您应该使用无代码AI平台吗？限制与机会

实施无代码AI解决方案后的经验教训

> Photo by Studio Republic on Unsplash

尽管大多数AI项目仍未投入生产，但对无代码AI平台的兴趣仍在上升。 确实，现在越来越多的初创公司和大型科技公司提出"易于使用"的机器学习平台。

对于小型和大型公司而言，能够构建和使用基于机器学习的解决方案的想法对于无论大小的公司都非常有趣，他们可以赋予员工权力，同时将更多的资源用于复杂的ML项目。

在本文中，我将分享在实现这些无代码AI解决方案之一并分析了与该行业相关的多家初创公司之后所学到的知识。 作为一名AI顾问，我的目标是确定这些解决方案是否可以帮助我们增加更多项目从概念证明（PoC）过渡到可扩展，相关且有效的已部署AI解决方案的机会。

为什么要使用无代码AI平台

从运营角度来看，我们在一年中为多个部门开发了多个AI项目。 由于缺乏数据，投资，领导力，或者仅仅是由于当前机器学习的成熟，它们中的大多数仅是PoC。

undefined

公民开发人员：生成供其他人使用的应用程序的非专业开发人员。 尽管他们不直接向IT部门报告，但是他们使用诸如IT认可的低代码平台之类的工具。

关键是要了解，内部公民开发人员（例如产品经理）的学历证晋升并不意味着对数据科学家的需求正在消失。 这样做的目的是减轻数据科学家积压的负担，以便他们可以将精力集中在更大，更复杂的项目上。

显然，在传统的ML工作流程上要做"更少"的工作并加快特定用例的开发将是很有吸引力的。 是否可以设想一个未来，管理者可以使用无代码AI平台提出一个想法，构建一个想法并运行该项目？

传统ML与无代码ML流程

如今，大多数AI项目或多或少都遵循相同的步骤。 实际上，您首先要确定用例，收集数据，建立模型，对其进行培训，加以改进等。为了确定无代码AI是否能真正起到帮助作用，我们首先应该了解"经典" ML与无代码ML之间的区别。 代码ML。

> Teachable Machine

如您所见，“传统” AI项目的某些步骤可以自动化或使用拖放工具简化。 从这个角度来看，我将无代码AI平台视为加快原型开发和演示开发的省时方法。

用例我相信无代码AI平台非常适合特定项目。 例如，在一些用例中，我们希望预测诸如流失率，客户生命周期价值，动态定价之类的指标，或者分析多个合同中的数据以帮助我们更好地进行谈判。 我们还相信，这些工具在某些内部流程的自动化中可能会有用。

新技能可以肯定地说，无代码AI平台的兴起也会创造新的技能期望。 在不久的将来，如果产品经理必须熟悉至少一个无代码AI工具并熟悉数据集管理，我不会感到惊讶。 我希望看到越来越多与这些工具相关的在线培训。

一个特定的市场

无代码AI仍然是一个增长的市场。 大多数参与者似乎首先将自己定位在技术类型（NLP，计算机视觉等）或特定用例（CRM管理，…）上。

在不久的将来，我希望看到完整的工具，几乎可以涵盖所有用途，从而避免需要投资多个工具并利用知识。

该行业由初创公司和开发自己的工具的大型科技公司组成。 出于明显的原因，似乎初创公司将重点放在特定的用例上，而不是提供几种选择。

锁定策略和商业模式

这个行业最有趣的方面是大型科技公司在尝试采用锁定策略的同时，如何吸引新客户以扩大用户范围。

锁定策略：一种策略，在该策略中，客户非常依赖供应商提供的产品和服务，以致客户无法在没有实质性和/或可感知的巨大转换成本的情况下转移到另一家供应商。

我经常想知道，如果没有代码的AI初创公司不专业，它们是否可以长期生存下去。 的确，大型科技公司的优势在于能够为客户提供不费吹灰之力的方法，以保持该供应商的平台和路线图。

理想情况下，大型科技公司（Google和Microsoft）希望公司能够使用其软件开发工具以及与数据管理相关的更广泛的服务生态系统。

实施无代码AI解决方案后的看法

几个月来，我们决定测试无代码AI平台的有效性。 我认为，无代码AI的效率和实用性不是神话。

对于我们来说，最大的好处是，由于使用无代码工具创建了快速的PoC，数据科学家可以通过评估他们不完整的想法来帮助我们的营销部门。 确实，他/她可以建议他们制作无代码的PoC，并在需求稳定后再返回。

但是，必须做出一些让步。 的确，如果您想快速生产而没有发展，则必须降低期望值。

通过无代码解决方案基于机器学习的项目的成功很大程度上取决于您的功能需求，当需求非常具体时，则有必要在实现速度和与功能相关的期望之间找到适当的平衡。

每个解决方案都有工具设计固有的边界。 实际上，这些工具都是基于模型的，要么编辑选择选择简单的模型，这些简单的模型将易于理解和使用，但由于缺乏灵活性，因为它们只能在模型框架内开发。

相反，其他平台选择了更精细的模型，这些模型可提供与通过编码开发应用程序相当的灵活性。 另一方面，学习曲线和所需的技能将更高。

我强烈建议您根据易用性和灵活性之间的平衡来选择工具。 在某些情况下，重要的是要记住，一旦在平台上开发了应用程序，只要该应用程序在运行，便会链接到该平台。 在PoC的情况下，这不是问题，但是在预期将持续使用的应用程序中，情况可能会有所不同。

确实，您必须确保可以使用无代码AI平台实现所需的项目可伸缩性。 我相信，对于"复杂"的用例，不可能使用无代码AI平台的可伸缩解决方案。

此外，必须在成本和可逆性方面仔细检查合同关系（数据所有权）。

另一个关键因素是可维护性。 如果您的目标只是测试一个想法的相关性或构建一个持久的应用程序，我建议您从一开始就确定。 在第一种情况下，如果可能的话，最好使用无代码AI解决方案快速创建一次性PoC。 否则，我建议您使用传统的ML方法并构建稳定和可维护的版本。

如果您的无代码AI供应商可以保证您具有可伸缩性（在某些情况下可能），我建议您大规模评估许可的总成本，以确保长期可维护性。

可能发生的最糟糕的事情是使用"快速而肮脏"的方法创建PoC，然后投入生产以尝试扩展此PoC。

限度

我认为，大多数（不是全部）无代码AI平台当前的限制是：

个性化程度尽管大多数人会想到，但构建机器学习模型的难点不是编码，而是您可以使用的数据，功能工程，架构和测试。 在某些无代码解决方案中，您无法微调和调整不同参数的能力。

另一个缺点与数据有关。 确实，您可能熟悉数据偏差。 根据使用情况，可能每个人都可以构建和导出这些模型。 因此，产生偏差算法的危险增加。

显然，机器学习工程师还可以创建有偏见的解决方案……。

对精确内部流程的需求如前所述，无代码AI工具可以是积极的，但它们需要特定的治理。 的确，如果您不以受控和受控的方式集成它们，则只会引入更多影子IT和更多问题。

影子IT：一个术语，指在企业IT部门不知情的情况下进行管理和利用的信息技术（IT）应用程序和基础结构。

数据科学家最终可能会花费尽可能多的时间来修复同事的工作，而不是去完成自己的任务。

依赖性我对无代码AI工具开发的其他关注与依赖性有关。 实际上，您的解决方案可能不需要数据科学家，但将来可能需要一些顾问来帮助您更好地了解ML或使您的解决方案具有可伸缩性。 这样，对技术精通的专家的依赖就不会消失。

数据需求所有机器学习项目都需要同一件事：数据ML项目的成功在很大程度上取决于您收集，管理和维护数据集的能力。 但是，这通常是数据科学家的工作，而且我不确定"公民开发人员"是否可以执行这些任务。

可扩展性我最后一个担心与可扩展性有关。 确实，许多成功的PoC在生产中都失败了，因为我们无法构建一个能够以可扩展方式服务于ML模型的系统。 在使用大量敏感数据（如医疗保健或银行业务）的行业中，这甚至要困难得多。

我本可以提到其他潜在问题，例如部署，安全性，与旧系统的集成等。但是，我仍然相信无代码AI平台的有用性。 使用无代码AI的项目的成功在很大程度上取决于您的用例和数据管理的成熟度。

我们仅处于这种趋势的开始，我非常有信心，越来越多的公司（尤其是中小型企业）将很愿意利用这些工具。