無代碼AI和低代碼AI平臺：正在使用什麼業務模型，數據科學家的未來是什麼？
> Source
隨著無代碼/低代碼AI平臺的興起，我想寫這篇文章來解釋這些解決方案背後的業務模型，以及它對數據科學家的意義。 數據科學家的工作會消失還是會發展？
這些無代碼解決方案通常位於引導平臺上，為經典的機器學習專家和機器學習專業人員提供經典的拖放功能，以提供全自動機器學習服務。
未開發的市場
當今的現實是，機器學習專家很難找到，而且……很難保留。 將您的業務轉換為AI驅動的組織需要時間和投資。 因此，某些公司幾乎不可能採用AI。
對於中型公司，由於公司缺乏構建可擴展的AI解決方案所需的技術人才，但對數據科學家的需求很高，但無法僱用開發人員的公司面臨被遺忘的風險。 結果，越來越多的公司越來越轉向使用無代碼平臺進行機器學習。
無代碼平臺：該平臺使公司或商業專業人員只需很少或沒有編碼經驗，即可構建應用程序並填補組織中的人才缺口。
幫助數據科學家的新工具
除了無代碼AI解決方案之外，我們還看到了許多低代碼解決方案。 確實，越來越多的工具有望使數據科學領域更易於訪問。 顯然，考慮到數據科學和機器學習流程的複雜性，這並非易事。 儘管如此，包括Keras，FastAI和Weka在內的許多庫和工具都為我們提供了易於使用的高級界面和許多預建組件，從而大大簡化了創建數據科學項目的過程。
我意識到，對於一家公司來說，吸引高素質的機器學習專家通常很困難，而對機器學習的需求卻在不斷增長，而且很多時候都超過了供應。 這裡的解決方案可能是提供對自動化機器學習工具的訪問。
自動化機器學習：自動化將機器學習應用於實際問題的過程。 AutoML涵蓋了從原始數據集到可部署的機器學習模型的完整管道。
這個想法是要挑戰學習技術機器學習並引入更多可訪問的機器學習的傳統方法。
新商業模式
這些業務模型的基本目標是利用沒有或沒有數據科學團隊的中小企業的規模以及國際範圍。
其次，通過構建低代碼或無代碼AI平臺，市場領導者將更容易地將自己確立為中央AI生態系統，並進一步建立聯盟以擴展用例和交付。
我還相信，大型科技公司會投資無代碼AI模型構建平臺，以加速AI民主化並從品牌角度構建這種最高意識。 此外，它還可以幫助公司贏得將自己構建模型的程序員或最終用戶的青睞。 該業務模型可能是創建一個相對易於使用但功能有限的平臺，併為高級AI相關服務（培訓，協助等）提出高級訂閱。 從今天開始，我希望這些公司根據請求數向用戶收費。
> Source
我相信大型科技公司實際上正在構建AI生態系統，擁有無代碼的AI平臺可以幫助客戶輕鬆地堅持該品牌的生態系統和路線圖，從而加強了客戶鎖定的效果。 此外，它擴大了大型科技公司的用戶範圍，使他們不僅可以為數據科學家而且可以為企業用戶提供服務。
領先的AI公司正在開發各種平臺策略來加速大型企業的採用，但與此同時，中小企業市場仍未開發。
理想情況下，這些公司希望業務用戶從小型POC開始，以瞭解該技術可以做什麼，並消除所有可能的進入障礙。 隨著他們對技術和流程的越來越熟悉，他們將對AI如何解決特定的業務問題有其他想法。
我相信，目前AI中實際上正在進行兩場比賽：
—一種是為了贏得程序員，另一種是為了贏得用戶。 "問題是，即使像使用拖放機制一樣容易，實際上有多少最終用戶將構建自己的模型？"。
大型技術公司希望開源或開發無代碼應用程序，因為它們希望成為其他人創新的基礎。 這樣，他們將能夠收集許多中小企業的所有最具戰略意義的數據……
開放源代碼和無代碼AI平臺可以滿足這些公司保持技術前沿的更廣泛目標。 從這個意義上講，他們沒有放棄成功的關鍵：他們為自己的未來鋪平了道路。
除了所有這些要素之外，無代碼AI平臺還使這些公司可以通過顧問和計算資源提出其他AI專業知識，以快速有效地完成AI在線培訓，從而進行一些交叉銷售。
另一個有趣的觀點是，沒有/低代碼的AI平臺可以幫助缺乏形式化AI實踐的初創企業快速構建更好的應用程序和解決方案，而無需任何編碼經驗，而成本卻低得多。 這也是另一個非常有趣的市場…
解決方案
自動化正在滿足數據科學家執行的許多任務……的確，每個主要的雲供應商都對某種類型的AutoML計劃或無/低代碼AI平臺進行了大量投資。
如今，大多數解決方案都提供了預先構建的算法和簡化的工作流程，並具有拖放建模和可視化界面等功能，可以輕鬆地與數據連接並加速將服務/應用程序推向市場。
· Google的Cloud AutoML通過簡單的界面（基於拖放）來訓練無代碼機器學習模型。 它專注於人工視覺，自然語言和翻譯。 Google還提供了Teachable Machine，這是一種甚至更簡單的工具，專門為有興趣嘗試機器學習並理解其工作原理的業餘愛好者設計。 Teachable Machine只需要一個攝像頭（網絡攝像頭或手機攝像頭），就可以在瀏覽器中提供一個小型神經網絡，而無需將圖像發送到服務器並將其導出到網站，應用程序，物理機器等。
· Uber AI開發了Ludwig，這是一種無需代碼的深度學習工具箱，可以使非專家更容易地使用深度學習。 非專家可以快速訓練和測試深度學習模型，而無需編寫代碼。 專家可以獲得強大的基準來與他們的模型進行比較，並具有實驗設置，可以通過執行標準的數據預處理和可視化來輕鬆測試新想法和分析模型。
> Source
· 百度的EZDL是一個簡單的拖放平臺，允許用戶設計和構建自定義機器學習模型。
這些無需代碼的機器通常位於引導平臺上，為經典機器和機器學習專業人員提供了經典的拖放功能，以提供全自動機器學習服務
我相信，越來越多的無代碼/低代碼AI解決方案將對缺乏低代碼策略的應用平臺廠商（包括MEAP和PaaS提供商）構成更大的競爭威脅。
通過無/低碼AI可以實現什麼？
大多數現有解決方案可以：
當涉及用例時，可以創建一種算法來
· 根據房屋內部圖像自動識別設計風格和房間類型
· 在製造環境中識別有缺陷的產品
· 監控道路和人行道上的裂縫
· 檢測客戶是否可能流失
· 是否批准貸款等
此時，領先者僅有助於網絡的實際實施和培訓，而無助於功能工程，數據分析或測試。
數據科學家呢
當前解決方案的侷限性
這些解決方案聽起來不錯，但是……您肯定仍然需要數據專家。 確實，業務用戶必須知道要拖動什麼以及將其拖放到哪裡。但是，複雜的項目有成千上萬的任務，需要數據科學家。
如果您只需要拖放一些東西，那麼拖放工具看起來很棒，但是現實並非如此。 我已經看過許多AI項目的工作流程，並且可以向您保證，為了擴展並達到生產，您的AI項目將有成千上萬的任務。
關於數據科學家
可以肯定地認為，使用無代碼/拖放工具會使您的數據科學家不滿意。 實際上，他們已經知道如何編寫代碼，因此不需要拖放UI。 您可能會聽到他們抱怨此類工具缺乏可擴展性……
儘管有這些合法的因素，但數據科學家的外賣方向是著眼於提高他們在非自動化領域的技能。
我相信數據科學家的角色將仍然是AI項目成功的重要因素（取決於複雜性）。
我認為，即使有最適度的業務規則，也無法提供AI或無代碼工具，也無法讓它生成應用程序。 總會有人為因素來進行功能工程，架構，測試和維護。
此外，隨著無代碼/低代碼AI解決方案的興起，我們可能會看到數據科學家最終會花太多時間來固定同事的工作，因為他們可能會完成自己的任務。
可以肯定地說，隨著我們繼續使AI民主化，機器學習元素的許多任務將實現自動化。 這一轉變將使數據專家在解決問題方面更具戰略性和創造性。
人們很難指望，在沒有數據專家的幫助下，企業將能夠使用自動化機器學習的結果。 無論如何，AI項目的數據準備，結果解釋和其他階段仍然需要數據專家。
我認為，數據科學將繼續具有戰略意義-但世界正在過渡到功能性數據科學世界，從業者可以進行自己的分析。 您需要數據工程師（而不是數據科學家）來啟用數據管道和集成數據結構。
未來的數據科學家應該更加專業，應對最關鍵的業務挑戰和最複雜的挑戰，這將幫助他們的業務創造增值。
所有這些平臺和工具仍然有其侷限性，但標誌著面向業餘愛好者的ML（簡化的幾乎是自制的AI）越來越近了。
(本文翻譯自Alexandre Gonfalonieri的文章《No-Code/Low-Code AI: New Business Models and Future of Data Scientists》，參考：
https://towardsdatascience.com/no-code-low-code-ai-new-business-models-and-future-of-data-scientists-a536beb8d9e3)
