מהנדסי Snap פועלים לשרש הטיות גזעיות ממוצרי החברה, גם כאשר שיפור הייצוג המגוון בכוח העבודה של החברה מתקדם לאט.

Snap, Inc. פרסמה את זהדו"ח גיוון שנתי שנייום חמישי, מכיל תוצאות מעורבות. החברה השיגה הישגים צנועים בגיוס קבוצות גזע ואתניות חסרות ייצוג, עלייה של 0.5 נקודות אחוז ל-13.6 אחוזים ברמת המנהיגות.

היה שיפור ניכר בהעסקת עובדים שחורים, במיוחד נשים שחורות, (כאשר העסקה בקבוצה האחרונה גדלה מ-2% ל-5% מהגיוסים החדשים) והעלאת נשים לתפקידי מנהיגות טכנולוגית. בצד השני של הספקטרום, שימור העובדים היספנים ירד מעט, וכך גם הייצוג של אנשים אסייתים בתפקידי מנהיגות, ל-14.3 אחוזים (שזה נמוך באופן לא פרופורציונלי בהשוואה לייצוג של אנשים אסייתים ברחבי החברה כולה ב-34.3 אחוז).

בסך הכל, הייצוג של Snap לעובדי Black ו-Hispanic/Latinx עוקב אחרשאר תעשיית הטכנולוגיה, בסביבות 4-6 אחוזים כל אחד. קצת פחות ממחצית מעובדי Snap - 47 אחוז - הם לבנים.

Snap אספה נתוני גיוון באופן פנימי במשך שנים, אך פרסמה אותםדוח הגיוון הציבורי הראשון אי פעםביולי 2020. מנכ"ל החברה אוון שפיגל היהלפי הדיווחים מהסס לפרסם את הנתוניםכי הוא אמר שהוא חושש שזה יגרום יותר נזק מתועלת בכך שהוא עשוי לתת אמון מספרי לתפיסה שאנשים צבעוניים מיוצגים בחסר בחברות טכנולוגיה. בסופו של דבר, סנאפ פרסמה את הנתונים, שהראו שהם עולים בקנה אחד עם רוב הממוצעים של חברות הטכנולוגיה.

כמו בדוח הראשון, הדמוגרפיה לא הייתה המוקד הבלעדי של הדוח של השנה. השנה, Snap הדגישה את העבודה שעשתה כדי לחלוק את החוויות של אנשים צבעוניים עם כוח העבודה בכללותו, להעצים לקבוצות משאבי עובדים גישה רחבה יותר למנהיגות, לטפח כישרונות מגוונים עם תוכניות הכשרה שהובילו להתמחות בחברה, להפוך את גיוון, הון והכללה (DEI) למדד ביצועים ברחבי החברה, ועוד.

זה גם מבטיח שתוכן ה-Discover שלו משקף במדויק את הדמוגרפיה של המשתמשים שלו על ידי סקרים ולימוד צופים. זה הגדיל את הייצוג של אנשים צבעוניים ויחידי LGBTQ+ בתוכניות Discover ליותר מ-50 אחוז. יוזמה זו בצוות התוכן בולטת, בין השאר, מכיוון ש-Snap ספגה אש בשנה שעברה לאחר שעובדים שיתפו, וMashable דיווח על, נוהגים מוטים גזעיים בעבר בצוות התוכן. הצמד לאחר מכןערך חקירה, ומנהלים המעורבים בהאשמות ישמאז עזבהחברה.

"השאיפה שלנו היא להבטיח שפלטפורמת התוכן Discover שלנו, שאנו אוצרים בכוונה, תכלול תוכן המשקף את המגוון של Snapchatters ואת תחומי העניין שלהם", נכתב בדוח.

הון הנדסי

כחברת טכנולוגיה, סנאפ גם מיקד את המאמצים הללו במוצר, לא רק באנשים. זה הביא ליוזמות סביב הסרת הטיה לא מודעת וחוסר רגישות גזעית משפת הקידוד, למידת מכונה ואפילו המכניקה של מצלמה.

"שנינו משכתבים את אלגוריתמי למידת המכונה שלנו כדי להסיר הטיה לא מודעת ומאמצים עקרונות עיצוב כוללניים בדרך שבה אנו מפתחים את המוצרים שלנו בקצה הקדמי", נכתב בדוח. "אנו מחויבים לבנות מצלמה מכילה יותר עבור Snapchat, כזו שנגישה לכל אחד, כולל כולם - מבחינת גיל, סטטוס, גוון עור, גודל גוף, יכולת ושפה - ומעוצבת על ידי נקודות מבט מגוונות".

זה הימים הראשונים של כל הפרויקטים האלה, אבל Snap רצתה לחלוק את המאמצים הראשוניים שלה - גם אם היא קצת קלה בפרטים.

דובר Snap שיתף עם Mashable את המקור לפרויקט הכללת המצלמה. Bertrand Saint-Preux, מהנדס בצוות המצלמות של Snap שהוא בלאק, הרהר בחוויה האישית שלו בשימוש במצלמת Snap, ושם לב שהיא לא תמיד מייצגת אותו בצורה מדויקת. זה גרם לו לחפור בהיסטוריה של המצלמה, לגלות שהדרך שבה מצלמות מכיילות אור בנויה על עור לבן כברירת מחדל. הצמצמים לרוב עדיין אינם רחבים מספיק היום כדי ללכוד את כל גווני העור.

Saint-Preux הוביל מאמץ פנימי להילחם במורשת ההיסטורית המוטה לגזעית של המצלמה. כעת, Snap משתפת פעולה עם מומחים בצילום קולנוע וטלוויזיה ווידאו כדי להבטיח שהמצלמה שלה (שבסמארטפונים, משתמשת בחומרת טלפון פיזית, אך פועלת על תוכנת Snap), לוכדת במדויק את גווני העור ותווי הפנים עבור כל האנשים. זה כולל שיפור האופן שבו הפלאש הפונה קדמי לוכד אור נמוך (חשוב להארה מדויקת של נושא ולתפיסת צבע ופרטים). הוא גם עובד על עיבוד תמונות לאחר צילום תמונה כדי לוודא שהייצוג שלה מדויק.

יוזמה שנייה סובבת סביב למידת מכונה (ML). ML מפעיל הרבה מחוויית מצלמת Snap, מעריכת תמונות ועד אפקטים של AR. עם זאת, מכיוון שמערכות בינה מלאכותית כמו MLמשקף את ההטיות הלא מודעות של יוצריהם, הם יכולים לתפקד באופן לא שוויוני בפועל.

חלק מזה נובע מכך שמערכי נתונים, כגון תמונות פנים, לרוב אינם מגוונים מבחינה גזעית, כך שפנים לבנים הופכים לברירת המחדל לזיהוי פנים. זה הופך מערכות כמו מעקב הפנים של Snap לפחות יעיל עבור אנשים צבעוניים. חוסר היעילות הזה נובע גם מסדר העדיפויות שנכתב באלגוריתמים. Snap מסביר כי "אם האלגוריתם לא עבר אופטימיזציה לשונות - אם הוא לא מתוכנת להיות כל כך טוב בחיפוש אחר כל דבר שהוא לא לבן - אז הוא ייכשל בלראות פרצופים כהים יותר." בדו"ח, Snap מודה כי מציאת נתוני אימונים טובים יותר היוותה אתגר.

"למרות ש-ML הוא כלי רב עוצמה שיכול לעזור להתאים אישית את החוויה של Snapchatter, הוא נועד מטבעו ללמוד ולבצע אופטימיזציה במצטברים", נכתב בדוח. "למרות שחווית המוצר הכוללת עשויה להשתפר בהתאם למדדים גלובליים, ייתכן שאנו מתקרבים לאוכלוסיות מסוימות בקהילה שלנו."

Snap מנסה "לבצע אופטימיזציה לשונות" בזמן שהיא בוחנת את האלגוריתמים שלה. מדובר בחקירת זמנים שבהם אלגוריתמים של מעקב פנים אינם עובדים היטב, ויצירת מערכות לזיהוי תרחישים אלה, לחזות מתי הם עשויים להתרחש, ובסופו של דבר, לתקן אותם.

יוזמה הנדסית שלישית היא לשרש שפה חסרת רגישות גזעית מהקוד הממשי שמניע את Snap. לדוגמה, קידוד מסוים משתמש בטרמינולוגיה כמו "מאסטר" ו"עבד" כדי לסווג דברים. זיהוי ההטיה הגזעית בשפת הקידוד השיקה אהתחשבנות בקהילת המקודדים, ועכשיו זה הגיע גם ל-Snap. בשנה שעברה, המהנדס הבכיר Tammarrian Rogers הפך למנהל ההנדסה הראשון של Snap שעמד בראש הפרויקט.

זה בהחלט נוח ש-Snap בוחרת לשתף את היוזמות ההנדסיות בשלבים המוקדמים האלה באותה נשימה שהיא משחררת סטטיסטיקות גיוון עצומות. עם זאת, זה לא מפחית מחשיבותם ומהפוטנציאל שיש להם להעלות את רף ה-DEI בתעשיית הטכנולוגיה כולה.