Tại sao việc trao quyền cho phụ nữ trong AI và khoa học dữ liệu lại quan trọng

Các doanh nghiệp đang áp dụng trí tuệ nhân tạo nhanh hơn bao giờ hết để đơn giản hóa các quy trình. Ví dụ, AI có thể được sử dụng để tự động hóa các tác vụ dịch vụ khách hàng, giúp bác sĩ chẩn đoán bệnh , cải thiện kết quả công cụ tìm kiếm, điều khiển xe tự lái , v.v. Danh sách còn dài nữa...

Khi AI trở nên phổ biến trong cuộc sống hàng ngày, câu hỏi về tính đa dạng và hòa nhập trong công nghệ vẫn là mối quan tâm đáng kể. Đặc biệt, sự đại diện thiếu hụt dai dẳng của phụ nữ trong khoa học dữ liệu và AI, bao gồm cả khoảng cách dữ liệu giới tính, dẫn đến việc mã hóa và khuếch đại sự thiên vị trong các sản phẩm kỹ thuật và hệ thống thuật toán, tạo ra các vòng phản hồi có hại.

“Để thực sự đa dạng, bạn cần đưa những người có tư duy khác biệt vào AI.”

Kay Firth-Butterfield
Trưởng phòng AI & Học máy và Thành viên của Ủy ban điều hành

AI là một trong những lĩnh vực mà phụ nữ có thể đạt được thành công to lớn, đặc biệt là khi có sự thúc đẩy đúng đắn hướng tới sự tham gia của phụ nữ vào ngành.

Giới thiệu Lians Wanjiku, người đam mê Khoa học dữ liệu và Học máy. Ở đây, chúng ta sẽ cùng tìm hiểu hành trình của cô ấy vào khoa học dữ liệu và truyền cảm hứng cho những phụ nữ trẻ tham gia phong trào công nghệ.

Lians là sinh viên năm cuối và là thực tập sinh trợ lý nghiên cứu tại trung tâm khoa học dữ liệu thuộc Đại học Công nghệ Dedan Kimathi ở Kenya.

Nhận thấy việc trích xuất thông tin chi tiết từ dữ liệu dễ dàng như thế nào, Lians đã nảy sinh hứng thú với Machine Learning. Cô đã tham gia cộng đồng khoa học dữ liệu cách đây khoảng một năm và rất muốn theo đuổi nó như một nghề nghiệp. Đối với Lians, thật tuyệt vời khi khoa học dữ liệu và AI thúc đẩy tương lai!

YOLOv5 để phát hiện các loài động vật

Lians chỉ mới bắt đầu với YOLOv5 cách đây vài tháng! Làm việc với hình ảnh của nhiều loài động vật khác nhau, mục tiêu chính của việc làm việc với YOLOv5 như một mô hình phát hiện đối tượng là phân loại các loài động vật trong khu bảo tồn của trường cô. Sau đó trong dự án, cô nhận ra rằng sau khi phân loại, mô hình có thể tự động chú thích tất cả các hình ảnh. Điều này giúp giảm bớt công sức của con người và tiết kiệm thời gian chú thích hình ảnh.

Lians cũng thử nghiệm với các mô hình phát hiện đối tượng được đào tạo trước khác, chẳng hạn như TFOD và YOLOv3, vì ban đầu, cô ấy cần có kiến thức và kỹ năng về PyTorch. Tuy nhiên, sau khi tìm thấy YOLOv5 thông qua nghiên cứu, cô ấy đã nhanh chóng triển khai nó. Đối với Lian, mô hình này hoạt động tốt nhất vì nó nhẹ , dễ sử dụng và cung cấp độ chính xác tốt nhất .

“Điều tuyệt vời nhất là bạn có thể bắt đầu chỉ với vài dòng mã!”

Giá trị trong YOLOv5

• Tăng cường dữ liệu
• Tốc độ suy luận
• Thực tế là mô hình có nhiều biến thể (s, m, l và x), mỗi biến thể có độ chính xác phát hiện và hiệu suất khác nhau giúp cô ấy dễ dàng hơn.

Lians khuyên dùng YOLOv5 cho bất kỳ ai mới tham gia lĩnh vực này. Theo lời cô ấy, "YOLOv5 được xây dựng để phát hiện đối tượng, vì vậy nó rất tốt trong những gì nó làm! Vì có ít thao tác và ít mã hơn để viết, YOLO là một trong những thuật toán phát hiện đối tượng nổi tiếng nhất do tốc độ và độ chính xác của nó.'

Lians sẵn sàng hợp tác trên GitHub và trò chuyện trên Twitter , cô ấy cũng đăng các bài viết về các dự án cô ấy đang thực hiện. Hãy xem bài viết của cô ấy: Giới thiệu về Phát hiện đối tượng với YOLOv5 !

Tôi đã triển khai mô hình phát hiện đối tượng trên một số video có cả ngựa vằn và linh dương đầu bò và.... Theo góc nhìn này, tôi nghĩ mình sẽ phải quay lại bếp và làm việc với nhiều dữ liệu hơn và hoàn thiện mô hình. #100daysofcoding @ultralytics #objectdetection @WomenInDataAfri
‍

‍

— lian.s__ (@lians___) Ngày 29 tháng 11 năm 2022

Cảm ơn bạn đã đọc về trải nghiệm của Lians. Với tư cách là Ultralytics, chúng tôi mong muốn có nhiều phụ nữ hơn tham gia vào lĩnh vực này. Chúng tôi sẽ tiếp tục giúp AI trở nên dễ dàng hơn cho mọi người, hãy theo dõi!