Yapay Zeka ve Veri Biliminde Kadınları Güçlendirmek Neden Önemli

Şirketler süreçleri basitleştirmek için yapay zekayı her zamankinden daha hızlı benimser. Örneğin yapay zeka müşteri hizmetleri görevlerini otomatikleştirmek, doktorların hastalıkları teşhis etmesine yardımcı olmak, arama motoru sonuçlarını iyileştirmek, otonom araçları kontrol etmek vb. için kullanılabilir. Liste böyle uzayıp gider...

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!

Hayvan Türlerini Tespit Etmek İçin Ultralytics YOLOv5#

Lians, YOLOv5 ile yalnızca birkaç ay önce çalışmaya başladı! Çeşitli hayvan türlerinin görselleriyle çalışırken nesne tespiti modeli olarak YOLOv5 ile çalışmanın asıl amacı, okulunun koruma alanındaki hayvan türlerini sınıflandırmaktı. Projenin ilerleyen aşamalarında, sınıflandırmanın ardından modelin tüm görselleri otomatik olarak etiketleyebileceğini fark etti. Bu, insan emeğini azaltmayı ve görsel etiketlemede zamandan tasarruf etmeyi kolaylaştırır.

Lians, başlangıçta PyTorch konusunda bilgi ve beceri kazanması gerektiği için TFOD ve YOLOv3 gibi diğer önceden eğitilmiş nesne tespiti modelleriyle de denemeler yaptı. Ancak, araştırma yaparken Ultralytics YOLOv5'i bulduktan sonra bunu hızla hayata geçirdi. Lians için bu model, hafif olduğu, kullanımı basit olduğu ve en iyi doğruluğu sağladığı için en iyi performansı gösteriyor.

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

Ultralytics YOLOv5'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 alana yeni başlayan herkese Ultralytics YOLOv5'i tavsiye ediyor. Kendi kelimeleriyle, "YOLOv5 nesne tespiti için üretilmiştir, bu nedenle yaptığı işin en iyisidir! Daha az işlem ve yazılacak daha az kod olduğundan YOLO, hızı ve doğruluğu sayesinde en bilinen nesne tespiti algoritmalarından biridir."

Lians, GitHub üzerinde iş birliklerine açıktır ve Twitter üzerinden sohbet için müsaittir, ayrıca üzerinde çalıştığı projeler hakkında makaleler yayımlar. Makalesine göz at: Introduction to Object Detection with YOLOv5!

Nesne tespiti modelini hem zebraların hem de impalaların bulunduğu bazı videolara uyguladım ve.... Bu açıdan sanırım mutfağa geri dönmem, daha fazla veriydu ile çalışmam ve modeli mükemmelleştirmem gerekecek. #100daysofcoding @ultralytics #objectdetection @WomenInDataAfri

— lian.s (@lians_) November 29, 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!