Pourquoi est-il important de donner aux femmes les moyens d'agir dans l'IA et la science des données ?

Les entreprises adoptent l’intelligence artificielle plus rapidement que jamais pour simplifier leurs processus. Par exemple, l’IA peut servir à automatiser les tâches du service client, à aider les médecins à diagnostiquer des maladies, à améliorer les résultats des moteurs de recherche, à piloter des voitures autonomes, etc. La liste est encore longue…

À mesure que l’IA s’impose dans la vie quotidienne, la diversité et l’inclusion dans le secteur technologique restent une préoccupation majeure. En particulier, la sous-représentation persistante des femmes dans la science des données et l’IA, notamment les lacunes des données liées au genre, conduit à l’encodage et à l’amplification des biais dans les produits techniques et les systèmes algorithmiques, créant ainsi des boucles de rétroaction préjudiciables.

« Pour parvenir à une véritable diversité, il faut faire entrer dans le domaine de 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 une réussite remarquable, surtout si l’on encourage davantage leur participation au secteur.

Voici Lians Wanjiku, passionnée par la science des données et l’apprentissage automatique. Découvrons son parcours dans la science des données et inspirons les jeunes femmes à rejoindre le mouvement technologique.

Lians est en dernière année d’études et stagiaire assistante de recherche au centre de science des données de l’université de technologie Dedan Kimathi, au Kenya.

En découvrant à quel point il est facile d’extraire des informations à partir des données, Lians s’est intéressée à l’apprentissage automatique. Elle a rejoint une communauté de science des données il y a environ un an et s’intéresse de près à en faire son métier. Pour Lians, il est fascinant de voir comment la science des données et l’IA façonnent l’avenir !

Ultralytics YOLOv5 pour détecter des espèces animales#

Lians a commencé à utiliser YOLOv5 il y a seulement quelques mois ! En travaillant sur des images de différentes espèces animales, son principal objectif avec YOLOv5 comme modèle de détection d’objets était de classifier les espèces animales présentes dans la réserve naturelle de son école. Plus tard dans le projet, elle s’est rendu compte qu’après la classification, le modèle pouvait annoter automatiquement toutes les images. Cela permet de réduire le travail humain et de gagner du temps lors de l’annotation des images.

Lians a également testé d’autres modèles de détection d’objets préentraînés, tels que TFOD et YOLOv3, car elle avait d’abord besoin d’acquérir des connaissances et des compétences en PyTorch. Cependant, après avoir découvert Ultralytics YOLOv5 au fil de ses recherches, elle l’a rapidement mis en œuvre. Selon Lians, ce modèle est le plus performant, car il est léger, simple à utiliser et offre la meilleure précision.

« Le meilleur, c’est qu’on peut se lancer 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 qui débute dans ce domaine. Selon elle, « YOLOv5 a été conçu pour la détection d’objets, et il fait donc bien ce pour quoi il a été conçu ! Comme il y a 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 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 quelques vidéos montrant des zèbres et des impalas et.... De ce point de vue, je pense que je vais devoir retourner à la case départ et travailler avec plus de données pour perfectionner le modèle. #100daysofcoding @ultralytics #objectdetection @WomenInDataAfri

— lian.s (@lians_) 29 novembre 2022

Merci d’avoir lu le récit de l’expérience de Lians. Chez Ultralytics, nous avons hâte de voir davantage de femmes rejoindre ce domaine. Nous continuerons à rendre l’IA plus accessible à tout le monde, reste à l’écoute !