أهمية تمكين النساء في الذكاء الاصطناعي وعلوم البيانات

تعتمد الشركات الذكاء الاصطناعي بوتيرة أسرع من أي وقت مضى لتبسيط العمليات. فعلى سبيل المثال، يمكن استخدام الذكاء الاصطناعي لأتمتة مهام خدمة العملاء، ومساعدة الأطباء على تشخيص الأمراض، وتحسين نتائج محركات البحث، والتحكم في السيارات ذاتية القيادة، وغير ذلك الكثير.

مع انتشار الذكاء الاصطناعي في الحياة اليومية، تظل مسألة التنوع والشمول في التكنولوجيا مصدر قلق كبير. وعلى وجه الخصوص، يؤدي استمرار ضعف تمثيل النساء في علم البيانات والذكاء الاصطناعي، بما في ذلك الفجوات في البيانات المتعلقة بالنوع الاجتماعي، إلى ترسيخ التحيز وتضخيمه في المنتجات التقنية والأنظمة الخوارزمية، ما ينشئ حلقات تغذية راجعة ضارة.

«لكي تحقق تنوعًا حقيقيًا، عليك إشراك أشخاص في مجال الذكاء الاصطناعي يفكرون بطرق مختلفة.» Kay Firth-Butterfield رئيسة الذكاء الاصطناعي والتعلم الآلي وعضوة اللجنة التنفيذية

يُعد الذكاء الاصطناعي من المجالات التي يمكن للنساء أن يحققن فيها نجاحًا كبيرًا، لا سيما مع الدعم المناسب لتعزيز مشاركة المرأة في هذا القطاع.

نقدّم لكم ليانس وانجيكو، المهتمة بعلم البيانات والتعلم الآلي. سنستعرض هنا رحلتها في مجال علم البيانات، ونلهم الشابات للانضمام إلى المسيرة التقنية.

ليانس طالبة في سنتها الدراسية الأخيرة ومتدربة مساعدة باحثة في مركز علم البيانات بجامعة ديدان كيماثي للتكنولوجيا في كينيا.

بعد أن لاحظت مدى سهولة استخلاص الرؤى من البيانات، اهتمت Lians بتعلم الآلة. وانضمت إلى مجتمع لعلوم البيانات قبل نحو عام، وأبدت اهتمامًا كبيرًا باحتراف هذا المجال. وترى Lians أن علوم البيانات والذكاء الاصطناعي تقودان المستقبل، وهذا أمر مدهش!

استخدام Ultralytics YOLOv5 لاكتشاف أنواع الحيوانات#

لم تبدأ Lians العمل باستخدام YOLOv5 إلا قبل بضعة أشهر! وعملت على صور لأنواع مختلفة من الحيوانات، وكان الهدف الأساسي من استخدام YOLOv5 كنموذج لكشف الكائنات تصنيف أنواع الحيوانات في محمية مدرستها. ولاحقًا في المشروع، أدركت أن النموذج يستطيع تلقائيًا إضافة التعليقات التوضيحية إلى جميع الصور بعد تصنيفها. وهذا يسهل تقليل الجهد البشري وتوفير الوقت اللازم لإضافة التعليقات التوضيحية إلى الصور.

جرّبت Lians أيضًا نماذج أخرى مدربة مسبقًا لكشف الكائنات، مثل TFOD وYOLOv3، لأنها كانت بحاجة في البداية إلى اكتساب المعرفة والمهارات في PyTorch. لكنها سرعان ما نفذت Ultralytics YOLOv5 بعد أن عثرت عليه خلال بحثها. وترى Lians أن النموذج يحقق أفضل أداء لأنه خفيف الوزن وسهل الاستخدام ويوفر أفضل دقة.

«أفضل ما في الأمر أنه يمكنك البدء ببضعة أسطر من التعليمات البرمجية فحسب!»

قيمة Ultralytics YOLOv5#

• زيادة البيانات
• سرعة الاستدلال
• سهّل عليها الأمرَ توفرُ النموذج بعدة متغيرات (s وm وl وx)، لكل منها دقة كشف وأداء مختلفان.

توصي Lians باستخدام Ultralytics YOLOv5 لكل من هو جديد في هذا المجال. وتقول: «صُمم YOLOv5 لكشف الأجسام، لذا فهو بارع في ما يفعله! وبفضل قلة العمليات والتعليمات البرمجية التي يلزم كتابتها، يُعد YOLO من أشهر خوارزميات كشف الأجسام، لما يتميز به من سرعة ودقة».

ترحب Lians بالتعاون على GitHub، ويمكن التواصل معها للدردشة على Twitter، كما تنشر مقالات عن المشاريع التي تعمل عليها. اطّلع على مقالها: مقدمة إلى كشف الأجسام باستخدام YOLOv5!

نشرت نموذج كشف الأجسام على بعض مقاطع الفيديو التي تضم حُمراً وحيوانات إمبالا و.... من هذا المنظور، أعتقد أنني سأضطر إلى العودة إلى المطبخ والعمل على مزيد من البيانات وتحسين النموذج. #100daysofcoding @ultralytics #objectdetection @WomenInDataAfri

— lian.s (@lians_) 29 نوفمبر 2022

شكرًا لقراءتكم عن تجربة Lians. نتطلع في Ultralytics إلى انضمام مزيد من النساء إلى هذا المجال. وسنواصل جعل الذكاء الاصطناعي أسهل للجميع، فتابعونا!