Vì sao trao quyền cho phụ nữ trong lĩnh vực AI và khoa học dữ liệu lại quan trọng

Các doanh nghiệp đang ứng dụng trí tuệ nhân tạo nhanh hơn bao giờ hết để đơn giản hóa quy trình. Ví dụ, AI có thể được dùng để tự động hóa các tác vụ dịch vụ khách hàng, hỗ trợ bác sĩ chẩn đoán bệnh, cải thiện kết quả của công cụ tìm kiếm, điều khiển xe tự lái và nhiều việc khác.

Khi AI ngày càng phổ biến trong đời sống hằng ngày, vấn đề đa dạng và hòa nhập trong lĩnh vực công nghệ vẫn là mối quan ngại đáng kể. Đặc biệt, tình trạng phụ nữ liên tục ít được đại diện trong khoa học dữ liệu và AI, bao gồm khoảng trống dữ liệu giới, dẫn đến việc mã hóa và khuếch đại thiên kiến trong các sản phẩm kỹ thuật và hệ thống thuật toán, tạo ra những vòng lặp phản hồi gây hại.

“Để thực sự đa dạng, bạn cần đưa vào lĩnh vực AI những người có cách suy nghĩ khác biệt.” Kay Firth-Butterfield Trưởng bộ phận AI & Machine Learning và thành viên Ủy ban Điều hành

AI là một trong những lĩnh vực mà phụ nữ có thể đạt được thành công vượt bậc, đặc biệt khi có những động lực phù hợp để thúc đẩy sự tham gia của phụ nữ trong ngành.

Xin giới thiệu Lians Wanjiku, người đam mê khoa học dữ liệu và machine learning. Hãy cùng tìm hiểu hành trình của cô đến với khoa học dữ liệu và truyền cảm hứng cho các bạn nữ trẻ tham gia phong trào công nghệ.

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

Sau khi nhận thấy việc trích xuất thông tin chuyên sâu từ dữ liệu đơn giản đến mức nào, Lians bắt đầu quan tâm đến machine learning. Cô tham gia một cộng đồng khoa học dữ liệu khoảng một năm trước và đặc biệt hứng thú với việc theo đuổi lĩnh vực này như một sự nghiệp. Với Lians, thật tuyệt vời khi khoa học dữ liệu và AI đang thúc đẩy tương lai!

Ultralytics YOLOv5 dùng để phát hiện các loài động vật#

Lians chỉ mới bắt đầu làm quen với YOLOv5 vài tháng trước! Cô làm việc với ảnh của nhiều loài động vật khác nhau; mục tiêu chính khi dùng YOLOv5 làm model phát hiện đối tượng là phân loại các loài động vật trong khu bảo tồn của trường. Sau đó trong dự án, cô nhận ra rằng sau khi phân loại, model có thể tự động gắn nhãn cho tất cả ảnh. Điều này giúp giảm công sức thủ công và tiết kiệm thời gian gắn nhãn ảnh.

Lians cũng thử nghiệm các model phát hiện đối tượng được huấn luyện trước khác, chẳng hạn như TFOD và YOLOv3, vì ban đầu cô cần tích lũy kiến thức và kỹ năng về PyTorch. Tuy nhiên, sau khi tìm thấy Ultralytics YOLOv5 qua quá trình nghiên cứu, cô đã nhanh chóng triển khai model. Theo Lians, model này hoạt động tốt nhất vì gọn nhẹ, dễ sử dụng và mang lại độ chính xác tốt nhất.

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

Giá trị của Ultralytics YOLOv5#

• Tăng cường dữ liệu
• Tốc độ suy luận
• Việc model có nhiều phiên bản (s, m, l và x), mỗi phiên bản có độ chính xác phát hiện và hiệu năng khác nhau, đã giúp cô ấy làm việc dễ dàng hơn.

Lians khuyên bất kỳ ai mới bước chân vào lĩnh vực này nên dùng Ultralytics YOLOv5. Theo lời cô, "YOLOv5 được xây dựng cho bài toán phát hiện đối tượng, nên nó làm rất tốt nhiệm vụ này! Vì cần ít phép toán hơn và ít code hơn, YOLO là một trong những thuật toán phát hiện đối tượng nổi tiếng nhất nhờ tốc độ và độ chính xác."

Lians sẵn sàng hợp tác trên GitHub và có thể trò chuyện qua Twitter; cô cũng đăng các bài viết về những dự án mình đang thực hiện. Hãy xem bài viết của cô: Giới thiệu về phát hiện đối tượng với YOLOv5!

Tôi đã triển khai model phát hiện đối tượng trên một số video có cả ngựa vằn và linh dương impala và.... Từ góc nhìn này, tôi nghĩ mình sẽ phải quay lại phòng làm việc để bổ sung thêm dữ liệu và hoàn thiện model. #100daysofcoding @ultralytics #objectdetection @WomenInDataAfri

— lian.s (@lians_) ngày 29 tháng 11 năm 2022

Cảm ơn bạn đã đọc về trải nghiệm của Lians. Tại Ultralytics, chúng tôi mong muốn ngày càng có nhiều phụ nữ tham gia lĩnh vực này. Chúng tôi sẽ tiếp tục giúp mọi người tiếp cận AI dễ dàng hơn; hãy đón chờ nhé!