Yapay Zekâda ve Veri Biliminde Kadınları Güçlendirmek Neden Önemli?

Şirketler süreçleri basitleştirmek için yapay zekâyı her zamankinden daha hızlı benimsiyor. Örneğin yapay zekâ; müşteri hizmetleri görevlerini otomatikleştirmek, doktorların hastalıkları teşhis etmesine yardımcı olmak, arama motoru sonuçlarını iyileştirmek, otonom araçları kontrol etmek ve daha pek çok amaçla kullanılabilir.

Yapay zekâ günlük yaşamın her alanına yayılırken teknolojide çeşitlilik ve kapsayıcılık konusu önemli bir endişe olmaya devam ediyor. Özellikle veri biliminde ve yapay zekâ alanında kadınların sürekli olarak yeterince temsil edilmemesi ve cinsiyet verilerindeki boşluklar, teknik ürünlerde ve algoritmik sistemlerde önyargıların kodlanıp güçlendirilmesine ve zararlı geri bildirim döngülerinin oluşmasına yol açıyor.

“Gerçekten çeşitlilik istiyorsan, yapay zekâ alanına farklı düşünen insanları katmalısın.” Kay Firth-Butterfield Yapay Zekâ ve Makine Öğrenmesi Başkanı ve İcra Komitesi Üyesi

Yapay zekâ, kadınların büyük başarılar elde edebileceği alanlardan biridir; özellikle de sektörde kadınların katılımını artırmak için doğru destek sağlandığında.

Veri bilimi ve makine öğrenmesi meraklısı Lians Wanjiku ile tanış. Burada, onun veri bilimine uzanan yolculuğuna göz atacak ve genç kadınlara teknoloji hareketine katılmaları için ilham vereceğiz.

Lians, Kenya'daki Dedan Kimathi Teknoloji Üniversitesi veri bilimi merkezinde son sınıf öğrencisi ve araştırma asistanı stajyeridir.

Verilerden içgörü elde etmenin ne kadar kolay olduğunu fark ettikten sonra Lians, makine öğrenimine ilgi duymaya başladı. Yaklaşık bir yıl önce bir veri bilimi topluluğuna katıldı ve bu alanda kariyer yapmaya büyük ilgi duydu. Lians'a göre veri bilimi ve yapay zekânın geleceği şekillendirmesi harika!

Hayvan Türlerini Algılamak için Ultralytics YOLOv5#

Lians, YOLOv5 kullanmaya yalnızca birkaç ay önce başladı! Farklı hayvan türlerinin görüntüleriyle çalışırken YOLOv5'i nesne tespit modeli olarak kullanmasının temel amacı, okulunun doğal yaşam koruma alanındaki hayvan türlerini sınıflandırmaktı. Projenin ilerleyen aşamalarında, sınıflandırmanın ardından modelin tüm görüntülere otomatik olarak etiket ekleyebileceğini fark etti. Böylece görüntüleri etiketlemek için gereken insan emeği azalıyor ve zamandan tasarruf ediliyor.

Lians, başlangıçta PyTorch hakkında bilgi ve beceri edinmesi gerektiği için TFOD ve YOLOv3 gibi önceden eğitilmiş başka nesne tespit modellerini de denedi. Ancak araştırması sırasında Ultralytics YOLOv5 ile karşılaşınca modeli hızla uygulamaya aldı. Lians'a göre bu model hafif, kullanımı kolay ve en iyi doğruluğu sağladığı için en iyi performansı gösteriyor.

“En iyi yanı, yalnızca birkaç satır kodla başlayabilmen!”

Ultralytics YOLOv5'in Değeri#

• Veri artırma
• Çıkarım hızı
• Modelin, her biri farklı algılama doğruluğu ve performans sunan çeşitli sürümlerinin (s, m, l ve x) bulunması, işi onun için kolaylaştırdı.

Lians, bu alanda yeni olan herkese Ultralytics YOLOv5'i öneriyor. Kendi sözleriyle: "YOLOv5 nesne algılama için geliştirildi, bu yüzden yaptığı işte iyi! Daha az işlem ve yazılacak daha az kod sayesinde YOLO, hızı ve doğruluğuyla en tanınmış nesne algılama algoritmalarından biri."

Lians, GitHub üzerinde iş birliklerine açık ve Twitter üzerinden sohbet etmeye hazır; ayrıca üzerinde çalıştığı projeler hakkında yazılar yayımlıyor. Şu yazısına göz at: YOLOv5 ile Nesne Algılamaya Giriş!

Hem zebraların hem de impalaların olduğu bazı videolarda nesne algılama modelini devreye aldım ve.... Bu açıdan bakınca mutfağa dönüp daha fazla veriyle çalışmam ve modeli kusursuzlaştırmam gerekecek gibi görünüyor. #100daysofcoding @ultralytics #objectdetection @WomenInDataAfri

— lian.s (@lians_) 29 Kasım 2022

Lians'ın deneyimini okuduğun için teşekkürler. Ultralytics olarak bu alana daha fazla kadının katılmasını sabırsızlıkla bekliyoruz. Yapay zekâyı herkes için daha erişilebilir kılmaya devam edeceğiz, bizi takipte kal!