Почему важно расширять возможности женщин в ИИ и науке о данных

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

Поскольку ИИ становится повсеместным в повседневной жизни, вопрос разнообразия и инклюзивности в технологиях остается серьезной проблемой. В частности, постоянная нехватка женщин в области науки о данных и ИИ, включая гендерные пробелы в данных, приводит к закреплению и усилению предвзятости в технических продуктах и алгоритмических системах, что создает вредные циклы обратной связи.

«Чтобы быть по-настоящему разнообразными, тебе нужно привлекать в ИИ людей, которые мыслят иначе». Кей Ферт-Баттерфилд, руководитель направления ИИ и машинного обучения и член Исполнительного комитета

ИИ — одна из тех областей, в которых женщины могут добиться колоссального успеха, особенно при правильной поддержке участия женщин в индустрии.

Представляем Лианс Ванджику, энтузиастку в области науки о данных и машинного обучения. Здесь мы пройдем путь ее становления в Data Science и вдохновим молодых женщин присоединиться к технологическому движению.

Лианс — студентка последнего курса и стажер-ассистент по исследованиям в центре обработки данных Технологического университета Дедан Кимати в Кении.

Заметив, как просто извлекать инсайты из данных, Лианс загорелась интересом к машинному обучению. Около года назад она вступила в сообщество специалистов по анализу данных и проявила глубокий интерес к построению карьеры в этой сфере. Для Лианс удивительно, как Data Science и ИИ определяют будущее!

Link to this sectionYOLOv5 для обнаружения видов животных#

Лианс начала работу с YOLOv5 всего несколько месяцев назад! Работая с изображениями различных видов животных, основной целью использования YOLOv5 в качестве модели обнаружения объектов была классификация животных в заповеднике при ее университете. Позже в ходе проекта она поняла, что после классификации модель может автоматически аннотировать все изображения. Это упрощает задачу, снижает человеческие усилия и экономит время на разметку изображений.

Лианс также экспериментировала с другими предобученными моделями обнаружения объектов, такими как TFOD и YOLOv3, потому что изначально ей нужно было получить знания и навыки в PyTorch. Однако, обнаружив YOLOv5 в процессе исследований, она быстро внедрила его. Для Лианс эта модель работает лучше всего, поскольку она легковесная, простая в использовании и обеспечивает наилучшую точность.

«Самое крутое в том, что ты можешь начать всего с нескольких строк кода!»

Link to this sectionЦенность YOLOv5#

• Аугментация данных
• Скорость вывода
• Тот факт, что модель доступна в нескольких вариантах (s, m, l и x), каждый из которых обладает разной точностью обнаружения и производительностью, значительно облегчил ей задачу.

Лианс рекомендует YOLOv5 всем, кто только начинает работать в этой области. По ее словам: «YOLOv5 был создан для обнаружения объектов, поэтому он отлично справляется со своей задачей! Поскольку требуется меньше операций и меньше кода, YOLO является одним из самых известных алгоритмов обнаружения объектов благодаря своей скорости и точности».

Лианс открыта для сотрудничества на GitHub и готова пообщаться в Twitter, а также публикует статьи о своих проектах. Оцени ее статью: Введение в обнаружение объектов с YOLOv5!

Я развернула модель обнаружения объектов на нескольких видео с зебрами и импалами и.... С этой точки зрения я думаю, мне придется вернуться к работе, проанализировать больше данных и довести модель до совершенства. #100daysofcoding @ultralytics #objectdetection @WomenInDataAfri

— lian.s (@lians_) 29 ноября 2022 г.

Спасибо, что прочитали об опыте Лианс. Мы в Ultralytics с нетерпением ждем, когда в эту сферу придет больше женщин. Мы продолжим делать ИИ проще для всех, оставайтесь на связи!