Perempuan telah membuat kemajuan luar biasa dalam memajukan teknologi AI/ML melalui kontribusinya pada proyek-proyek open source. Mereka telah mengembangkan dan mengelola alat, algoritme, dan framework yang memungkinkan peneliti, developer, dan bisnis untuk menciptakan dan mengimplementasikan solusi AI/ML tercanggih.
Untuk mengapresiasi pencapaian ini, Google Dev Library telah menyoroti kontribusi luar biasa dari developer di seluruh dunia. Ini juga memberikan kesempatan untuk menampilkan kontribusi dari developer perempuan yang mengerjakan proyek AI/ML. Lanjutkan membaca untuk mengetahui proyek dan insight mereka.
Suzen adalah seorang engineer machine learning yang memiliki semangat untuk membantu perusahaan yang memiliki misi dan berwawasan sosial dalam memanfaatkan AI dan data untuk mendorong hasil yang berdampak. Dengan pengalaman selama 3 tahun di Twitter, Suzen mengembangkan alat platform yang menyederhanakan proses pengembangan dan deployment model, sehingga memungkinkan iterasi yang lebih cepat dan efisiensi yang lebih baik. Sue baru-baru ini membagikan postingan blog yang berjudul "Cara Memvisualisasikan Artefak TFX Khusus Dengan InteractiveContext" dengan Dev Library. Mari kita bicara dengan Sue dan mempelajari lebih lanjut tentang pengalamannya.
1. Ceritakan lebih banyak tentang kiriman terbaru Dev Library Anda tentang pemeriksaan artefak TFX dengan InteractiveContext dan mengapa Anda merasa bahwa proses debug pipeline TFX sangatlah penting?
Salah satu hal favorit saya tentang TFX adalah dapat menjalankan langkah-langkah pipeline secara individual dan secara interaktif memeriksa hasilnya dengan InteractiveContext. Dulu saya mengira bahwa Anda hanya bisa menampilkan artefak standar dengan visualisasi bawaan, tetapi ternyata Anda juga bisa menggunakan InteractiveContext dengan artefak khusus. Karena saya belum menemukan contoh atau dokumentasi yang menjelaskan cara menampilkan artefak khusus, saya menulis sebuah tutorial.
2. Dapatkah Anda menjelaskan proses dalam membuat dokumentasi teknis proyek untuk membantu developer lain?
Ketika membuat dokumentasi teknis untuk pekerjaan atau proyek open source, saya melakukan yang terbaik untuk mengikuti praktik terbaik komunitas dan panduan gaya serta memusatkan pembaca. Saya banyak berpikir tentang hal-hal yang diharapkan dapat dipelajari atau dilakukan pembaca setelah membaca dokumentasi ini. Saya menggunakan pendekatan yang sama ketika menulis tutorial yang saya kirimkan.
Saya sarankan untuk berkontribusi pada komunitas yang Anda sukai serta proyek yang Anda gunakan dan ingin Anda bantu tingkatkan. Buatlah sesuatu menggunakan proyek tersebut. Ajukan pertanyaan ketika dokumentasi perlu diklarifikasi. Laporkan bug ketika Anda menemukannya. Jika Anda membuat sesuatu yang keren, demonstrasikan atau tulislah. Jika Anda menemukan masalah yang bisa Anda perbaiki, tawarkan diri Anda untuk memperbaikinya. Dan jika Anda mengalami kebuntuan atau tidak mengerti sesuatu, mintalah bantuan. Saya juga menyarankan untuk membaca panduan "Cara Berkontribusi untuk Open Source" dari GitHub (https://opensource.guide/how-to-contribute/). Pendapat favorit saya adalah bahwa proyek open source bukan hanya sekadar kode dan ada banyak cara untuk berkontribusi berdasarkan minat Anda.
Sebagian besar proyek pribadi saya adalah latihan pembelajaran aktif. Ketika menulis tentang proyek semacam itu, saya lebih berfokus pada proses membangunnya daripada hasilnya. Jadi, selain menunjukkan cara kerjanya, saya menjelaskan hal-hal yang menginspirasi saya untuk membuatnya, tantangan yang saya hadapi, dan rencana berikutnya untuk proyek tersebut. Saya juga menyertakan banyak link ke sumber daya yang menurut saya bermanfaat untuk memahami alat dan konsep yang saya pelajari.
3. Apa saran yang bisa Anda berikan kepada perempuan lain yang tertarik untuk mengembangkan proyek AL/ML open source, dan bagaimana mereka bisa memulainya?
Saya sarankan untuk berkontribusi pada komunitas yang Anda sukai serta proyek yang Anda gunakan dan ingin Anda bantu tingkatkan. Buatlah sesuatu menggunakan proyek tersebut. Ajukan pertanyaan ketika dokumentasi perlu diklarifikasi. Laporkan bug ketika Anda menemukannya. Jika Anda membuat sesuatu yang keren, demonstrasikan atau tulislah. Jika Anda menemukan masalah yang bisa Anda perbaiki, tawarkan diri Anda untuk memperbaikinya. Dan jika Anda mengalami kebuntuan atau tidak mengerti sesuatu, mintalah bantuan. Saya juga menyarankan untuk membaca panduan "Cara Berkontribusi untuk Open Source" dari GitHub (https://opensource.guide/how-to-contribute/). Pendapat favorit saya adalah bahwa proyek open source bukan hanya sekadar kode dan ada banyak cara untuk berkontribusi berdasarkan minat Anda.
4. Biodata profil penulis Dev Library Anda menyatakan bahwa Anda sedang mengeksplorasi cara untuk "membuat belajar bahasa menyenangkan dan mudah dipahami." Dapatkah Anda menjelaskan kepada saya proses tersebut?
Inilah aspirasi dan hobi saya saat ini. Saya suka mempelajari bahasa dan belajar cara mempelajari bahasa. Bahasa adalah "hal yang bisa saya bicarakan berjam-jam tanpa merasa bosan." Saya sebenarnya tidak memiliki proses untuk hal ini. Sebaliknya, saya melakukan banyak eksplorasi dan eksperimen dan membiarkan rasa ingin tahu memandu saya. Kadang-kadang saya membaca buku teks linguistik, mencoba berbagai aplikasi pembelajaran bahasa, berkontribusi pada proyek seperti Common Voice, atau belajar cara menggunakan library seperti spaCy.
5. Bagaimana Anda melihat bidang pengembangan AI/ML open source berkembang di tahun-tahun mendatang, dan bagaimana Anda mempersiapkan diri untuk perubahan tersebut?
Saya melihat adanya pengembangan alat dan platform yang terus berlanjut yang bertujuan untuk mendorong machine learning. Saya berharap ini memungkinkan orang bisa terlibat secara nyata dengan model dan produk teknologi AI yang mereka gunakan dan lebih memahami cara kerjanya. Saya juga berharap ini akan mengarah pada lebih banyak partisipasi komunitas penelitian akar rumput seperti Masakhane dan mendorong orang-orang tanpa latar belakang ML atau software engineering untuk membuat dan berkontribusi pada proyek-proyek open source.
Aqsa adalah engineer machine learning yang memiliki rasa ingin tahu yang tinggi terhadap teknologi dan keinginan untuk berbagi ide dengan orang lain. Dia memiliki pengalaman praktik dalam berbagai proyek, termasuk perkiraan langkah kaki, deteksi katarak, augmented reality, deteksi objek, dan sistem pemberi rekomendasi. Aqsa membagikan postingan blognya yang berjudul "Callback di TensorFlow — Sesuaikan Perilaku Pelatihan Anda" dengan Dev Library. Mari kita berbincang dengan Aqsa dan mempelajari lebih lanjut tentang pengalamannya.
1. Sebagai Google Developer Expert (GDE) pertama dari Pakistan, bagaimana cara Anda membangun komunitas yang inklusif dan beragam di sekitar Anda?
Sebagai Google Developer Expert (GDE), tanggung jawab saya adalah membantu meningkatkan komunitas teknologi melalui acara, lokakarya, dan bimbingan yang inklusif dan beragam. Dengan dukungan dari Google, sesama GDEs, dan Google Developer Group, kami bertujuan untuk menciptakan peluang yang dapat diakses oleh semua orang, terlepas dari latar belakang atau tingkat pengalamannya. Sebagai pembicara, saya membagikan pengetahuan saya tentang ML kepada audience yang beragam dan menawarkan bimbingan kepada mereka yang kurang terwakili di bidang teknologi, termasuk perempuan, minoritas, dan individu dari berbagai latar belakang. Saya memberikan panduan tentang peluang pendidikan dan karier serta menghubungkan mereka dengan sumber daya, melayani sebanyak mungkin orang melalui berbagai cara komunikasi.
2. Bagaimana cara Anda berkolaborasi dengan developer lain dalam proyek AI/ML open source, dan apa saja praktik terbaik yang Anda ikuti untuk memastikan keberhasilan?
Dalam komunitas GDE, kami memiliki kontributor open source aktif yang berkolaborasi dalam grup untuk membuat tutorial, makalah penelitian, dan lainnya. Kolaborasi sangat disarankan, dan Googler terkadang memimpin proyek open source bersama GDEs. Saat Anda menyatakan minat, developer terbuka untuk bekerja sama. Untuk menumbuhkan budaya positif, kami menekankan nilai dan rasa hormat, tujuan yang jelas, tugas yang dapat dikelola, saluran komunikasi, komunikasi terbuka, masukan yang konstruktif, dan merayakan pencapaian. Kolaborasi yang sukses bergantung pada penghargaan terhadap waktu dan keahlian setiap individu.
3. Bagaimana Anda menyeimbangkan kebutuhan akan ketelitian teknis dengan kebutuhan akan kegunaan dan aksesibilitas dalam proyek open source Anda?
Memahami audience Anda dan kebutuhan mereka sangatlah penting untuk mendapatkan keseimbangan yang tepat antara ketelitian teknis dan kegunaan. Sederhanakan konsep teknis untuk audience non-teknis dan fokuslah pada aplikasi praktis. Dalam proyek open source, Anda memiliki banyak fleksibilitas, tetapi dalam lokakarya atau pelatihan, pilihlah alat dan teknologi yang sesuai untuk audience Anda. Untuk pemula, gunakan bahasa yang sederhana dan demo interaktif. Untuk audience tingkat menengah atau mahir, bahas lebih dalam mengenai detail teknis dengan cuplikan coding dan konsep yang kompleks.
4. Menurut Anda, mengapa penting bagi penulis teknis untuk merevisi konten atau proyek secara reguler? Apakah menurut Anda penting bagi setiap penulis teknis atau pengelola open source untuk mengikuti praktik terbaik ini?
Teknologi selalu berubah, sehingga penulis teknis perlu merevisi konten secara reguler untuk memastikan akurasinya. Masukan dari pembaca bisa membantu membuatnya lebih mudah diakses dan relevan. Namun, kontributor mungkin tidak selalu punya waktu untuk mengupdate pekerjaan mereka karena jadwal yang padat. Namun demikian, proyek dan blog teknologi tetap menjadi batu loncatan yang penting bagi developer baru, yang dapat berkontribusi dengan update atau blog lanjutan.
5. Bisakah Anda memberi tahu saya tentang proyek yang telah dikerjakan yang sangat Anda banggakan, dan apa dampaknya terhadap komunitas open source?
Saya telah menjadi bagian dari inisiatif yang berdampak besar seperti Google Women Developer Academy, di sana saya menjadi mentor untuk program uji coba mereka. Program ini membantu para perempuan di bidang teknologi untuk meningkatkan kemampuan komunikasinya dan mempersiapkan mereka untuk menunjukkan bakatnya, serta meningkatkan kepercayaan diri mereka. Saya juga berkolaborasi dengan sesama Google Developer Experts (GDEs) selama pandemi COVID-19 untuk membuat kursus open source yang disebut "ML for Rookies", yang menyederhanakan konsep machine learning. Saat ini, saya sedang mengerjakan proyek Cloud AI yang didukung oleh GCP dan telah memulai repo open source "Cloud Playground" untuk membuat pembelajaran cloud-ai lebih mudah diakses.
Margaret, ML Google Developer Expert (GDE) sejak tahun 2018, adalah research engineer ML yang mengaplikasikan AI/ML pada aplikasi dunia nyata mulai dari perubahan iklim hingga seni dan desain. Dengan keahliannya di bidang deep learning, computer vision, TensorFlow, dan ML di perangkat, ia sering menulis dan berbicara di berbagai konferensi. Margaret telah membagikan beberapa proyek dalam topik seperti TensorFlow Lite dengan Dev Library. Mari kita berbincang dengan Margaret dan mempelajari lebih lanjut tentang pengalamannya.
1. Bisakah Anda membagikan teknologi Google yang Anda gunakan?
Beberapa teknologi Google yang saya gunakan adalah TensorFlow, TensorFlow Lite, Keras, Android, MediaPipe, dan ML Kit.
2. Bagaimana cara Anda berkolaborasi dengan developer lain dalam proyek open source, dan apa saja praktik terbaik yang Anda ikuti untuk memastikan kolaborasi tersebut sukses?
Saya berkolaborasi dengan Googler, ML GDEs, mahasiswa, dan para profesional di bidang teknologi. Komunikasi yang konsisten dan memperhatikan praktik terbaik, seperti pengecekan kode dan tinjauan kode, sangat membantu untuk memastikan kolaborasi tersebut sukses.
3. Seperti apa proses pengembangan Anda dalam membuat dan mengelola proyek AI/ML open source, dan bagaimana Anda memprioritaskan proyek mana yang akan dikerjakan?
Waktu yang tersedia sangat terbatas, jadi penentuan prioritas sangatlah penting. Saya suka menampilkan teknologi baru atau area yang mungkin menjadi tantangan bagi developer, termasuk saya. Selain kode dan tutorial, saya juga suka membagikan pengetahuan dengan sketsa dan ilustrasi visual.
4. Anda telah membagikan materi pembelajaran di TensorFlow Lite. Apa saran yang bisa Anda berikan kepada perempuan lain yang tertarik untuk mengembangkan proyek open source, dan bagaimana mereka bisa memulainya?
Ada banyak cara untuk berkontribusi pada proyek open source: memberikan masukan pada dokumentasi atau fitur produk; menulis tutorial dengan kode contoh; membantu memperbaiki bug atau berkontribusi pada library, dan lainnya. Sebaiknya mulailah dari yang sederhana dan mudah terlebih dahulu, lalu lanjutkan ke proyek yang lebih menantang.
5. Bagaimana Anda melihat bidang pengembangan AI/ML open source berevolusi di tahun-tahun mendatang, dan bagaimana Anda mempersiapkan diri untuk perubahan ini?
Open source akan semakin penting untuk pengembangan AI/ML, terbukti misalnya dengan pengembangan AI generatif dan machine learning di perangkat baru-baru ini. Akan ada lebih banyak peluang untuk proyek open source. Teruslah berkontribusi karena proyek open source adalah cara terbaik untuk mempelajari hal terbaru sambil membantu orang lain.
Apakah Anda aktif berkontribusi di komunitas AI/ML? Jadilah Kontributor Google Dev Library!
Google Dev Library adalah platform untuk menampilkan proyek open source yang mengusung teknologi Google. Bergabunglah dengan komunitas developer global kami untuk menunjukkan proyek Anda. Kirimkan karya Anda.