By Julia Gavrilova, AI and Ethics of Tech på serokell.io.

Du har sikkert hørt udtrykkene 'lav kode' og 'ingen kode' før.

Lav kode står blot for en reduceret mængde kodning. Mange elementer kan simpelthen trækkes og slippes fra biblioteket. Det er dog også muligt at tilpasse dem ved at skrive din egen kode, hvilket giver øget fleksibilitet.

Ingen kode platforme kræver slet ingen viden om programmering. De kan bruges af forskellige mennesker som kunstnere, lærere, topledere. De har brug for kunstig intelligens i deres arbejde, men ønsker ikke at dykke dybt ned i programmering og datalogi. No-code løsninger er ret begrænsede i funktionalitet, men giver dig mulighed for hurtigt at bygge noget enkelt.

I praksis er grænsen mellem ingen-kode og lav-kode platforme ret tynd. Platforme, der promoverer sig selv som 'no-code', efterlader normalt stadig lidt plads til tilpasning.

Lavkode platforme for begyndere

Lavkodebiblioteker kan bruges selv med minimal erfaring med kodning.

PyCaret

Dette er en open source maskinlæringsbibliotek i Python, der giver dig mulighed for at oprette og implementere maskinlæringsmodeller med minimal kodning.

Grundlæggende er PyCaret et lavkode-alternativ, der kan erstatte hundredvis af linjer kode med kun få ord. Det øger i høj grad hastigheden på softwareudvikling og gør det mere tilgængeligt for begyndere. PyCaret er en Python-indpakning over flere maskinlæringsbiblioteker såsom scikit-learn, XGBoost, Microsoft LightGBM, spaCy og mange flere.

Auto-ViML

AutoViML er et værktøj, der gør det muligt for enhver at bygge en maskinlæringsmodel hurtigt. Den gengiver automatisk dine data gennem forskellige maskinlæringsmodeller for at finde ud af, hvilken der giver de bedste resultater i hvert enkelt tilfælde. Et andet stort plus er, at du ikke behøver at forbehandle dine data, fordi AutoViML automatisk renser, transformerer og normaliserer dem. Programmet arbejder med forskellige typer variabler, herunder tekst-, tal- og visuelle data.

H2O AutoML

H2O er en open source maskinlæringsplatform. Det har værktøjer til at implementere de mest udbredte maskinlæringsalgoritmer såsom gradient descent, lineær regression, dybe kunstige neurale netværk og andre. Hvad denne platform er berømt for, er dens banebrydende AutoML. Denne funktion giver mulighed for at automatisere processen med at bygge flere modeller på én gang, så du kan oprette og teste funktionelle ML-modeller selv uden forudgående erfaring.

No-code ML platforme, du bør bruge i 2021

Her er et udvalg af kodefri platforme, som du kan udforske, hvis du hurtigt vil implementere et maskinlæringselement og integrere det med din eksisterende software.

Google Cloud Auto ML

Denne no-code værktøj gør det muligt for enhver at træne og implementere tilpassede maskinlæringsmodeller uden nogen ML-ekspertise. Platformen arbejder med forskellige typer data og dækker en bred vifte af use cases, fra computersyn og videointelligens til naturlig sprogbehandling og oversættelse. Du vil være i stand til at forberede og gemme dine datasæt og bruge automatiske værktøjer til lettere mærkning. Hvis du har brug for mere kraft og mere fleksible værktøjer, kan du opgradere til at bruge Google Cloud.

Google ML Kit

Denne toolkit blev lavet til Android- og iOS-udviklere, der ønsker at gøre deres apps mere engagerende. Dens API kan bruges til at implementere bjælkescanning, ansigtsgenkendelse, billedmærkningsfunktioner og mere uden at skulle oprette en ML-model fra bunden. Al den nødvendige behandling sker på brugerens mobile enhed i realtid, så du behøver ikke bekymre dig om at opsætte og hoste dyre servere.

Lærbar maskine

Lærbar maskine er et andet projekt fra Google, der letter brugen af ​​ML til apps og hjemmesider. Denne platform er nem at bruge selv for ikke-teknisk kyndige mennesker på grund af dens brugervenlige grænseflade. Programmet arbejder med billeder og giver dig mulighed for at træne maskinen til at genkende og klassificere fotos. Den behandler også lyde. Platformen er interessant at lege med, hvis du er nybegynder, og den er også gratis. Men det er op til dig at indsamle og forberede de data, du vil bruge til træning af modellen.

Runway AI

Runway AI blev bygget til skabere uden programmeringserfaring inden for områderne video- og fotoredigering med muligheden for grøn skærm, filtrering og andre interessante funktioner. Dette værktøjssæt kan hjælpe dig med at udvide din kreativitet med teknologiske værktøjer med et par enkle klik og forvandle dine videoer til førsteklasses biografkunst.

lap

Denne ML platform har projektskabeloner, der er nemme at bruge, selv til dit første ML-projekt. Projektet er relativt nyt, så kun billedklassificering er tilgængelig lige nu. I fremtiden ønsker dets skabere også at lancere skabeloner til objektdetektion og dataklassificering. En billedklassificering er dog et af de mest nyttige værktøjer for detailhandlere, annoncører og forretningsfolk, så sørg for at tjekke det ud.

Selvfølgelig AI

Hvis du leder efter et praktisk værktøj til at lave forudsigelser baseret på data uden at skrive kode, Selvfølgelig AI er for dig. Det kan bruges af marketingfolk og virksomhedsejere, der ønsker at forudsige indtægtsflow, optimere forretningsprocesser, opbygge en mere effektiv forsyningskæde og gennemføre personlige automatiserede marketingkampagner. Alt du behøver er at levere data, vælge en kolonne baseret på hvilken din tilpassede ML-algoritme vil blive oprettet, og få din rapport.

Opret ML

Opret ML er en brugervenlig træk-og-slip-platform fra Apple, der giver dig mulighed for at træne modeller på din Mac-enhed. Det kan hjælpe dig med at bygge klassificerings- og anbefalingssystemer. Værktøjet kan behandle billeder, videoer, fotos, tabeldata og tekster. Den model, du får, kan testes og implementeres i IOS-applikationer. Du kan forhåndsvise modellens ydeevne og pause, gemme, genoptage og forlænge din træningsproces, når du vil. CreateML giver dig mulighed for at træne flere modeller på forskellige datasæt på én gang for et enkelt projekt. Den har standard Apple SDK og dokumentation, der inkluderer kodeeksempler og forklarende artikler.

MakeML

MakeML gør det muligt for iOS-udviklere at implementere objektsegmentering og objektdetekteringsløsninger. Ved hjælp af dette værktøj kan du skitsere og redigere elementer ikke kun i fotos, men også i videoer. Opret dine egne datasæt, byg tilpassede ML-modeller med få klik, og integrer din model i din app. Denne platform giver dig også mulighed for at arbejde med AR.

Fritz AI

Hvis du leder efter flere spændende løsninger til iOS- og Android-apps, kan du også tjekke ud Fritz AI. Det giver dig fleksibilitet med hensyn til, hvor meget du ønsker at blive investeret i ML-modeludvikling - du kan træne tilpassede modeller i studiet eller bruge præ-trænede modeller. I programmet kan du oprette eller importere dine egne datasæt, overvåge modellens ydeevne og genoptræne den. Hvis du laver Snapchat-linseudvikling, vil dette værktøj hjælpe dig med at tilføje kodefri maskinlæring til dine augmented reality-filtre.

Superkommentar

At lave anmærkninger til videoer og tekster er et kedeligt arbejde, men det kan automatiseres med Superkommentar. Løsningen dækker et væld af sager på tværs af forskellige industrier, såsom luftfotografering, autonom kørsel, robotteknologi og medicin. Hvis du hurtigt har brug for at behandle billeder, og du ikke vil ansætte et helt team af data scientists, anbefaler vi at tjekke det ud.

Hurtig minearbejder

RapidMiner er et værktøj skabt til data mining. Det er baseret på ideen om, at forretningsanalytikere eller dataanalytikere ikke nødvendigvis behøver at programmere for at udføre deres arbejde. Samtidig kræver minedrift data, så værktøjet var udstyret med et godt sæt operatører, der løser en lang række opgaver til at indhente og behandle information fra forskellige kilder (databaser, filer). Samlet set gør dette værktøj dataanalyse enkel nok til, at alle kan bruge det.

Hvad hvis værktøj

Dette er et super nyttigt værktøj til at vurdere modellernes ydeevne uden kodning. WIT viser visuelt, hvordan modellens adfærd ændrer sig over tid og over forskellige delmængder af data. Du kan også sammenligne ydeevnen af ​​to modeller for at se, hvilken der fungerer bedst.

DataRobot

DataRobot er en platform, der gør det muligt for forretningsanalytikere at opbygge forudsigende analyser uden viden om maskinlæring eller programmering. Platformen bruger automatiseret maskinlæring (AutoML) til at generere præcise forudsigende modeller på kort tid. DataRobot giver en brugervenlig brugergrænseflade til at skabe maskinlæringsmodeller. Med blot nogle få trin kan en virksomhed implementere en forudsigelig analysetjeneste i realtid.

Nanonets AI

Intelligent dokumentbehandling er muligt med Nanonetter. Den fanger automatisk data fra dokumenter og sparer dig for timevis med manuel dokumenthåndtering. Nanonets AI behandler usete, semi-strukturerede dokumenter, selvom de ikke følger en standardskabelon, validerer automatisk data og forbedres over tid gennem flere anvendelser.

Monkey Learn Studio

MonkeyLearn Studio giver værktøjer til at arbejde med tekstdata og er rettet mod at blive brugt af virksomheder. Denne platform kan automatisk tagge forretningsdata, for eksempel supportbilletter eller e-mails. Det hjælper også med visualisering af data. MonkeyLearn gør det nemt at arbejde med maskinlæring, fordi det har færdige maskinlæringsmodeller, der kan trænes og bygges kodefrit.

Afsluttende ord

Disse værktøjer er seje til, hvad de er: kodefri platforme til hurtig implementering af simple projekter af ikke-teknologiske eksperter eller nybegyndere i ML. De kan på ingen måde erstatte brugerdefineret ML-modeludvikling med højbelastningsdataintensive projekter. Så hvis du har en unik idé i tankerne, der involverer behandling af big data, automatisering af intensive industrielle processer eller følsomme forudsigelsesmodeller, kontakt os. Sammen kan vi finde løsninger, der passer til netop dine behov.

Original. Genopslået med tilladelse.

Relateret:

• Pushing No-Code Machine Learning til kanten
• Den næste generation af AutoML-frameworks
• Nem AutoML i Python