Comment pouvons-nous rendre la science des données plus diversifiée – et pourquoi c'est important

Nous avons connu un changement global radical dans la perception sociale des questions liées à la diversité.Des études démontrent une nette tendance à la « sensibilisation à la diversité » au cours de la dernière décennie. Mais cela s'est-il traduit par des gains pour les STEM ?

Pour autant que nous puissions en juger, la réponse est tiède 'bien sûr, un peu.Nous voyons de petits changements s'infiltrer sous la forme d'engagements corporatifs et universitaires, maisétudes continuesdémontrer qu'il reste beaucoup de travail à faire en matière de recrutement proprement dit et de traitement en matière d'égalité des chances.

Bien que cela soit probablement vrai dans la plupart des industries traditionnelles, dans les domaines STEM, il est particulièrement intéressant de voir la question de la diversité à travers le prisme de la science des données et des data scientists.

J'ai interviewé Radhika Krishnan, Chief Product Officer,Hitachi Vantarapour découvrir ce qui était au cœur de la problématique de la diversité en 2022.

Krishnan m'a dit que nous devions nous assurer que nous prenions des mesures pour comprendre le problème, si nous voulions le résoudre :

Ce qui n'est pas mesuré ne progresse pas, donc la mesure et la capture de données sont un excellent point de départ. Heureusement, l'accent est davantage mis sur le suivi et l'analyse comparative, car de nombreuses organisations collectent désormais des données pour différentes catégories telles que le nombre de femmes siégeant à des conseils d'administration, les chiffres de la diversité dans une organisation et les femmes occupant des postes de direction dans une entreprise. La transparence et la visibilité de ces chiffres sont essentielles pour créer le changement.

Mais il y a plus d'un problème en ce qui concerne les questions de diversité dans la science des données. Il y a le problème scientifique et le problème scientifique. Comme l'a expliqué Krishnan, les biais peuvent s'infiltrer dans les données ou les systèmes par l'une ou l'autre de ces voies :

Il y a deux domaines qui introduisent des biais, l'un est les algorithmes eux-mêmes, qui les écrit et le scientifique des données qui conçoit le cadre – l'autre partie où le biais est introduit, ce sont les données qui sont utilisées pour former – il faut trouver un moyen de assurez-vous que les deux espaces sont couverts et qu'il existe un système pour identifier les préjugés dans les deux domaines.

Mesurer la diversité que vous avez dans les sciences des données va un long chemin, mais nous devons faire attention à ce que nous disons qui constitue le domaine de la «science des données». Nous ne pouvons pas simplement supposer que nous parlons d'ingénieurs de données et d'architectes de données.

Il est également pertinent pour les experts du domaine ayant l'expertise qui collectent les données et les informations d'exploration. Là aussi, il doit y avoir de la diversité. Aussi simple que cela puisse paraître, cela se résume en grande partie à l'orientation client.

Si vous connaissez votre clientèle, c'est la clé. Votre clientèle est rarement composée d'un seul type de personnes. Peu importe le secteur dans lequel vous travaillez, vous devez avoir de la diversité dans l'organisation qui s'occupe des clients, car la clientèle elle-même est diversifiée.

Pourtant, il ne suffit pas d'identifier et de mesurer les problèmes pour les résoudre. On peut dire que personne ne devrait ignorer les problèmes de diversité de STEM en 2022. Malheureusement, les développeurs ne peuvent pas simplement appuyer sur un bouton magique intitulé « corriger le biais » pour résoudre le problème.

Le biais pénètre involontairement dans la plupart des systèmes technologiques. Les développeurs n'essaient pas nécessairement de créer des machines ou des algorithmes qui fonctionnent mieux pour certaines données démographiques que pour d'autres. C'est pourquoi vous entendrez souvent parler de partialité comme de quelque chose qui « s'insinue » dans les systèmes.

Heureusement, nous sommes en 2022 et nous commençons à voir des solutions à ces problèmesramper eux-mêmes sur la scène. Le principal d'entre eux est la transparence et l'explicabilité.

Comme Krishnan me l'a clairement expliqué :

Il y a la notion d'explicableIA qui prend le dessus de manière considérable. L'IA explicable aide les utilisateurs finaux à comprendre pourquoi certaines décisions d'IA ont été prises afin qu'ils puissent correctement comprendre et évaluer la véracité des recommandations algorithmiques.

Une telle transparence aide à se conformer aux exigences réglementaires, mais aussi à fournir un contexte au leadership sur tout, de la prise de décision aux résultats opérationnels. Cela aide également à éliminer les biais dans les algorithmes.

Je dirais que c'est là que nous revenons à penser au client. Il sera important de s'assurer que vos données sont représentatives de la clientèle que vous visitez.

En fin de compte, cependant, résoudre le problème de la diversité dans les STEM ne consiste plus seulement à soutenir une main-d'œuvre diversifiée. Il s'agit également de soutenir les clients, les partenaires, les clients et les utilisateurs dans l'espace technologique mondial.

Mais il faut encore faire des efforts pour y arriver. Comme le concluent toutes les études mentionnées ci-dessus, les STEM gravitent toujours autour d'un déséquilibre entre les hommes hétérosexuels blancs de la CEI, malgré les efforts mondiaux pour équilibrer le domaine.

En d'autres termes, il reste encore du travail à faire. Selon Krishnan, cela signifie que nous devons alléger le fardeau de ceux qui recherchent un meilleur traitement en continuant à mettre en œuvre des changements au niveau organisationnel par le biais de politiques :

Nous devons nous assurer de continuer à recruter activement des femmes et des minorités et d'aller au-delà des efforts locaux vers des programmes structurés. Qu'il s'agisse du gouvernement ou d'organisations, prendre des mesures au niveau politique contribuera à ces efforts.

Un autre aspect important concerne les programmes de mentorat pour les personnes appartenant à des groupes démographiques mal desservis. L'importance d'avoir un modèle ne peut être sous-estimée.

Saviez-vous que Rhadika Krishnan prend la parole à Conférence TNW  cet été? Consultez la liste complète des conférenciersici.