Почему важно поддерживать женщин в сферах ИИ и науки о данных

Компании внедряют искусственный интеллект быстрее, чем когда-либо, чтобы упростить процессы. Например, ИИ можно использовать для автоматизации задач службы поддержки, помощи врачам в диагностике заболеваний, улучшения результатов поисковых систем, управления беспилотными автомобилями и многого другого.

По мере того как ИИ всё активнее входит в повседневную жизнь, разнообразие и инклюзивность в технологиях остаются важными проблемами. В частности, сохраняющееся недостаточное представительство женщин в науке о данных и ИИ, в том числе пробелы в гендерных данных, приводит к закреплению и усилению предвзятости в технологических продуктах и алгоритмических системах, создавая вредные циклы обратной связи.

«Чтобы ИИ действительно учитывал разнообразие, нужно привлекать к работе людей с разными взглядами». Kay Firth-Butterfield, руководитель направления ИИ и машинного обучения, член исполнительного комитета

ИИ — одна из областей, в которой женщины могут добиться больших успехов, особенно если активнее привлекать их к работе в отрасли.

Познакомься с Lians Wanjiku — энтузиасткой науки о данных и машинного обучения. Мы расскажем о её пути в науку о данных и вдохновим молодых женщин присоединиться к технологическому движению.

Lians учится на последнем курсе и проходит стажировку в качестве ассистента-исследователя в центре науки о данных Технологического университета имени Дедана Кимати в Кении.

Лианс заинтересовалась машинным обучением, когда поняла, насколько легко извлекать полезные сведения из данных. Около года назад она присоединилась к сообществу специалистов по анализу данных и всерьёз задумалась о карьере в этой области. Лианс восхищает, как анализ данных и ИИ формируют будущее!

Ultralytics YOLOv5 для обнаружения видов животных#

Лианс начала работать с YOLOv5 всего несколько месяцев назад! Она работала с изображениями разных видов животных и хотела использовать YOLOv5 как модель обнаружения объектов, чтобы классифицировать животных в природоохранной зоне своей школы. Позже в ходе проекта она поняла, что после классификации модель может автоматически аннотировать все изображения. Это позволяет сократить трудозатраты и сэкономить время на аннотировании изображений.

Лианс также экспериментировала с другими предварительно обученными моделями обнаружения объектов, такими как TFOD и YOLOv3, поскольку сначала ей нужно было освоить PyTorch. Однако, изучив материалы и найдя Ultralytics YOLOv5, она быстро внедрила модель. По мнению Лианс, она работает лучше всего, поскольку она лёгкая, простая в использовании и обеспечивает наивысшую точность.

«Самое приятное — начать можно всего с нескольких строк кода!»

Преимущества Ultralytics YOLOv5#

• Аугментация данных
• Скорость инференса
• Ей помогло то, что модель доступна в нескольких вариантах (s, m, l и x), каждый из которых отличается точностью детекции и производительностью.

Lians рекомендует Ultralytics YOLOv5 всем, кто только начинает знакомиться с этой областью. По её словам: «YOLOv5 создавали для детекции объектов, и с этой задачей он справляется отлично! Благодаря меньшему числу операций и меньшему объёму кода YOLO стал одним из самых известных алгоритмов детекции объектов благодаря скорости и точности».

Lians открыта к сотрудничеству на GitHub и готова пообщаться в Twitter; она также публикует статьи о проектах, над которыми работает. Почитай её статью: Введение в детекцию объектов с YOLOv5!

Я запустил модель детекции объектов на нескольких видео с зебрами и импалами и.... С этой точки зрения, думаю, мне придётся вернуться на кухню, поработать с большим объёмом данных и довести модель до совершенства. #100daysofcoding @ultralytics #objectdetection @WomenInDataAfri

— lian.s (@lians_) 29 ноября 2022 г.

Спасибо, что прочитал историю опыта Лианс. В Ultralytics мы будем рады видеть больше женщин в этой сфере. Мы продолжим делать ИИ доступнее для всех — следи за новостями!