Yapay Zeka ve Veri Biliminde Kadınları Güçlendirmek Neden Önemli?

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, sürücüsüz arabaları kontrol etmek vb. için kullanılabilir. Liste uzayıp gidiyor...

Yapay zeka günlük yaşamda yaygınlaştıkça, teknolojide çeşitlilik ve kapsayıcılık sorunu önemli bir endişe kaynağı olmaya devam etmektedir. Özellikle, kadınların veri bilimi ve yapay zeka alanında sürekli olarak yetersiz temsil edilmesi, cinsiyete dayalı veri boşlukları da dahil olmak üzere, teknik ürünlerde ve algoritmik sistemlerde önyargının kodlanmasına ve güçlendirilmesine yol açarak zararlı geri bildirim döngüleri yaratmaktadır.

"Gerçekten çeşitliliğe sahip olmak için YZ'ye farklı düşünen insanları getirmeniz gerekir."

Kay Firth-Butterfield
Yapay Zeka ve Makine Öğrenimi Başkanı ve İcra Kurulu Üyesi

Yapay zeka, özellikle kadınların sektöre katılımına yönelik doğru bir hamle ile kadınların muazzam bir başarı elde edebileceği alanlardan biridir.

Karşınızda Veri Bilimi ve Makine Öğrenimi meraklısı Lians Wanjiku. Burada, onun veri bilimi yolculuğunda bir gezintiye çıkacağız ve genç kadınlara teknoloji hareketine katılmaları için ilham vereceğiz.

Lians, Kenya'daki Dedan Kimathi Teknoloji Üniversitesi'nde son sınıf öğrencisi ve veri bilimi merkezinde araştırma görevlisi stajyeri.

Verilerden içgörü elde etmenin ne kadar basit olduğunu fark eden Lians'ın ilgisi Makine Öğrenimine yöneldi. Yaklaşık bir yıl önce bir veri bilimi topluluğuna katıldı ve bunu bir kariyer olarak sürdürmeye büyük ilgi duydu. Lians'a göre veri bilimi ve yapay zekanın geleceği yönlendirmesi inanılmaz!

YOLOv5 Hayvan Türlerini Tespit Etmek için

Lians sadece YOLOv5 birkaç ay önce! 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 görüntülere otomatik olarak açıklama ekleyebileceğini fark etti. Bu, insan çabasını azaltmayı ve görüntülere açıklama eklemek için zaman kazanmayı kolaylaştırıyor.

Lian ayrıca TFOD ve YOLOv3 gibi önceden eğitilmiş diğer nesne algılama modellerini de denedi çünkü başlangıçta PyTorch adresinde bilgi ve beceri kazanması gerekiyordu. Ancak araştırma yoluyla YOLOv5 adresini bulduktan sonra hızlı bir şekilde uyguladı. Lian'a göre bu model hafif, kullanımı kolay ve en iyi doğruluğu sağladığı için en iyi performansı gösteriyor.

"En iyi yanı, sadece birkaç satır kodla başlayabilmeniz!"

İçindeki Değer YOLOv5

• Veri artırımı
• Çıkarım hızı
• Modelin her biri farklı algılama doğruluğu ve performansına sahip çeşitli varyantlarının (s, m, l ve x) mevcut olması işini kolaylaştırdı.

Lians, bu alanda yeni olan herkes için YOLOv5 adresini öneriyor. Lians'ın sözleriyle, "YOLOv5 nesne tespiti için geliştirilmiştir, dolayısıyla yaptığı işte iyidir! Daha az işlem ve yazılacak daha az kod olduğundan, YOLO hızı ve doğruluğu nedeniyle en iyi bilinen nesne algılama algoritmalarından biridir.

Lians GitHub 'da işbirliğine açık ve Twitter'da sohbet için müsait, ayrıca üzerinde çalıştığı projeler hakkında makaleler yayınlıyor. Makalesine göz atın: YOLOv5 ile Nesne Algılamaya Giriş!

Nesne algılama modelini hem zebraların hem de impalaların bulunduğu bazı videolara uyguladım ve.... Bu açıdan bakıldığında, sanırım mutfağa geri dönüp daha fazla veriyle çalışmam ve modeli mükemmelleştirmem gerekecek. #100daysofcoding @ultralytics #objectdetection @WomenInDataAfri
‍

‍

- lian.s__ (@lians___) 29 Kasım 2022

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