As mulheres fizeram progressos incríveis no avanço da tecnologia de IA/ML por meio de suas contribuições para projetos de código aberto, desenvolvendo e fazendo a manutenção de ferramentas, algoritmos e frameworks que permitem que pesquisadores, desenvolvedores e empresas criem e implementem soluções de ponta de IA/ML.
Para comemorar essas conquistas, a Google Dev Library apresentou contribuições extraordinárias de desenvolvedores de todo o mundo, como também deu uma oportunidade de mostrar as contribuições de mulheres desenvolvedoras que estão trabalhando em projetos de IA/ML. Continue lendo para saber mais sobre os projetos e insights deles.
Suzen é engenheira de aprendizado de máquina que tem paixão por ajudar empresas movidas por uma missão e com mentalidade social a aproveitar a IA e os dados para gerar resultados impactantes. Com três anos de experiência no Twitter, Suzen desenvolveu ferramentas de plataforma que agilizaram processos de desenvolvimento e implantação de modelos, permitindo uma iteração mais rápida e maior eficiência. Recentemente, Sue compartilhou a postagem no blog intitulada "How to Visualize Custom TFX Artifacts With InteractiveContext" (Como visualizar artefatos TFX personalizados com o InteractiveContext) com a Dev Library. Vamos conversar com Sue e saber mais sobre a experiência dela.
1. Conte-nos mais sobre seu recente envio para a Dev Library sobre a inspeção de artefatos TFX com o InteractiveContext e por que você o considera indispensável para depurar pipelines TFX.
Um dos recursos de que mais gosto no TFX é poder executar etapas de pipeline individualmente e inspecionar interativamente os resultados com o InteractiveContext. Eu achava que só seria possível exibir artefatos padrão com visualizações integradas, mas, na verdade, também é possível usar o InteractiveContext com artefatos personalizados. Como não encontrei nenhum exemplo ou documentação explicando como exibir artefatos personalizados, decidi escrever um tutorial.
2. Você pode nos explicar seu processo de criação de documentação técnica para seus projetos para ajudar outros desenvolvedores?
Quando crio documentação técnica para projetos de trabalho ou de código aberto, faço o possível para seguir as práticas recomendadas e os guias de estilo da comunidade e para orientar o leitor. Penso muito sobre o que os leitores esperam aprender ou ser capazes de fazer depois de ler os documentos. Segui uma abordagem semelhante quando escrevi o tutorial que enviei.
Eu recomendo contribuir para as comunidades das quais você gosta e com os projetos que você usa e quer ajudar a melhorar. Crie coisas usando o projeto. Faça perguntas quando a documentação precisar ser esclarecida. Relate bugs quando os encontrar. Se você criar algo legal, demonstre ou escreva sobre isso. Se você encontrar um problema que consiga corrigir, ofereça-se para fazê-lo. E, se você travar ou não entender alguma coisa, peça ajuda. Também recomendo ler o guia "How to Contribute to Open Source" (Como contribuir para o código aberto) do GitHub (https://opensource.guide/how-to-contribute/). Minha mensagem favorita desse guia é que os projetos de código aberto são mais do que código e que existem muitas maneiras diferentes de contribuir com base em seus interesses.
A maioria dos projetos que fiz são exercícios de aprendizado dinâmico. Quando escrevo sobre esses projetos, me concentro muito mais no processo de criá-los do que no resultado. Então, além de mostrar como eles funcionam, descrevo o que me inspirou a criá-los, os desafios que encontrei e as próximas etapas para o projeto. Também incluo muitos links para recursos que achei úteis para entender as ferramentas e os conceitos sobre os quais aprendi.
3. Que conselhos você daria para outras mulheres interessadas em desenvolver projetos de IA/ML de código aberto, e o que elas devem fazer para começar?
Eu recomendo contribuir para as comunidades das quais você gosta e com os projetos que você usa e quer ajudar a melhorar. Crie coisas usando o projeto. Faça perguntas quando a documentação precisar ser esclarecida. Relate bugs quando os encontrar. Se você criar algo legal, demonstre ou escreva sobre isso. Se você encontrar um problema que consiga corrigir, ofereça-se para fazê-lo. E, se você travar ou não entender alguma coisa, peça ajuda. Também recomendo ler o guia "How to Contribute to Open Source" (Como contribuir para o código aberto) do GitHub (https://opensource.guide/how-to-contribute/). Minha mensagem favorita desse guia é que os projetos de código aberto são mais do que código e que existem muitas maneiras diferentes de contribuir com base em seus interesses.
4. Na sua biografia do perfil do autor da Dev Library, você diz que está explorando como "tornar o aprendizado de idiomas divertido e acessível". Você pode nos explicar esse processo?
Esse é um desejo meu e principalmente um hobby agora. Adoro aprender idiomas e aprender como aprender idiomas. Idiomas são "o assunto sobre o qual eu posso falar por horas sem ficar entediada". Na verdade, não tenho um processo para isso. Eu simplesmente exploro e experimento muito e deixo minha curiosidade me guiar. Às vezes, isso envolve ler livros didáticos de linguística, testar diferentes aplicativos de aprendizado de idiomas, contribuir para projetos, como o Common Voice, ou aprender a usar bibliotecas como o spaCy.
5. Como você vê a evolução do campo de desenvolvimento de IA/ML de código aberto nos próximos anos e como está se preparando para essas mudanças?
Vejo uma continuidade no desenvolvimento de ferramentas e plataformas voltadas para a democratização do aprendizado de máquina. Espero que isso permita que as pessoas vejam sentido ao trabalhar com os modelos e produtos baseados em IA que usam e entendam melhor como funcionam. Também espero que isso leve a mais comunidades de pesquisa participativas de base, como a Masakhane, e incentive pessoas sem formação em ML ou engenharia de software a criar e contribuir para projetos de código aberto.
Aqsa é uma engenheira de aprendizado de máquina apaixonada pelo que faz, com grande curiosidade por tecnologia e desejo de compartilhar ideias com outras pessoas. Ela tem experiência prática em diversos projetos, incluindo previsão de passos, detecção de catarata, realidade aumentada, detecção de objetos e sistemas de recomendação. Aqsa compartilhou a postagem no blog intitulada "Callbacks in TensorFlow — Customize the Behavior of your training" (Callbacks no TensorFlow – Personalize o comportamento do seu treinamento) com a Dev Library. Vamos falar com Aqsa e saber mais sobre a experiência dela.
1. Sendo a primeira Especialista do Google Developers (GDE, na sigla em inglês) do Paquistão, como você aborda a construção de comunidades inclusivas e diversificadas ao seu redor?
Como Especialista do Google Developers (GDE), minha responsabilidade é ajudar a melhorar a comunidade de tecnologia em eventos, workshops e mentorias inclusivos e diversificados. Com o apoio do Google, de outros GDEs e dos Google Developer Groups, pretendemos criar oportunidades acessíveis para todos, seja qual for a formação ou o nível de experiência. Como palestrante, compartilho meu conhecimento em ML com diversos públicos e dou orientação a pessoas sub-representadas em tecnologia, incluindo mulheres, minorias e indivíduos de diferentes origens. Eu dou orientação sobre oportunidades educacionais e de carreira e conecto pessoas com recursos, atendendo ao máximo de pessoas que posso em vários meios de comunicação.
2. Como você aborda a colaboração com outros desenvolvedores em projetos de IA/ML de código aberto e quais são as práticas recomendadas que você segue para garantir o sucesso?
Em nossa comunidade de GDE, temos colaboradores de código aberto ativos que fazem contribuições em grupos para tutoriais, artigos de pesquisa e muito mais. A colaboração é muito bem-vinda, e, às vezes, os Googlers lideram projetos de código aberto com GDEs. Quando você demonstra interesse, os desenvolvedores ficam abertos a trabalhar em conjunto. Para promover uma cultura positiva, enfatizamos valor e respeito, metas claras, tarefas gerenciáveis, canais de comunicação, comunicação aberta, feedback construtivo e celebração de marcos. A colaboração bem-sucedida depende da valorização do tempo e das habilidades de cada um.
3. Como você equilibra a necessidade de rigor técnico com a necessidade de usabilidade e acessibilidade em seus projetos de código aberto?
Entender seu público e as necessidades dele é crucial para encontrar o equilíbrio certo entre rigor técnico e usabilidade. Simplifique conceitos técnicos para públicos não técnicos e concentre-se em aplicações práticas. Em projetos de código aberto, você tem mais flexibilidade, mas, em workshops ou treinamentos, escolha ferramentas e tecnologias adequadas para seu público. Para iniciantes, use uma linguagem mais simples e demonstrações interativas. Para públicos intermediários ou avançados, aprofunde-se em detalhes técnicos com snippets de programação e conceitos complexos.
4. Por que você acha importante que os redatores técnicos revisem seu conteúdo ou projetos regularmente? Você acha importante que todos os redatores técnicos ou profissionais que fazem a manutenção do código aberto sigam essa prática recomendada?
A tecnologia está em constante mudança; por isso, redatores técnicos precisam revisar o conteúdo regularmente para garantir que esteja correto. O feedback do público pode ajudar a torná-lo acessível e relevante, mas os colaboradores nem sempre têm tempo para atualizar o próprio trabalho devido às agendas lotadas. No entanto, blogs e projetos de tecnologia ainda fornecem uma ajuda inicial útil para novos desenvolvedores, que podem contribuir com atualizações ou blogs de acompanhamento.
5. Você pode nos contar sobre algum projeto em que trabalhou e do qual tem um orgulho especial e que impacto ele teve na comunidade de código aberto?
Participei de iniciativas impactantes, como a Google Women Developer Academy, em que fui mentora do piloto. O programa ajuda as mulheres em tecnologia a melhorar suas habilidades de comunicação e as prepara para mostrar seus talentos, aumentando sua confiança. Também colaborei com os colegas Especialistas do Google Developers (GDEs) durante a pandemia de COVID-19 para criar um curso de código aberto chamado "ML for Rookies" (ML para iniciantes) que simplifica os conceitos de aprendizado de máquina. Atualmente, estou trabalhando em um projeto de IA na nuvem apoiado pelo GCP e iniciei um repositório de código aberto "Cloud Playground" (Playground na nuvem) para tornar o aprendizado de IA na nuvem ainda mais acessível.
Margaret, especialista em ML do Google Developer (GDE) desde 2018, é engenheira de pesquisa de ML que aplica IA/ML a situações reais, desde mudanças climáticas até arte e design. Com experiência em aprendizado profundo, visão computacional, TensorFlow e ML no dispositivo, ela costuma escrever e falar em conferências. Margaret compartilhou vários projetos em temas como o TensorFlow Lite com a Dev Library. Vamos falar com Margaret e saber mais sobre a experiência dela.
1. Você pode nos contar com quais tecnologias do Google trabalha?
Algumas das tecnologias do Google com as quais trabalho são TensorFlow, TensorFlow Lite, Keras, Android, MediaPipe e Kit de ML.
2. Como você aborda a colaboração com outros desenvolvedores em projetos de código aberto, e quais são as práticas recomendadas que você segue para garantir uma colaboração bem-sucedida?
Colaborei com Googlers, GDEs em ML, estudantes e profissionais de tecnologia. A comunicação consistente e a observação das práticas recomendadas, como check-in e revisões de código, são úteis para garantir uma colaboração bem-sucedida.
3. Como é seu processo de desenvolvimento para criar e manter projetos de IA/ML de código aberto e como você prioriza em quais projetos trabalhar?
O tempo é limitado; portanto, estabelecer prioridades é muito importante. Gosto de mostrar novas tecnologias ou áreas nas quais os desenvolvedores, inclusive eu, podem ter desafios. Além de código e tutoriais, também gosto de compartilhar meu conhecimento com esboços e ilustrações visuais.
4. Você tem compartilhado recursos de aprendizado no TensorFlow Lite. Que conselhos você daria para outras mulheres interessadas em desenvolver projetos de código aberto, e o que elas devem fazer para começar?
Existem muitas maneiras de contribuir para projetos de código aberto: fornecer feedback sobre documentação ou recursos de produto; escrever um tutorial com exemplo de código; ajudar a corrigir bugs ou contribuir para bibliotecas etc. É melhor começar de forma simples e fácil primeiro e depois avançar para projetos mais desafiadores.
5. Como você vê a evolução do campo de desenvolvimento de IA/ML de código aberto nos próximos anos, e como você está se preparando para essas mudanças?
O código aberto está se tornando cada vez mais importante para o desenvolvimento de IA/ML, o que ficou nítido no recente desenvolvimento de IA generativa e aprendizado de máquina no dispositivo, por exemplo. Haverá ainda mais oportunidades para projetos de código aberto, então, continue contribuindo, porque os projetos de código aberto são uma ótima maneira de saber as últimas novidades e, ao mesmo tempo, ajudar os outros.
Você está contribuindo ativamente para a comunidade de IA/ML? Seja um colaborador da Google Dev Library!
A Google Dev Library é uma plataforma para apresentar projetos de código aberto com tecnologias do Google. Junte-se à nossa comunidade global de desenvolvedores para mostrar seus projetos. Envie seu conteúdo.