> Source

　　随着无代码/低代码AI平台的兴起，我想写这篇文章来解释这些解决方案背后的业务模型，以及它对数据科学家的意义。 数据科学家的工作会消失还是会发展？

　　这些无代码解决方案通常位于引导平台上，为经典的机器学习专家和机器学习专业人员提供经典的拖放功能，以提供全自动机器学习服务。

　　当今的现实是，机器学习专家很难找到，而且……很难保留。 将您的业务转换为AI驱动的组织需要时间和投资。 因此，某些公司几乎不可能采用AI。

　　对于中型公司，由于公司缺乏构建可扩展的AI解决方案所需的技术人才，但对数据科学家的需求很高，但无法雇用开发人员的公司面临被遗忘的风险。 结果，越来越多的公司越来越转向使用无代码平台进行机器学习。

　　无代码平台：该平台使公司或商业专业人员只需很少或没有编码经验，即可构建应用程序并填补组织中的人才缺口。

　　除了无代码AI解决方案之外，我们还看到了许多低代码解决方案。 确实，越来越多的工具有望使数据科学领域更易于访问。 显然，考虑到数据科学和机器学习流程的复杂性，这并非易事。 尽管如此，包括Keras，FastAI和Weka在内的许多库和工具都为我们提供了易于使用的高级界面和许多预建组件，从而大大简化了创建数据科学项目的过程。

　　我意识到，对于一家公司来说，吸引高素质的机器学习专家通常很困难，而对机器学习的需求却在不断增长，而且很多时候都超过了供应。 这里的解决方案可能是提供对自动化机器学习工具的访问。

　　自动化机器学习：自动化将机器学习应用于实际问题的过程。 AutoML涵盖了从原始数据集到可部署的机器学习模型的完整管道。

　　这个想法是要挑战学习技术机器学习并引入更多可访问的机器学习的传统方法。

　　这些业务模型的基本目标是利用没有或没有数据科学团队的中小企业的规模以及国际范围。

　　其次，通过构建低代码或无代码AI平台，市场领导者将更容易地将自己确立为中央AI生态系统，并进一步建立联盟以扩展用例和交付。

　　我还相信，大型科技公司会投资无代码AI模型构建平台，以加速AI民主化并从品牌角度构建这种最高意识。 此外，它还可以帮助公司赢得将自己构建模型的程序员或最终用户的青睐。 该业务模型可能是创建一个相对易于使用但功能有限的平台，并为高级AI相关服务（培训，协助等）提出高级订阅。 从今天开始，我希望这些公司根据请求数向用户收费。

　　> Source

　　我相信大型科技公司实际上正在构建AI生态系统，拥有无代码的AI平台可以帮助客户轻松地坚持该品牌的生态系统和路线图，从而加强了客户锁定的效果。 此外，它扩大了大型科技公司的用户范围，使他们不仅可以为数据科学家而且可以为企业用户提供服务。

　　领先的AI公司正在开发各种平台策略来加速大型企业的采用，但与此同时，中小企业市场仍未开发。

　　理想情况下，这些公司希望业务用户从小型POC开始，以了解该技术可以做什么，并消除所有可能的进入障碍。 随着他们对技术和流程的越来越熟悉，他们将对AI如何解决特定的业务问题有其他想法。

　　我相信，目前AI中实际上正在进行两场比赛：

　　—一种是为了赢得程序员，另一种是为了赢得用户。 "问题是，即使像使用拖放机制一样容易，实际上有多少最终用户将构建自己的模型？"。

　　大型技术公司希望开源或开发无代码应用程序，因为它们希望成为其他人创新的基础。 这样，他们将能够收集许多中小企业的所有最具战略意义的数据……

　　开放源代码和无代码AI平台可以满足这些公司保持技术前沿的更广泛目标。 从这个意义上讲，他们没有放弃成功的关键：他们为自己的未来铺平了道路。

　　除了所有这些要素之外，无代码AI平台还使这些公司可以通过顾问和计算资源提出其他AI专业知识，以快速有效地完成AI在线培训，从而进行一些交叉销售。

　　另一个有趣的观点是，没有/低代码的AI平台可以帮助缺乏形式化AI实践的初创企业快速构建更好的应用程序和解决方案，而无需任何编码经验，而成本却低得多。 这也是另一个非常有趣的市场…

　　自动化正在满足数据科学家执行的许多任务……的确，每个主要的云供应商都对某种类型的AutoML计划或无/低代码AI平台进行了大量投资。

　　如今，大多数解决方案都提供了预先构建的算法和简化的工作流程，并具有拖放建模和可视化界面等功能，可以轻松地与数据连接并加速将服务/应用程序推向市场。

　　· Google的Cloud AutoML通过简单的界面（基于拖放）来训练无代码机器学习模型。 它专注于人工视觉，自然语言和翻译。 Google还提供了Teachable Machine，这是一种甚至更简单的工具，专门为有兴趣尝试机器学习并理解其工作原理的业余爱好者设计。 Teachable Machine只需要一个摄像头（网络摄像头或手机摄像头），就可以在浏览器中提供一个小型神经网络，而无需将图像发送到服务器并将其导出到网站，应用程序，物理机器等。

　　· Uber AI开发了Ludwig，这是一种无需代码的深度学习工具箱，可以使非专家更容易地使用深度学习。 非专家可以快速训练和测试深度学习模型，而无需编写代码。 专家可以获得强大的基准来与他们的模型进行比较，并具有实验设置，可以通过执行标准的数据预处理和可视化来轻松测试新想法和分析模型。

　　> Source

　　· 百度的EZDL是一个简单的拖放平台，允许用户设计和构建自定义机器学习模型。

　　这些无需代码的机器通常位于引导平台上，为经典机器和机器学习专业人员提供了经典的拖放功能，以提供全自动机器学习服务

　　我相信，越来越多的无代码/低代码AI解决方案将对缺乏低代码策略的应用平台厂商（包括MEAP和PaaS提供商）构成更大的竞争威胁。

　　大多数现有解决方案可以：

　　当涉及用例时，可以创建一种算法来

　　· 根据房屋内部图像自动识别设计风格和房间类型

　　· 在制造环境中识别有缺陷的产品

　　· 监控道路和人行道上的裂缝

　　· 检测客户是否可能流失

　　· 是否批准贷款等

　　此时，领先者仅有助于网络的实际实施和培训，而无助于功能工程，数据分析或测试。

　　这些解决方案听起来不错，但是……您肯定仍然需要数据专家。 确实，业务用户必须知道要拖动什么以及将其拖放到哪里。但是，复杂的项目有成千上万的任务，需要数据科学家。

　　如果您只需要拖放一些东西，那么拖放工具看起来很棒，但是现实并非如此。 我已经看过许多AI项目的工作流程，并且可以向您保证，为了扩展并达到生产，您的AI项目将有成千上万的任务。

　　可以肯定地认为，使用无代码/拖放工具会使您的数据科学家不满意。 实际上，他们已经知道如何编写代码，因此不需要拖放UI。 您可能会听到他们抱怨此类工具缺乏可扩展性……

　　尽管有这些合法的因素，但数据科学家的外卖方向是着眼于提高他们在非自动化领域的技能。

　　我相信数据科学家的角色将仍然是AI项目成功的重要因素（取决于复杂性）。

　　我认为，即使有最适度的业务规则，也无法提供AI或无代码工具，也无法让它生成应用程序。 总会有人为因素来进行功能工程，架构，测试和维护。

　　此外，随着无代码/低代码AI解决方案的兴起，我们可能会看到数据科学家最终会花太多时间来固定同事的工作，因为他们可能会完成自己的任务。

　　可以肯定地说，随着我们继续使AI民主化，机器学习元素的许多任务将实现自动化。 这一转变将使数据专家在解决问题方面更具战略性和创造性。

　　人们很难指望，在没有数据专家的帮助下，企业将能够使用自动化机器学习的结果。 无论如何，AI项目的数据准备，结果解释和其他阶段仍然需要数据专家。

　　我认为，数据科学将继续具有战略意义-但世界正在过渡到功能性数据科学世界，从业者可以进行自己的分析。 您需要数据工程师（而不是数据科学家）来启用数据管道和集成数据结构。

　　未来的数据科学家应该更加专业，应对最关键的业务挑战和最复杂的挑战，这将帮助他们的业务创造增值。

　　所有这些平台和工具仍然有其局限性，但标志着面向业余爱好者的ML（简化的几乎是自制的AI）越来越近了。