十年之交，2020年无代码AI平台数量激增，越来越多的公司希望利用人工智能构建更智能软件产品的力量。但是对于很多人来说，实现这个梦想是很困难的。寻找具有相关机器学习专业知识的人才对初创公司来说是一个挑战。许多公司投入巨资招聘具有博士和机器学习学术研究背景的工程师，但未能推出他们的产品。在此背景下，无代码可视化拖放工具开始出现。它们有助于填补数据科学家的空白，并使人工智能对非技术人员来说不那么令人生畏。有了它们，企业现在可以在最短的时间内生成数据集、训练和部署模型，而无需太多甚至没有编码知识，非常具有成本效益。对于移动应用程序开发人员来说，这无疑是一个隐藏的福音，因为现在对内置机器学习的设备的需求量很大。他们不需要机器学习博士学位就可以对他们想要训练的数据和模型进行创新。本文将介绍当今可用的一些最佳无代码机器学习工具。其中一些是完全免费的，而另一些会在免费试用期后收取费用，每一个工具都将帮助用户实现他们的AI应用想法。CreateML作为一名iOS开发人员，让我从Apple的无代码拖放工具CreateML开始。CreateML最初与Xcode一起发布，现在是一个独立的macOS应用程序，带有一些预训练的模型模板。通过使用迁移学习技术，用户可以构建自己的自定义模型。从图像分类器到风格迁移，从自然语言处理到推荐系统，几乎无所不包，用户需要做的只是将训练和验证数据以想要的格式传递过去。此外，用户可以在开始训练之前微调指标并设置自己的迭代次数。CreateML为样式转换等模型提供验证数据的实时结果。最后，它生成一个CoreML模型，用户可以在iOS应用程序中测试和部署该模型。AutoML苹果以CreateML领先，谷歌紧随其后。它的AutoML工具虽然在云端，但其运行方式与CreateML大致相同。目前，谷歌基于云的AutoML机器学习产品包括视觉（图像分类）、自然语言、AutoML翻译、视频智能和表格。机器学习知识有限的开发人员可以训练特定于其用例的模型。云上的AutoML为经过全面测试的深度学习模型提供开箱即用的支持，不需要开发人员了解迁移学习或如何创建神经网络。模型训练完成后，用户可以测试并导出.pb、.tflite、CoreML等格式的模型。MakeMLMakeML是一种用于创建无代码对象检测和语义分割模型的开发工具。它为iOS开发人员提供macOS应用程序来创建和管理数据集（例如在图像中注释对象）。他们还有一个数据集存储库，其中包含一些免费的计算机视觉数据集，只需点击几下即可用于训练神经网络。MakeML已经展示了它们在运动应用中的潜力，例如球体跟踪。此外，他们还有用于训练指甲和土豆分割模型的端到端教程，对于非ML开发人员来说应该很容易上手。通过使用其内置的视频注释工具，用户可以为板球和网球比赛构建鹰眼检测器。FritzAIFritzAI是一个不断发展的机器学习平台，有助于弥合移动开发人员和数据科学家之间的鸿沟。iOS和Android开发人员可以快速训练和部署模型，或使用他们预训练的软件开发工具包(SDK)，它提供开箱即用的风格迁移、图像分割和类模型姿态估计功能。他们的FritzAIStudio通过提供数据注释工具和合成数据无缝生成数据集，使用户能够快速将想法转化为可用于生产的应用程序。FritzAI的机器学习平台除了先于Apple引入对风格迁移的支持外，还提供了模型重训练、分析、易部署和防御攻击的解决方案。RunwayML也是一个专门为创作者和创客设计的机器学习平台。其直观的界面让您可以快速训练模型，范围从文本到图像生成(GAN)、运动捕捉、对象检测等，而无需编写或考虑代码。用户可以通过RunwayML浏览一系列模型，包括超分辨率图像、背景去除和风格转移。虽然从其应用程序导出模型需要付费，但设计人员始终可以利用其预训练的生成对抗网络功能从原型中合成新图像。他们的生成引擎可以在用户输入句子时合成图像，这是他们的优势之一。用户可以在masOS、windows上下载它的应用，也可以直接在浏览器上使用（目前还在测试阶段）。显然AI显然AI使用最先进的自然语言处理对用户定义的CSV数据执行复杂的任务。这个想法是上传一个数据集，选择要预测的列，然后用自然语言输入一个问题并预测结果。平台为用户选择正确的算法来训练机器学习模型。无论是预测收入还是预测库存需求，只需点击几下即可获得预测报告。这对于没有内部数据科学团队但想涉足人工智能领域的中小企业非常有用。显然，AI允许用户集成来自其他来源的数据，例如MySQL、Salesforce、RedShift等。用户还可以使用该平台对数据进行预测分析，而无需了解什么是线性回归和文本分类。SuperAnnotate在开发机器学习项目时，除了模型训练，数据处理也占用了大量时间。清理和标记数据肯定会消耗大量时间，尤其是在处理数千张图像时。SuperAnnotate是一个人工智能标注平台，利用机器学习能力，尤其是迁移学习，加速数据标注过程。通过使用其图像和视频注释工具，用户可以借助内置的预测模型快速注释数据。这使得对象检测数据集生成和图像分割变得更加容易和快速。SuperAnnotate还可以处理视频帧中常见的重复数据注释。TeachableMachineAutoML对开发者并不那么友好，同为谷歌旗下的TeachableMachines也不一样。后者允许用户快速训练模型以直接从浏览器识别图像、声音和手势。用户可以通过简单地拖放文件或通过网络摄像头创建快速和混乱的图像或声音数据集来训练模型。TeachableMachine在浏览器中使用Tensorflow.js库，并确保用户训练的数据保留在设备上。对于那些想在没有任何编码知识的情况下使用机器学习能力的人来说，谷歌无疑迈出了一大步。最终模型可以导出为Tensorflow.js或tflite格式，用户可以将其用于网站或应用程序；用户还可以通过Onyx将模型转换为不同的格式。这是我在不到一分钟内训练的一个简单的图像分类模型：SnapML是另一个很棒的无代码机器学习工具，可让您训练或上传自己的自定义模型并在SnapLenses上使用它们。这无疑有助于独立开发者和创作者展示他们的创造力。这些工具将使机器学习变得更加有趣。无代码机器学习平台可以弥合数据科学家和非机器学习从业者之间的鸿沟。虽然本文无法涵盖所有??内容，但您始终可以选择一个平台来快速构建模型或生成数据集。
