低代码平台如何实现机器学习

 [[425497]]

低代码平台提高了开发应用程序、集成和数据可视化的速度和质量。低代码平台不是在代码中构建表单和工作流，而是提供拖放界面来设计 Web 和移动应用程序中使用的屏幕、工作流和数据可视化。低代码集成工具支持数据集成、数据准备、API 编排以及与常见 SaaS 平台的连接。如果正在设计仪表板和报告，则有许多低代码选项可用于连接数据源和创建数据可视化。

如果需要用代码完成，那么可能会有一种低代码或无代码技术可以帮助加快开发过程并简化正在进行的维护。当然，必须评估平台是否能够满足功能要求、成本、合规性和其他因素，但低代码平台提供的选项处于自行构建或购买软件即服务（SaaS）解决方案之间的灰色地带。

低代码选项是否只是为了更好更快地开发应用程序、集成和可视化？使用更高级或新兴功能加速和简化的低代码平台会怎么样呢？

下面就详细的讲解低代码和无代码平台使技术团队能够利用机器学习能力进行测试。

平台针对不同的开发角色

对于数据科学家来说，通过低代码功能，使用支持比 Python 编码更快、更容易的模型操作的新的机器学习算法，是不是变得让人期待？或者对于数据工程师，专注于数据操作，希望在发现和验证新数据源的同时将数据连接到机器学习模型。

数据科学和模型操作平台，如Alteryx，Dataiku，DataRobot，H20.ai，KNIME，RapidMiner，SageMaker，SAS等，旨在简化和加速数据科学家和其他数据专业人员的工作。它们具有全面的机器学习能力，但对具有数据科学和数据工程技能的专业人员来说更容易使用。

以下是 KNIME 首席数据科学家兼布道负责人 Rosaria Silipo 博士关于低代码机器学习和 AI 平台的内容。“AI低代码平台是传统AI脚本平台的有效替代方案。通过消除编码障碍，低代码解决方案减少了工具所需的学习时间，并留出更多时间用于试验新想法、范例、策略、优化和数据。”

有多种平台选项，特别是对于希望在应用程序和集成中利用机器学习功能的软件开发人员：

•  公共云工具，如GCP AutoML和Azure机器学习设计器，可帮助开发人员访问机器学习功能。
•  低代码开发平台，如谷歌的AppSheet、微软的Power Automation的AI Builder和OutSystems的ML Builder，公开了机器学习功能。
•  PyCaret等低代码学习库的目标是数据科学家、公民数据科学家和开发人员，以帮助加速学习和在开源工具包上实现机器学习。

这些低代码示例针对具有编码技能的开发人员和数据科学家，帮助他们加速不同机器学习算法的试验。MLops 平台的目标是开发人员、数据科学家和操作工程师。MLops平台有效地支持机器学习的devops，旨在简化管理机器学习模型基础设施、部署和ops管理。

分析师的无代码机器学习

一组新兴的无代码机器学习平台面向业务分析师。这些平台使上传或连接到云数据源和试验机器学习算法变得容易。

我与 Noogata 的联合创始人兼首席执行官 Assaf Egozi讨论了为什么即使对于拥有经验丰富的数据科学团队的大型企业，面向业务分析师的无代码机器学习平台也能改变游戏规则。他告诉我，“组织内的大多数数据消费者根本不具备从头开发算法甚至有效应用 autoML 工具所需的技能——我们不应该期望他们这样做。相反，我们应该为这些数据消费者——公民数据分析师——提供一种简单的方法，将高级分析集成到他们的业务流程中。”

Monitaur 的CTO 兼联合创始人 Andrew Clark表示同意。“让机器学习对企业更容易理解是令人兴奋的。没有足够的训练有素的数据科学家或工程师在模型产品化方面具有专业知识来满足业务需求。低代码平台提供了一座桥梁。”

虽然低代码使机器学习实验民主化并加速，但它仍然需要严格的实践，与数据治理政策保持一致，并对偏见进行审查。Clark补充道，“公司必须将低代码视为从AI/ML中获益的工具。考虑到为业务做出可信决策所需的业务可见性、控制和模型管理，他们不应走捷径。”

软件开发人员的低代码能力

现在让我们关注为软件开发人员提供机器学习功能的低代码平台。这些平台根据它们的编程模型和它们公开的低代码功能的类型来选择机器学习算法。

• Appian 提供与多个Google API 的集成，包括 GCP Native Language、GCP Translation、GCP Vision 和Azure Language Understanding (LUIS)。
• Creatio是一个用于流程管理和客户关系管理 (CRM) 的低代码平台，具有多种机器学习功能，包括电子邮件文本挖掘和潜在客户、机会和客户的通用评分模型。
• Google AppSheet支持多种文本处理功能，包括智能搜索、内容分类和情感分析，同时还提供趋势预测。集成数据源（例如 Google 表格）后，您可以开始试验不同的模型。
• Mendix 市场拥有连接 Azure Face API 和 Amazon Rekognition 的机器学习连接器。
• Microsoft Power Automate AI Builder具有与处理非结构化数据相关的功能，例如读取名片以及处理发票和收据。他们使用了几种算法，包括关键阶段提取、类别分类和实体提取。
• OutSystems ML Builder具有多种在开发最终用户应用程序时可能会出现的功能，例如文本分类、属性预测、异常检测和图像分类。
• Thinkwise AutoML专为分类和回归机器学习问题而设计，可用于预定流程。
• Vantiq是一个低代码、事件驱动的架构平台，可以驱动实时机器学习应用，例如工厂工人的 AI 监控和人机界面的实时翻译。

这不是一个全面的清单。一份低代码和无代码机器学习平台列表还命名为Create ML、MakeML、MonkeyLearn Studio、显然是 AI、Teachable Machine和其他选项。另外，看看 2021 年的无代码机器学习平台和无代码机器学习平台。随着越来越多的低代码平台开发或合作开发机器学习功能，这种可能性越来越大。

何时在低代码平台中使用机器学习功能

低代码平台将继续区分其功能集，因此我预计更多平台将添加它们启用的用户体验所需的机器学习功能。这意味着需要更多的文本和图像处理来支持工作流、投资组合管理平台的趋势分析以及 CRM 和营销工作流的集群。

但是当涉及到大规模监督和无监督学习、深度学习和模型操作时，更可能需要使用和集成专门的数据科学和模型操作平台。更多低代码技术供应商可能会合作支持集成或提供入口，以在 AWS、Azure、GCP 和其他公共云上启用机器学习功能。

 

继续重要的是低代码技术使开发人员更容易创建和支持应用程序、集成和可视化。现在，提高标准并期待更多智能自动化和机器学习能力，无论是低代码平台投资于自己的 AI 能力还是提供与第三方数据科学平台的集成。

【51CTO译稿，合作站点转载请注明原文译者和出处为51CTO.com】