Vivienne Ming

Por qué las organizaciones trabajan con Vivienne Ming

• Su marco «Tax on Being Different» cuantifica —en términos económicos y de productividad— el coste que pagan las organizaciones cuando los trabajadores marginados deben realizar un esfuerzo adicional solo para ser considerados equivalentes. Se trata de un argumento de medición con implicaciones comerciales, no de valores.
• Como científica jefe de Gild, creó modelos de aprendizaje automático entrenados con datos de 122 millones de profesionales, lo que la convierte en una de las pocas personas que ha puesto en práctica directamente la IA predictiva para la evaluación del talento a gran escala, fuera de un contexto puramente académico.
• Reformula la diversidad, pasando de considerarla una cuestión de cumplimiento a un problema de optimización: uno que puede modelarse, medirse y corregirse utilizando las mismas herramientas que las organizaciones ya aplican a las decisiones operativas.
• Su investigación abarca los ámbitos laboral, educativo y sanitario, lo que le proporciona una base empírica inusualmente amplia sobre lo que realmente predice la capacidad humana a largo plazo y lo que no.
• Con publicaciones en Nature y Neural Information Processing Systems, y cargos académicos en la Universidad de California en Berkeley y la UCL, sus argumentos gozan de una credibilidad institucional que los consultores aplicados y los ponentes de conferencias no suelen poder igualar.

Aspectos destacados de su biografía

• Doctorado en Psicología por la Universidad Carnegie Mellon; beca posdoctoral conjunta en la Universidad de Stanford y el Redwood Center for Theoretical Neuroscience de la Universidad de California en Berkeley
• Exdirectora científica de Gild, donde creó modelos de aprendizaje automático entrenados con datos de 122 millones de profesionales para evaluar la capacidad humana más allá de las credenciales convencionales
• Fundadora y presidenta ejecutiva de Socos Labs, un instituto de investigación independiente que aplica la IA y la neurociencia a los retos del mercado laboral, la educación y la salud
• Investigaciones publicadas en Nature, Neural Information Processing Systems y Neural Computation
• Ocupó el quinto puesto en la lista del Financial Times / OUTstanding de los mejores ejecutivos LGBT del mundo (2017); nombrada una de las «100 Mujeres» de la BBC (2017) y una de las «10 mujeres a seguir en el sector tecnológico» por la revista Inc.
• Presidenta del Neurotech Collider Hub de la Universidad de California en Berkeley; profesora honoraria de la UCL Global Business School for Health; miembro del consejo de RFK Human Rights

Biografía

Vivienne Ming construyó su carrera a partir de una inquietante observación empírica: los indicadores de contratación que las organizaciones consideran fiables —títulos, rendimiento en las entrevistas, trayectoria institucional— no predicen lo que pretenden predecir. Lo comprobó a gran escala. Como científica jefe de Gild, desarrolló modelos de aprendizaje automático entrenados con datos de 122 millones de profesionales, buscando qué es lo que realmente distingue a los empleados de alto rendimiento de los que solo cuentan con credenciales. La diferencia era sustancial. La mayoría de las organizaciones se centraban en indicadores indirectos, no en la capacidad.

Ese hallazgo impregna todo lo que ha hecho desde entonces. En Socos Labs, el instituto de investigación que cofundó con su esposa, la Dra. Norma Ming, ha ampliado la cuestión a la educación y la salud, examinando qué constructos psicológicos predicen genuinamente los resultados vitales a largo plazo, y publicando esa investigación en Nature y Neural Information Processing Systems. El argumento es coherente: los sistemas de medición en las organizaciones están sistemáticamente fallidos, y el coste lo soportan con mayor peso quienes no encajan en el molde.

Su marco «Tax on Being Different» (El impuesto por ser diferente) cuantifica ese coste. Basándose en datos de recursos humanos a gran escala, cuantifica la carga adicional de acreditaciones que las mujeres, las personas de color y las personas LGBTQ+ deben asumir para ser evaluadas en términos equivalentes. No se trata de un argumento cultural. Es un argumento de productividad e innovación: uno que se ha presentado a los consejos de administración y equipos de liderazgo de Google, Deloitte y Salesforce, y que se ha expuesto en la Royal Society.

Es doctora en Psicología por la Universidad Carnegie Mellon, con nombramientos posdoctorales conjuntos en Stanford y la Universidad de California en Berkeley. Preside el Neurotech Collider Hub de la Universidad de California en Berkeley, es profesora honoraria en la Global Business School for Health de la UCL y forma parte de la junta directiva de RFK Human Rights. En 2017, ocupó el quinto puesto en la lista del Financial Times / OUTstanding de los mejores ejecutivos LGBT del mundo.

Temas principales de sus ponencias

• IA y modelización predictiva de la capacidad humana
• La economía de la evaluación del talento y los sesgos
• Neurociencia de la toma de decisiones en las organizaciones
• Diversidad, inclusión y el coste de la diferencia en la productividad
• Inteligencia colectiva humano-máquina
• Aplicaciones de la IA en la educación, la salud y el desarrollo de la fuerza laboral
• Metodología de la innovación: resolución de problemas mal planteados

Ideal para

• Directores de Recursos Humanos y responsables de captación de talento que evalúan si sus indicadores de contratación son predictivos
• Directores generales y consejos de administración que integran la IA en las decisiones sobre el personal y la estrategia de la fuerza laboral
• Responsables de diversidad, equidad e inclusión (DEI) que buscan argumentos basados en pruebas y con enfoque comercial para impulsar un cambio sistémico
• Departamentos de tecnología e innovación que examinan los límites y las aplicaciones de la IA en contextos humanos

Resultados para el público

• Una comprensión cuantificada y basada en datos de lo que los sistemas de talento defectuosos le cuestan a las organizaciones en productividad e innovación
• Un replanteamiento concreto de la diversidad: no una obligación moral, sino un problema de medición y optimización
• Preguntas prácticas para aplicar a sus propios procesos de contratación, promoción y desarrollo
• Claridad sobre dónde la IA mejora de forma fiable la evaluación humana, y dónde perpetúa los sesgos ya arraigados en los datos
• Un nuevo vocabulario para la capacidad que va más allá de las credenciales y de las señales relacionadas con ellas