Pourquoi autonomiser les femmes dans l'IA & la science des données est important
Explore le parcours inspirant de Lians Wanjiku dans l'IA et la science des données, et 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 de service client, aider les médecins à diagnostiquer des maladies, améliorer les résultats des moteurs de recherche, contrôler des voitures autonomes, etc. La liste est longue...
À mesure 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, y compris les lacunes dans les données liées au genre, conduit au codage et à l'amplification des biais dans les produits techniques et les systèmes algorithmiques, créant ainsi des boucles de rétroaction néfastes.
« Pour être vraiment diversifié, tu dois intégrer dans l'IA 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 succès extraordinaire, surtout avec le bon encouragement à la participation féminine dans l'industrie.
Voici Lians Wanjiku, passionnée de science des données et d'apprentissage automatique. Ici, nous allons parcourir son cheminement dans la science des données et inspirer les jeunes femmes à rejoindre le mouvement technologique.
Lians est étudiante en dernière année et assistante de recherche stagiaire au centre de science des données de l'université de technologie Dedan Kimathi au Kenya.
En remarquant à quel point il est simple d'extraire des informations à partir de données, l'intérêt de Lians a été éveillé pour l'apprentissage automatique. Elle a rejoint une communauté de science des données il y a environ un an et s'est vivement intéressée à en faire une carrière. Pour Lians, c'est incroyable 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 avec des images de diverses espèces animales, l'objectif principal en utilisant YOLOv5 comme modèle de détection d'objets était de classifier les espèces animales dans la réserve de son école. Plus tard dans le projet, elle a réalisé qu'après la classification, le modèle pouvait annoter automatiquement toutes les images. Cela permet de réduire plus facilement l'effort humain et de gagner du temps lors de l'annotation des images.
Lians a également expérimenté d'autres modèles de détection d'objets pré-entraînés, tels que TFOD et YOLOv3, car elle avait initialement besoin d'acquérir des connaissances et des compétences sur PyTorch. Cependant, après avoir découvert Ultralytics YOLOv5 lors de ses recherches, elle l'a rapidement mis en œuvre. Pour Lians, le modèle offre les meilleures performances car il est léger, simple à utiliser et fournit la meilleure précision.
« Le meilleur dans tout ça, c'est que tu peux commencer avec seulement quelques lignes de code ! »
La valeur d'Ultralytics YOLOv5#
- Augmentation de données
- Vitesse d'inférence
- Le fait que le modèle soit disponible en plusieurs variantes (s, m, l et x), chacune avec une précision de détection et des performances différentes, lui a facilité la tâche.
Lians recommande Ultralytics YOLOv5 à quiconque débute dans ce domaine. Selon ses mots, "YOLOv5 a été conçu pour la détection d'objets, il est donc performant dans ce qu'il fait ! Grâce à un nombre d'opérations et de code à écrire réduit, YOLO est l'un des algorithmes de détection d'objets les plus connus pour sa vitesse et 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 to Object Detection with YOLOv5 !
J'ai déployé le modèle de détection d'objets sur des vidéos contenant à la fois des zèbres et des impalas et... De ce point de vue, je pense que je vais devoir retourner aux fourneaux pour travailler avec plus de données et perfectionner le modèle. #100daysofcoding @ultralytics #objectdetection @WomenInDataAfri
— lian.s (@lians_) 29 novembre 2022
Merci d'avoir lu l'expérience de Lians. En tant qu'Ultralytics, nous avons hâte de voir plus de femmes rejoindre ce domaine. Nous continuerons à rendre l'IA plus accessible pour tout le monde, reste à l'écoute !
