أهمية تمكين النساء في الذكاء الاصطناعي وعلوم البيانات

تتبنى 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. والقائمة تطول...

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.

أثار انتباه ليانس مدى سهولة استخلاص الرؤى من البيانات، فاشتعل اهتمامها بالتعلم الآلي. وانضمت إلى مجتمع لعلم البيانات قبل نحو عام، وأبدت اهتمامًا كبيرًا بمتابعته مسارًا مهنيًا. وترى ليانس أن الطريقة التي يقود بها علم البيانات والذكاء الاصطناعي المستقبل أمر مذهل!

استخدام Ultralytics YOLOv5 لاكتشاف أنواع الحيوانات#

لم تبدأ ليانس استخدام YOLOv5 إلا قبل بضعة أشهر! وعند العمل على صور لأنواع مختلفة من الحيوانات، كان الهدف الأساسي من استخدام YOLOv5 نموذجًا لاكتشاف الأجسام هو تصنيف أنواع الحيوانات في المحمية التابعة لمدرستها. وفي مرحلة لاحقة من المشروع، أدركت أنه بعد التصنيف، يمكن للنموذج إضافة التعليقات التوضيحية إلى جميع الصور تلقائيًا. وهذا يسهّل تقليل الجهد البشري وتوفير الوقت اللازم لإضافة التعليقات التوضيحية إلى الصور.

جرّبت ليانس أيضًا نماذج أخرى مدرّبة مسبقًا لاكتشاف الأجسام، مثل TFOD وYOLOv3، لأنها احتاجت في البداية إلى اكتساب المعرفة والمهارات في PyTorch. لكنها سرعان ما طبّقت Ultralytics YOLOv5 بعد أن عثرت عليه من خلال البحث. وترى ليانس أن النموذج يقدم 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 المزيد من النساء إلى هذا المجال. سنواصل جعل الذكاء الاصطناعي أسهل للجميع، فتابعونا!