Почему важно поддерживать женщин в AI и науке о данных

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

По мере того как AI всё шире входит в повседневную жизнь, вопрос разнообразия и инклюзивности в технологиях остаётся важной проблемой. В частности, сохраняющееся недостаточное представительство женщин в науке о данных и AI, включая пробелы в гендерных данных, приводит к внедрению и усилению предвзятости в технических продуктах и алгоритмических системах, создавая вредоносные петли обратной связи.

«Чтобы добиться настоящего разнообразия, нужно привлекать в AI людей, которые мыслят иначе». Кей Ферт-Баттерфилд, руководитель направления AI и машинного обучения и член исполнительного комитета

AI — одна из сфер, в которых женщины могут добиться огромных успехов, особенно при правильной поддержке участия женщин в отрасли.

Познакомься с Лианс Ванджику — энтузиасткой науки о данных и машинного обучения. Здесь мы проследим её путь в науку о данных и вдохновим молодых женщин присоединиться к технологическому движению.

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

Заметив, насколько просто извлекать полезные сведения из данных, Лианс заинтересовалась машинным обучением. Около года назад она присоединилась к сообществу специалистов по науке о данных и решила развиваться в этой сфере профессионально. Лианс считает удивительным, как наука о данных и AI определяют будущее!

Ultralytics YOLOv5 для обнаружения видов животных#

Лианс начала работать с YOLOv5 всего несколько месяцев назад! Работая с изображениями различных видов животных, она использовала YOLOv5 как модель обнаружения объектов, чтобы классифицировать виды животных в заповеднике при своей школе. Позже в ходе проекта она поняла, что после классификации модель может автоматически аннотировать все изображения. Это упрощает задачу, сокращает объём ручной работы и экономит время при разметке изображений.

Лианс также экспериментировала с другими предварительно обученными моделями обнаружения объектов, такими как TFOD и YOLOv3, поскольку изначально ей нужно было получить знания и навыки работы с PyTorch. Однако, обнаружив Ultralytics YOLOv5 в ходе исследования, она быстро внедрила эту модель. По мнению Лианс, эта модель показывает лучшие результаты, поскольку она лёгкая, простая в использовании и обеспечивает лучшую точность.

«Самое лучшее — для старта достаточно всего нескольких строк кода!»

Преимущества Ultralytics YOLOv5#

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

Лианс рекомендует Ultralytics YOLOv5 всем, кто только начинает изучать эту область. По её словам: "YOLOv5 создана для обнаружения объектов, поэтому она отлично справляется со своей задачей! Благодаря меньшему числу операций и меньшему объёму кода YOLO стала одним из самых известных алгоритмов обнаружения объектов благодаря своей скорости и точности."

Лианс открыта для сотрудничества на GitHub и готова пообщаться в Twitter; она также публикует статьи о проектах, над которыми работает. Ознакомься с её статьёй: Введение в обнаружение объектов с помощью YOLOv5!

Я развернула модель обнаружения 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 улучшить модель. #100daysofcoding @ultralytics #objectdetection @WomenInDataAfri

— lian.s (@lians_) 29 ноября 2022 года

Спасибо, что прочитал рассказ об опыте Лианс. Мы в Ultralytics надеемся, что в эту сферу придёт больше женщин. Мы продолжим делать AI доступнее для всех — следи за новостями!