Yapay Zeka ve Veri Biliminde Kadınları Güçlendirmek Neden Önemli?

İşletmeler, süreçleri basitleştirmek için yapay zekayı her zamankinden daha hızlı benimsiyor. Örneğin, yapay zeka müşteri hizmetleri görevlerini otomatikleştirmek, doktorların hastalıkları teşhis etmesine yardımcı olmak, arama motoru sonuçlarını iyileştirmek, sürücüsüz arabaları kontrol etmek vb. için kullanılabilir. Liste uzayıp gidiyor...

Yapay zeka günlük yaşamda yaygınlaştıkça, teknolojide çeşitlilik ve kapsayıcılık sorunu önemli bir endişe kaynağı olmaya devam etmektedir. Özellikle, kadınların veri bilimi ve yapay zeka alanlarında sürekli olarak yetersiz temsil edilmesi, cinsiyete dayalı veri boşlukları da dahil olmak üzere, teknik ürünlerde ve algoritmik sistemlerde önyargının kodlanmasına ve güçlendirilmesine yol açarak zararlı geri bildirim döngüleri yaratmaktadır.

"Gerçekten çeşitliliğe sahip olmak için YZ'ye farklı düşünen insanları getirmeniz gerekir."

Kay Firth-Butterfield
Yapay Zeka ve Makine Öğrenimi Başkanı ve İcra Kurulu Üyesi

Yapay zeka, özellikle kadınların sektöre katılımına yönelik doğru bir hamle ile kadınların muazzam bir başarı elde edebileceği alanlardan biridir.

Karşınızda Veri Bilimi ve Makine Öğrenimi meraklısı Lians Wanjiku. Burada, onun veri bilimi yolculuğunda bir gezintiye çıkacağız ve genç kadınlara teknoloji hareketine katılmaları için ilham vereceğiz.

Lians, Kenya'daki Dedan Kimathi Teknoloji Üniversitesi'nde son sınıf öğrencisi ve veri bilimi merkezinde araştırma görevlisi stajyeri.

Verilerden içgörü elde etmenin ne kadar basit olduğunu fark eden Lians'ın ilgisi Makine Öğrenimine yöneldi. Yaklaşık bir yıl önce bir veri bilimi topluluğuna katıldı ve bunu bir kariyer olarak sürdürmeye büyük ilgi duydu. Lians'a göre veri bilimi ve yapay zekanın geleceği yönlendirmesi inanılmaz!

Hayvan Türlerini Tespit Etmek için YOLOv5

Lians YOLOv5 ile çalışmaya birkaç ay önce başladı! Çeşitli hayvan türlerinin görüntüleriyle çalışan Lians'ın nesne algılama modeli olarak YOLOv5 ile çalışmasının ana hedefi, okulunun koruma alanındaki hayvan türlerini sınıflandırmaktı. Projenin ilerleyen aşamalarında, sınıflandırmadan sonra modelin tüm görüntülere otomatik olarak açıklama ekleyebileceğini fark etti. Bu, insan çabasını azaltmayı ve görüntülere açıklama eklemek için zaman kazanmayı kolaylaştırıyor.

Lians ayrıca TFOD ve YOLOv3 gibi önceden eğitilmiş diğer nesne algılama modellerini de denedi çünkü başlangıçta PyTorch'ta bilgi ve beceri kazanması gerekiyordu. Ancak, araştırma yoluyla YOLOv5'i bulduktan sonra hızla uygulamaya koymuştur. Lian'a göre bu model hafif, kullanımı kolay ve en iyi doğruluğu sağladığı için en iyi performansı gösteriyor.

"En iyi yanı, sadece birkaç satır kodla başlayabilmeniz!"

YOLOv5'teki Değer

• Veri artırımı
• Çıkarım hızı
• Modelin her biri farklı algılama doğruluğu ve performansına sahip çeşitli varyantlarının (s, m, l ve x) mevcut olması işini kolaylaştırdı.

Lians, bu alanda yeni olan herkese YOLOv5'i öneriyor. Kendi sözleriyle, "YOLOv5 nesne algılama için geliştirildi, bu yüzden yaptığı işte iyi! Daha az işlem ve yazılacak daha az kod olduğu için YOLO, hızı ve doğruluğu nedeniyle en iyi bilinen nesne algılama algoritmalarından biridir.

Lians GitHub 'da işbirliğine açık ve Twitter'da sohbet için müsait, ayrıca üzerinde çalıştığı projeler hakkında makaleler yayınlıyor. Makalesine göz atın: YOLOv5 ile Nesne Algılamaya Giriş!

Nesne algılama modelini hem zebraların hem de impalaların bulunduğu bazı videolara uyguladım ve.... Bu açıdan mutfağa geri dönüp daha fazla veri ile çalışmam ve modeli mükemmelleştirmem gerektiğini düşünüyorum. # 100daysofcoding @ultralytics #objectdetection @WomenInDataAfri
‍

‍

- lian.s__ (@lians___) 29 Kasım 2022

Lians'ın deneyimini okuduğunuz için teşekkür ederiz. Ultralytics olarak, daha fazla kadının bu alana katılmasını dört gözle bekliyoruz. Yapay zekayı herkes için kolaylaştırmaya devam edeceğiz, bizi izlemeye devam edin!