Yapay Zeka ve Veri Biliminde Kadınları Güçlendirmenin Önemi

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, kendi kendine giden arabaları kontrol etmek vb. için kullanılabilir. Liste uzayıp gidiyor...

Yapay zeka günlük hayata nüfuz ettikçe, teknolojideki çeşitlilik ve kapsayıcılık sorunu önemli bir endişe kaynağı olmaya devam etmektedir. Özellikle, kadınların veri bilimi ve yapay zekada sürekli olarak yetersiz temsil edilmesi (cinsiyet verisi boşlukları dahil), teknik ürünlerde ve algoritmik sistemlerde önyargının kodlanmasına ve güçlenmesine yol açarak zararlı geri bildirim döngüleri oluşturmaktadır.

“Gerçekten çeşitli olmak için, yapay zekaya farklı düşünen insanları getirmeniz gerekir.”

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

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

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

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

Lian, verilerden içgörü elde etmenin ne kadar basit olduğunu fark edince, Makine Öğrenimi'ne olan ilgisi arttı. Yaklaşık bir yıl önce bir veri bilimi topluluğuna katıldı ve bunu bir kariyer olarak sürdürmeye büyük ilgi duyuyor. Lian'a göre, veri bilimi ve yapay zekanın geleceği yönlendirmesi harika!

Hayvan Türlerini Tespit Etmek için YOLOv5

Lians sadece YOLOv5 birkaç ay önce! Çeşitli hayvan türlerinin görüntüleriyle çalışan YOLOv5 ile nesne algılama modeli olarak çalışmanın ana hedefi, okulunun koruma alanındaki hayvan türlerini classify . 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 başlayabilirsiniz!”

YOLOv5'teki Değer

• Veri artırma
• Çıkarım hızı
• Modelin farklı varyantlarda (s, m, l ve x) mevcut olması ve her birinin farklı tespit doğruluğu ve performansı sunması, onun için işleri 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!