ninguém deve estar ciente dos problemas de diversidade do STEM em 2022. Infelizmente, os desenvolvedores não podem simplesmente apertar um botão mágico rotulado como ‘viés de correção’ para resolver o problema.

O viés entra na maioria dos sistemas de tecnologia sem querer. Os desenvolvedores não estão necessariamente tentando fazer máquinas ou algoritmos que funcionem melhor para certos dados demográficos do que para outros. É por isso que muitas vezes você ouvirá o viés ser referido como algo que “se infiltra” nos sistemas.

Felizmente, é 2022 e estamos começando a ver algumas soluções para esses problemas rastejar em cena eles mesmos. A most important delas é a transparência e a explicabilidade.

Como Krishnan me explicou de forma transparente:

Há a noção de explicável IA isso está tomando conta em grande estilo. A IA explicável ajuda os usuários finais a entender por que certas decisões de IA foram tomadas para que possam entender e avaliar adequadamente a veracidade das recomendações algorítmicas.

Essa transparência ajuda a cumprir os requisitos regulatórios, mas também fornece contexto para a liderança em tudo, desde a tomada de decisões até os resultados operacionais. Também ajuda a erradicar o viés nos algoritmos.

European diria que é aqui que voltamos a pensar no cliente. Certificar-se de que seus dados são representativos da base de clientes que você está analisando será importante.

No ultimate das contas, no entanto, resolver o problema da diversidade em STEM não é mais apenas uma questão de apoiar uma força de trabalho diversificada. É também uma questão de apoiar clientes, parceiros, clientes e usuários no espaço de tecnologia international.

Mas ainda é preciso esforço para chegar lá. Como todos os estudos mencionados acima concluem, o STEM ainda gravita em direção a um desequilíbrio de homens heterossexuais, brancos, CIS, apesar dos esforços globais para equilibrar o campo.

Em outras palavras, ainda há trabalho a fazer. De acordo com Krishnan, isso significa que precisamos aliviar o fardo daqueles que buscam um melhor tratamento, continuando a implementar mudanças no nível organizacional por meio de políticas:

Precisamos ter certeza de que continuamos o recrutamento ativo de mulheres e minorias e vamos além dos esforços de base para programas estruturados. Quer se trate de governos ou organizações, fazer movimentos em nível de política ajudará nesses esforços.

Um outro aspecto importante são os programas de orientação para aqueles em grupos demográficos carentes. A importância de ter um modelo não pode ser subestimada.

Você sabia que Rhadika Krishnan está falando no Conferência TNW este Verão? Confira a lista completa de palestrantes aqui.