Vivienne Ming

Hvorfor virksomheder samarbejder med Vivienne Ming

• Hendes rammeværk "Tax on Being Different" kvantificerer – i økonomiske og produktivitetsmæssige termer – de omkostninger, organisationer betaler, når marginaliserede medarbejdere skal yde en ekstra indsats blot for at blive vurderet som ligeværdige. Dette er et måleargument med kommercielle implikationer, ikke et værdimæssigt.
• Som Chief Scientist hos Gild har hun udviklet maskinlæringsmodeller, der er trænet på 122 millioner fagfolk, hvilket gør hende til en af de få personer, der direkte har operationaliseret prædiktiv AI til talentvurdering i stor skala uden for en rent akademisk sammenhæng.
• Hun omformulerer mangfoldighed fra et spørgsmål om overholdelse til et optimeringsproblem: et problem, der kan modelleres, måles og korrigeres ved hjælp af de samme værktøjer, som organisationer allerede anvender til operationelle beslutninger.
• Hendes forskning spænder over arbejdsstyrke, uddannelse og sundhed, hvilket giver hende et usædvanligt bredt evidensgrundlag for, hvad der faktisk forudsiger menneskelig kapacitet på lang sigt, og hvad der ikke gør.
• Hendes artikler er blevet publiceret i Nature og Neural Information Processing Systems, og hun har akademiske stillinger ved UC Berkeley og UCL, hvilket giver hendes argumenter en institutionel troværdighed, som konsulenter og konferencetalere typisk ikke kan matche.

Højdepunkter i biografien

• Ph.d. i psykologi fra Carnegie Mellon University; fælles postdoktoralt stipendium ved Stanford University og UC Berkeleys Redwood Center for Theoretical Neuroscience
• Tidligere chefforsker hos Gild, hvor hun udviklede ML-modeller trænet på 122 millioner fagfolk til at vurdere menneskelige evner ud over konventionelle kvalifikationer
• Grundlægger og bestyrelsesformand for Socos Labs, et uafhængigt forskningsinstitut, der anvender AI og neurovidenskab på udfordringer inden for arbejdsstyrke, uddannelse og sundhed
• Forskning offentliggjort i Nature, Neural Information Processing Systems og Neural Computation
• Nr. 5 på Financial Times / OUTstanding-listen over verdens førende LGBT-ledere (2017); udnævnt til BBC 100 Women (2017) og Inc. Magazine's "10 Women to Watch in Tech"
• Formand for UC Berkeley Neurotech Collider Hub; æresprofessor ved UCL Global Business School for Health; bestyrelsesmedlem i RFK Human Rights

Biografi

Vivienne Ming byggede sin karriere på en ubehagelig empirisk observation: de ansættelsessignaler, som organisationer betragter som pålidelige – uddannelser, præstationer ved ansættelsessamtaler, institutionel baggrund – forudsiger ikke det, de hævder at forudsige. Hun testede dette i stor skala. Som Chief Scientist hos Gild udviklede hun maskinlæringsmodeller, der var trænet på data fra 122 millioner fagfolk, på jagt efter det, der rent faktisk adskiller højtpræsterende medarbejdere fra dem med de bedste referencer. Forskellen var betydelig. De fleste organisationer optimerede ud fra indikatorer, ikke kompetencer.

Denne erkendelse går igen i alt, hvad hun har gjort siden. Hos Socos Labs, det forskningsinstitut, hun grundlagde sammen med sin kone, dr. Norma Ming, har hun udvidet spørgsmålet til at omfatte uddannelse og sundhed, hvor hun undersøger, hvilke psykologiske konstruktioner der reelt forudsiger langsigtede livsresultater, og har offentliggjort denne forskning i Nature og Neural Information Processing Systems. Argumentet er konsistent: målesystemer i organisationer er systematisk defekte, og omkostningerne bæres tungest af dem, der ikke passer ind i skabelonen.

Hendes rammeværk "Tax on Being Different" sætter tal på denne pris. Baseret på omfattende HR-data kvantificerer det den ekstra byrde i form af kvalifikationer, som kvinder, mennesker med anden etnisk baggrund og LGBTQ+-personer må bære for at blive vurderet på lige fod. Dette er ikke et kulturelt argument. Det er et argument om produktivitet og innovation: et argument, der er blevet fremlagt for bestyrelser og ledelsesteam hos Google, Deloitte og Salesforce og præsenteret for Royal Society.

Hun har en ph.d. i psykologi fra Carnegie Mellon University og har haft fælles postdoktorale ansættelser ved Stanford og UC Berkeley. Hun er formand for UC Berkeley Neurotech Collider Hub, har et æresprofessorat ved UCL's Global Business School for Health og sidder i bestyrelsen for RFK Human Rights. I 2017 blev hun nummer 5 på Financial Times / OUTstanding-listen over verdens bedste LGBT-ledere.

Vigtigste foredragstemaer

• AI og prædiktiv modellering af menneskelige evner
• Økonomien i talentvurdering og bias
• Neurovidenskaben bag beslutningstagning i organisationer
• Mangfoldighed, inklusion og produktivitetsomkostningerne ved forskelle
• Kollektiv intelligens mellem mennesker og maskiner
• AI-anvendelser inden for uddannelse, sundhed og personaleudvikling
• Innovationsmetodologi: løsning af dårligt formulerede problemer

Ideel for

• CHRO'er og ledere inden for talentanskaffelse, der vurderer, om deres ansættelsessignaler er forudsigelige
• CEO'er og bestyrelser, der integrerer AI i personaleafgørelser og personalestrategi
• DEI-ledere, der søger evidensbaserede, kommercielt funderede argumenter for systemisk forandring
• Teknologi- og innovationsfunktioner, der undersøger grænserne og anvendelserne af AI i menneskelige sammenhænge

Resultater for målgruppen

• En kvantificeret, datagrundet forståelse af, hvad brudte talentsystemer koster organisationer i produktivitet og innovation
• En konkret omformulering af mangfoldighed: ikke en moralsk forpligtelse, men et måle- og optimeringsproblem
• Praktiske spørgsmål, der kan anvendes på deres egne ansættelses-, forfremmelses- og udviklingsprocesser
• Klarhed over, hvor AI pålideligt forbedrer menneskelig vurdering – og hvor det forstærker de fordomme, der allerede er indlejret i dataene
• Et nyt ordforråd for kompetencer, der går ud over kvalifikationer og signaler, der er knyttet til kvalifikationer