AI ve Veri Biliminde Kadınları Güçlendirmek Neden Önemli?

İşletmeler, 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 fazlası için kullanılabilir. Liste böyle uzayıp gidiyor...

Yapay zekâ günlük yaşamda yaygınlaştıkça teknoloji alanında çeşitlilik ve kapsayıcılık konusu önemli bir endişe olmaya devam ediyor. Özellikle, toplumsal cinsiyet verilerindeki boşluklar da dâhil olmak üzere, veri bilimi ve yapay zekâ alanlarında kadınların sürekli olarak yeterince temsil edilmemesi; teknik ürünlerde ve algoritmik sistemlerde önyargıların kodlanmasına ve güçlenmesine yol açarak zararlı geri bildirim döngüleri oluşturuyor.

“Gerçek anlamda çeşitli olmak için yapay zekâ alanına farklı düşünen insanları dahil etmen gerekir.” Kay Firth-Butterfield Yapay Zekâ ve Makine Öğrenmesi Başkanı ve Yönetim Kurulu Üyesi

Yapay zekâ, kadınların özellikle sektöre kadınların katılımını destekleyen doğru teşviklerle büyük başarı elde edebileceği alanlardan biridir.

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

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

Verilerden içgörü çıkarmanın ne kadar basit olduğunu fark eden Lians'ın ilgisi Makine Öğrenmesine yöneldi. Yaklaşık bir yıl önce bir veri bilimi topluluğuna katıldı ve bunu kariyer olarak sürdürmeye büyük ilgi gösterdi. Lians'a göre veri bilimi ve yapay zekânın geleceği şekillendirmesi gerçekten hayranlık verici!

Hayvan Türlerini Tespit Etmek için Ultralytics YOLOv5#

Lians, YOLOv5 kullanmaya yalnızca birkaç ay önce başladı! Çeşitli hayvan türlerinin görüntüleriyle çalışırken, YOLOv5'i bir nesne algılama modeli olarak kullanmasının temel amacı, okulunun koruma alanındaki hayvan türlerini sınıflandırmaktı. Projenin ilerleyen aşamalarında, sınıflandırmadan sonra modelin tüm görüntülere otomatik olarak açıklama ekleyebildiğini fark etti. Bu, görüntülere açıklama eklerken gereken insan emeğini azaltmayı ve zamandan tasarruf etmeyi kolaylaştırıyor.

Lians, başlangıçta PyTorch konusunda bilgi ve beceri edinmesi gerektiği için TFOD ve YOLOv3 gibi önceden eğitilmiş diğer nesne algılama modellerini de denedi. Ancak araştırmaları sırasında Ultralytics YOLOv5'i bulduktan sonra onu hızla uygulamaya koydu. Lians'a göre model, hafif, kullanımı basit ve en iyi doğruluğu sağladığı için en iyi performansı gösteriyor.

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

Ultralytics YOLOv5'in Değeri#

• Veri artırma
• Çıkarım hızı
• Modelin her biri farklı algılama doğruluğuna ve performansa sahip çeşitli varyantlarda (s, m, l ve x) sunulması, Lians'ın işini kolaylaştırdı.

Lians, bu alanda yeni olan herkese Ultralytics YOLOv5'i öneriyor. Onun sözleriyle, "YOLOv5 nesne algılama için geliştirildi, yani yaptığı işte iyi! Daha az işlem ve yazılacak daha az kod olduğundan YOLO, hızı ve doğruluğu sayesinde en tanınmış nesne algılama algoritmalarından biridir."

Lians, GitHub üzerinden iş birliklerine açık ve Twitter üzerinden sohbet etmeye hazır; ayrıca üzerinde çalıştığı projelerle ilgili makaleler yayımlıyor. Makalesine göz at: YOLOv5 ile Nesne Algılamaya Giriş!

Hem zebraların hem de impalaların bulunduğu bazı videolarda nesne algılama modelini çalıştırdım ve.... Bu açıdan bakınca mutfağa dönüp daha fazla veriyle çalışmam ve modeli kusursuzlaştırmam gerekeceğini düşünüyorum. #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 kolay hâle getirmeye devam edeceğiz, bizi takipte kal!