By Julia Gavrilova, AI en ethiek van technologie op serokell.io.

De termen 'low-code' en 'no-code' heb je vast wel eens gehoord.

low-code staat gewoon voor een verminderde hoeveelheid codering. Veel elementen kunnen eenvoudig uit de bibliotheek worden gesleept en neergezet. Het is echter ook mogelijk om ze aan te passen door uw eigen code te schrijven, wat meer flexibiliteit geeft.

Geen code platforms vereisen helemaal geen kennis van programmeren. Ze kunnen door verschillende mensen worden gebruikt, zoals artiesten, leraren, topmanagers. Ze hebben AI nodig in hun werk, maar willen niet diep in programmeren en informatica duiken. No-code-oplossingen zijn vrij beperkt in functionaliteit, maar stellen u in staat om snel iets eenvoudigs te bouwen.

In de praktijk is de grens tussen no-code en low-code platforms vrij dun. Platformen die zichzelf promoten als 'no-code' laten meestal nog wat ruimte voor maatwerk.

Low-code platforms voor beginners

Low-code bibliotheken kunnen zelfs met minimale ervaring in coderen worden gebruikt.

PyCaret

Dit is een open-source machine learning-bibliotheek in Python waarmee u machine learning-modellen kunt maken en implementeren met minimale codering.

Kortom, PyCaret is een low-code alternatief dat honderden regels code kan vervangen met slechts een paar woorden. Het verhoogt de snelheid van softwareontwikkeling aanzienlijk en maakt het toegankelijker voor beginners. PyCaret is een Python-wrapper over verschillende machine learning-bibliotheken zoals scikit-learn, XGBoost, Microsoft LightGBM, spaCy en nog veel meer.

Auto-ViML

AutoViML is een tool waarmee iedereen snel een machine learning-model kan bouwen. Het geeft uw gegevens automatisch weer via verschillende machine learning-modellen om te ontdekken welke in elk specifiek geval de beste resultaten geeft. Een ander groot pluspunt is dat u uw gegevens niet vooraf hoeft te verwerken, omdat AutoViML deze automatisch opschoont, transformeert en normaliseert. Het programma werkt met verschillende soorten variabelen, waaronder tekstuele, cijfermatige en visuele gegevens.

H2O AutoML

H2O is een open source machine learning-platform. Het heeft tools voor het inzetten van de meest gebruikte algoritmen voor machine learning, zoals gradiëntafdaling, lineaire regressie, diepe kunstmatige neurale netwerken en andere. Waar dit platform bekend om staat, is zijn geavanceerde AutoML. Met deze functie kunt u het proces van het bouwen van meerdere modellen tegelijk automatiseren, zodat u zelfs zonder voorafgaande ervaring functionele ML-modellen kunt maken en testen.

No-code ML-platforms die u in 2021 moet gebruiken

Hier is een assortiment van no-code platforms die u kunt verkennen als u snel een machine learning-element wilt implementeren en integreren met uw bestaande software.

Google Cloud AutoML

Deze tool zonder code stelt iedereen in staat om aangepaste machine learning-modellen te trainen en te implementeren zonder enige ML-expertise. Het platform werkt met verschillende soorten gegevens en bestrijkt een breed scala aan gebruiksscenario's, van computervisie en video-intelligentie tot natuurlijke taalverwerking en -vertaling. U kunt uw datasets voorbereiden en opslaan en automatische tools gebruiken voor gefaciliteerde labeling. Als u meer kracht en flexibelere tools nodig heeft, kunt u upgraden om Google Cloud te gebruiken.

Google ML-kit

Deze toolkit is gemaakt voor Android- en iOS-ontwikkelaars die hun apps aantrekkelijker willen maken. De API kan worden gebruikt om balkscanning, gezichtsdetectie, functies voor het labelen van afbeeldingen en meer te implementeren zonder dat u helemaal opnieuw een ML-model hoeft te maken. Alle noodzakelijke verwerkingen gebeuren in realtime op het mobiele apparaat van de gebruiker, dus u hoeft zich geen zorgen te maken over het opzetten en hosten van dure servers.

Leerbare machine

Leerbare machine is een ander project van Google dat het gebruik van ML voor apps en websites faciliteert. Dit platform is gemakkelijk te gebruiken, zelfs voor mensen die niet technisch onderlegd zijn, dankzij de gebruiksvriendelijke interface. Het programma werkt met afbeeldingen en stelt u in staat de machine te trainen om foto's te herkennen en te classificeren. Het verwerkt ook geluiden. Het platform is interessant om mee te spelen als je een nieuweling bent, en het is ook gratis. Maar het is aan jou om de gegevens te verzamelen en voor te bereiden die je gaat gebruiken voor het trainen van het model.

Baan AI

Baan AI is gebouwd voor makers zonder programmeerervaring op het gebied van video- en fotobewerking met de groene schermoptie, filtering en andere interessante functies. Deze toolkit kan je helpen je creativiteit uit te breiden met technologische hulpmiddelen in een paar simpele klikken, waardoor je video's in eersteklas bioscoopkunst worden veranderd.

kwab

Deze ML-platform heeft projectsjablonen die gemakkelijk te gebruiken zijn, zelfs voor uw eerste ML-project. Het project is relatief nieuw, dus momenteel is alleen beeldclassificatie beschikbaar. In de toekomst willen de makers ook sjablonen voor objectdetectie en gegevensclassificatie lanceren. Een afbeeldingsclassificatie is echter een van de handigste tools voor retailers, adverteerders en zakelijke professionals, dus zorg ervoor dat u deze eens bekijkt.

duidelijk AI

Als u op zoek bent naar een handige tool om voorspellingen te doen op basis van gegevens zonder code te schrijven, duidelijk AI is voor jou. Het kan worden gebruikt door marketeers en bedrijfseigenaren die de inkomstenstroom willen voorspellen, bedrijfsprocessen willen optimaliseren, een effectievere toeleveringsketen willen bouwen en gepersonaliseerde geautomatiseerde marketingcampagnes willen uitvoeren. Het enige dat u nodig hebt, is gegevens verstrekken, een kolom kiezen op basis waarvan uw aangepaste ML-algoritme zou worden gemaakt en uw rapport ontvangen.

CreëerML

CreëerML is een gebruiksvriendelijk drag-and-drop-platform van Apple waarmee je modellen kunt trainen op je Mac-apparaat. Het kan u helpen classificaties en aanbevelingssystemen te bouwen. De tool kan afbeeldingen, video's, foto's, tabelgegevens en teksten verwerken. Het model dat u krijgt, kan worden getest en geïmplementeerd in IOS-toepassingen. U kunt een voorbeeld van de prestaties van het model bekijken en uw trainingsproces pauzeren, opslaan, hervatten en verlengen wanneer u maar wilt. Met CreateML kunt u meerdere modellen tegelijk op verschillende datasets trainen voor een enkel project. Het heeft standaard Apple SDK en documentatie met codevoorbeelden en verklarende artikelen.

MerkML

MerkML stelt iOS-ontwikkelaars in staat om oplossingen voor objectsegmentatie en objectdetectie te implementeren. Met deze tool kun je niet alleen elementen in foto's maar ook in video's omlijnen en bewerken. Maak uw eigen datasets, bouw aangepaste ML-modellen in een paar klikken en integreer uw model in uw app. Op dit platform kun je ook met AR werken.

Fritz Al

Als u op zoek bent naar meer opwindende oplossingen voor iOS- en Android-apps, kunt u ook kijken op Fritz Al. Het geeft je flexibiliteit in hoeveel je wilt investeren in de ontwikkeling van ML-modellen - je kunt aangepaste modellen trainen in de Studio of vooraf getrainde modellen gebruiken. In het programma kunt u uw eigen datasets maken of importeren, de prestaties van het model volgen en het opnieuw trainen. Als je Snapchat-lenzen ontwikkelt, helpt deze tool je om machine learning zonder code toe te voegen aan je augmented reality-filters.

Superannoteren

Annotaties maken bij video's en teksten is een vervelende klus, maar het kan worden geautomatiseerd met Superannoteren. De oplossing dekt een groot aantal gevallen in verschillende sectoren, zoals luchtfotografie, autonoom rijden, robotica en geneeskunde. Als je snel afbeeldingen moet verwerken en je wilt niet een heel team datawetenschappers inhuren, dan raden we je aan daar eens naar te kijken.

Snelle mijnwerker

RapidMiner is een tool gemaakt voor datamining. Het is gebaseerd op het idee dat bedrijfsanalisten of data-analytics niet per se hoeven te programmeren om hun werk te doen. Tegelijkertijd vereist mijnbouw gegevens, dus de tool was uitgerust met een goede reeks operators die een breed scala aan taken oplosten voor het verkrijgen en verwerken van informatie uit verschillende bronnen (databases, bestanden). Over het algemeen maakt deze tool data-analyse eenvoudig genoeg voor iedereen om het te gebruiken.

Wat-als-tool

Dit is een super handig hulpmiddel om de prestaties van de modellen te beoordelen zonder codering. WIT geeft visueel weer hoe modelgedrag in de loop van de tijd en over verschillende subsets van gegevens verandert. U kunt ook de prestaties van twee modellen vergelijken om te zien welke het beste werkt.

GegevensRobot

GegevensRobot is een platform waarmee bedrijfsanalisten voorspellende analyses kunnen bouwen zonder kennis van machine learning of programmeren. Het platform maakt gebruik van geautomatiseerde machine learning (AutoML) om in korte tijd nauwkeurige voorspellende modellen te genereren. DataRobot biedt een gebruiksvriendelijke gebruikersinterface voor het maken van machine learning-modellen. In slechts een paar stappen kan een bedrijf een realtime voorspellende analyseservice implementeren.

Nanonetten AI

Intelligente documentverwerking is mogelijk met Nanonetten. Het legt automatisch gegevens uit documenten vast, waardoor u urenlang handmatig documentbeheer bespaart. Nanonets AI verwerkt onzichtbare, semi-gestructureerde documenten, zelfs als ze geen standaardsjabloon volgen, valideert automatisch gegevens en verbetert in de loop van de tijd door meerdere gebruiksmogelijkheden.

Aap Leer Studio

MonkeyLearn Studio biedt tools voor het werken met tekstuele data en is bedoeld voor gebruik door bedrijven. Dit platform kan automatisch bedrijfsgegevens taggen, bijvoorbeeld supporttickets of e-mails. Het helpt ook bij het visualiseren van gegevens. MonkeyLearn maakt het gemakkelijk om met machine learning te werken omdat het kant-en-klare machine learning-modellen heeft die zonder code kunnen worden getraind en gebouwd.

Laatste woorden

Deze tools zijn cool voor wat ze zijn: no-code platforms voor snelle implementatie van eenvoudige projecten door niet-technische experts of nieuwelingen in ML. Ze kunnen in geen geval de ontwikkeling van aangepaste ML-modellen vervangen voor intensieve, data-intensieve projecten. Dus als u een uniek idee in gedachten heeft waarbij het gaat om het verwerken van big data, het automatiseren van intensieve industriële processen of gevoelige voorspellingsmodellen, deze link. Samen kunnen we oplossingen bedenken die passen bij uw specifieke behoeften.

ORIGINELE. Met toestemming opnieuw gepost.

Zie ook:

• No-Code Machine Learning naar de rand duwen
• De volgende generatie AutoML-frameworks
• Gemakkelijke AutoML in Python