低代碼平臺提高了開發應用程序、集成和數據可視化的速度和質量。低代碼平臺不是用代碼構建表單和工作流，而是利用拖放界面來設計在網絡和移動應用程序中使用的屏幕、工作流和數據可視化。低代碼集成工具支持數據集成、數據準備、API編排以及與常見的SaaS平臺的連接。如果你正在設計儀表板和報表，要連接數據源并創建數據可視化，有許多低代碼選項可以選擇。

但凡你可以用代碼完成的，都可能會有一種低代碼或無代碼技術可以幫助加速開發過程和簡化正在進行的維護。當然，你必須要評估這些平臺是否滿足功能要求、成本、合規性和其他因素，但低代碼平臺能提供的選項一般都處于可以自行構建和購買軟件即服務(SaaS)之間的灰色區域。

但是，低代碼選項是否只是為了更好更快地開發應用程序、集成和可視化?那些使用更高級或新興功能去進行加速和簡化的低代碼平臺又如何呢?

我搜索并制作了低代碼和無代碼平臺的原形，這些平臺使技術團隊能夠利用機器學習功能進行測試和試驗。我主要關注低代碼應用程序開發平臺，并尋求能增強最終用戶體驗的機器學習功能。

以下是我在這個過程中學到的一些東西。

不同的平臺針對不同的開發人員

你是一名數據科學家嗎?你正在尋找用低代碼功能來嘗試新的機器學習算法，并能比Python編碼更快、更容易地支持 ModelOps嗎?也許你是一名專注于數據操作的數據工程師，并希望在發現和驗證新數據源的同時將數據與機器學習模型相連接。

Alteryx、Dataiku、DataRobot、H20.ai、KNIME、RapidMiner、SageMaker、SAS 等數據科學和模型操作平臺旨在簡化和加速數據科學家和其他數據專業人員的工作。它們具有全面的機器學習能力，但在操作上對具有數據科學和數據工程技能的專業人員來說更容易些。

以下是 KNIME 首席數據科學家兼布道負責人 Rosaria Silipo 博士講述的關于低代碼機器學習和人工智能平臺的內容。“人工智能低代碼平臺可以作為經典的、基于腳本的人工智能平臺的有效替代方案。通過消除編碼障礙，低代碼解決方案減少了工具需要的學習時間，留出了更多的時間用于試驗新想法、范例、策略、優化和數據。”

特別是對于希望在應用程序和集成中利用機器學習功能的軟件開發人員，這里有多種平臺可供選擇：

• GCP AutoML和Azure Machine Learning Designer等公有云工具幫助開發者獲取機器學習能力。
• Google 的AppSheet、微軟的Power Automate的 AI Builder 和OutSystems ML Builder等低代碼開發平臺都展露出了機器學習能力。
• PyCaret 等低代碼學習庫面向數據科學家、平民數據科學家和開發人員，幫助他們加速學習和在開源工具包上實施機器學習。

這些低代碼示例面向具有編碼技能的開發人員和數據科學家，幫助他們加速對不同機器學習算法的試驗。MLops平臺面向開發人員、數據科學家和運營工程師。作為機器學習的 DevOps，MLops平臺旨在簡化管理機器學習模型的基礎設施、部署和運營管理。

面向平民分析師的無代碼機器學習

有一組新興的無代碼機器學習平臺面向業務分析師，這些平臺使上傳或連接到云數據源和試驗機器學習的算法變得容易。

我與 Noogata 的聯合創始人兼CEO Assaf Egozi 討論過，為什么即使對于擁有豐富經驗的數據科學團隊的大型企業，那些面向業務分析師的無代碼機器學習平臺也能改變游戲規則。他告訴我，“企業內的大多數數據消費者根本不具備從頭開發算法甚至有效應用 autoML 工具所需的技能，而且我們也不應該期望他們這樣做。相反，我們應該為這些數據消費者或者平民數據分析師提供一種的簡單方法，可以將高級分析集成到他們的業務流程中。”

Monitaur的CTO兼聯合創始人Andrew Clark表示贊同。“讓企業能更容易上手機器學習是令人興奮的。在模型產品化方面沒有那么多訓練有素的數據科學家或具有專業知識的工程師來滿足業務需求。低代碼平臺提供了一座橋梁。”

盡管低代碼使機器學習實驗民主化并加快了速度，但它仍然需要嚴格的實踐、符合數據治理政策以及偏見審查。Clark 補充道：“公司必須將低代碼視為他們從 AI/ML 中受益的工具。考慮到業務可見性、控制和模型管理都是企業為業務做可信決策時所需的，企業不應該走捷徑。”