Porque é Importante Empoderar as Mulheres na IA e Ciência de Dados

As empresas estão adotando a inteligência artificial mais rápido do que nunca para simplificar processos. Por exemplo, a IA pode ser usada para automatizar tarefas de atendimento ao cliente, ajudar médicos a diagnosticar doenças, melhorar resultados de mecanismos de busca, controlar carros autônomos, etc. A lista continua...

À medida que a IA se torna onipresente na vida cotidiana, a questão da diversidade e inclusão na tecnologia permanece uma preocupação significativa. Em particular, a sub-representação persistente de mulheres na ciência de dados e na IA, incluindo lacunas de dados de gênero, leva à codificação e amplificação de vieses em produtos técnicos e sistemas algorítmicos, criando ciclos de feedback prejudiciais.

“Para ser verdadeiramente diversificado, você precisa trazer para a IA pessoas que pensem de forma diferente.” Kay Firth-Butterfield, Chefe de IA e Aprendizado de Máquina e Membro do Comitê Executivo

A IA é uma das áreas em que as mulheres podem alcançar um sucesso tremendo, especialmente com o incentivo certo para a participação feminina no setor.

Conheça Lians Wanjiku, entusiasta de Ciência de Dados e Aprendizado de Máquina. Aqui, vamos percorrer sua jornada na ciência de dados e inspirar jovens mulheres a se juntarem ao movimento tecnológico.

Lians é aluna do último ano e estagiária de assistente de pesquisa no centro de ciência de dados da Dedan Kimathi University of Technology, no Quênia.

Ao notar como é simples extrair insights de dados, o interesse de Lians foi despertado pelo Aprendizado de Máquina. Ela entrou em uma comunidade de ciência de dados há cerca de um ano e tem um grande interesse em seguir carreira na área. Para Lians, é incrível como a ciência de dados e a IA impulsionam o futuro!

Link to this sectionYOLOv5 para detectar espécies animais#

Lians começou com o YOLOv5 há apenas alguns meses! Trabalhando com imagens de várias espécies animais, o objetivo principal de usar o YOLOv5 como modelo de detecção de objetos era classificar as espécies animais na reserva de sua faculdade. Mais tarde no projeto, ela percebeu que, após a classificação, o modelo poderia anotar automaticamente todas as imagens. Isso facilita a redução do esforço humano e economiza tempo na anotação de imagens.

Lians também experimentou outros modelos de detecção de objetos pré-treinados, como TFOD e YOLOv3, porque inicialmente precisava adquirir conhecimento e habilidades em PyTorch. No entanto, após encontrar o YOLOv5 por meio de pesquisas, ela rapidamente o implementou. Para Lians, o modelo tem o melhor desempenho por ser leve, simples de usar e fornecer a melhor precisão.

“A melhor parte é que você pode começar com apenas algumas linhas de código!”

Link to this sectionO valor do YOLOv5#

• Aumento de dados
• Velocidade de inferência
• O fato de o modelo estar disponível em várias variantes (s, m, l e x), cada uma com uma precisão de detecção e desempenho diferentes, tornou tudo mais fácil para ela.

Lians recomenda o YOLOv5 para qualquer pessoa que seja nova nesta área. Nas palavras dela: "O YOLOv5 foi criado para detecção de objetos, então ele é muito bom no que faz! Como há menos operações e menos código para escrever, o YOLO é um dos algoritmos de detecção de objetos mais conhecidos devido à sua velocidade e precisão."

Lians está aberta a colaborações no GitHub e disponível para conversar no Twitter. Ela também publica artigos sobre os projetos em que está trabalhando. Confira o artigo dela: Introdução à Detecção de Objetos com YOLOv5!

Implementei o modelo de detecção de objetos em alguns vídeos com zebras e impalas e.... Dessa perspectiva, acho que vou ter que voltar para a cozinha, trabalhar com mais dados e aperfeiçoar o modelo. #100daysofcoding @ultralytics #objectdetection @WomenInDataAfri

— lian.s (@lians_) 29 de novembro de 2022

Obrigado por ler sobre a experiência de Lians. Como Ultralytics, estamos ansiosos para ver mais mulheres ingressando nesta área. Continuaremos a tornar a IA mais fácil para todos, fique ligado!