لماذا يعد تمكين المرأة في الذكاء الاصطناعي وعلم البيانات أمراً مهماً

تتبنى الشركات الذكاء الاصطناعي بوتيرة أسرع من أي وقت مضى لتبسيط العمليات. على سبيل المثال، يمكن استخدام الذكاء الاصطناعي لأتمتة مهام خدمة العملاء، ومساعدة الأطباء في تشخيص الأمراض، وتحسين نتائج محركات البحث، والتحكم في السيارات ذاتية القيادة، وغيرها. والقائمة تطول...

مع انتشار الذكاء الاصطناعي في الحياة اليومية، تظل مسألة التنوع والشمول في التكنولوجيا مصدر قلق كبير. وبشكل خاص، يؤدي نقص تمثيل المرأة المستمر في علوم البيانات والذكاء الاصطناعي، بما في ذلك الفجوات في بيانات النوع الاجتماعي، إلى ترميز التحيز وتضخيمه في المنتجات التقنية والأنظمة الخوارزمية، مما يخلق حلقات تغذية راجعة ضارة.

"لكي تكون متنوعاً حقاً، تحتاج إلى جلب أشخاص إلى مجال الذكاء الاصطناعي يفكرون بطريقة مختلفة." كاي فيرث-باترفيلد، رئيسة قسم الذكاء الاصطناعي وتعلم الآلة وعضو اللجنة التنفيذية

يعد الذكاء الاصطناعي أحد المجالات التي يمكن للمرأة فيها تحقيق نجاح هائل، خاصة مع وجود الدعم الصحيح للمشاركة النسائية في هذه الصناعة.

نقدم لكم ليانس وانجيكو، الشغوفة بعلوم البيانات وتعلم الآلة. هنا، سنستعرض رحلتها في عالم علوم البيانات ونلهم الشابات للانضمام إلى هذا الحراك التقني.

ليانس طالبة في السنة النهائية ومتدربة مساعدة باحث في مركز علوم البيانات بجامعة ديدان كيماثي للتكنولوجيا في كينيا.

بعد ملاحظة مدى سهولة استخراج الرؤى من البيانات، تولد شغف ليانس بتعلم الآلة. انضمت إلى مجتمع علوم البيانات منذ حوالي عام وأبدت اهتماماً كبيراً بمتابعة هذا المجال كمهنة. بالنسبة لليانس، من المدهش كيف تقود علوم البيانات والذكاء الاصطناعي المستقبل!

Link to this sectionYOLOv5 لاكتشاف أنواع الحيوانات#

بدأت ليانس للتو العمل مع YOLOv5 قبل عدة أشهر فقط! عند العمل مع صور لأنواع حيوانية مختلفة، كان الهدف الرئيسي من العمل مع YOLOv5 كنموذج لاكتشاف الكائنات هو تصنيف أنواع الحيوانات في محمية جامعتها. لاحقاً في المشروع، أدركت أنه بعد التصنيف، يمكن للنموذج التعليق تلقائياً على جميع الصور. وهذا يسهل تقليل الجهد البشري ويوفر الوقت في التعليق على الصور.

جربت ليانس أيضاً نماذج أخرى مدربة مسبقاً لاكتشاف الكائنات، مثل TFOD وYOLOv3، لأنها في البداية كانت بحاجة لاكتساب المعرفة والمهارات في PyTorch. ومع ذلك، بعد العثور على YOLOv5 من خلال البحث، قامت بتنفيذه بسرعة. بالنسبة لليانس، يقدم هذا النموذج أفضل أداء لأنه خفيف الوزن، وسهل الاستخدام، ويوفر أفضل دقة.

"أفضل جزء هو أنه يمكنك البدء ببضعة أسطر فقط من الكود!"

Link to this sectionالقيمة في YOLOv5#

• تعزيز البيانات
• سرعة الاستدلال
• حقيقة أن النموذج متاح في عدة متغيرات (s وm وl وx)، لكل منها دقة اكتشاف وأداء مختلف، جعلت الأمر أسهل بالنسبة لها.

توصي ليانس باستخدام YOLOv5 لأي شخص جديد في هذا المجال. وبكلماتها الخاصة، "تم بناء YOLOv5 لاكتشاف الكائنات، لذا فهو جيد فيما يفعله! ونظراً لوجود عمليات أقل وكود أقل للكتابة، فإن YOLO تعد واحدة من أشهر خوارزميات اكتشاف الكائنات بسبب سرعتها ودقتها."

ليانس منفتحة على التعاون عبر GitHub ومتاحة للدردشة على Twitter، كما أنها تنشر مقالات حول المشاريع التي تعمل عليها. تحقق من مقالتها: مقدمة إلى اكتشاف الكائنات باستخدام YOLOv5!

لقد قمت بنشر نموذج اكتشاف الكائنات على بعض مقاطع الفيديو التي تحتوي على كل من الحمار الوحشي والظبي و.... من هذا المنظور أعتقد أنني سأضطر للعودة والعمل بمزيد من البيانات وتحسين النموذج. #100daysofcoding @ultralytics #objectdetection @WomenInDataAfri

— lian.s (@lians_) 29 نوفمبر 2022

شكراً للقراءة عن تجربة ليانس. بصفتنا في Ultralytics، نتطلع إلى انضمام المزيد من النساء إلى هذا المجال. سنستمر في جعل الذكاء الاصطناعي أسهل للجميع، تابعونا!