یک هفته بینایی رایانه ای در سئول: نکات برجسته ICCV 2019 من

توجه: از همه کسانی که نظر دادند و تغییرات را در پیش نویس اصلی این پست پیشنهاد کردند ، متشکریم. نکات برجسته نسبت به علایق کنونی من در زمینه بازیابی اطلاعات در ویدئوهای زنده بزرگ مقیاس دارد.

من فکر می کنم ICCV2019 یکی از بهترین کنفرانس هایی بود که تا کنون حضور داشته ام. برخی از دوستان من حتی گفتند که آن را بهتر از CVPR امسال دوست دارند. دیدن همه پیشرفت ها در بینایی رایانه بسیار زیبا بود. همچنین ، سئول یک شهر فوق العاده است که مطمئناً دوباره از آن دیدن خواهم کرد.

اگر بخواهم 3 مورد متداول ترین موضوعی را که دیدم ذکر کنم ، می گویم فشرده سازی/تقویت ، جستجوی معماری عصبی و ردیابی افراد کارهای مرتبط (شناسایی مجدد شخص/چهره ، شمارش جمعیت و غیره). با احترام به GAN ها که هنوز هم بسیار محبوب هستند.

از طرف دیگر ، اگرچه از پیشرفت همه جانبه در پردازش ویدیو در سال جاری خوشحال شدم ، اما نتوانستم در مورد مقیاس پردازش ویدیو اطلاعاتی کسب کنم. شاید این کار برای کارهای بعدی باقی مانده است. با این اوصاف ، برخی از نکات برجسته من در اینجا آمده است.

برطرف کردن فاصله Sim-to-Real در معیارهای چشم انداز کامپیوتر

نظر Karpathy در مورد تفاوت بین تحقیقات بینایی رایانه ای در دانشگاه و صنعت و نحوه برای از بین بردن شکاف. برای پیشرفت در تحقیقات یادگیری ماشین برای وسایل نقلیه خودران. همچنین من از نوع جدید معیار پیشنهادی او برای صنعت خوشم می آید: آزمونها »به جای معیارها سازمان به دو گروه تقسیم می شود که در نبردی شبیه GAN قفل شده اند: گروه 1 سعی می کند تصاویری را پیدا کند که شبکه را خراب کرده و درصد موفقیت را کاهش دهد. گروه 2 تلاش می کند تا درصد قبولی را بهبود بخشد. عدم قطعیت مدل یک "شهروند درجه یک" است به جای ضرر مورد انتظار ، ما به حداکثر ضرر اهمیت می دهیم چرا آیا مدلهای COCO به تنهایی مجاز به بهبود هستند؟ دومین تابلو راهنما را برای تصاویری که مدلهای SOTA را خراب می کنند ، معرفی کنید.

در اینجا یک نقل قول عالی دیگر در زمینه تکرار در داده های آموزش و آزمایش به جای تمرکز تنها بر روی مدلها وجود دارد:

خنده دار است مردم این تقلب را در دانشگاه در نظر می گیرند ، زیرا این کاری است که من هر روز برای کارم در صنعت انجام می دهم.

بخشی از محلی سازی مجدد بخشی از صحبت های تورستن ساتلر در آموزش محلی سازی بصری.

بازیابی تصویر (همان فناوری که برای جستجوی تصویر استفاده می کنیم) برای محلی سازی در نقشه ها بسیار خوب عمل می کند. (SIFT) روشهای مبتنی بر ویژگی هنوز رقابتی هستند پیشرفته در مجموعه داده های متوسط ​​و بزرگ ایده اصلی اولویت بندی: چند ویژگی منحصر به فرد/مشخصه کافی هستند فیلترینگ دید: از اطلاعات همدیدی در مرحله بازسازی استفاده کنید

بخش تشخیص عمل از صحبت های جیتندرا مالیک

صحبت های پروفسور مالیک مرا کنجکاو کرد تا درباره شبکه های SlowFast آنها با جزئیات بیشتر بخوانم. در اینجا قسمتی است که او نشان می دهد شبکه های SlowFast می توانند جریان نوری مانند ویژگی ها را بدون برآورد جریان نوری گرانقیمت

ارائه شفاهی ما

پوسترها

DecptionNet: تصادفی سازی دامنه شبکه محور یکی از موارد مورد علاقه من بود. بیشتر برای مفهوم افزایش خودکار داده ها برای آموزش. من با وادیم و سرگی صحبت کردمدر مورد راه های ممکن برای گسترش این رویکرد در حوزه های دیگر و اینکه چگونه می توان به طور خودکار کشف کرد که کدام تغییرات برای DeceptionNet مناسب هستند. در حال حاضر به تخصص دامنه متکی است.

این یکی است از نمایندگان مورد علاقه من در مقاله های فشرده سازی ویدئویی که دیدم. فشرده سازی ویدئو با رمزگذارهای خودکار Rate-Distortion: روی کل حجم ویدیو با پیچیدگی های سه بعدی به جای روش "پیدا کردن فریم های کلیدی ، رمزگذاری تفاوت ها" کار کنید. من فکر می کنم آنها هنوز در مورد مقیاس پذیری سایر روش های فشرده سازی ویدئوی شبکه های عصبی همان مشکلات را دارند وقتی که ما در مورد مقیاس ویدیوی YouTube/Twitch صحبت می کنیم ...

همچنین ارائه شفاهی ما در مورد بررسی محدودیت های شبیه سازی رفتار برای رانندگی خودکار بود.

برنامه نویس رایانه ای که به معنای واقعی کلمه Bug- Grace Hopper را یافت

گریس هاپر دانشمند مشهور رایانه آمریکایی بود که تلاشش برنامه نویسی رایانه را برای مردم عادی به ارمغان آورد.

گزارش اشکال. منبع-ویکی پدیا

دانشمندان کامپیوتر به کامپیوتر خود نگاه کردند و احساس کردند در کامپیوتر آنها مشکلی وجود دارد محاسبه آنها تصمیم گرفتند کامپیوتر را باز کنند و خودشان ببینند. چی…

ARTICLE

ARTICLE

خط چشم انداز رایانه ای ، قسمت 3: پیش پردازش تصویر

از آموزش عمیق برای سیستم های بینایی توسط محمد الجندی

قسمت 1 را ملاحظه فرمایید معرفی خط لوله بینایی رایانه و قسمت 2 برای مرور کلی تصاویر ورودی. فقط کافی است fccelgendy را در جعبه کد تخفیف در هنگام پرداخت در manning.com وارد کنید. __________________________________________________________________

پیش پردازش تصویر

پردازش تصویر چیست؟

در پروژه های یادگیری ماشین به طور کلی ، معمولاً مراحل پیش پردازش یا تمیز کردن داده ها را طی می کنید. به عنوان یک مهندس یادگیری ماشین ، قبل از ساختن مدل یادگیری خود ، مقدار زیادی از زمان خود را صرف نظافت و آماده سازی داده ها می کنید. هدف از این مرحله آماده سازی داده های شما برای مدل ML است تا تجزیه و تحلیل و پردازش محاسباتی را آسان تر کند ، همانطور که در مورد تصاویر است. بر اساس مشکلی که برطرف می کنید و مجموعه داده ای که در دست دارید ، قبل از اینکه تصاویر خود را با مدل ML تغذیه کنید ، ماساژ داده ها مورد نیاز است.

پردازش تصویر می تواند کارهای ساده ای مانند تغییر اندازه تصویر باشد. به منظور تغذیه مجموعه داده ای از تصاویر به یک شبکه متحرک ، همه آنها باید یک اندازه باشند. سایر کارهای پردازشی مانند تغییر هندسی و رنگ یا تبدیل رنگ به مقیاس خاکستری و موارد دیگر انجام می شود.

چرا پیش پردازش تصویر؟

داده های به دست آمده معمولاً نامرتب هستند و از منابع مختلف به دست می آیند. برای تغذیه آنها با مدل ML (یا شبکه عصبی) ، آنها باید استاندارد و تمیز شوند. بیشتر اوقات ، پیش پردازش برای انجام مراحلی استفاده می شود که پیچیدگی را کاهش داده و دقت الگوریتم کاربردی را افزایش می دهد. ما نمی توانیم یک الگوریتم منحصر به فرد برای هر شرایطی که تصویر در آن گرفته شده است بنویسیم ، بنابراین ، وقتی تصویری را بدست می آوریم ، تمایل داریم آن را به شکلی تبدیل کنیم که به یک الگوریتم کلی اجازه می دهد آن را حل کند.

< p> تکنیک های پیش پردازش داده ها ممکن است شامل موارد زیر باشد:

برای کاهش پیچیدگی محاسبات ، تصاویر رنگی را به مقیاس خاکستری تبدیل کنید: در برخی مشکلات ، از دست دادن اطلاعات غیر ضروری تصاویر برای کاهش فضا یا پیچیدگی محاسباتی مفید خواهد بود.

برای مثال ، تبدیل تصاویر رنگی خود به تصاویر مقیاس خاکستری. این به این دلیل است که در بسیاری از اشیاء ، رنگ برای تشخیص و تفسیر یک تصویر ضروری نیست. مقیاس خاکستری می تواند به اندازه کافی برای تشخیص اجسام خاص خوب باشد. از آنجا که تصاویر رنگی حاوی اطلاعات بیشتری نسبت به تصاویر سیاه و سفید هستند ، می توانند پیچیدگی های غیر ضروری را افزایش دهند و فضای بیشتری را در حافظه اشغال کنند (به یاد داشته باشید که چگونه تصاویر رنگی در سه کانال نمایش داده می شوند ، به این معنی که تبدیل آن به مقیاس خاکستری تعداد پیکسل های مورد نیاز را کاهش می دهد. پردازش شود).

در مثال بالا ، نحوه مشاهده الگوهای موجود در از روشنایی و تاریکی یک جسم (شدت) می توان برای تعریف شکل و ویژگی های بسیاری از اجسام استفاده کرد. در برنامه های دیگر ، رنگ برای تعیین اشیاء خاص مهم است. مانند تشخیص سرطان پوست که بستگی زیادی به رنگ پوست دارد (بثورات قرمز). تعدادی برنامه کاربردی وجود دارد که رنگ آنها بسیار مهم است. به عنوان مثال ، ایجاد یک سیستم تشخیصی برای شناسایی بثورات قرمز پوستی در تصاویر پزشکی. این سیستمبه شدت به رنگ قرمز در پوست وابسته است. حذف رنگ ها از روی تصویر حل این مشکل را دشوارتر می کند. به طور کلی ، تصاویر رنگی در بسیاری از کاربردهای پزشکی اطلاعات بسیار مفیدی ارائه می دهند.

مثال دیگری از اهمیت رنگ در تصاویر ، برنامه های تشخیص خط در اتومبیل های خودران است. جایی که خودرو باید تفاوت بین خطوط زرد و سفید را تشخیص دهد زیرا با آنها متفاوت رفتار می شود. تصاویر مقیاس خاکستری اطلاعات کافی برای تمایز بین خطوط زرد و سفید ارائه نمی دهند.

شکل 2

قاعده کلی برای تشخیص اهمیت رنگها در مشکل شما این است که به تصویر انسان نگاه کنید ، اگر بتوانید شیئی را که در یک بدنبال آن هستید شناسایی کنید. تصویر خاکستری پس احتمالاً اطلاعات کافی برای تغذیه مدل خود دارید. اگر نه ، مطمئناً به اطلاعات بیشتر (رنگ) در تصاویر خود نیاز دارید. همین قانون را می توان برای اکثر تکنیک های پیش پردازش دیگر که بعداً مورد بحث قرار می گیرد ، اعمال کرد.

استانداردسازی تصاویر: یکی از محدودیت های مهمی که در برخی الگوریتم های یادگیری ماشین مانند CNN وجود دارد ، نیاز به تغییر اندازه تصاویر در مجموعه داده شما به یک بعد واحد این بدان معناست که تصاویر ما باید پیش پردازش و مقیاس بندی شوند تا عرض و ارتفاع یکسانی داشته باشند تا به الگوریتم یادگیری داده شوند.

افزایش داده ها: یکی دیگر از تکنیک های رایج پیش پردازش شامل افزایش مجموعه داده موجود با نسخه های مخرب موجود است. تصاویر. مقیاس بندی ، چرخش ها و سایر تحولات وابسته معمولی هستند. این کار برای بزرگنمایی مجموعه داده شما و در معرض قرار دادن شبکه عصبی در معرض تنوع گسترده ای از تصاویر شما انجام می شود. این امر باعث می شود که مدل شما هنگامی که اشیاء در هر شکل و شکلی ظاهر می شوند را تشخیص دهد. در اینجا نمونه ای از افزایش تصویر اعمال شده بر روی یک تصویر پروانه ای است:

شکل 3

سایر تکنیک ها: بسیاری از تکنیک های پیش پردازش می تواند برای آماده سازی تصاویر شما برای آموزش مدل یادگیری ماشین استفاده شود. در برخی پروژه ها ، ممکن است لازم باشد برای کاهش نویز ، رنگ پس زمینه را از تصاویر خود حذف کنید. پروژه های دیگر ممکن است نیاز داشته باشند که تصاویر خود را روشن یا تیره کنید. به طور خلاصه ، هرگونه تعدیل که باید در مجموعه داده خود اعمال کنید ، نوعی پیش پردازش محسوب می شود. و تکنیک های پردازش مناسب را بر اساس مجموعه داده موجود و مشکلی که حل می کنید انتخاب می کنید. این باعث می شود درک کنید که هنگام کار روی پروژه های خود به چه مواردی نیاز دارید.

بدون قضیه ناهار رایگان

این اصطلاحی است که دیوید ولپرت در مقاله خود "بدون رایگان قضایای ناهار برای بهینه سازی ”. اغلب هنگام کار بر روی پروژه های ML این اصطلاح را خواهید شنید. این بدان معناست که هیچ دستورالعمل تجویز شده ای مناسب همه مدل ها وجود ندارد. هنگام کار بر روی پروژه های ML ، شما باید انتخاب های زیادی مانند ایجاد معماری شبکه عصبی ، تنظیم پارامترها و همچنین استفاده از تکنیک های مناسب پردازش داده ها را انجام دهید. از هیچ ناهار رایگان برای بیان این مطلب استفاده نمی شود که اگرچه برخی قوانین کلی برای مقابله با برخی مشکلات وجود دارد ، اما هیچ دستورالعملی وجود ندارد که از قبل تضمین شده باشد که در همه شرایط خوب کار می کند. ما باید مفروضات خاصی داشته باشیمدر مورد مجموعه داده و مشکلی که ما سعی در حل آن داریم. برای برخی از مجموعه های داده بهتر است تصاویر رنگی را به مقیاس خاکستری تبدیل کنید ، در حالی که برای مجموعه های دیگر داده ها ممکن است نیاز به حفظ یا تنظیم تصاویر رنگی داشته باشید.

خبر خوب این است که برخلاف یادگیری ماشین سنتی ، الگوریتم های یادگیری عمیق به حداقل نیاز دارند پردازش داده ها به این دلیل است که ، همانطور که در چند صفحه بعدی مشاهده خواهید کرد ، شبکه های عصبی بیشترین کار را در پردازش تصویر و استخراج ویژگی ها انجام می دهند.

فعلا این همه است. قسمت 4 را ملاحظه فرمایید ، اگر علاقمند به کسب اطلاعات بیشتر در مورد کتاب هستید ، آن را در liveBook اینجا ببینید و این اسلاید را مشاهده کنید.

ابتدا در https: //freecontent.manning منتشر شده است. com.

مدارس KIPP به اتفاق آرا دوره های Code.org را برای علوم کامپیوتر انتخاب می کنند

تصاویر دانش آموزان ارائه شده توسط مدارس KIPP

از سال تحصیلی 2019-2020 ، مدارس KIPP علوم رایانه را برای برنامه های درسی 8 تا 12 در برنامه درسی خود قرار خواهند داد و هیئت متخصصان آنها به اتفاق آراء CS.org و CS Code.org را انتخاب کرده اند اصول به عنوان دوره های توصیه شده آنها.

این توصیه در ارتباط با آخرین اهداف اعلام شده دبیرستان بنیاد KIPP برای علوم رایانه است ، که شامل این است که دانش آموزان حداقل دو سال آموزش علوم کامپیوتر را قبل از فارغ التحصیلی به پایان برسانند و همه آنها را ارائه دهند. دانش آموزان دبیرستانی با امکان شرکت در AP Computer Science A ، و همه دبیرستان های آنها در آزمون سراسری AP AP Principles یا بیش از 70 درصد از میانگین ملی قبولی در امتحانات.

تصاویر ارائه شده توسط مدارس KIPP

انتخاب برنامه درسی علوم رایانه فرایندی بود که در پاییز سال 2017 آغاز شد ، زمانی که Code.org شروع به ارائه دوره CS Discoveries ما برای بررسی کمیته ای از معلمان و رهبران بیش از 15 منطقه KIPP کرد. پس از یک فرآیند انتخاب آزمایشی و دقیق که شامل متخصصان درسی و برنامه درسی علوم رایانه بود ، دوره های Code.org CS Discoveries و AP CS Principles به اتفاق آرا بر اساس سایر معیارهای موضوعی مشابه بر اساس سه معیار اصلی انتخاب شدند: طراحی برنامه درسی ، پشتیبانی معلم و پایداری.

«اکتشافات علوم رایانه چنین برنامه شگفت انگیزی است. برنامه درسی و آموزش از Code.org درجه یک بود. دانش آموزان از ابزارهای ارائه شده (به صورت رایگان) توسط برنامه درسی مانند Web Lab ، App Lab و Game Lab لذت می برند و آنها با انجام ، که بسیار قدرتمند است ، یاد می گیرند. نامزدی مسئله ای نیست! » - امیلی مک گرات ، KIPP نیواورلئان

در حالی که ما مفتخریم که انتخاب شده و مفتخریم که به دلیل برنامه درسی با کیفیت و یادگیری حرفه ای شناخته شده ایم ، آنچه مهمتر است این است که چگونه این توصیه ها و اهداف به افزایش تعداد مدارس و تنوع دانش آموزانی که به علوم رایانه دسترسی دارند. بر اساس داده های مدارس KIPP ، 95 students از دانش آموزان آنها ، تقریباً 91000 دانش آموز ، یا آفریقایی آمریکایی یا لاتین هستند ، که هر دو به طور سنتی در علوم کامپیوتر کم نماینده هستند.

برگرفته از https://www.kipp.org/

در Code.org ما از پذیرایی که در بین ما دریافت کرده ایم ، فروتن هستیم. معلمان KIPP پس از اجرای CS Discoveries برای سال آزمایشی 2018–2019 ، 100٪ از معلمان KIPP موافقت کردند که انتخاب دوره درسی CS.org Code.org یک انتخاب خوب است و وقتی از آنها خواسته شد که میزان یادگیری و پیاده سازی برنامه را ارزیابی کنند ، معلمان به آن رای دادند 9.6 از 10.

"شبکه ما از معلمان CS بسیار بیشتر از توانایی نه تنها آموزش دوره CS ، بلکه ایجاد یک برنامه CS جامد که پس از این آموزش در مدرسه آنها پیشرفت کند ، اطمینان بیشتری دارند. من بسیار آموختم و فرصتهای زیادی برای یادگیری و توسعه از دیگران داشتم ، و این در تقویت برنامه های CS ما مفید خواهد بود. دانش آموزان ما سزاوار بهترین فرصت ها برای زندگی پر از انتخاب هستند و این فرصت یکی از بهترین فرصت هایی است که می توانیم در حال حاضر به آنها ارائه دهیم. " - جورج رامیرز ، KIPP آستین

در Code.org ، ما همیشه دوره های آموزشی و برنامه یادگیری حرفه ای خود را با ایجاد یک جامعه و گوش دادن به معلمان بهبود می بخشیم تابا نیازهای کلاس درس و دانش آموزان مطابقت دارد. و برای اطمینان از دسترسی همه جانبه به برنامه درسی و ابزارهای ما ، آنها مبتنی بر وب هستند ، همه پلتفرم هستند و استفاده از آنها برای همیشه رایگان خواهد بود ، به این معنی که مدارس و بنیادهای بیشتری مانند مدارس KIPP می توانند برنامه درسی علوم کامپیوتر با کیفیت بالا را به یک اولویت امکان پذیر تبدیل کنند. < /p>

درباره دوره های ما بیشتر بیاموزید و از کارگاههای توسعه حرفه ای ما استفاده کنید تا علوم رایانه را امروز به مدرسه خود ببرید.

Carina Box، Code.org

به زنانی که مشتاق تحصیل علوم رایانه یا مهندسی برق هستند

تشویق برای مقابله با تبعیض جنسیتی

مشتاق کارآفرینان فناوری در Y Combinator

وقتی نامه سوزان ووچیچی را به Fortune در مورد اینکه چگونه تبعیض جنسیتی در فناوری فراگیر است دیدم ، با تمام وجود موافقت کردم. وقتی خواندم که تبعیض چقدر او را آزار می دهد ، با این حال متاثر شدم که چقدر واکنش احساسی من متفاوت است. من به شما می گویم که تبعیض چه احساسی در من ایجاد می کند.

در کالج ، من علوم کامپیوتر و مهندسی برق را مطالعه کردم ، جایی که نسبت زنان به مردان در هر دو گرایش در حدود 25/75 بود. در مقطع دبیرستان ، مهندسی برق را مطالعه کردم ، جایی که نسبت آن بیشتر کاهش یافت ، به 95/5. من در شرکت های تحت سلطه مردان از جمله گوگل ، مایکروسافت و استارت آپ های پشتیبانی شده Y-Combinator کار کردم. من که 10 سال در صنعت فناوری کار کرده ام ، قسمت های متعددی از تبعیض جنسیتی و آزار جنسی را تجربه کرده ام. یکی از آنها مدیرعامل یک شرکت تجهیزات پزشکی بود ، بگذارید او را دکتر شولتز (نه نام اصلی او) صدا کنیم.

یک روز ، دکتر شولتز ایده ای برای یک دستگاه پزشکی داشت و ما با یکدیگر موافقت کردیم. برای صبحانه برای بحث در مورد آن هنگام صرف صبحانه ، دکتر شولتز ایده خود را مطرح کرد و سعی کرد مرا متقاعد کند که بنیانگذار او هستم. اکراه داشتم. او می گوید:

«تیا ، در این کار با من همراه باش. کامل می شدی شما جوان قوس خواهید بود و من جادوگر شهر اوز. " " نه متشکرم ، من نمی خواهم در خطر سوزانده شوم. " من می گویم. "خوب ، اجازه دهید ابتدا برنامه تجاری خود را به شما نشان دهم." او می گوید.

ما توافق کردیم که جمعه بعد برای شام دوباره ملاقات کنیم تا او بتواند برنامه کاری خود را به من نشان دهد.

هنگام شام ، ما با یکدیگر بیشتر آشنا شدیم. خانواده های ما همسر دکتر شولتز یک مدیر غیرانتفاعی مشهور در این منطقه اداره می کرد. پسرش در ییل زیست شناسی خواند و در بهار فارغ التحصیل شد. در نیمه راه شام ​​، پرسیدم:

"پس کی می خواهم این طرح تجاری را ببینم؟" "این در خانه من است. ما می توانیم بعد از شام به آنجا برویم و من ارائه را به شما نشان خواهم داد. خوبه؟" او گفت: دکتر شولتز پیشنهاد داد.

هر دو می نشینیم. سپس ، دکتر شولتز دستش را دراز کرد و دستش را دور من گذاشت.

"آیا این بخشی از برنامه تجاری شما است؟" من پرسیدم. "نه ، من فقط کنجکاو هستم که این چه احساسی برای شما دارد." او گفت. گفتم "عجیب است" گفتم. "هی ، می خواهی مرا ببوسی؟ درست همین جا." او در حالی که به سمت لب هایش اشاره می کند می گوید. "نه." "چرا که نه؟" پرسید. "چون زن داری!" من می گویم. "اوه او را فراموش کن. هیچ عشقی بین ما وجود ندارد. " او می گوید. "من می خواهم طرح تجاری شما را ببینم." من به شدت می گویم. "اوه ، در طبقه بالا ، در دفتر من است. بریم طبقه بالا؟ " " نه "، من می گویم ،" من به خانه می روم. " " آیا به شما خوش نمی گذرد؟ " او پرسید. "جالب بود اما عجیب می شود. بعلاوه دیر است و من خوابم می آید. " تقریباساعت 9 شب. "بیا ، کمی بیشتر بمان. من همین حالا طرح کسب و کار را به شما نشان خواهم داد. " " چرا طرح کسب و کار را برای من ایمیل نمی کنید. " وقتی بیرون آمدم گفتم

وقتی به خانه رسیدم ، یک ایمیل بازشو از طرف دکتر شولتز در تلفنم مشاهده کردم که برنامه تجاری آن پیوست شده بود.

روز بعد ، من آنچه را که برای همکارم سارا که دکتر شولتز را می شناخت می دید ، بازگو کردم. او خشمگین شد. چه احساسی داری؟ " او فریاد زد: "آسیبی ندیده ام. حالم خوبه." گفتم. «تیا! به این میگن آزار جنسی! " او گریه کرد. اما وقتی کسی که به او اهمیت نمی دهم باعث پیشرفت جنسی من می شود ، احساس ناراحتی نمی کنم. عجیب است ، اما آزاردهنده نیست. " من گفتم.

در طول 10 سال کار من در زمینه فناوری ، همکارانم چشمان منفور خود ، چشمان آسانسور ، چشمان منشی شان را که باید اینجا باشند ، به من داده اند. -چشمان آسیایی آنها درباره من صحبت کرده اند ، اصلاً با من صحبت نکرده اند ، مثل بچه های مهد کودک با من صحبت کرده اند و غیره. برای من خوب است که مردم آنچه را که فکر می کنند فکر کنند. زیرا ، صادقانه بگویم ، من چیزی را که آنها فکر می کنند نمی کنم. اما اگر کسی از مرز من عبور کرد ، من به او می گویم که از آن عقب نشینی کند.

وقتی این موقعیت ها بوجود می آیند ، من دلسرد نمی شوم و برای خودم دفاع می کنم. من به دلیل تبعیض تکنولوژی را رها نکردم. در عوض ، تبعیض به تمایل من برای حمایت از زنان در زمینه فناوری دامن زد.

من و دوستان شرکت هایی تاسیس کردیم (Totum ، السا ،…) که همه را تشویق می کند تا با یکدیگر همکاری کنند و تفاوت های فرهنگی و جنسیتی را منع کنند. ما تیمی از هزاره ها هستیم و قصد داریم محیطی متفاوت برای نسل خود و نسل های بعد ایجاد کنیم.

پاسخ سوزان ووچیچی ، مدیرعامل YouTube به یادداشت جنجالی ضد تنوع گوگل را بخوانید. دیروز پس از خواندن خبر ، دخترم از من سالی پرسید. "مامان ، آیا این درست است که دلایل بیولوژیکی وجود دارد ... fortune.com

شولتز تبعیض