人工智能的民主化：低代码和无代码解决方案的兴起低代码/无代码解决方案将成为企业领导者应该关注的顶级技术趋势之一。在他最近的文章《智能边缘AI视频分析》（IntelligentEdgeAIVideoAnalytics）中，他分享了一些证据和关键指标，表明AI民主化的预测是正确的，并且它正在通过现代AI工具使任何人成为数据科学家。低代码AI解决方案的增长Gartner等研究公司的分析师以各种方式描述了AI的民主化，但都具有转型特征，这是Gartner最高的收益评级。例如，在公民数据科学中，领域专家可以在没有数据科学先验知识的情况下利用易于使用的数据科学工具。这是非常有用的，因为具有多年经验和领域专业知识的领域专家可以以与该领域任何数据科学家相当的速度创建有价值的AI解决方案。所有这些都没有数据科学的陡峭学习曲线。这种预先存在的专业知识不仅提高了解决方案的可行性、上市速度和投资回报率，而且还允许组织利用稀缺的数据科学家资源来解决更复杂的问题，例如优化模型。另一个不断发展的领域是AI增强设计（AI-AugmentedDesign），其中AI工具有助于自动创建或增强视觉设计、故事板、用户流程和表示层代码。此外，AI增强型开发通常使用机器学习和人工智能技术来增强应用程序开发，以更快、更一致和更高质量地交付软件。它对于低代码开发也特别有趣，因为副驾驶AI助手甚至可以帮助处理代码片段。对开发人员和其他技术相关工作的需求持续增长，尤其是在人工智能和数据科学领域。LinkedIn的新兴就业报告指出，未来五年，全球将创造不少于1.5亿个与技术相关的工作岗位。《2020年美国新兴就业报告》还估计数据科学家和数据工程师的工作岗位每年将增长35%。最近的数据表明需求正在进一步增长。以这种增长速度，将很难找到足够的具备必要技能的专家来满足需求。低代码和无代码AI工具为组织提供了机会，可以在不需要AI专家为许多场景构建AI解决方案的公民数据科学家的帮助下缩小差距。企业领导者应该跟上这些趋势，并鼓励他们的领域专家、设计和开发团队评估和调整各种人工智能工具，以增强他们的能力并优化他们的工作流程。领导者还应该制定计划，教育员工如何负责任地使用这些工具、有偏见的数据的道德影响等等。Gartner以低代码应用程序平台为中心的新兴技术趋势影响雷达图Microsoft的低代码和无代码AI解决方案与大多数大型科技公司一样，Microsoft正在大力投资公民开发人员和公民数据科学家。他们的业务应用程序平台提供各种引人注目的解决方案，从无代码或低代码到全代码开发。MicrosoftPowerPoint：MicrosoftPowerPoint中的AI增强设计已经集成到某些Office365产品中，即PowerPointDesigner。此功能提供幻灯片布局建议，有助于快速将乏味的幻灯片变成设计精美的幻灯片。它可以提供完全主题化的模板，或一些改进建议，例如更好的文本可读性。为了方便访问，用户可以在演示过程中利用自动替换文本、副标题和实时字幕。这意味着AI已完全集成到PowerPoint中，并在演示的所有阶段提供协助，包括由虚拟演示教练指导的演示排练。MicrosoftWord：Office365也集成了AI增强的写作功能，例如MicrosoftWord提供了具有文本预测功能的AI驱动的自动完成功能。与其他AI实验不同，该功能可以从一个短段落中完成整个文本文档，并为即将到来的单词组提供建议以加快打字速度。Word还配备了AI工具，通过半自动替代文本生成和辅助功能检查器使文本更易于访问。GitHub：人工智能增强开发最近由微软旗下的开源社区GitHub推出。GitHub的Co-Pilot文本完成比普通文本完成更优化，直接在VisualStudioCode编辑器中为代码行甚至整个函数和方法提供建议。Co-Pilot利用OpenAI的新CodexAI系统，该系统在GitHub上的公共源代码存储库及其多种编程语言中接受了数十亿行代码的训练。Co-Pilot目前处于私人预览计划中，但已经有望通过自动化日常任务让开发人员的生活更轻松。AzureCognitiveServices：除了将人工智能应用到GitHubCo-Pilot之外，它还为开发者提供了一些服务，可以轻松地将AI添加到他们的应用程序中。例如，Azure认知服务（AzureCognitiveServices）提供了范围广泛的服务，使每个开发人员都可以访问人工智能，而无需任何机器学习方面的专业知识。认知服务允许用户通过简单的RESTAPI调用或专用SDK将看、听、说、搜索、理解和加速决策制定的能力嵌入到任何应用程序中。认知服务利用预训练的AI模型，甚至可以根据特定需求（例如自定义视觉）进行定制，以创建自定义AI计算机视觉解决方案。许多认知服务也可在边缘使用，并且可以在边缘设备上现场运行作业。AzureMachineLearningStudio：这是Microsoft的另一个出色工具，无需编写任何代码即可构建AI模型。AzureMLStudio支持不同技能的用户，在包容性数据科学平台中结合无代码和代码优先体验。它甚至具有AutoML，这是一种可以自动确定给定问题陈述和数据域的最佳机器学习模型架构的技术。Azure机器学习MLOps：Azure机器学习的另一个重要特性是使用内置的机器学习操作来处理DevOps周期。MLOps提高了处理AI模型的效率，以加快开发、部署和质量保证生命周期。不要将MLOps与AIOps混淆，AIOps使用人工智能通过自动解决问题和提高洞察力来简化IT运营管理。在云计算时代，企业客户很少在本地运行工作，而选择云计算，云计算更有优势。一个小的缺点是不再看到实际的硬件。因此，洞察力、故障排除等成为一个抽象的过程。IT管理员去服务器机房拉网络电缆或排除错误的日子已经一去不复返了。此外，收集到的大量遥测和应用程序分析数据很难由人类自行消化，而这正是AIOps可以提供帮助的地方，微软正在这一领域大力投资。Azure已经内置了一些东西，比如带有动态阈值的AzureMonitorAIOps警报，消除了以耗时的方式手动设置和调整阈值的需要。相反，阈值是由机器学习根据历史行为自动设置的。通常，AIOps将使分析通常根本不被利用或仅用于以被动方式进行故障排除的数据变得更有用。AIOps提供了一个以前瞻性方式利用分析数据的机会，使用机器学习进行预测智能，并可以自动识别即将出现的问题。如果操作正确，可以在问题发生之前自动进行更改和调整，从而增加正常运行时间和服务质量。因此，AIOps有潜力在不编写一行代码的情况下为云计算提供预测性维护。MicrosoftPowerPlatform：Microsoft的低代码/无代码(LC/NC)PowerPlatform允许用户轻松创建自定义应用程序，甚至是非开发人员，并支持注入AI以创建智能应用程序，例如聊天机器人、虚拟代理和自动化工具。最近在其Build开发者大会上，微软推出了一个令人兴奋的新PowerPlatform插件，它利用了世界上最大的语言翻译模型之一OpenAI的GPT-3。对于PowerApps，它用于各种目的，例如将自然语言转换为PowerFx公式（PowerApps中使用的一种低代码机制）。因此，它是一种用于定制应用程序低代码创建的AI增强开发。此外，它还支持示例编程并将示例转换为AI生成的代码输出。所有这些都直接集成到PowerAppsStudio中，使每位用户能够快速构建应用程序，同时一路学习高级概念。PowerBI：这是MicrosoftPowerPlatform的另一个非常强大的部分，可提供数据驱动的见解。ValoremReply的数据驱动企业团队拥有深厚的PowerBI专业知识，并提供定期免费培训机会，例如日间分析研讨会、日间仪表板研讨会和我们全新的全包式PowerPlatform研讨会。用户可以报名参加我们的免费活动，甚至可以在这里和这里为团队申请私人研讨会。此外，ValoremReply可以在托管服务模型中提供PowerBI和PowerPlatform专业知识，使组织无需技术专业知识即可体验这些工具的强大功能，或者在其内部团队加快速度时作为临时解决方案。AzurePercept：这是一个端到端的智能边缘解决方案，以Azure服务、工具和名为AzurePerceptDK的开发套件的形式出现，其中包括一系列预构建的AI模型。但也可以在没有代码的情况下构建自定义模型，并通过AzurePerceptStudio应用程序简化它们，包括深度学习训练数据的半自动生成和自动触发的相机捕获。Lobe.ai：微软拥有丰富的产品组合，针对各种场景提供多种解决方案。在创建无代码AI模型方面，还有微软于2018年收购的Lobe.ai。Lobe旨在通过易于使用的桌面应用程序真正实现机器学习的民主化，该应用程序可以在Windows或Mac计算机上预览免费。Lobe利用开源AI模型架构和迁移学习在用户自己的机器上训练自定义机器学习模型。这意味着所有数据都保存在本地，无需互联网连接或登录。使用Lobe创建的低代码工作场所安全边缘AILobe可用于为称为图像分类的人工智能计算机视觉任务创建各种解决方案，利用视频分析的工作场所安全场景引入了自定义EdgeAI独立解决方案。适用于Lobe的AdafruitML套件允许快速创建直接在RaspberryPi4上运行的定制低成本边缘AI解决方案。结合Microsoft的低代码AI平台，可以在RaspberryPi上创建和部署定制AI视觉模型以实现一种开发边缘AI的快速迭代方法。使用成百上千张手动标记的图像来训练模型听起来工作量很大，但实际上并没有那么难。Lobe不仅允许导入图像，而且您可以使用网络摄像头快速捕捉照片并分配标签。Lobe的UX（用户体验）和UI（用户界面）通过实时反馈进行评估和微调，使这项任务变得非常简单和高效。Lobe基本上允许任何人，无论以前的数据科学经验如何，都可以导入图像并轻松标记它们以创建深度学习数据集。Lobe将自动选择正确的AI模型架构并在后台开始训练，无需任何设置或配置。训练完成后，用户可以通过实时视觉反馈评估模型的准确性，然后对自定义模型进行实验，并通过提供评估结果的实时反馈来提高性能。然后可以将完成的模型导出为各种行业标准格式，并嵌入到应用程序、网站或边缘物联网设备中。编译来源：https://www.valoremreply.com/post/democratizationofai/
