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 İçin YOLOv5

Lians, YOLOv5'e birkaç ay önce başladı! Çeşitli hayvan türlerinin görüntüleriyle çalışan YOLOv5 ile bir nesne algılama modeli olarak 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 görüntüleri etiketleme süresinden tasarruf etmeyi kolaylaştırır.

Lians ayrıca, başlangıçta PyTorch konusunda bilgi ve beceri kazanması gerektiğinden, TFOD ve YOLOv3 gibi diğer önceden eğitilmiş nesne algılama modellerini de denedi. Ancak, araştırma yoluyla YOLOv5'i bulduktan sonra, hızlı bir şekilde uyguladı. Lian için model, hafif, kullanımı basit ve en iyi doğruluğu sağladığı için en iyi performansı gösteriyor.

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

YOLOv5'in Değeri

• 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 oluşturuldu, 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 üzerinde işbirliğine açık ve Twitter üzerinden sohbet edebilir, ayrıca üzerinde çalıştığı projeler hakkında makaleler yayınlıyor. Şu makalesine göz atın: YOLOv5 ile Nesne Algılamaya Giriş!

Nesne algılama modelini hem zebra hem de impala içeren bazı videolarda uyguladım ve.... Bu perspektiften mutfağa geri dönüp daha fazla veriyle çalışmam ve modeli mükemmelleştirmem gerekeceğini düşünüyorum. #100daysofcoding @ultralytics #objectdetection @WomenInDataAfri
‍

‍

— lian.s__ (@lians___) 29 Kasım 2022

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