低代码平台如何支持机器学习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编排以及与通用SaaS平台的连接。如果您正在设计仪表板和报告，可以使用许多低代码选项来连接数据源和创建数据可视化。如果需要在代码中完成，可能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日常维护。当然，必须评估平台满足功能要求、成本、合规性和其他因素的能力，但低代码平台提供的选项处于构建自己的平台或购买软件即服务之间的灰色地带-服务(SaaS)解决方案。低代码选项是否只是为了更好更快的应用程序开发、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怎么样？以下是对低代码和无代码平台的详细解释，这些平台使技术团队能够使用机器学习能力进行测试。对于数据科学家来说，使用新的机器学习算法是否会变得令人兴奋，这些算法支持比通过低代码功能??在Python中编码更快、更容易的模型操作？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，例如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。它们具有完整的机器学习功能，但对于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主管RosariaSilipo博士对低代码机器学习和AI平台的看法。“AI低代码平台是传统AI脚本平台的有效替代品。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，并留出更多时间来试验新想法、范例、策略、优化和数据。”有多种平台选项，特别是对于希望在其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，例如GCPAutoML和AzureMachineLearningDesigner，可帮助开发人员访问机器学习功能。低代码开发平台，例如Google的AppSheet、Microsoft的PowerAutomation的AIBuilder和OutSystems的MLBuilder，展示了机器学习功能。PyCaret等低代码学习库以数据科学家、公民数据科学家和开发人员为目标，以帮助加速学习并在开源工具包上启用机器学习。这些低代码示例面向具有编码技能的开发人员和数据科学家，以帮助加速不同机器学习算法的实验。MLops平台面向开发人员、数据科学家和运营工程师。MLops平台有效支持机器学习的devops，旨在简化机器学习模型基础设施、部署和运维管理的管理。面向分析师的无代码机器学习一组新兴的面向业务分析师的无代码机器学习平台。这些平台可以轻松上传或连接到云数据源并试验机器学习算法。我与Noogata的联合创始人兼首席执行官AssafEgozi讨论了为什么面向业务分析师的无代码机器学习平台可以改变游戏规则，即使对于拥有经验丰富的数据科学团队的大型企业也是如此。他告诉我，“组织中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具备。数据分析师——提供一种将高级分析集成到他们的业务流程中的简单方法。”Monitaur的首席技术官兼联合创始人AndrewClark对此表示赞同。“让企业更容易获得机器学习是令人兴奋的。没有足够的训练有素的数据科学家或工程师在产品化模型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。”尽管低代码民主化并加速了机器学习实验，但它仍然需要严格的实践、与数据治理策略保持一致以及对偏见的审查。Clark补充说：“公司必须将低代码视为获得AI/ML优势的工具。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功能??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??类型来选择机器学习算法。Appian提供与多个GoogleAPI的集成，包括GCPNativeLanguage、GCPTranslation、GCPVision和AzureLanguageUnderstanding(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。GoogleAppSheet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，还提供趋势预测。集成数据源（例如Google表格）后，您就可以开始尝试不同的模型。Mendix市场在AzureFaceAPI和AmazonRekognition之间有一个机器学习连接器。MicrosoftPowerAutomateAIBuilder具有与处理非结构化数据相关的功能，例如读取名片和处理发票和收据。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。OutSystemsMLBuilder具有开发最终用户应用程序时可能出现的各种功能，例如文本分类、属性预测、异常检测和图像分类。ThinkwiseAutoML专为分类和回归机器学习问题而设计，可用于预定管道。Vantiq是一个低代码、事件驱动的架构平台，可驱动实时机器学习应用程序，例如工厂工人的AI监控和人机界面的实时翻译。这不是一个完整的列表。低代码和无代码机器学习平台列表，还命名为CreateML、MakeML、MonkeyLearnStudio、ObviouslyAI、TeachableMachine和其他选项。另外，请查看无代码机器学习平台和2021年无代码机器学习平台。随着越来越多的低代码平台开发或协作机器学习功能，这种情况越来越有可能发生。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它们的功能集，因此我预计更多平台将添加它们支持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。但当涉及到大规模的监督和非监督学习、深度学习和模型操作时，更有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。仍然重要的是，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功能，无论是低代码平台投资自己的AI功能还是提供与第三方数据科学平台的集成。【翻译稿件，合作网站转载请注明原译者和出处.com】
