Get in my Think Art.

AI จัดการกับความไม่แน่นอนอย่างไร: บทสัมภาษณ์กับ Brian Ziebart

AI จัดการกับความไม่แน่นอนอย่างไร: บทสัมภาษณ์กับ Brian Ziebart

AI จัดการกับความไม่แน่นอนอย่างไร: บทสัมภาษณ์กับ Brian Ziebart

jumbo jili

เมื่อฝึกเครื่องตรวจจับภาพ นักวิจัย AI ไม่สามารถจำลองโลกแห่งความเป็นจริงได้ พวกเขาสอนระบบว่าคาดหวังอะไรจากการป้อนข้อมูลการฝึกอบรม เช่น ภาพถ่าย รูปภาพที่สร้างด้วยคอมพิวเตอร์ วิดีโอจริง และวิดีโอจำลอง แต่สภาพแวดล้อมการปฏิบัติเหล่านี้ไม่สามารถจับภาพความยุ่งเหยิงของโลกทางกายภาพได้

สล็อต

ในแมชชีนเลิร์นนิง (ML) ตัวตรวจจับภาพจะเรียนรู้ที่จะระบุวัตถุโดยวาดกรอบล้อมรอบและให้ป้ายกำกับ และในขณะที่กระบวนการฝึกอบรมนี้ประสบความสำเร็จในสภาพแวดล้อมที่เรียบง่าย แต่ก็ซับซ้อนอย่างรวดเร็ว
การกำหนดบุคคลทางซ้ายเป็นเรื่องง่าย แต่คุณจะวาดกรอบล้อมรอบบุคคลทางด้านขวาได้อย่างไร คุณจะรวมเฉพาะส่วนที่มองเห็นได้ของร่างกายของเขา หรือรวมถึงลำตัวและขาที่ซ่อนอยู่ด้วยหรือไม่ ความแตกต่างเหล่านี้อาจดูเหมือนเล็กน้อย แต่ชี้ให้เห็นถึงปัญหาพื้นฐานในการจดจำวัตถุ: แทบจะไม่มีวิธีที่ดีที่สุดวิธีเดียวในการกำหนดวัตถุ
จากภาพที่ 2 นี้แสดงให้เห็น โลกแห่งความเป็นจริงนั้นไม่ค่อยมีความชัดเจน และคำตอบที่ “ถูกต้อง” มักจะคลุมเครือ แต่เมื่อระบบ ML ใช้ข้อมูลการฝึกอบรมเพื่อพัฒนาความเข้าใจในโลก พวกเขามักจะล้มเหลวในการสะท้อนสิ่งนี้ แทนที่จะตระหนักถึงความไม่แน่นอนและความกำกวม ระบบเหล่านี้มักจะเข้าหาสถานการณ์ใหม่อย่างมั่นใจไม่แตกต่างไปจากข้อมูลการฝึกอบรม ซึ่งอาจทำให้ระบบและมนุษย์ตกอยู่ในความเสี่ยง
Brian Ziebart ศาสตราจารย์ด้านวิทยาการคอมพิวเตอร์แห่งมหาวิทยาลัยอิลลินอยส์ เมืองชิคาโก กำลังดำเนินการวิจัยเพื่อปรับปรุงความสามารถของระบบ AI ในการดำเนินงานท่ามกลางความไม่แน่นอนโดยธรรมชาติรอบตัวพวกเขา โลกทางกายภาพนั้นยุ่งเหยิงและคาดเดาไม่ได้ และหากเราไว้วางใจระบบ AI ของเรา พวกเขาจะต้องสามารถจัดการกับมันได้อย่างปลอดภัย
ความมั่นใจในระบบ ML มากเกินไป
ระบบ ML จะต้องเผชิญกับสถานการณ์จริงอย่างหลีกเลี่ยงไม่ได้ที่ข้อมูลการฝึกอบรมไม่เคยเตรียมไว้ให้ แต่ตามที่ Ziebart อธิบาย แบบจำลองทางสถิติในปัจจุบัน “มักจะสันนิษฐานว่าข้อมูลที่พวกเขาจะเห็นในอนาคตจะดูเหมือนข้อมูลที่พวกเขาเคยเห็นในอดีตมาก”
ด้วยเหตุนี้ ระบบเหล่านี้จึงมั่นใจมากเกินไปว่าพวกเขารู้ว่าต้องทำอย่างไรเมื่อพบจุดข้อมูลใหม่ แม้ว่าจุดข้อมูลเหล่านั้นจะดูไม่เหมือนที่เคยเห็น ระบบ ML คิดอย่างผิด ๆ ว่าการฝึกอบรมของพวกเขาได้เตรียมพวกเขาไว้สำหรับทุกสิ่ง และผลจากความมั่นใจที่มากเกินไปอาจนำไปสู่ผลที่ตามมาที่เป็นอันตรายได้
พิจารณาการตรวจจับภาพสำหรับรถยนต์ที่ขับด้วยตนเอง รถยนต์อาจฝึกการตรวจจับภาพด้วยข้อมูลจากแผงหน้าปัดของรถคันอื่น ติดตามสนามภาพและวาดกรอบล้อมรอบวัตถุบางอย่าง ดังในภาพด้านล่าง:
สำหรับมุมมองที่ชัดเจนเช่นนี้ ตัวตรวจจับภาพนั้นยอดเยี่ยม แต่โลกแห่งความเป็นจริงไม่ได้เรียบง่ายอย่างนี้เสมอไป หากนักวิจัยฝึกเครื่องตรวจจับภาพเกี่ยวกับภาพที่สะอาดและมีแสงสว่างเพียงพอในห้องปฏิบัติการ นักวิจัยอาจจดจำวัตถุได้อย่างแม่นยำถึง 80% ของเวลาในระหว่างวัน แต่เมื่อถูกบังคับให้นำทางถนนในคืนฝนตกก็อาจลดลงเหลือ 40%
“หากคุณรวบรวมข้อมูลทั้งหมดของคุณในระหว่างวันและพยายามปรับใช้ระบบในเวลากลางคืน อย่างไรก็ตาม มันถูกฝึกมาเพื่อให้ตรวจจับภาพในระหว่างวันได้ แต่จะไม่ทำงานได้ดีเมื่อคุณตั้งค่าทั่วไปในการตั้งค่าใหม่เหล่านั้น” ซีบาร์ตอธิบาย
นอกจากนี้ ระบบ ML อาจไม่รู้จักปัญหา เนื่องจากระบบถือว่าการฝึกอบรมครอบคลุมทุกอย่าง ระบบจะยังคงมั่นใจในการตัดสินใจของตนและยังคง “ทำการคาดการณ์ที่ชัดเจนซึ่งไม่ถูกต้อง” Ziebart กล่าวเสริม
ในทางตรงกันข้าม มนุษย์มักจะรับรู้เมื่อประสบการณ์ครั้งก่อนไม่ได้กล่าวถึงการตั้งค่าใหม่ หากคนขับเห็นวัตถุที่ไม่รู้จักอยู่ข้างหน้าบนถนน เธอก็จะไม่เพียงแค่ไถผ่านวัตถุนั้น แต่เธออาจช้าลง ให้ความสนใจกับวิธีที่รถคันอื่นตอบสนองต่อวัตถุ และพิจารณาหักเลี้ยวหากสามารถทำได้อย่างปลอดภัย เมื่อมนุษย์รู้สึกไม่มั่นใจเกี่ยวกับสภาพแวดล้อมของเรา เราใช้ความระมัดระวังเพื่อหลีกเลี่ยงการทำผิดพลาดที่เป็นอันตราย
Ziebart ต้องการให้ระบบ AI รวมระดับความระมัดระวังที่คล้ายคลึงกันในสถานการณ์ที่ไม่แน่นอน แทนที่จะทำผิดพลาดอย่างมั่นใจ ระบบควรรับรู้ถึงความไม่แน่นอนและถามคำถามเพื่อรวบรวมข้อมูลเพิ่มเติม เหมือนกับที่มนุษย์ไม่แน่ใจ
แนวทางปฏิปักษ์
การฝึกอบรมและการปฏิบัติอาจไม่เคยเตรียมระบบ AI ให้พร้อมสำหรับทุกสถานการณ์ที่เป็นไปได้ แต่นักวิจัยสามารถทำให้วิธีการฝึกอบรมของพวกเขาไม่น่าเชื่อถือยิ่งขึ้น Ziebart วางตำแหน่งว่าระบบการป้อนข้อมูลที่ยุ่งเหยิงในห้องปฏิบัติการสามารถฝึกให้พวกเขารับรู้และจัดการกับความไม่แน่นอนได้ดีขึ้น
สะดวกสบาย มนุษย์สามารถให้ข้อมูลที่ยุ่งเหยิงในโลกแห่งความเป็นจริงได้ โดยการจ้างกลุ่มนักบันทึกย่อที่เป็นมนุษย์เพื่อดูภาพและวาดกรอบล้อมรอบวัตถุบางอย่าง เช่น รถยนต์ คน สุนัข ต้นไม้ ฯลฯ นักวิจัยสามารถ “สร้างแนวคิดว่าข้อมูลที่ ‘ปกติ’ นั้นมีลักษณะเป็นอย่างไร” อธิบาย
“ถ้าคุณขอให้คนสิบคนส่งกล่องล้อมรอบเหล่านี้ คุณก็มักจะได้กล่องล้อมรอบที่แตกต่างกันสิบกล่อง” เขากล่าว “มีความคลุมเครือโดยธรรมชาติมากมายในการที่ผู้คนคิดเกี่ยวกับความจริงพื้นฐานสำหรับสิ่งเหล่านี้”
กลับไปที่ภาพด้านบนของชายในรถ ผู้ใส่คำอธิบายประกอบที่เป็นมนุษย์อาจให้กรอบขอบเขตที่แตกต่างกันสิบกล่องซึ่งจับภาพส่วนต่างๆ ของบุคคลที่มองเห็นและซ่อนไว้ โดยการป้อนระบบ ML ข้อมูลที่สับสนและขัดแย้งนี้ Ziebart เตรียมพวกเขาให้พร้อมสำหรับความกำกวม
“เรากำลังสังเคราะห์สัญญาณรบกวนมากขึ้นในชุดข้อมูลในขั้นตอนการฝึกอบรมของเรา” Ziebart อธิบาย เสียงนี้สะท้อนถึงความยุ่งเหยิงของโลกแห่งความเป็นจริง และฝึกระบบให้ระมัดระวังเมื่อทำการคาดคะเนในสภาพแวดล้อมใหม่ ระบบ AI ที่ระมัดระวังและไม่แน่นอนจะค้นหาข้อมูลเพิ่มเติมและเรียนรู้ที่จะนำทางในสถานการณ์ที่สับสนที่พวกเขาพบ
แน่นอน รถยนต์ไร้คนขับไม่ควรต้องตั้งคำถาม ตัวอย่างเช่น หากการตรวจจับภาพของรถพบวัตถุแปลกปลอมอยู่ข้างหน้า รถก็จะไม่มีเวลาขอความช่วยเหลือจากมนุษย์ แต่ถ้าได้รับการฝึกฝนให้รับรู้ถึงความไม่แน่นอนและดำเนินการด้วยความระมัดระวัง รถอาจช้าลง ตรวจจับว่ารถคันอื่นกำลังทำอะไร และนำทางไปรอบๆ วัตถุได้อย่างปลอดภัย
การสร้างบล็อคสำหรับเครื่องจักรในอนาคต
การวิจัยของ Ziebart ยังคงอยู่ในการตั้งค่าการฝึกอบรม เขาป้อนระบบที่ยุ่งเหยิง ข้อมูลที่หลากหลาย และฝึกพวกเขาให้จัดเตรียมกล่องขอบเขตที่ทับซ้อนกับกล่องขอบเขตของผู้คนอย่างน้อย 70% และกระบวนการของเขาได้ผลลัพธ์ที่น่าประทับใจแล้ว ในงานตรวจจับวัตถุ ImageNet ที่ตรวจสอบโดยความร่วมมือกับ Sima Behpour (มหาวิทยาลัยอิลลินอยส์ในชิคาโก) และ Kris Kitani (มหาวิทยาลัย Carnegie Mellon) แนวทางที่เป็นปฏิปักษ์ของ Ziebart ” ช่วยเพิ่มประสิทธิภาพได้กว่า 16%เมื่อเทียบกับวิธีการเสริมข้อมูลที่มีประสิทธิภาพดีที่สุด ” ได้รับการฝึกฝนให้ทำงานท่ามกลางสภาพแวดล้อมที่ไม่แน่นอน ระบบเหล่านี้จัดการจุดข้อมูลใหม่ที่การฝึกอบรมไม่ได้เตรียมการไว้อย่างชัดเจนอย่างมีประสิทธิภาพมากขึ้น

สล็อตออนไลน์

แต่ในขณะที่ Ziebart ฝึกระบบ AI ที่ค่อนข้างแคบ เขาเชื่อว่างานวิจัยนี้สามารถขยายไปสู่ระบบขั้นสูง เช่น รถยนต์อัตโนมัติและระบบขนส่งสาธารณะ
“ผมมองว่านี่เป็นปัญหาพื้นฐานในการออกแบบตัวทำนายเหล่านี้” เขากล่าว “เราได้พยายามสร้างหน่วยการสร้างที่ดีขึ้นสำหรับการเรียนรู้ด้วยเครื่อง – หลักการแรกที่ดีขึ้นสำหรับการเรียนรู้ของเครื่องซึ่งจะมีประสิทธิภาพมากขึ้น”
จ้างเทรน เทรนให้จ้าง
ผู้หญิงที่มีความสามารถสูงหลายคนที่ลาออกจากงานด้านเทคโนโลยีหรือเปลี่ยนอาชีพอาจเผชิญกับอุปสรรคในการกลับเข้าทำงาน บางคนขาดความมั่นใจ ทักษะในปัจจุบัน หรือเครือข่ายมืออาชีพที่จำเป็นในการกลับเข้าสู่ตลาดงานด้านเทคโนโลยีในปัจจุบันด้วยตนเอง หลายคนพบกับอคติเกี่ยวกับช่องว่างในประวัติย่อ โดยเฉพาะอย่างยิ่งเมื่อเทคโนโลยีพัฒนาไปอย่างรวดเร็ว เพื่อนนักเทคโนโลยีของเรา Aniyah มีแนวโน้มที่จะเผชิญกับอุปสรรคที่คล้ายกัน เมื่อเธอพร้อมที่จะเข้าร่วมทีมอีกครั้ง วิธีการที่ผู้นำและผู้จัดการการจ้างงานสำหรับองค์กรเทคโนโลยียอมรับตัวแปรต่างๆ จะเป็นตัวกำหนดว่าผู้หญิงเช่น Aniyah สามารถหาจุดยืนเพื่อกลับมาใช้เทคโนโลยีอีกครั้งได้หรือไม่
มีบริษัทจำนวนมากขึ้นเรื่อยๆ ที่กำลังไล่ตามกลุ่มผู้มีความสามารถหลากหลายกลุ่มนี้โดยเสนอโปรแกรมส่งคืน ซึ่งเป็นโปรแกรมการกลับเข้าสู่สายอาชีพที่ออกแบบมาสำหรับผู้ที่หยุดพักงานเป็นเวลาหนึ่งปีขึ้นไป โปรแกรมเหล่านี้มักใช้เวลา 12-16 สัปดาห์และเสนอการจ่ายเงินที่สอดคล้องกับมูลค่าตลาดของแต่ละบุคคล บริษัทที่ให้การสนับสนุนเสนอการฝึกอบรมและการให้คำปรึกษาแก่ “ผู้กลับมา” รวมถึงประสบการณ์การทำงานจริง เมื่อสิ้นสุดการส่งคืน นายจ้างมีตัวเลือกในการจ้างผู้ส่งคืนเป็นพนักงานเต็มเวลา
T-Mobile ร่วมมือกับ ReachHIRE เพื่อพัฒนาและใช้งาน TechX Returnship Program โครงการนำร่องเริ่มตั้งแต่เดือนพฤศจิกายน 2019 ถึงพฤษภาคม 2020 ด้วยความหวังที่จะเติมเต็มหกบทบาทด้านวิศวกรรม การจัดการโครงการ และนักวิเคราะห์ บริษัทได้คัดเลือกผู้ส่งคืนสินค้า 6 รายจากผู้สมัครมากกว่า 400 ราย โดยจัดลำดับความสำคัญของความสามารถในการแก้ปัญหาและการคิดเชิงวิพากษ์ มากกว่าทักษะทางเทคนิคหรือความเชี่ยวชาญด้านแพลตฟอร์มที่มีอยู่ หลังจากประสบการณ์ในการเริ่มต้นใช้งานและการฝึกอบรมเป็นเวลา 1 สัปดาห์ ผู้จัดการการจ้างงานของ T-Mobile ได้มอบโครงการที่ท้าทายและโอกาสในการสร้างเครือข่ายมืออาชีพให้กับผู้ส่งคืน และสร้างทักษะทางเทคนิคและความมั่นใจที่เกี่ยวข้อง เมื่อสิ้นสุดโครงการ ผู้ส่งคืนทั้ง 6 รายประสบความสำเร็จในตำแหน่งเทคโนโลยีเต็มเวลาภายในฟังก์ชันไอทีของแซนฟอร์ด จากความสำเร็จของกลุ่มแรก
เพื่อให้เข้าใจถึงความชุกของโปรแกรมการส่งคืน DEI ของ Deloitte ในการสำรวจ Tech ได้สอบถามผู้บริหารเทคโนโลยีและนักเทคโนโลยีว่าบริษัทของพวกเขามีโครงการคืนสินค้าหรือไม่ น่าเสียดายที่คนส่วนใหญ่ตอบว่า “ไม่” แม้ว่าสิ่งนี้อาจวาดภาพที่น่าผิดหวัง แต่เราเห็นครึ่งแก้วเต็ม—เราเชื่อว่าสิ่งนี้บ่งชี้ว่าโครงการส่งคืนสามารถให้โอกาสที่สำคัญสำหรับ CIO และผู้บริหารด้านเทคโนโลยีในการรับสมัครนักเทคโนโลยีสตรีที่มีประสบการณ์ แน่นอน องค์กรเทคโนโลยีควรพิจารณาเชื่อมต่อกับพันธมิตรที่กลับมาทำงานที่มีประสบการณ์
บทเรียนจากโปรแกรม Encore ของ Deloitte
โปรแกรม Encore ของ Deloitte เปิดตัวในปี 2559 ช่วยให้ผู้หญิงที่มีประสบการณ์มากกว่า 51 คนกลับมาทำงานด้านเทคโนโลยีอีกครั้งหลังจากเลิกจ้างงานมาอย่างน้อยสองปี นอกเหนือจากการพัฒนาอาชีพแล้ว ผู้เข้าร่วมยังได้รับโอกาสในการเรียนรู้จากกันและกันและสร้างเครือข่ายกับผู้เชี่ยวชาญของ Deloitte
Maria Wright ปัจจุบันเป็นที่ปรึกษาอาวุโสของ Deloitte เป็นศิษย์เก่าของ Encore เธอเน้นย้ำถึงความสำคัญของการมีกลุ่มเพื่อนรุ่นเดียวกัน: “นั่นเป็นหนึ่งในสิ่งที่ยอดเยี่ยมเกี่ยวกับอังกอร์—เพื่อให้กลุ่มนี้มีความผูกพันและรู้ว่าเราทุกคนกำลังเผชิญกับความท้าทายที่แตกต่างกัน พวกเราไม่มีใครต้องผ่านมันเพียงลำพัง”
[NPC4]Anjali Sinha ผู้นำโครงการ Encore ของ Deloitte กำลังเปิดตัวกลุ่มที่ห้าของบริษัท เธอแบ่งปันบทเรียนสำคัญที่ได้เรียนรู้และแนวทางปฏิบัติที่ดีที่สุดที่รวบรวมมาหลายปี
• มีส่วนร่วมกับผู้นำ ปัจจัยความสำเร็จที่สำคัญประการหนึ่งในการเปลี่ยนผู้เข้าร่วม Encore ให้เป็นมืออาชีพของ Deloitte คือการมีส่วนร่วมอย่างแข็งขันของผู้นำธุรกิจอาวุโส พวกเขาทำให้แน่ใจว่าผู้เข้าร่วมมีโครงการและการฝึกอบรมเชิงปฏิบัติที่มีความหมายซึ่งให้ทักษะและความมั่นใจที่ผู้เข้าร่วมต้องประสบความสำเร็จ
•มองหาความสามารถทักษะทางเทคนิคไม่เพียง ผู้หญิง Encore ที่ประสบความสำเร็จมากที่สุดบางคนมีทักษะด้านอารมณ์ที่เข้มแข็ง เช่น การสื่อสารที่มีประสิทธิภาพและความคล่องตัวในการเรียนรู้ ซึ่งมีความสำคัญต่อการเป็นผู้นำที่ประสบความสำเร็จ ด้วยความสามารถพื้นฐานเหล่านี้ ผู้เข้าร่วมมักจะได้รับทักษะทางเทคนิคใหม่ๆ อย่างรวดเร็ว
• ส่งเสริมการเชื่อมต่อ กิจกรรมเครือข่ายที่ไม่เป็นทางการ ซึ่งควรเป็นการส่วนตัว เปิดโอกาสให้ผู้เข้าร่วมในกลุ่มได้รู้จักกันและสร้างกลุ่มสนับสนุนของตนเอง ซึ่งสามารถคงอยู่ได้นานหลังจากสิ้นสุดโปรแกรม ระบบ “บัดดี้” ของ Encore ให้การสนับสนุนเพิ่มเติมโดยการจับคู่ผู้เข้าร่วมกับศิษย์เก่าที่สามารถแบ่งปันคำแนะนำและข้อมูลเชิงลึกที่ตรงไปตรงมา
• อย่าไปคนเดียว Deloitte อาศัยความสัมพันธ์ที่แน่นแฟ้นกับพันธมิตรทั้งภายในและภายนอกเพื่อส่งเสริมโปรแกรมและรับสมัครผู้เข้าร่วม Encore พันธมิตรเหล่านี้ยังให้ข้อมูลเชิงลึกเกี่ยวกับแนวทางปฏิบัติชั้นนำเพื่อให้โปรแกรม Encore เป็นปัจจุบันและมีประสิทธิภาพ
การฝึกงานเสนอกลยุทธ์การสรรหาอื่น แม้ว่าโปรแกรมการส่งคืนสินค้าจะสนับสนุนการกลับเข้ามาในกำลังคนอีกครั้ง แต่โปรแกรมฝึกงานจะเน้นที่การฝึกอบรมและการพัฒนาผู้มีความสามารถสำหรับบทบาทด้านเทคโนโลยี
ในการสัมภาษณ์ของเรา Microsoft และ Slack Technologies ได้สรุปว่าพวกเขาสร้างโมเดลการฝึกงานที่ประสบความสำเร็จได้อย่างไร ผ่านโปรแกรมการฝึกงานของพวกเขาก้าวกระโดดที่ไมโครซอฟท์มีลักษณะความสามารถทางการเช่นอาชีพหม้อแปลงที่ไม่อาจมีพื้นหลังวิทยาการคอมพิวเตอร์ แต่ทำมีความชื่นชอบเทคโนโลยี Priyadarshini กล่าวว่า “เราคัดเลือกและเพิ่มพูนทักษะความสามารถที่แปลกใหม่หลายร้อยคนจากทุกสาขาอาชีพทั่วโลก เรารู้สึกซาบซึ้งและภูมิใจที่ได้เป็นพันธมิตรที่แข็งแกร่งกับสถาบันสอนเขียนโค้ดและ bootcamps กว่า 100 แห่งทั่วประเทศ”
ตาม Priyadarshini พวกเขาพิจารณาตัวชี้วัดสำคัญสองสามตัวสำหรับการประเมินประสิทธิภาพของ Microsoft Leap: 1) การจ้างงานในอุตสาหกรรมเทคโนโลยี: ร้อยละเก้าสิบแปดของผู้สำเร็จการศึกษา Leap มีบทบาทด้านวิศวกรรมเต็มเวลาที่ Microsoft และบริษัทเทคโนโลยีอื่นๆ 2) เส้นทางที่หลากหลายในการพัฒนาความสามารถสำหรับวันนี้และอนาคต: บทบาทรวมถึงวิศวกรซอฟต์แวร์, ผู้จัดการโปรแกรมด้านเทคนิค, วิศวกรสนับสนุน, นักออกแบบ UX, ผู้จัดการโปรแกรมธุรกิจ, วิศวกรซอฟต์แวร์ที่ชัดเจน, นักวิเคราะห์ข้อมูล; และ 3) ความสามารถในการปรับขนาด: Microsoft Leap เริ่มกลุ่มวิศวกรหญิงแปดคนแรก (รวมถึงแม่ที่กลับมา) ในปี 2558 ซึ่งปัจจุบันมีการดำเนินงานรวมถึงแวนคูเวอร์ในแคนาดา หลายเมืองในสหรัฐอเมริกา ละตินอเมริกา และแอฟริกา
[NPC5]ในทำนองเดียวกัน Slack อยู่ในภารกิจที่จะเพิ่มจำนวนบุคคลที่มีบทบาทต่ำกว่าในบริษัท รวมถึงอุตสาหกรรมเทคโนโลยีทั้งหมด โครงการ DEI กระโจมกระโจมของ Slack คือ Next Chapter ซึ่งเป็นโครงการฝึกงานที่ว่าจ้างและให้คำปรึกษาซึ่งเคยถูกคุมขังชายและหญิงที่มาจาก The Last Mile ซึ่งเป็นโครงการฝึกอบรมด้านวิศวกรรมซอฟต์แวร์ที่ตั้งอยู่ในเรือนจำของรัฐหลายแห่ง