AITech采访：Google高级工程经理Kiranbir Sodhia的故事
探索专家们对技术领导者和组织如何加强DEI倡议的建议，重点关注AI技术的道德发展和部署。
{ width=60% }
Kiranbir，在AI科技园很高兴有你的出现，请分享一下你的职业旅程，重点介绍导致你成为Google高级工程经理的关键里程碑。
我从Garmin、然后到Apple开始担任软件工程师。在Apple发展职业的过程中，我想要帮助并领导我的同行，就像我的导师帮助了我一样。我也有了一个关于如果有一队像我一样的人，我可以完成更多工作的傲慢顿悟。这导致我在Microsoft担任首个管理角色。
最初，我发现很难在希望我的团队按我的方式工作与重视他们的职业成长之间取得平衡。最终，我负责一个项目，必须在短短六个月内设计、开发并推出Hololens的一个附件。我被迫委派任务，放手一些方面，并意识到我在阻碍进展。
我的团队提供了惊人的解决方案，我从未想过的。我意识到我不需要构建一个与我相似的团队。我招聘了一个才华横溢、具有独特技能的团队。我的工作现在是赋予他们力量并不阻碍他们。这一认识让我大开眼界，并让我谦卑起来。
我还意识到，我在工程方面使用的技能并不适用于成为一名有效的领导者所需的技能。因此，我开始专注于成为一个好的经理。多年来，我从更多的错误中学到了经验，并最终为我领导的每个团队确立了三个核心价值观：
- 信任你的团队和同行，并给予他们自主权。
- 提供机会的公平性。每个人都应有机会学习和成长。
- 要谦卑。
随着我的经理成长，Microsoft为我提供了几个挑战和机会，帮助陷入困境的团队。这些团队在经历文化挫败、项目取消或糟糕管理之后，移至我的组织。通过倾听、建立心理安全、提供机会、识别未来领导者和拒绝自我，我帮助他们扭转局面。
帮助团队自给自足定义了我的目标和在高级管理职位上的职业，这让我有机会在Google利用这些技能和我的工程经验。
在你的职业生涯中，你是如何在个人层面上应对技术与多样性、公平和包容的交汇的？
从个人角度来看，作为锡克教徒，在我的城市很少看到长相像我的人，更不用说在我的行业了。有时，我感到孤独。我曾问自己，我们第一次见面时，同事会怎么想和看待我？
我意识到要展现出我社群的良好形象，让没有人对接下来的人持有先入之见。我感到需要证明我的社区，而不仅仅是我自己，同时感激那些打破障碍的锡克教徒，这样我就不必成为第一个。当我开始寻找实习机会时，我考虑改变我的名字。当我第一次在Hololens上工作时，我无法戴着我的头巾。
这些经历让我想要创造一个代表性的工作场所，强调你能做什么，而不是你长什么样或来自哪里。一个让你做真实自己的工作场所。一个让你为每个人创造产品的工作场所。
鉴于你的经验，你在促进技术团队内多样性和确保公平结果方面发现了哪些个人策略或方法？
我在职业生涯早期接受过的一条教训是要确保我们的招聘流程更具代表性。我以前的一位总经理分享过一个统计数据或一个关于一半法则的规则：
- 提交32个申请
- 招聘经理审阅16份简历
- 对8名候选人进行初始电话面试
- 对4名候选人进行最终面试
- 给出2个offer
- 1个offer被接受
他的观点是，如果按顺序审阅申请，你很可能在前三十个申请中找到合适的候选人。为了确保你拥有代表性的招聘渠道，你必须留出空缺职位来接受更多申请，同时你可以决定首先审阅哪些申请。
此外，当创建工作职位时，要优先考虑对公司重要而不仅仅是对工作重要的内容。长期来看，公司需要哪些技能和要求？哪些技能仅仅是短期需要的？我想说的是，不要只雇用当下最适合的人才，雇用未来五年最适合团队的人才。尽量以包容的态度筛选候选人，而不是排斥候选人。
为确保公正结果，我指向我的第二个领导价值观，提供机会的公平性。任何团队的现实情况可能是，在任何特定时间内可能只有有限数量的高能见度机会。对于我的团队来说，无论某人过去表现得多么出色，下一个机会和挑战都会给予别人。即使其他人可能更快完成，但每个人都应有机会学习和成长。
此外，我们可以专注于让每个人增长更多，而不仅仅是增长更快。当这一做法被实践和奖励时，团队通常会发现自己更加耐心，支持当前领导工作的成员。虽然我不会责怪那些不同意的个人，但是他们的成长并不比团队更重要。
从您的角度看，您将为寻求加强其DEI倡议的技术领导者和组织提供什么建议，特别是在开发和部署AI技术的背景下？
我对任何DEI倡议的第一个建议是要有耐心。改变不会在一天之内出现，因此您需要专注于随着时间的推移看到改变。这意味着不要轻易放弃，领导者应给予团队更多时间去招聘和面试，而不是威胁职位回收如果职位没有填补。
最终，AI模型只能像它们被训练的数据一样好。领导者需要考虑数据的质量。他们是否有足够的数据？是否存在偏见？是否存在能够帮助消除人类偏见的数据？
假如有偏见的AI模型如何延续了招聘过程中多样化差异，以及不同视角在减轻AI开发中这些偏见方面发挥了什么作用？
已经缺乏代表性的公司风险在其当前员工的数据倾斜上训练他们的AI模型。例如，哈佛商业评论及其他多个媒体报告称，女性只有当自己具备了100%所需技能时才会申请工作，而男性则在满足60%技能要求时申请。如果一个公司的模型是基于其现有员工的技能和资格构建的，其中一些甚至可能与职位无关，这可能会阻止或拒绝符合资格但没有相同技能集的候选人。
组织应绝对利用当前顶级表现者的数据，但应谨慎不要包含不相关的数据。例如，员工如何回答特定面试问题和执行实际的与工作相关的任务比他们的母校更具相关性。他们可以微调这一模型，为公司中的少数高绩效者的数据增加额外权重。这一改变将打开一个更广泛人群的渠道，因为该模型关注的是重要的技能。
从你的观点看，AI技术如何可以被利用来增强而不是阻碍科技组织内的多样性和包容努力？
许多组织已经存在固有的熟悉偏见。例如，他们可能每年偏爱从同一所大学或公司招聘。虽然承认偏见很重要，但也要记住，招聘是具有挑战性和竞争性的，并且这些途径很可能持续多年以来努力较少地产生候选人。
然而，如果组织希望招聘更优秀的候选人，适合拓宽他们的招聘范围并利用AI使其更高效。传统上，拓宽渠道意味着在选择好的候选人上付出更多精力。但是，如果您退后一步，专注于重要的技能，您可以开发各种模型来使招聘更容易。
举例来说，将模型偏向您常规招聘学校并不提供新价值。然而，如果您收集成功员工的数据以及他们的操作和解决问题的方式，您可以开发一个模型来协助面试候选人并确定他们的相关技能。这不仅有助于向新候选人打开大门并创造新渠道，还增强了从现有渠道招聘的质量。
然后，重塑相同技能可能会排除具有独特才能和创新想法的候选人，而您的组织可能尚未意识到自己需要这些才能。上述策略不一定促进思想多样性。
与任何模型一样，我们必须谨慎地了解我们要解决的问题以及成功的标志，而且这必须是没有偏见的。
您认为AI以何种具体方式可以用来识别并解决科技职业中性别平等和多样性中的系统性障碍？
当我们知道要收集哪些数据，以及哪些数据重要时，我们了解到我们引入偏见的地方，在少付出精力并错过差距。例如，我分享的HBR研究表明，女性需要具备全部技能才会申请的说法也揭穿了信心是决定因素的观念。男性和女性对于不申请的原因都同样提到了信心。事实是，人们需要熟悉招聘流程和哪些技能被认为重要。因此，即使在试图消除偏见时，我们的理解和偏见仍起着作用！
我常常提到AI的例子是医学影像学。放射科医生经常查看MRI。然而，他们检测异常的能力可能受多种因素影响。他们是否受到干扰或疲惫？他们是否匆忙？而AI模型可能存在其他问题，但不受这些因素的影响。此外，对AI模型进行持续培训意味着重新审视以前的图像和诊断，以进一步提高质量，因为时间不是限制因素。
我分享这个例子是因为人类会犯错误并形成偏见。我们的判断可以在特定日期被蒙蔽。如果我们致力于确保这些模型不会继承我们的偏见，那么我们就从方程式中移除了人类判断和错误。这理想地将导致客观而不是主观地雇用传说中的“最佳”候选人。
最后，您对AI在科技行业的多样性和包容努力中的未来有何看法？您预见未来几年的关键趋势或发展？
我乐观地认为更广泛的人群将有机会专注于他们的技能和能力，而不是他们的背景，并在评估这些技能时将减少偏见。与此同时，我预测会有一条不平坦的道路。
团队需要重新评估对于工作执行的重要性以及对公司有用的内容，这样做并不总是容易且不带有偏见。我希望我们在紧急的经济体系中能够耐心地处理提高代表性的方法，并且愿意进行迭代而不是放弃。
Kiranbir Sodhia
Google高级工程经理
感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。
AITech采访：Google高级工程经理Kiranbir Sodhia的故事
