Vivienne Ming

Por que razão as organizações trabalham com Vivienne Ming

• O seu quadro «Tax on Being Different» quantifica — em termos económicos e de produtividade — o custo que as organizações suportam quando os trabalhadores marginalizados têm de envidar esforços adicionais apenas para serem avaliados como equivalentes. Trata-se de um argumento de medição com implicações comerciais, não de valores.
• Como Cientista-Chefe na Gild, ela criou modelos de aprendizagem automática treinados com 122 milhões de profissionais, tornando-a uma das poucas pessoas que operacionalizou diretamente a IA preditiva para a avaliação de talentos em grande escala, fora de um contexto puramente académico.
• Ela reformula a diversidade, passando de uma questão de conformidade para um problema de otimização: um problema que pode ser modelado, medido e corrigido utilizando as mesmas ferramentas que as organizações já aplicam às decisões operacionais.
• A sua investigação abrange a força de trabalho, a educação e a saúde, proporcionando-lhe uma base de evidências invulgarmente ampla sobre o que realmente prediz a capacidade humana a longo prazo e o que não prediz.
• Com publicações na Nature e na Neural Information Processing Systems, e com cargos académicos na UC Berkeley e na UCL, os seus argumentos têm uma credibilidade institucional que consultores aplicados e oradores em conferências normalmente não conseguem igualar.

Destaques da biografia

• Doutoramento em Psicologia pela Universidade Carnegie Mellon; bolsa de pós-doutoramento conjunta na Universidade de Stanford e no Redwood Center for Theoretical Neuroscience da UC Berkeley
• Ex-cientista-chefe na Gild, onde criou modelos de ML treinados com 122 milhões de profissionais para avaliar a capacidade humana para além das credenciais convencionais
• Fundadora e presidente executiva da Socos Labs, um instituto de investigação independente que aplica IA e neurociência a desafios relacionados com a força de trabalho, a educação e a saúde
• Pesquisas publicadas na Nature, Neural Information Processing Systems e Neural Computation
• Classificada em 5.º lugar na lista do Financial Times / OUTstanding dos melhores executivos LGBT do mundo (2017); nomeada para a lista «BBC 100 Women» (2017) e para a lista «10 Women to Watch in Tech» da revista Inc.
• Presidente do UC Berkeley Neurotech Collider Hub; Professora Honorária da UCL Global Business School for Health; membro do conselho da RFK Human Rights

Biografia

Vivienne Ming construiu a sua carreira com base numa observação empírica desconfortável: os sinais de contratação que as organizações consideram fiáveis — diplomas, desempenho em entrevistas, pedigree institucional — não prevêem o que afirmam prever. Ela testou isto em grande escala. Como Cientista-Chefe na Gild, desenvolveu modelos de aprendizagem automática treinados com dados de 122 milhões de profissionais, procurando o que realmente distingue os profissionais de alto desempenho dos que possuem apenas credenciais. A diferença era substancial. A maioria das organizações estava a otimizar com base em indicadores, e não na capacidade.

Essa descoberta está presente em tudo o que ela fez desde então. Na Socos Labs, o instituto de investigação que cofundou com a sua esposa, a Dra. Norma Ming, ela alargou a questão à educação e à saúde, examinando quais os constructos psicológicos que realmente prevêem resultados de vida a longo prazo e publicando essa investigação na Nature e na Neural Information Processing Systems. O argumento é consistente: os sistemas de avaliação nas organizações estão sistematicamente falhos, e o custo é suportado mais pesadamente por aqueles que não se enquadram no modelo.

O seu quadro «Tax on Being Different» atribui um valor a esse custo. Baseando-se em dados de RH em grande escala, quantifica o fardo adicional de credenciais que as mulheres, as pessoas de cor e os indivíduos LGBTQ+ absorvem para serem avaliados em termos equivalentes. Este não é um argumento cultural. É um argumento de produtividade e inovação: um argumento que foi apresentado a conselhos de administração e equipas de liderança na Google, na Deloitte e na Salesforce, e apresentado na Royal Society.

É doutorada em Psicologia pela Universidade Carnegie Mellon, com pós-doutoramentos conjuntos em Stanford e na UC Berkeley. Preside ao Neurotech Collider Hub da UC Berkeley, é professora honorária na Global Business School for Health da UCL e integra o conselho de administração da RFK Human Rights. Em 2017, ficou em 5.º lugar na lista do Financial Times / OUTstanding dos melhores executivos LGBT do mundo.

Principais temas de palestras

• IA e modelação preditiva da capacidade humana
• A economia da avaliação de talentos e do preconceito
• Neurociência da tomada de decisões nas organizações
• Diversidade, inclusão e o custo da diferença na produtividade
• Inteligência coletiva homem-máquina
• Aplicações da IA na educação, saúde e desenvolvimento da força de trabalho
• Metodologia de inovação: resolução de problemas mal formulados

Ideal para

• Diretores de Recursos Humanos (CHROs) e líderes de aquisição de talentos que analisam se os seus sinais de contratação são preditivos
• CEOs e conselhos de administração que integram a IA nas decisões relativas ao pessoal e na estratégia de força de trabalho
• Líderes de DEI que procuram argumentos baseados em evidências e enquadrados comercialmente para uma mudança sistémica
• Funções de tecnologia e inovação que analisam os limites e as aplicações da IA em contextos humanos

Resultados para o público

• Uma compreensão quantificada e baseada em dados sobre o custo que os sistemas de gestão de talentos ineficazes representam para as organizações em termos de produtividade e inovação
• Uma reformulação concreta da diversidade: não uma obrigação moral, mas um problema de medição e otimização
• Questões práticas a aplicar aos seus próprios processos de contratação, promoção e desenvolvimento
• Clareza sobre onde a IA melhora de forma fiável a avaliação humana — e onde perpetua os preconceitos já incorporados nos dados
• Um novo vocabulário para a capacidade que vai além das credenciais e dos sinais associados às credenciais