無程式碼 AI 概覽（Levity）

語言: CN / TW / HK
時間 2022-08-20 03:15:13

攜手創作，共同成長！這是我參與「掘金日新計劃 · 8 月更文挑戰」的第4天，點選檢視活動詳情

介紹

在構建我們自己的平臺時，我們一直密切關注無程式碼 AI 領域。 我們意識到非技術人員構建定製的人工智慧解決方案和人工智慧驅動的流程自動化是多麼困難。

雖然無程式碼市場作為一個整體正在成熟（Dreamweaver 和 MS Frontpage，最早的 WYSIWYG【所見即所得】解決方案，均於 1997 年推出），但某些細分市場剛剛興起，使這一領域更加強大。無程式碼人工智慧就是其中之一。 由於我們一直在觀察該領域，因此我們認為分享這些見解對您也很有用。

我們正在繪製無程式碼、SaaS 和 AI 的交集：不需要設定任何編碼或基礎設施的 AI 工具，就可以構建強大的應用程式，這些應用程式可以做出以前需要人工判斷的決策。

image.png

無程式碼

只要有計算機可以程式設計，就一直在嘗試使程式設計更容易、更快、技術更少，並且可供更廣泛的受眾使用。從本質上講，任何終端使用者程式設計都表明，即使大多數計算機使用者缺乏編碼技能，他們也會歡迎各種工具的應用潛力（只要獲得這些技能不太費勁）。

無程式碼代表一系列工具，這些工具允許人們構建應用程式和系統，而無需以傳統方式對其進行程式設計。相反，核心功能可以通過可視介面和引導使用者操作以及與其他工具的預構建整合來訪問，以根據需要交換資訊。

雖然這些自我強加的限制可能會導致非常大或複雜的應用程式出現問題，但整個無程式碼工具系列正在將很大一部分權力交給他們的使用者。正如 Alphabet 增長基金 CapitalG 的 Alex Nichols 所說：

沒有任何程式碼能夠通過抽象複雜性並以視覺化工作流程為中心來讓業務使用者接管以前由技術使用者擁有的功能。這種巨大的代與代之間的轉變有能力觸及每個軟體市場和企業中的每個使用者。

舉幾個例子，這裡有一些可以完全使用上述無程式碼工具構建的常見東西（檢視 Nocodelist 以獲取更多示例）：

相信無程式碼領域將繼續存在是合理的。基於這些原則構建的人工智慧工具表明，當涉及到要完成的工作和到位的技術時，該領域不僅在寬度上有所增長，而且在深度上也有所增長。

在我們轉向無程式碼 AI 之前，我們將首先快速觸及一個基本問題：什麼時候使用 AI 才有意義？

何時使用人工智慧

請注意，人工智慧可用於各種應用程式，但我們有意將討論限制在業務應用程式上。

從廣義上講，當人類需要做出某種智慧判斷並且其中有許多是持續進行時，人工智慧特別有用。我們經常使用“人工智慧從基於規則的自動化結束的地方開始”這個短語——從我們的角度來看這是有道理的，但不應該一概而論（有些工具超越了純粹的自動化，例如，Obviously AI用於大規模分析表格資料）。

更實際地，是否應該使用人工智慧是一個問題，即是否有其他解決方案可以在相同（或更高）水平的質量、成本或速度下完成這項工作。如果是這樣，他們通常更適合做這項工作。由於沒有被明確程式設計為執行 x，AI（仍然）本質上是模糊的。

同時，當需要考慮的規則或例外太多時，顯式程式設計通常會導致問題。在這種情況下，人工智慧通常效果更好。例如，當然可以通過使用長鏈的單詞和短語來設定基於規則的自動化處理文字，但在許多情況下，由於成本高或效能差，這不會有效。

無程式碼人工智慧的前景

大量的人工智慧和機器學習公司聲稱他們使人工智慧平民化，這對於他們各自的目標使用者來說可能是正確的，這些使用者通常仍然是普通工程師。在所有這些公司中，那些正在構建無程式碼工具的公司最接近“任何未經培訓的人”的想法。

這種民主化程度的提高似乎早就應該實現了：已經一次又一次地證明，大多數企業都在努力實現人工智慧的全部潛力和規模，這使得這種權衡變得更加重要。

無程式碼 AI 工具允許通過即插即用或拖放 UI 實現自動化，如下圖所示：

image.png

易於使用的 ML 平臺以真正有吸引力的方式利用時間/價值/知識權衡，並允許沒有 AI 編碼技能的使用者優化日常運營並解決業務問題。

視覺的、通常是拖放的、無程式碼的 AI 工具讓非技術人員或缺乏時間或資源從頭開始構建此類系統的人更容易理解 AI。

除此之外，無程式碼人工智慧還有一些額外的優勢：

  • 可訪問性：無程式碼人工智慧使組織能夠首先利用人工智慧，並可以作為未來加強使用資料科學或人工智慧的墊腳石。相對較低的投資加上人們積累了人工智慧工具的實踐知識，減輕了中小型公司採用人工智慧的最大障礙。
  • 可用性：即插即用允許組織中的任何人找到解決問題的 AI 解決方案，而且通常以預算友好的方式。這些工具的構建考慮了非技術使用者和非開發人員。
  • 速度：最好的無程式碼 AI 平臺允許使用者快速迭代機器學習的整個價值鏈。這允許進行更快速的實驗，以瞭解使用自己的資料可以做什麼，然後立即恢復業務。沒有比以簡單、直觀的方式向他們展示過程更好的方法來說服某人。
  • 質量：一開始，無程式碼工具是為可能沒有技術學位或甚至不具備該學科專業知識的人構建的。這需要對產品進行大量工作，因為需要代表使用者仔細選擇合理的預設設定和安全措施。為了進一步降低此類風險，一些人工智慧平臺內建了人工審查功能，並在需要時徵求意見。這種組合首先減少了設定此類系統時的人為錯誤，並允許在日常操作期間與平臺直接互動。
  • 可擴充套件性：人工智慧本身並不關心它是為單個使用者還是一百個使用者執行任務，根據負載自動擴充套件或縮減的服務也不關心。

繪製無程式碼 AI 全景圖

已經有一些很棒的工具（以及大量資源，請檢視 MakerPad,  Zeroqode, 和 NoCode）——我們認為將它們繪製出來是個好主意。

除了提供行業的當前快照外，它還可能有助於更好地理解看似相似的工具之間的細微差別。對於經驗豐富的 ML 從業者來說，這可能是顯而易見的，但根據定義，無程式碼工具正在面向技術含量較低的受眾群體，所以就是這樣。

在觀察該領域時，我們注意到兩個維度很突出：

  • 特定使用者場景與不可知論的通才的相比：公司要麼圍繞特定行業和用例（例如：Accern）構建業務模型，要麼利用跨行業公司存在類似問題且缺乏類似 AI 開發資源的事實（例如：MonkeyLearn, Levity）。
  • 可以處理哪些資料型別：不要將人工智慧與燉肉混淆——僅僅將一堆資料扔進其中並不能得到你想要的東西。因此，一個關鍵問題是公司首先關注哪些資料，最重要的型別是影象、文字、文件或結構化（表格）資料。

無程式碼人工智慧仍然是一個不斷增長的市場——大多數在這個領域運營的公司往往將自己定位在技術（NLP、語音識別、計算機視覺）與特定使用者場景管理（分類問題、CRM、網路構建器、業務應用程式）。通常很難劃清一個應用程式結束和另一個應用程式開始的界限——尤其是當我們檢視 AI 應用程式時。為了更清楚地瞭解情況，我們決定深入研究無程式碼AI玩家，以及他們提供了什麼。下面的列表絕不是詳盡的，也沒有任何特定的順序（嗯...按字母順序排列），我們將繼續新增新玩家——但在全景圖中引入一些結構是必要的。

對我們來說最有意義的是基於核心價值主張進行分組——我們知道這些公司中有許多都活躍在不止一個場景中。利用無程式碼運動成為創客非常棒——但我們首先需要知道我們想要創造什麼。

簡而言之，我們將以下標準視為無程式碼人工智慧：

  • 使使用者能夠從頭開始構建解決方案並將其整合到他們的流程中的工具——以前需要一個或多個 (ML) 工程師來構建。
  • 為各種規模的使用者和公司創造價值——而不僅僅是一個企業級的開發工具（回想Uber's Ludwig）。
  • 可供非技術人員使用——這本質上是無程式碼運動的核心。更重要的是，這是我們爭論時間最長的標準之一。知識水平起著關鍵作用——雖然有像 MS Azure, C3 AI Suite 甚至 deepCognition 這樣的工具——它們不是為普通知識工作者而構建的，而是為那些在開發階段就已經知道自己在做什麼的人而構建的.
  • 最後，我們考慮了這些工具的橫向和縱向方法：如果您想充分了解和更新無程式碼 AI 生態系統，那麼您可能應該關注這些工具。

image.png

按工具使用的技術對工具進行分組是有意義的。 這是一個快速的定義：

  • 計算機視覺：允許機器從數字影象、影片、pdf 和其他視覺資料中獲取資訊，並根據它們的學習採取行動。
  • NLP：這允許機器理解和處理口語和書面語言，例如：簡訊。
  • 預測分析：這是指基於結構化（即表格資料）的預測建模，例如：預測流失率、預測和股票價格。

image.png

讓我們的非技術人員找到合適的人選的一種更簡單的方法是考慮您要處理的資料。 CV、NLP 和結構化資料分析都有自己的領域，但可以肯定的是，有一種工具可以滿足您的大部分流程需求，如果不是全部的話。

我們還區分了無程式碼工具和低程式碼工具。 無程式碼工具遵循基本標準：它們是無需編碼知識即可使用的端到端工具。 從這個意義上說，如果您的團隊中有一個會說資料的人，那麼低程式碼工具更適合。

2022年無程式碼AI全景圖：目標客戶與聚焦使用者場景，如下圖所示： image.png

說明： - SME: 中小企業 - Narrow: 窄小的 - Broad: 廣泛的 - Tabular: 表格

最後但同樣重要的是，我們考慮了工具的垂直與水平焦點。有些工具在非常特定的使用者場景中表現出色 - 因為它們就是為此而構建的（例如，如果您嘗試使用機器學習供個人使用，Lobe 非常棒，或者如果您主要是在尋找，請檢視 Rossum 用於文件處理）。如果您正在為一項特定任務、流程或團隊尋找工具，請留在此地圖中心的左側。如果您希望將 AI 構建到多個流程或整個組織中 - 具有廣泛用例焦點的工具可能更適合。

最後一個考慮因素：就像使用任何其他軟體一樣，您會發現更適合企業實施的無程式碼工具：無論是由於計費、推出工作，還是需要與您的分析/資料科學進行跨團隊協作部。如果要考慮實現價值的時間，那麼為中小企業構建的工具提供了靈活性，並且技術設定較少。

我們將簡要介紹這些工具的選擇。

Aito

Aito 是預測分析和 NLP 自動化部署者。它面向具有與許多自動化平臺整合的簡單 UI 和 API 的 RPA 開發人員。 Aito 專注於表格資料集（和一些文字資料），但其核心產品是其自動再訓練系統。自動化率、預測錯誤和監控準確性等指標是它們的一些內建功能。

Clarifai

Clarifai 是一種 NLP 和計算機視覺工具，成立於 2013 年，為整個 AI 生命週期的非結構化資料建模提供端到端解決方案。影象、影片和文字識別解決方案建立在先進的機器學習平臺之上，可通過 API、裝置 SDK 和內部部署輕鬆訪問。他們擁有快速 API 的準確和詳細結果，並提供一些簡潔的預訓練模型（人員、車輛和通用檢測器）。

Crowd AI

Crowd AI 是一種基於計算機視覺的無程式碼 AI 工具，專注於影象和影片。針對技術和非技術使用者，他們的用例重點主要集中在工業領域（例如植被管理或災害響應）。

Dataiku

Dataiku 是一種 AI 分析工具，旨在幫助資料科學家構建業務應用程式，專注於 ML Ops 和 AI Ops。如果您對資料感到滿意，那麼它使用起來相當簡單——而且它有一個非常簡潔的外掛列表。

DataRobot

DataRobot 企業 AI 平臺使資料科學民主化，並使構建、部署和維護 AI 的端到端流程自動化。成立於 2012 年，其核心重點是預測模型，由開源演算法提供支援，可在雲端、內部部署或作為完全託管的 AI 服務使用。

Google AutoML

AutoML 是 Google 軟體包中的明星，該工具的工作方式與 CreateML 非常相似——只是在雲端。該模型包目前包括 Sight（視覺和影片智慧，後者處於測試階段）和語言（NLP 和翻譯）以及結構化資料（表格）功能。 AutoML 總體上設法在無程式碼中覆蓋了很多領域，但再一次，如果您不是開發人員，則很難操作。

Levity

Levity 專注於影象、文字和文件分類，使使用者能夠根據他們的特定用例資料訓練自定義模型——適用於任何規模的企業。自定義模型和流程還包括一個人在迴圈選項，因此使用者可以完全控制，因為模型會在不確定的地方要求輸入 - 並且會自動從互動中學習。 Levity 專注於提供與人們日常使用的所有工具整合的端到端解決方案。

Lobe

Lobe（微軟的產品）提供影象分類、物件檢測和資料分類功能。 Lobe 是一個免費的私人桌面應用程式，具有大量預訓練的解決方案（例如，情緒反應允許您的應用程式對不同的表情做出反應，允許人們僅使用他們的臉傳送表情符號反應）。

MonkeyLearn

MonkeyLearn 提供一體化文字分析和資料視覺化 studio，用於基於非結構化文字的資料獲取主題、情緒、意圖、關鍵字等。功能包括自動標記業務資料、視覺化可操作的見解和趨勢以及簡化流程文字分類和提取。與 Zendesk、RapidMinder 和 Google 產品整合，更多產品即將推出。此外，在我們的眼中，它在文字分析方面有最好的部落格資源之一。

Nanonets

Nanonets 屬於計算機視覺領域——它們為大多數常見文件型別提供現成的解決方案，但也為自定義模型提供設定。他們的一個更酷的解決方案提供為任何國家、格式或語言構建 ID 卡驗證模型——包括透視變換，即可以處理傾斜或傾斜影象的模型。

Noogata

Noogata 成立於 2019 年，是另一個值得一看的預測分析工具。快速且易於設定，它是自定義模型並使您的決策更加以資料為導向的良好解決方案。

ObviouslyAI

Obviously AI，成立於 2019 年， 使用NLP處理對使用者特定的文字資料執行任務。將您的資料拖放為 CSV 或與 HubSpot、Salesforce 或 MySQL（以及其他）整合，選擇您的預測列，它會自動構建自定義 ML 演算法，您最終會得到一個預測報告。該平臺對中小企業特別有用，他們正在尋找一種工具來選擇適合他們需求的演算法。

Pecan AI

Pecan AI 是另一種預測分析工具，可讓您獲得見解並將其轉化為重要指標。許多資料科學家使用它，您可以在 14 天內獲得可行的預測。

Primer

Primer 是一個開箱即用的 NLP 模型構建器，具有強大的整合和許多可以使用的預訓練模型。如果您希望一次性視覺化您的模型效能，那麼值得仔細研究一下。

Roboflow

Roboflow 是一種計算機視覺驅動的工具，可讓您訓練和部署影象、註釋和影片的模型。它們支援多種註釋格式，因此再訓練過程非常順利。

無程式碼 AI 的使用者場景

“我能用它做什麼？”可以說是這個領域最常見的問題，並且有充分的理由：根據定義，無程式碼 AI 的主要使用者群由非技術人員組成。他們可能對人工智慧瞭解一兩件事，但他們肯定不會每天都在處理這個主題，更不用說以編寫神經網路為生了。

事實證明，掌握人工智慧作為業務運營一部分的有用性的最快方法在於研究一些使用者場景。

請注意，某些工具通過設定方式（例如針對特定行業或流程）暗示使用者場景，而其他工具則旨在由使用者針對其特定目的進行訓練。一些平臺同時提供。自然地，有不同的應用層在起作用，分類、標註、檢測、資料提取……這個列表不勝列舉。

儘管如此，還是有一些事情需要考慮...

無程式碼領域的神話之一是，如果你想進入任何解決方案實施的階段，你必須降低你的期望。我們不得不在快/便宜/好之間三選二的日子已經屈指可數了，但必須管理期望。

當前的無程式碼 AI 領域表明，每個解決方案都與工具的設計有著內在的聯絡。一些從業者指出，在某些情況下，重要的是要記住，一旦您在平臺上開發了一個應用程式，只要該應用程式正在執行，您就會一直鏈接到該平臺。在 PoC 的上下文中，這不是問題，但在預期會持續的應用程式的上下文中，情況可能會有所不同。

儘管無程式碼平臺減輕了工程和編碼的複雜性，但它並不是一個萬能的神奇工具。相反，您應該（作為流程所有者）考慮以下一些問題：

  • 我想解決什麼問題？
  • 哪些任務彌補了這個問題？
  • 我們需要什麼樣的專案管理水平？
  • 工具/平臺在公司架構中的作用是什麼？
  • 平臺是否滿足問題需求？
  • 從長遠來看，使用無程式碼 AI 工具是一種戰略選擇嗎？

無程式碼 AI 未來會帶來什麼？

出於多種原因，企業正在穩步轉向無程式碼平臺。部分由於對勞動力管理的連鎖反應，接觸開發人員和軟體工程師會減慢專案交付速度——而這正是技術可以增加真正價值的地方。不僅使您的員工能夠提供解決方案，而且在當前環境中保持相關性和競爭力是我們都想抓住的獨角獸。

研究表明，據估計，到 2024 年，近 65% 的應用程式開發將通過低程式碼和無程式碼平臺完成，而無程式碼 AI 將在其中發揮重要作用。當中斷當前的流程管理是可能的並且每個人都可以廣泛使用時，很難看出以傳統方式做事的邏輯。

然而，有用的 AI 應用程式首先需要一個好的使用者場景。僅僅擁有一個 AI 模型的價值相對較小，無論它有多強大。但是，正如人們對資料庫（Airtable）和 Wiki（Notion）有了新的熱愛，人們將發掘 AI 的潛力。正如無程式碼 AI 工具會成熟一樣，它們的使用者也會成熟。

原文連結：Mapping the no-code AI landscape

「」
「」