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 otomatize etmek, doktorların hastalıkları teşhis etmesine yardımcı olmak, arama motoru sonuçlarını iyileştirmek, kendi kendine giden arabaları kontrol etmek vb. için kullanılabilir. Liste böyle uzayıp gidiyor...

Yapay zeka günlük yaşamın her alanına nüfuz ettikçe, teknolojide çeşitlilik ve kapsayıcılık sorunu önemli bir endişe kaynağı olmaya devam ediyor. Özellikle, veri biliminde ve yapay zekada kadınların sürekli olarak yetersiz temsil edilmesi ve toplumsal cinsiyet verilerindeki boşluklar, teknik ürünlerde ve algoritmik sistemlerde önyargıların kodlanmasına ve pekiştirilmesine yol açarak zararlı geri besleme döngüleri yaratıyor.

“Gerçekten çeşitli olmak için, farklı düşünen insanları yapay zekaya dahil etmen gerekir.” Kay Firth-Butterfield Yapay Zeka ve Makine Öğrenimi Başkanı ve İcra Komitesi Üyesi

Yapay zeka, özellikle sektörde kadın katılımına yönelik doğru teşviklerle kadınların muazzam başarılar elde edebileceği alanlardan biridir.

Veri Bilimi ve Makine Öğrenimi tutkunu Lians Wanjiku ile tanışın. Burada, onun veri bilimi 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 görevlisi stajyeridir.

Verilerden içgörü çıkarmanın ne kadar basit olduğunu fark eden Lians'ın Makine Öğrenimi'ne olan ilgisi tetiklendi. Yaklaşık bir yıl önce bir veri bilimi topluluğuna katıldı ve bu alanda kariyer yapmaya büyük ilgi duymaya başladı. Lians için veri bilimi ve yapay zekanın geleceğe yön vermesi harika bir şey!

Link to this sectionHayvan Türlerini Tespit Etmek için YOLOv5#

Lians, YOLOv5 ile çalışmaya sadece birkaç ay önce başladı! Çeşitli hayvan türlerinin görüntüleriyle çalışırken, bir nesne tespit modeli olarak YOLOv5 ile çalışmanın temel amacı, okulunun koruma alanındaki hayvan türlerini sınıflandırmaktı. Projenin ilerleyen aşamalarında, sınıflandırmadan sonra modelin tüm görüntüleri otomatik olarak etiketleyebileceğini fark etti. Bu, insan gücünü azaltmayı ve görüntü etiketleme sürecinde zamandan tasarruf etmeyi kolaylaştırıyor.

Lians ayrıca TFOD ve YOLOv3 gibi diğer önceden eğitilmiş nesne tespit modelleriyle de denemeler yaptı çünkü başlangıçta PyTorch konusunda bilgi ve beceri kazanması gerekiyordu. Ancak araştırmaları sonucunda YOLOv5'i bulduktan sonra hızla uygulamaya koydu. Lians'a göre model hafif, kullanımı kolay ve en iyi doğruluğu sağladığı için en iyi performansı veriyor.

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

Link to this sectionYOLOv5'in Değeri#

• Veri artırma
• Çıkarım hızı
• Modelin her biri farklı tespit doğruluğuna ve performansa sahip çeşitli varyantlarda (s, m, l ve x) mevcut olması işini kolaylaştırdı.

Lians, bu alanda yeni olan herkese YOLOv5'i tavsiye ediyor. Kendi sözleriyle, "YOLOv5 nesne tespiti için tasarlandı, bu yüzden yaptığı işte çok iyi! Daha az işlem ve yazılacak daha az kod olduğu için YOLO, hızı ve doğruluğu sayesinde en bilinen nesne tespit algoritmalarından biridir."

Lians, GitHub üzerinden iş birliklerine açık ve Twitter üzerinden sohbet etmeye hazır; ayrıca üzerinde çalıştığı projeler hakkında makaleler de yayınlıyor. Makalesine göz at: YOLOv5 ile Nesne Tespitine Giriş!

Nesne tespit modelini hem zebraların hem de impalaların olduğu bazı videolarda çalıştırdım ve... Bu açıdan bakınca mutfağa geri dönüp daha fazla veriyle çalışmam ve modeli mükemmelleştirmem gerekeceğini düşünüyorum. #100daysofcoding @ultralytics #objectdetection @WomenInDataAfri

— lian.s (@lians_) 29 Kasım 2022

Lians'ın deneyimi hakkında okuduğun için teşekkürler. Ultralytics olarak, bu alana daha fazla kadının katılmasını dört gözle bekliyoruz. Herkes için yapay zekayı daha kolay hale getirmeye devam edeceğiz, takipte kal!