Vivienne Ming

Perché le organizzazioni collaborano con Vivienne Ming

• Il suo modello "Tax on Being Different" quantifica, in termini economici e di produttività, il costo che le organizzazioni devono sostenere quando i lavoratori emarginati devono compiere uno sforzo supplementare solo per essere valutati come equivalenti. Si tratta di un ragionamento basato su misurazioni con implicazioni commerciali, non di valori.
• In qualità di Chief Scientist presso Gild, ha sviluppato modelli di machine learning addestrati su 122 milioni di professionisti, diventando così una delle poche persone ad aver direttamente implementato l'IA predittiva per la valutazione dei talenti su larga scala, al di fuori di un contesto puramente accademico.
• Riformula la diversità da una questione di conformità a un problema di ottimizzazione: un problema che può essere modellato, misurato e corretto utilizzando gli stessi strumenti che le organizzazioni già applicano alle decisioni operative.
• La sua ricerca spazia dalla forza lavoro all'istruzione e alla salute, fornendole una base di dati insolitamente ampia su ciò che effettivamente predice le capacità umane a lungo termine e ciò che non lo fa.
• Pubblicata su Nature e Neural Information Processing Systems, e con incarichi accademici presso l'Università della California a Berkeley e l'UCL, le sue argomentazioni godono di una credibilità istituzionale che i consulenti applicati e i relatori di conferenze in genere non possono eguagliare.

Punti salienti della biografia

• Dottorato in Psicologia presso la Carnegie Mellon University; borsa di studio post-dottorato congiunta presso la Stanford University e il Redwood Center for Theoretical Neuroscience dell'Università della California, Berkeley
• Ex capo ricercatrice presso Gild, dove ha sviluppato modelli di ML addestrati su 122 milioni di professionisti per valutare le capacità umane al di là delle credenziali convenzionali
• Fondatrice e presidente esecutivo di Socos Labs, un istituto di ricerca indipendente che applica l'intelligenza artificiale e le neuroscienze alle sfide relative alla forza lavoro, all'istruzione e alla salute
• Ricerche pubblicate su Nature, Neural Information Processing Systems e Neural Computation
• Al quinto posto nella classifica del Financial Times / OUTstanding dei migliori dirigenti LGBT al mondo (2017); nominata tra le BBC 100 Women (2017) e tra le "10 donne da tenere d'occhio nel settore tecnologico" della rivista Inc.
• Presidente dell'UC Berkeley Neurotech Collider Hub; Professore Onorario presso la UCL Global Business School for Health; membro del consiglio di amministrazione di RFK Human Rights

Biografia

Vivienne Ming ha costruito la sua carriera su un'osservazione empirica scomoda: i segnali di assunzione che le organizzazioni considerano affidabili – titoli di studio, prestazioni durante i colloqui, pedigree istituzionale – non predicono ciò che sostengono di predire. Ha testato questa teoria su larga scala. In qualità di Chief Scientist presso Gild, ha sviluppato modelli di machine learning addestrati su dati provenienti da 122 milioni di professionisti, alla ricerca di ciò che distingue effettivamente i professionisti ad alte prestazioni da quelli con credenziali. Il divario era notevole. La maggior parte delle organizzazioni ottimizzava i proxy, non le capacità.

Questa scoperta è alla base di tutto ciò che ha fatto da allora. Presso Socos Labs, l'istituto di ricerca che ha co-fondato con sua moglie, la dottoressa Norma Ming, ha esteso la questione all'istruzione e alla salute, esaminando quali costrutti psicologici predicono realmente i risultati di vita a lungo termine e pubblicando tale ricerca su Nature e Neural Information Processing Systems. L'argomentazione è coerente: i sistemi di misurazione nelle organizzazioni sono sistematicamente difettosi e il costo è sostenuto più pesantemente da coloro che non si adattano al modello.

Il suo quadro concettuale "Tax on Being Different" (Tassa sull'essere diversi) attribuisce un valore numerico a tale costo. Attingendo a dati HR su larga scala, quantifica l'onere aggiuntivo in termini di credenziali che le donne, le persone di colore e gli individui LGBTQ+ devono sopportare per essere valutati a parità di condizioni. Non si tratta di un argomento culturale. È un argomento di produttività e innovazione: un argomento che è stato presentato ai consigli di amministrazione e ai team dirigenziali di Google, Deloitte e Salesforce, e esposto alla Royal Society.

Ha conseguito un dottorato in psicologia presso la Carnegie Mellon University, con incarichi post-dottorato congiunti presso Stanford e UC Berkeley. Presiede l'UC Berkeley Neurotech Collider Hub, ricopre una cattedra onoraria presso la Global Business School for Health dell'UCL e fa parte del consiglio di amministrazione di RFK Human Rights. Nel 2017 si è classificata al quinto posto nella lista del Financial Times / OUTstanding dei migliori dirigenti LGBT al mondo.

Argomenti principali delle conferenze

• IA e modellizzazione predittiva delle capacità umane
• L'economia della valutazione del talento e dei pregiudizi
• Neuroscienze del processo decisionale nelle organizzazioni
• Diversità, inclusione e il costo della differenza in termini di produttività
• Intelligenza collettiva uomo-macchina
• Applicazioni dell'IA nell'istruzione, nella sanità e nello sviluppo della forza lavoro
• Metodologia dell'innovazione: risolvere problemi mal formulati

Ideale per

• I responsabili delle risorse umane (CHRO) e i responsabili dell'acquisizione dei talenti che valutano se i loro segnali di assunzione sono predittivi
• CEO e consigli di amministrazione che integrano l'IA nelle decisioni relative alle risorse umane e nella strategia della forza lavoro
• Responsabili DEI alla ricerca di argomentazioni basate su dati concreti e inquadrate in un contesto commerciale per promuovere un cambiamento sistemico
• Funzioni tecnologiche e di innovazione che esaminano i limiti e le applicazioni dell'IA nei contesti umani

Risultati per il pubblico

• Una comprensione quantificata e basata sui dati di quanto i sistemi di gestione dei talenti inefficienti costino alle organizzazioni in termini di produttività e innovazione
• Una ridefinizione concreta della diversità: non un obbligo morale, ma un problema di misurazione e ottimizzazione
• Domande pratiche da applicare ai propri processi di assunzione, promozione e sviluppo
• Chiarezza su dove l'IA migliora in modo affidabile la valutazione umana – e dove perpetua i pregiudizi già insiti nei dati
• Un nuovo vocabolario per le capacità che va oltre le credenziali e i segnali ad esse correlati