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. Этот список можно продолжать бесконечно...

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.

Заметив, как легко извлекать полезные сведения из данных, Lians заинтересовалась машинным обучением. Около года назад она присоединилась к сообществу специалистов по науке о данных и всерьёз задумалась о карьере в этой области. Lians поражает то, как наука о данных и ИИ меняют будущее!

Ultralytics YOLOv5 для обнаружения видов животных#

Lians начала работать с YOLOv5 всего несколько месяцев назад! Она работала с изображениями разных видов животных, а основной целью использования YOLOv5 в качестве модели обнаружения объектов была классификация видов животных в заповеднике при её учебном заведении. Позже она поняла, что после классификации модель может автоматически размечать все изображения. Это помогает сократить объём ручной работы и сэкономить время на разметке изображений.

Lians также экспериментировала с другими предварительно обученными моделями обнаружения объектов, например TFOD и YOLOv3, поскольку поначалу ей нужно было приобрести знания и навыки работы с PyTorch. Однако, изучив доступные решения, она нашла Ultralytics YOLOv5 и быстро внедрила эту модель. По словам Lians, она работает лучше всего: она лёгкая, простая в использовании и обеспечивает наилучшую 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 рассказ об опыте Lians. В Ultralytics мы будем рады видеть больше женщин в этой сфере. Мы продолжим делать ИИ доступнее для всех — следи за новостями!