Pourquoi il est important de donner plus de pouvoir aux femmes dans l’AI et la data science
Explore le parcours inspirant de Lians Wanjiku dans l’AI et la data science, et découvre comment YOLOv5 façonne l’avenir de la détection d’objets.
Les entreprises adoptent l’intelligence artificielle plus rapidement que jamais pour simplifier leurs processus. Par exemple, l’IA peut être utilisée pour automatiser les tâches du service client, aider les médecins à diagnostiquer des maladies, améliorer les résultats des moteurs de recherche, contrôler les voitures autonomes, etc. La liste est encore longue…
Alors que l’IA devient omniprésente dans la vie quotidienne, la question de la diversité et de l’inclusion dans la technologie reste une préoccupation majeure. En particulier, la sous-représentation persistante des femmes dans la science des données et l’IA, notamment les lacunes en matière de données liées au genre, entraîne l’encodage et l’amplification des biais dans les produits techniques et les systèmes algorithmiques, créant ainsi des boucles de rétroaction préjudiciables.
« Pour être véritablement diversifiée, l’IA doit accueillir des personnes qui pensent différemment. » Kay Firth-Butterfield, responsable de l’IA et de l’apprentissage automatique et membre du comité exécutif
L’IA est l’un des domaines dans lesquels les femmes peuvent connaître un immense succès, en particulier avec les bonnes initiatives pour favoriser leur participation au secteur.
Voici Lians Wanjiku, passionnée par la science des données et l’apprentissage automatique. Nous allons découvrir son parcours vers la science des données et inciter les jeunes femmes à rejoindre le mouvement technologique.
Lians est étudiante en dernière année et stagiaire assistante de recherche au centre de science des données de la Dedan Kimathi University of Technology, au Kenya.
En constatant à quel point il est simple d’extraire des informations à partir des données, Lians s’est prise d’intérêt pour l’apprentissage automatique. Elle a rejoint une communauté dédiée à la science des données il y a environ un an et s’intéresse vivement à en faire carrière. Pour Lians, il est fascinant de voir comment la science des données et l’IA façonnent l’avenir !
Ultralytics YOLOv5 pour la détection d’espèces animales#
Lians a commencé à utiliser YOLOv5 il y a seulement quelques mois ! En travaillant sur des images de différentes espèces animales, son objectif principal avec YOLOv5 en tant que modèle de détection d’objets était de classer les espèces animales présentes dans la réserve de son école. Plus tard au cours du projet, elle s’est rendu compte qu’après la classification, le modèle pouvait annoter automatiquement toutes les images. Cela facilite la réduction de l’effort humain et le gain de temps lors de l’annotation des images.
Lians a également expérimenté d’autres modèles de détection d’objets préentraînés, comme TFOD et YOLOv3, car elle avait initialement besoin d’acquérir des connaissances et des compétences en PyTorch. Cependant, après avoir découvert Ultralytics YOLOv5 au cours de ses recherches, elle l’a rapidement mis en œuvre. Pour Lians, ce modèle offre les meilleures performances, car il est léger, simple à utiliser et fournit la meilleure précision.
« Le meilleur, c’est que tu peux commencer avec seulement quelques lignes de code ! »
La valeur d’Ultralytics YOLOv5#
- Augmentation des données
- Vitesse d’inférence
- Le fait que le modèle soit disponible en plusieurs variantes (s, m, l et x), chacune offrant une précision de détection et des performances différentes, lui a facilité la tâche.
Lians recommande Ultralytics YOLOv5 à toute personne débutant dans ce domaine. Selon ses propres mots : « YOLOv5 a été conçu pour la détection d’objets, c’est donc ce qu’il fait le mieux ! Comme il nécessite moins d’opérations et moins de code à écrire, YOLO est l’un des algorithmes de détection d’objets les plus connus grâce à sa vitesse et à sa précision. »
Lians est ouverte aux collaborations sur GitHub et disponible pour discuter sur Twitter. Elle publie également des articles sur les projets sur lesquels elle travaille. Découvre son article : Introduction à la détection d’objets avec YOLOv5 !
J’ai déployé le modèle de détection d’objets sur des vidéos montrant des zèbres et des impalas et… De ce point de vue, je pense que je vais devoir retourner en cuisine, travailler avec davantage de données et perfectionner le modèle. #100daysofcoding @ultralytics #objectdetection @WomenInDataAfri
— lian.s (@lians_) 29 novembre 2022
Merci d’avoir découvert l’expérience de Lians. Chez Ultralytics, nous espérons voir davantage de femmes rejoindre ce domaine. Nous continuerons à rendre l’IA plus accessible à tout le monde, reste à l’écoute !
