Vivienne Ming

Pourquoi les entreprises font appel à Vivienne Ming

• Son cadre conceptuel intitulé « Tax on Being Different » (le coût de la différence) quantifie, en termes économiques et de productivité, le coût que les organisations doivent supporter lorsque des travailleurs marginalisés doivent fournir un effort supplémentaire simplement pour être considérés comme équivalents. Il s'agit d'un argument de mesure ayant des implications commerciales, et non d'un argument de valeurs.
• En tant que directrice scientifique chez Gild, elle a développé des modèles d'apprentissage automatique entraînés sur 122 millions de professionnels, ce qui fait d'elle l'une des rares personnes à avoir directement mis en œuvre l'IA prédictive pour l'évaluation des talents à grande échelle, en dehors d'un contexte purement académique.
• Elle recadre la diversité, la faisant passer d’une question de conformité à un problème d’optimisation : un problème qui peut être modélisé, mesuré et corrigé à l’aide des mêmes outils que les organisations utilisent déjà pour leurs décisions opérationnelles.
• Ses recherches couvrent les domaines de la main-d'œuvre, de l'éducation et de la santé, ce qui lui confère une base factuelle exceptionnellement large pour déterminer ce qui prédit réellement les capacités humaines à long terme, et ce qui ne le fait pas.
• Publiée dans Nature et Neural Information Processing Systems, et occupant des postes universitaires à l'UC Berkeley et à l'UCL, ses arguments bénéficient d'une crédibilité institutionnelle que les consultants en application et les conférenciers ne peuvent généralement pas égaler.

Faits marquants de sa biographie

• Doctorat en psychologie de l'université Carnegie Mellon ; bourse postdoctorale conjointe à l'université de Stanford et au Redwood Center for Theoretical Neuroscience de l'université de Berkeley
• Ancienne directrice scientifique chez Gild, où elle a développé des modèles d'apprentissage automatique entraînés sur 122 millions de professionnels afin d'évaluer les capacités humaines au-delà des qualifications conventionnelles
• Fondatrice et présidente exécutive de Socos Labs, un institut de recherche indépendant appliquant l'IA et les neurosciences aux défis liés à la main-d'œuvre, à l'éducation et à la santé
• Recherches publiées dans Nature, Neural Information Processing Systems et Neural Computation
• Classée n° 5 sur la liste du Financial Times / OUTstanding des meilleurs dirigeants LGBT au monde (2017) ; nommée parmi les « 100 femmes » de la BBC (2017) et dans la liste des « 10 femmes à suivre dans le secteur des technologies » du magazine Inc.
• Présidente du Neurotech Collider Hub de l'université de Berkeley ; professeure honoraire à l'UCL Global Business School for Health ; membre du conseil d'administration de RFK Human Rights

Biographie

Vivienne Ming a bâti sa carrière sur une observation empirique dérangeante : les critères de recrutement que les organisations considèrent comme fiables – diplômes, performances lors des entretiens, pedigree institutionnel – ne permettent pas de prédire ce qu’elles prétendent prédire. Elle a testé cette hypothèse à grande échelle. En tant que directrice scientifique chez Gild, elle a développé des modèles d’apprentissage automatique entraînés sur les données de 122 millions de professionnels, afin de déterminer ce qui distingue réellement les personnes très performantes de celles qui possèdent de solides références. L'écart était considérable. La plupart des organisations optimisaient leurs processus en fonction d'indicateurs de substitution, et non de la capacité réelle.

Cette constatation sous-tend tout ce qu'elle a entrepris depuis. Au sein de Socos Labs, l'institut de recherche qu'elle a cofondé avec son épouse, le Dr Norma Ming, elle a étendu cette réflexion aux domaines de l'éducation et de la santé, en examinant quels concepts psychologiques prédisent véritablement les résultats à long terme dans la vie, et en publiant ces recherches dans Nature et Neural Information Processing Systems. Son argument est cohérent : les systèmes d'évaluation au sein des organisations sont systématiquement défaillants, et ce sont ceux qui ne correspondent pas au modèle qui en paient le prix le plus lourd.

Son cadre « Tax on Being Different » (le coût de la différence) chiffrent ce coût. S'appuyant sur des données RH à grande échelle, il quantifie la charge supplémentaire en termes de qualifications que les femmes, les personnes de couleur et les personnes LGBTQ+ doivent supporter pour être évaluées à égalité. Il ne s'agit pas d'un argument culturel. C'est un argument de productivité et d'innovation : un argument qui a été présenté aux conseils d'administration et aux équipes de direction de Google, Deloitte et Salesforce, ainsi qu'à la Royal Society.

Elle est titulaire d’un doctorat en psychologie de l’université Carnegie Mellon et a effectué des post-doctorats à Stanford et à l’université de Californie à Berkeley. Elle préside le Neurotech Collider Hub de l’université de Californie à Berkeley, est professeure honoraire à la Global Business School for Health de l’UCL et siège au conseil d’administration de RFK Human Rights. En 2017, elle a été classée n° 5 sur la liste du Financial Times / OUTstanding des meilleurs cadres LGBT au monde.

Principaux thèmes d'intervention

• IA et modélisation prédictive des capacités humaines
• L'économie de l'évaluation des talents et des préjugés
• Neurosciences de la prise de décision dans les organisations
• Diversité, inclusion et coût de la différence en termes de productivité
• L'intelligence collective homme-machine
• Applications de l'IA dans l'éducation, la santé et le développement des ressources humaines
• Méthodologie de l'innovation : résoudre des problèmes mal posés

Idéal pour

• Les DRH et les responsables du recrutement qui évaluent si leurs signaux de recrutement sont prédictifs
• PDG et conseils d'administration intégrant l'IA dans les décisions relatives aux ressources humaines et la stratégie de gestion des effectifs
• Les responsables de la diversité, de l'équité et de l'inclusion (DEI) à la recherche d'arguments fondés sur des données et formulés en termes commerciaux pour un changement systémique
• Les fonctions Technologie et Innovation qui examinent les limites et les applications de l'IA dans des contextes humains

Résultats attendus

• Une compréhension quantifiée et fondée sur des données du coût des systèmes de gestion des talents défaillants pour les organisations en termes de productivité et d'innovation
• Une redéfinition concrète de la diversité : non pas une obligation morale, mais un problème de mesure et d'optimisation
• Des questions pratiques à appliquer à leurs propres processus de recrutement, de promotion et de développement
• Une vision claire des domaines dans lesquels l'IA améliore de manière fiable l'évaluation humaine – et de ceux où elle perpétue les biais déjà ancrés dans les données
• Un nouveau vocabulaire pour les compétences qui va au-delà des diplômes et des signaux associés aux diplômes