لماذا يعد تمكين المرأة في الذكاء الاصطناعي وعلم البيانات أمراً مهماً
استكشف رحلة ليانز وانجيكو الملهمة في الذكاء الاصطناعي وعلم البيانات، وكيف يشكل YOLOv5 مستقبل كشف الكائنات.
تتبنى الشركات الذكاء الاصطناعي بشكل 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، وما إلى ذلك. والقائمة تطول وتطول...
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!
Ultralytics YOLOv5 لاكتشاف أنواع الحيوانات#
بدأت Lians العمل باستخدام YOLOv5 منذ عدة أشهر فقط! بالعمل مع صور لأنواع حيوانات مختلفة، كان الهدف الأساسي من العمل مع YOLOv5 كنموذج لاكتشاف الكائنات هو تصنيف أنواع الحيوانات في محمية مدرستها. وفي وقت لاحق من المشروع، أدركت أنه بعد التصنيف، يمكن للنموذج التعليق التلقائي على جميع الصور. هذا يسهل تقليل الجهد البشري وتوفير الوقت في التعليق على الصور.
قامت Lians أيضًا بتجربة نماذج أخرى مدربة مسبقًا لاكتشاف الكائنات، مثل TFOD و YOLOv3، نظرًا لأنها كانت بحاجة في البداية إلى اكتساب المعرفة والمهارات في PyTorch. ومع ذلك، بعد أن عثرت على Ultralytics YOLOv5 من خلال البحث، قامت بتنفيذه بسرعة. بالنسبة لـ Lians، يُعتبر النموذج الأفضل لأنه خفيف الوزن، وسهل الاستخدام، ويقدم أفضل دقة.
"أفضل جزء هو أنه يمكنك البدء ببضعة أسطر فقط من الكود!"
القيمة في Ultralytics 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 Lians باستخدام Ultralytics YOLOv5 لأي شخص جديد في هذا المجال. وعلى حد تعبيرها: "تم بناء YOLOv5 لاكتشاف الكائنات، لذا فهو ممتاز في ما يقوم به! وبسبب وجود عمليات أقل وكود أقل للكتابة، يُعد YOLO أحد أكثر خوارزميات اكتشاف الكائنات شهرةً نظراً لسرعته ودقته."
Lians منفتحة على التعاون على GitHub ومتاحة للدردشة على Twitter، كما تنشر مقالات حول المشاريع التي تعمل عليها. اطلع على مقالتها: Introduction to Object Detection with YOLOv5!
قمت نشر نموذج اكتشاف الكائنات على بعض مقاطع الفيديو التي تحتوي على الحمار الوحشي وظباء الإمبالا و.... من هذا المنظور، أعتقد أنني سأضطر للعودة والعمل مع المزيد من البيانات وإتقان النموذج. #100daysofcoding @ultralytics #objectdetection @WomenInDataAfri
— lian.s (@lians_) November 29, 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!
