Vivienne Ming

Warum Unternehmen mit Vivienne Ming zusammenarbeiten

• Ihr Rahmenkonzept „Tax on Being Different“ quantifiziert – in wirtschaftlicher und produktivitätsbezogener Hinsicht – die Kosten, die Unternehmen entstehen, wenn marginalisierte Arbeitnehmer zusätzlichen Aufwand betreiben müssen, nur um als gleichwertig eingestuft zu werden. Dies ist ein messtechnisches Argument mit wirtschaftlichen Implikationen, kein wertorientiertes.
• Als Chief Scientist bei Gild entwickelte sie Machine-Learning-Modelle, die auf Daten von 122 Millionen Fachkräften trainiert wurden. Damit ist sie eine der wenigen Personen, die prädiktive KI für die Talentbewertung in großem Maßstab außerhalb eines rein akademischen Kontexts direkt operationalisiert hat.
• Sie definiert Diversität neu – weg von einer Frage der Compliance hin zu einem Optimierungsproblem: einem Problem, das mit denselben Werkzeugen modelliert, gemessen und korrigiert werden kann, die Unternehmen bereits für operative Entscheidungen einsetzen.
• Ihre Forschung erstreckt sich auf die Bereiche Arbeitswelt, Bildung und Gesundheit, was ihr eine ungewöhnlich breite Evidenzbasis dafür verschafft, was tatsächlich langfristige menschliche Fähigkeiten vorhersagt und was nicht.
• Mit Veröffentlichungen in Nature und Neural Information Processing Systems sowie akademischen Lehraufträgen an der UC Berkeley und der UCL verfügen ihre Argumente über eine institutionelle Glaubwürdigkeit, mit der angewandte Berater und Konferenzredner in der Regel nicht mithalten können.

Wichtige Stationen ihres Werdegangs

• Doktorat in Psychologie an der Carnegie Mellon University; gemeinsames Postdoktorandenstipendium an der Stanford University und am Redwood Center for Theoretical Neuroscience der UC Berkeley
• Ehemalige Chefwissenschaftlerin bei Gild, wo sie ML-Modelle entwickelte, die auf der Grundlage von 122 Millionen Fachkräften trainiert wurden, um menschliche Fähigkeiten über herkömmliche Qualifikationsnachweise hinaus zu bewerten
• Gründerin und Vorstandsvorsitzende von Socos Labs, einem unabhängigen Forschungsinstitut, das KI und Neurowissenschaften auf Herausforderungen in den Bereichen Arbeitswelt, Bildung und Gesundheit anwendet
• Veröffentlichungen in Nature, Neural Information Processing Systems und Neural Computation
• Platz 5 auf der Financial Times/OUTstanding-Liste der weltweit führenden LGBT-Führungskräfte (2017); ausgezeichnet als BBC 100 Women (2017) und vom Inc. Magazine als eine der „10 Women to Watch in Tech“
• Vorsitzende des UC Berkeley Neurotech Collider Hub; Honorarprofessorin an der UCL Global Business School for Health; Vorstandsmitglied bei RFK Human Rights

Biografie

Vivienne Ming baute ihre Karriere auf einer beunruhigenden empirischen Beobachtung auf: Die Einstellungssignale, die Unternehmen als zuverlässig betrachten – Abschlüsse, Leistung im Vorstellungsgespräch, akademischer Hintergrund – sagen nicht das voraus, was sie vorgeben vorherzusagen. Sie testete dies in großem Maßstab. Als Chief Scientist bei Gild entwickelte sie Machine-Learning-Modelle, die auf Daten von 122 Millionen Fachkräften trainiert wurden, um herauszufinden, was Leistungsträger tatsächlich von denen unterscheidet, die nur über Qualifikationsnachweise verfügen. Die Diskrepanz war erheblich. Die meisten Unternehmen optimierten anhand von Ersatzindikatoren, nicht anhand von Fähigkeiten.

Diese Erkenntnis zieht sich durch alles, was sie seitdem getan hat. Bei Socos Labs, dem Forschungsinstitut, das sie gemeinsam mit ihrer Frau Dr. Norma Ming gegründet hat, hat sie diese Fragestellung auf die Bereiche Bildung und Gesundheit ausgeweitet. Sie untersucht, welche psychologischen Konstrukte tatsächlich langfristige Lebensergebnisse vorhersagen, und veröffentlicht diese Forschungsergebnisse in Nature und Neural Information Processing Systems. Die Argumentation ist konsistent: Messsysteme in Unternehmen sind systematisch fehlerhaft, und die Kosten dafür tragen vor allem diejenigen, die nicht in die Vorlage passen.

Ihr Rahmenkonzept „Tax on Being Different“ beziffert diese Kosten. Auf der Grundlage umfangreicher HR-Daten quantifiziert es die zusätzliche Belastung durch Qualifikationsnachweise, die Frauen, People of Color und LGBTQ+-Personen auf sich nehmen müssen, um unter gleichen Bedingungen bewertet zu werden. Dies ist kein kulturelles Argument. Es ist ein Argument der Produktivität und Innovation: eines, das Vorständen und Führungsteams bei Google, Deloitte und Salesforce vorgelegt und vor der Royal Society präsentiert wurde.

Sie hat einen Doktortitel in Psychologie von der Carnegie Mellon University und war als Postdoktorandin an der Stanford University und der UC Berkeley tätig. Sie ist Vorsitzende des UC Berkeley Neurotech Collider Hub, hat eine Ehrenprofessur an der Global Business School for Health der UCL inne und ist Vorstandsmitglied von RFK Human Rights. Im Jahr 2017 belegte sie Platz 5 auf der Liste der weltweit führenden LGBT-Führungskräfte der Financial Times / OUTstanding.

Wichtige Vortragsthemen

• KI und prädiktive Modellierung menschlicher Fähigkeiten
• Die Ökonomie der Talentbewertung und Vorurteile
• Neurowissenschaft der Entscheidungsfindung in Organisationen
• Vielfalt, Inklusion und die Produktivitätskosten von Unterschieden
• Kollektive Intelligenz von Mensch und Maschine
• KI-Anwendungen in Bildung, Gesundheit und Personalentwicklung
• Innovationsmethodik: Lösung schlecht gestellter Probleme

Ideal für

• CHROs und Führungskräfte im Bereich Talentakquise, die prüfen, ob ihre Einstellungsentscheidungen vorausschauend sind
• CEOs und Vorstände, die KI in Personalentscheidungen und Personalstrategien integrieren
• DEI-Verantwortliche, die nach evidenzbasierten, wirtschaftlich fundierten Argumenten für systemische Veränderungen suchen
• Technologie- und Innovationsabteilungen, die die Grenzen und Anwendungsmöglichkeiten von KI im menschlichen Kontext untersuchen

Ergebnisse für die Zielgruppe

• Ein quantifiziertes, datengestütztes Verständnis dafür, welche Kosten defekte Talentsysteme für Unternehmen in Bezug auf Produktivität und Innovation verursachen
• Eine konkrete Neudefinition von Diversität: keine moralische Verpflichtung, sondern ein Problem der Messung und Optimierung
• Praktische Fragen zur Anwendung auf die eigenen Einstellungs-, Beförderungs- und Entwicklungsprozesse
• Klarheit darüber, wo KI die menschliche Beurteilung zuverlässig verbessert – und wo sie die bereits in den Daten verankerten Vorurteile perpetuiert
• Ein neues Vokabular für Fähigkeiten, das über Qualifikationen und qualifikationsnahe Signale hinausgeht