【51CTO.com快譯】

 [[425497]]

低代碼平臺提高了開發應用程序、集成和數據可視化的速度和質量。低代碼平臺不是在代碼中構建表單和工作流，而是提供拖放界面來設計 Web 和移動應用程序中使用的屏幕、工作流和數據可視化。低代碼集成工具支持數據集成、數據準備、API 編排以及與常見 SaaS 平臺的連接。如果正在設計儀表板和報告，則有許多低代碼選項可用于連接數據源和創建數據可視化。

如果需要用代碼完成，那么可能會有一種低代碼或無代碼技術可以幫助加快開發過程并簡化正在進行的維護。當然，必須評估平臺是否能夠滿足功能要求、成本、合規性和其他因素，但低代碼平臺提供的選項處于自行構建或購買軟件即服務（SaaS）解決方案之間的灰色地帶。

低代碼選項是否只是為了更好更快地開發應用程序、集成和可視化？使用更高級或新興功能加速和簡化的低代碼平臺會怎么樣呢？

下面就詳細的講解低代碼和無代碼平臺使技術團隊能夠利用機器學習能力進行測試。

平臺針對不同的開發角色

對于數據科學家來說，通過低代碼功能，使用支持比 Python 編碼更快、更容易的模型操作的新的機器學習算法，是不是變得讓人期待？或者對于數據工程師，專注于數據操作，希望在發現和驗證新數據源的同時將數據連接到機器學習模型。

數據科學和模型操作平臺，如Alteryx，Dataiku，DataRobot，H20.ai，KNIME，RapidMiner，SageMaker，SAS等，旨在簡化和加速數據科學家和其他數據專業人員的工作。它們具有全面的機器學習能力，但對具有數據科學和數據工程技能的專業人員來說更容易使用。

以下是 KNIME 首席數據科學家兼布道負責人 Rosaria Silipo 博士關于低代碼機器學習和 AI 平臺的內容。“AI低代碼平臺是傳統AI腳本平臺的有效替代方案。通過消除編碼障礙，低代碼解決方案減少了工具所需的學習時間，并留出更多時間用于試驗新想法、范例、策略、優化和數據。”

有多種平臺選項，特別是對于希望在應用程序和集成中利用機器學習功能的軟件開發人員：

•  公共云工具，如GCP AutoML和Azure機器學習設計器，可幫助開發人員訪問機器學習功能。
•  低代碼開發平臺，如谷歌的AppSheet、微軟的Power Automation的AI Builder和OutSystems的ML Builder，公開了機器學習功能。
•  PyCaret等低代碼學習庫的目標是數據科學家、公民數據科學家和開發人員，以幫助加速學習和在開源工具包上實現機器學習。

這些低代碼示例針對具有編碼技能的開發人員和數據科學家，幫助他們加速不同機器學習算法的試驗。MLops 平臺的目標是開發人員、數據科學家和操作工程師。MLops平臺有效地支持機器學習的devops，旨在簡化管理機器學習模型基礎設施、部署和ops管理。

分析師的無代碼機器學習

一組新興的無代碼機器學習平臺面向業務分析師。這些平臺使上傳或連接到云數據源和試驗機器學習算法變得容易。

我與 Noogata 的聯合創始人兼首席執行官 Assaf Egozi討論了為什么即使對于擁有經驗豐富的數據科學團隊的大型企業，面向業務分析師的無代碼機器學習平臺也能改變游戲規則。他告訴我，“組織內的大多數數據消費者根本不具備從頭開發算法甚至有效應用 autoML 工具所需的技能——我們不應該期望他們這樣做。相反，我們應該為這些數據消費者——公民數據分析師——提供一種簡單的方法，將高級分析集成到他們的業務流程中。”

Monitaur 的CTO 兼聯合創始人 Andrew Clark表示同意。“讓機器學習對企業更容易理解是令人興奮的。沒有足夠的訓練有素的數據科學家或工程師在模型產品化方面具有專業知識來滿足業務需求。低代碼平臺提供了一座橋梁。”

雖然低代碼使機器學習實驗民主化并加速，但它仍然需要嚴格的實踐，與數據治理政策保持一致，并對偏見進行審查。Clark補充道，“公司必須將低代碼視為從AI/ML中獲益的工具。考慮到為業務做出可信決策所需的業務可見性、控制和模型管理，他們不應走捷徑。”

軟件開發人員的低代碼能力

現在讓我們關注為軟件開發人員提供機器學習功能的低代碼平臺。這些平臺根據它們的編程模型和它們公開的低代碼功能的類型來選擇機器學習算法。

• Appian 提供與多個Google API 的集成，包括 GCP Native Language、GCP Translation、GCP Vision 和Azure Language Understanding (LUIS)。
• Creatio是一個用于流程管理和客戶關系管理 (CRM) 的低代碼平臺，具有多種機器學習功能，包括電子郵件文本挖掘和潛在客戶、機會和客戶的通用評分模型。
• Google AppSheet支持多種文本處理功能，包括智能搜索、內容分類和情感分析，同時還提供趨勢預測。集成數據源（例如 Google 表格）后，您可以開始試驗不同的模型。
• Mendix 市場擁有連接 Azure Face API 和 Amazon Rekognition 的機器學習連接器。
• Microsoft Power Automate AI Builder具有與處理非結構化數據相關的功能，例如讀取名片以及處理發票和收據。他們使用了幾種算法，包括關鍵階段提取、類別分類和實體提取。
• OutSystems ML Builder具有多種在開發最終用戶應用程序時可能會出現的功能，例如文本分類、屬性預測、異常檢測和圖像分類。
• Thinkwise AutoML專為分類和回歸機器學習問題而設計，可用于預定流程。
• Vantiq是一個低代碼、事件驅動的架構平臺，可以驅動實時機器學習應用，例如工廠工人的 AI 監控和人機界面的實時翻譯。

這不是一個全面的清單。一份低代碼和無代碼機器學習平臺列表還命名為Create ML、MakeML、MonkeyLearn Studio、顯然是 AI、Teachable Machine和其他選項。另外，看看 2021 年的無代碼機器學習平臺和無代碼機器學習平臺。隨著越來越多的低代碼平臺開發或合作開發機器學習功能，這種可能性越來越大。

何時在低代碼平臺中使用機器學習功能

低代碼平臺將繼續區分其功能集，因此我預計更多平臺將添加它們啟用的用戶體驗所需的機器學習功能。這意味著需要更多的文本和圖像處理來支持工作流、投資組合管理平臺的趨勢分析以及 CRM 和營銷工作流的集群。

但是當涉及到大規模監督和無監督學習、深度學習和模型操作時，更可能需要使用和集成專門的數據科學和模型操作平臺。更多低代碼技術供應商可能會合作支持集成或提供入口，以在 AWS、Azure、GCP 和其他公共云上啟用機器學習功能。

繼續重要的是低代碼技術使開發人員更容易創建和支持應用程序、集成和可視化。現在，提高標準并期待更多智能自動化和機器學習能力，無論是低代碼平臺投資于自己的 AI 能力還是提供與第三方數據科學平臺的集成。

【51CTO譯稿，合作站點轉載請注明原文譯者和出處為51CTO.com】