Isaac Sacolick
Le piattaforme low-code migliorano la velocità e la qualità dello sviluppo di applicazioni, integrazioni e visualizzazioni di dati. Invece di costruire moduli e flussi di lavoro in codice, le piattaforme low-code forniscono interfacce drag-and-drop per progettare schermate, flussi di lavoro e visualizzazioni di dati utilizzati in applicazioni web e mobile. Gli strumenti di integrazione low-code supportano le integrazioni dei dati, la preparazione dei dati, le orchestrazioni API e le connessioni alle comuni piattaforme SaaS. Se state progettando dashboard e report, ci sono molte opzioni low-code per connettersi a fonti di dati e creare visualizzazioni di dati.
Se potete farlo in codice, c'è probabilmente una tecnologia low-code o no-code che può aiutare ad accelerare il processo di sviluppo e semplificare la manutenzione in corso. Naturalmente, dovrete valutare se le piattaforme soddisfano i requisiti funzionali, il costo, la conformità e altri fattori, ma le piattaforme low-code offrono opzioni che vivono nella zona grigia tra il costruire voi stessi o comprare una soluzione software-as-a-service (SaaS).
Ma le opzioni low-code riguardano solo lo sviluppo di applicazioni, integrazioni e visualizzazioni migliori e più veloci? Che dire delle piattaforme low-code che accelerano e semplificano l'uso di capacità più avanzate o emergenti?
Ho cercato e prototipato piattaforme low-code e no-code che consentissero ai team tecnologici di spuntare e sperimentare le capacità di apprendimento automatico. Mi sono concentrato principalmente sulle piattaforme di sviluppo di applicazioni low-code e ho cercato capacità di apprendimento automatico che migliorassero l'esperienza dell'utente finale.
Ecco alcune cose che ho imparato in questo viaggio.
Le piattaforme si rivolgono a diversi tipi di sviluppo
Sei uno scienziato dei dati alla ricerca di funzionalità low-code per provare nuovi algoritmi di apprendimento automatico e supportare i modelops più velocemente e facilmente rispetto alla codifica in Python? Forse sei un ingegnere dei dati che si concentra sui dataops e vuoi collegare i dati ai modelli di apprendimento automatico mentre scopri e convalidi nuove fonti di dati.
Le piattaforme di data science e modelops come Alteryx, Dataiku, DataRobot, H20.ai, KNIME, RapidMiner, SageMaker, SAS e molte altre mirano a semplificare e accelerare il lavoro svolto dai data scientist e da altri professionisti dei dati. Hanno capacità complete di apprendimento automatico, ma sono più accessibili ai professionisti con competenze di scienza dei dati e ingegneria dei dati.
Ecco cosa mi ha detto Rosaria Silipo, PhD, principal data scientist e head of evangelism di KNIME, riguardo all'apprendimento automatico low-code e alle piattaforme AI. "Le piattaforme AI low-code rappresentano una valida alternativa alle classiche piattaforme AI basate su script. Rimuovendo la barriera della codifica, le soluzioni low-code riducono il tempo di apprendimento richiesto dallo strumento e lasciano più tempo a disposizione per sperimentare nuove idee, paradigmi, strategie, ottimizzazione e dati."
Ci sono più opzioni di piattaforma, soprattutto per gli sviluppatori di software che vogliono sfruttare le capacità di apprendimento automatico in applicazioni e integrazioni:
- Gli strumenti del cloud pubblico come GCP AutoML e Azure Machine Learning Designer aiutano gli sviluppatori ad accedere alle capacità di apprendimento automatico.
- Le piattaforme di sviluppo low-code come AppSheet di Google, Power Automate AI Builder di Microsoft e ML Builder di OutSystems espongono le capacità di apprendimento automatico.
- Le librerie di apprendimento low-code come PyCaret si rivolgono ai data scientist, ai citizen data scientist e agli sviluppatori per aiutare ad accelerare l'apprendimento e l'implementazione dell'apprendimento automatico sui toolkit open source.
Questi esempi low-code si rivolgono a sviluppatori e scienziati di dati con competenze di codifica e li aiutano ad accelerare la sperimentazione di diversi algoritmi di apprendimento automatico. Le piattaforme MLops si rivolgono a sviluppatori, scienziati di dati e ingegneri operativi. Efficacemente le devops per l'apprendimento automatico, le piattaforme MLops mirano a semplificare la gestione dell'infrastruttura del modello di apprendimento automatico, l'implementazione e la gestione operativa.
Apprendimento automatico senza codice per i citizen analysts
Un gruppo emergente di piattaforme di apprendimento automatico no-code è orientato agli analisti di business. Queste piattaforme rendono facile caricare o connettersi a fonti di dati cloud e sperimentare con algoritmi di apprendimento automatico.
Ho parlato con Assaf Egozi, cofondatore e CEO di Noogata, sul perché le piattaforme di apprendimento automatico senza codice per gli analisti di business possono essere un cambiamento di gioco anche per le grandi imprese con team esperti di scienza dei dati. Mi ha detto: "La maggior parte dei consumatori di dati all'interno di un'organizzazione semplicemente non hanno le competenze necessarie per sviluppare algoritmi da zero o anche per applicare strumenti autoML in modo efficace - e non dovremmo aspettarci che lo facciano. Piuttosto, dovremmo fornire a questi consumatori di dati - i cittadini analisti di dati - un modo semplice per integrare l'analitica avanzata nei loro processi aziendali".
Andrew Clark, CTO e cofondatore di Monitaur, è d'accordo. "Rendere il machine learning più accessibile alle imprese è eccitante. Non ci sono abbastanza data scientist addestrati o ingegneri con esperienza nella produzione di modelli per soddisfare la domanda delle imprese. Le piattaforme low-code offrono un ponte".
Anche se il low-code democratizza e accelera la sperimentazione dell'apprendimento automatico, richiede ancora pratiche disciplinate, l'allineamento alle politiche di governance dei dati e le revisioni per i pregiudizi. Clark ha aggiunto: "Le aziende devono vedere il low-code come strumento nel loro percorso per beneficiare dell'AI/ML. Non dovrebbero prendere scorciatoie, considerando la visibilità aziendale, il controllo e la gestione dei modelli necessari per prendere decisioni affidabili per il business".
Capacità low-code per gli sviluppatori di software
Ora concentriamoci sulle piattaforme low-code che forniscono capacità di apprendimento automatico agli sviluppatori di software. Queste piattaforme selezionano gli algoritmi di apprendimento automatico in base ai loro modelli di programmazione e ai tipi di capacità low-code che espongono.
- Appian fornisce integrazioni con diverse API di Google, tra cui GCP Native Language, GCP Translation, GCP Vision e Azure Language Understanding (LUIS).
- Creatio, una piattaforma low-code per la gestione dei processi e la gestione delle relazioni con i clienti (CRM), ha diverse capacità di apprendimento automatico, tra cui l'estrazione del testo delle e-mail e un modello di punteggio universale per i lead, le opportunità e i clienti.
- Google AppSheet permette diverse capacità di elaborazione del testo, tra cui la ricerca intelligente, la classificazione del contenuto e l'analisi del sentimento, fornendo anche previsioni di tendenza. Una volta integrata una fonte di dati, come Google Sheets, si può iniziare a sperimentare con i diversi modelli.
- Mendix Marketplace ha connettori di apprendimento automatico per Azure Face API e Amazon Rekognition.
- Microsoft Power Automate AI Builder ha capacità legate all'elaborazione di dati non strutturati, come la lettura di biglietti da visita e l'elaborazione di fatture e ricevute. Utilizzano diversi algoritmi, tra cui l'estrazione delle fasi chiave, la classificazione delle categorie e l'estrazione delle entità.
- OutSystems ML Builder ha diverse capacità che possono emergere quando si sviluppano applicazioni per l'utente finale, come la classificazione del testo, la previsione degli attributi, il rilevamento delle anomalie e la classificazione delle immagini.
- Thinkwise AutoML è progettato per problemi di classificazione e regressione di apprendimento automatico e può essere utilizzato in flussi di processo programmati.
- Vantiq è una piattaforma low-code con architettura event-driven che può guidare applicazioni di apprendimento automatico in tempo reale come il monitoraggio AI dei lavoratori di fabbrica e la traduzione in tempo reale per le interfacce uomo-macchina.
Questo non è un elenco completo. Un elenco di piattaforme di apprendimento automatico low-code e no-code nomina anche Create ML, MakeML, MonkeyLearn Studio, Ovviamente AI, Teachable Machine e altre opzioni. Inoltre, date un'occhiata alle piattaforme di apprendimento automatico no-code nel 2021 e alle piattaforme di apprendimento automatico no-code. Le possibilità crescono man mano che più piattaforme low-code sviluppano o diventano partner per le capacità di apprendimento automatico.
Quando usare le capacità di apprendimento automatico nelle piattaforme low-code
Le piattaforme low-code continueranno a differenziare i loro set di funzionalità, quindi mi aspetto che più aggiungeranno capacità di apprendimento automatico necessarie per le esperienze degli utenti che abilitano. Questo significa più elaborazione del testo e delle immagini per supportare i flussi di lavoro, l'analisi delle tendenze per le piattaforme di gestione del portafoglio e il clustering per il CRM e i flussi di lavoro di marketing.
Ma quando si tratta di apprendimento supervisionato e non supervisionato su larga scala, apprendimento profondo e modelops, è più probabile che sia necessario utilizzare e integrarsi con una piattaforma specializzata in data science e modelops. Più fornitori di tecnologia low-code possono collaborare per supportare le integrazioni o fornire on-ramps per abilitare le capacità di apprendimento automatico su AWS, Azure, GCP e altre nuvole pubbliche.
Ciò che continuerà ad essere importante è che le tecnologie low-code rendano più facile per gli sviluppatori creare e supportare applicazioni, integrazioni e visualizzazioni. Ora, alza la barra e aspettati un'automazione più intelligente e capacità di apprendimento automatico, sia che le piattaforme low-code investano nelle proprie capacità AI o forniscano integrazioni con piattaforme di data science di terze parti.