Wie Low-Code-Plattformen maschinelles Lernen ermöglichen

Mehrere Optionen machen maschinelles Lernen für professionelle Datenwissenschaftler, Bürgerdatenanalysten und Softwareentwickler zugänglich. [...]

Low-Code-Plattformen verbessern die Geschwindigkeit und Qualität der Entwicklung von Anwendungen, Integrationen und Datenvisualisierungen. Anstatt Formulare und Workflows in Code zu erstellen, bieten Low-Code-Plattformen Drag-and-Drop-Schnittstellen für die Gestaltung von Bildschirmen, Workflows und Datenvisualisierungen, die in Web- und Mobilanwendungen verwendet werden. Low-Code-Integrationstools unterstützen Datenintegrationen, Datenvorbereitung, API-Orchestrierung und Verbindungen zu gängigen SaaS-Plattformen. Wenn Sie Dashboards und Berichte entwerfen, gibt es viele Low-Code-Optionen für die Verbindung mit Datenquellen und die Erstellung von Datenvisualisierungen.

Wenn Sie es mit Code machen können, gibt es wahrscheinlich eine Low-Code– oder No-Code-Technologie, die den Entwicklungsprozess beschleunigen und die laufende Wartung vereinfachen kann. Natürlich müssen Sie abwägen, ob die Plattformen den funktionalen Anforderungen, den Kosten, der Konformität und anderen Faktoren entsprechen, aber Low-Code-Plattformen bieten Optionen, die sich in der Grauzone zwischen Eigenentwicklung und dem Kauf einer Software-as-a-Service (SaaS)-Lösung bewegen.

Aber geht es bei Low-Code-Optionen nur darum, Anwendungen, Integrationen und Visualisierungen besser und schneller zu entwickeln? Wie sieht es mit Low-Code-Plattformen aus, die die Nutzung fortgeschrittener oder neuer Funktionen beschleunigen und vereinfachen?

Ich habe nach Low-Code– und No-Code-Plattformen gesucht und Prototypen entwickelt, die es Technologie-Teams ermöglichen, maschinelle Lernfunktionen zu nutzen und damit zu experimentieren. Ich konzentrierte mich vor allem auf Low-Code-Plattformen für die Anwendungsentwicklung und suchte nach Funktionen für maschinelles Lernen, die das Erlebnis für den Endbenutzer verbessern.

Hier sind ein paar Dinge, die ich auf dieser Reise gelernt habe.

Plattformen richten sich an unterschiedliche Entwicklerpersönlichkeiten

Sind Sie ein Datenwissenschaftler, der nach Low-Code-Funktionen sucht, um neue Algorithmen für maschinelles Lernen auszuprobieren und Modelops schneller und einfacher zu unterstützen, als in Python zu programmieren? Vielleicht sind Sie ein Dateningenieur, der sich auf Dataops konzentriert und Daten mit maschinellen Lernmodellen verbinden und gleichzeitig neue Datenquellen entdecken und validieren möchte.

Data Science– und Modelops-Plattformen wie Alteryx, Dataiku, DataRobot, H20.ai, KNIME, RapidMiner, SageMaker, SAS und viele andere zielen darauf ab, die Arbeit von Data Scientists und anderen Datenexperten zu vereinfachen und zu beschleunigen. Sie verfügen über umfassende Funktionen für maschinelles Lernen, sind aber eher für Fachleute mit Kenntnissen in den Bereichen Datenwissenschaft und Datentechnik geeignet.

Rosaria Silipo, PhD, Principal Data Scientist und Head of Evangelism bei KNIME, hat mir Folgendes über Low-Code-Plattformen für maschinelles Lernen und KI erzählt. „KI-Low-Code-Plattformen stellen eine echte Alternative zu klassischen skriptbasierten KI-Plattformen dar. Durch die Beseitigung der Codierungsbarriere reduzieren Low-Code-Lösungen die für das Tool erforderliche Lernzeit und lassen mehr Zeit für das Experimentieren mit neuen Ideen, Paradigmen, Strategien, Optimierungen und Daten übrig.“

Es gibt mehrere Plattformoptionen, insbesondere für Softwareentwickler, die maschinelle Lernfunktionen in Anwendungen und Integrationen nutzen möchten:

• Public-Cloud-Tools wie GCP AutoML und Azure Machine Learning Designer helfen Entwicklern beim Zugriff auf maschinelle Lernfunktionen.
• Low-Code-Entwicklungsplattformen wie AppSheet von Google, AI Builder von Power Automate von Microsoft und ML Builder von OutSystems stellen Funktionen für maschinelles Lernen zur Verfügung.
• Low-Code-Lernbibliotheken wie PyCaret richten sich an Datenwissenschaftler, Bürgerdatenwissenschaftler und Entwickler, um das Lernen und die Implementierung von maschinellem Lernen auf Open-Source-Toolkits zu beschleunigen.

Diese Low-Code-Beispiele richten sich an Entwickler und Datenwissenschaftler mit Programmierkenntnissen und helfen ihnen, das Experimentieren mit verschiedenen Algorithmen für maschinelles Lernen zu beschleunigen. MLops-Plattformen richten sich an Entwickler, Datenwissenschaftler und Betriebsingenieure. MLops-Plattformen sind quasi die Devops für maschinelles Lernen und zielen darauf ab, die Verwaltung der Infrastruktur für maschinelle Lernmodelle, die Bereitstellung und das Betriebsmanagement zu vereinfachen.

Low-Code-Entwicklung: Chance und Herausforderung

Codefreies maschinelles Lernen für Bürgeranalysten

Eine neue Gruppe von No-Code-Plattformen für maschinelles Lernen richtet sich an Unternehmensanalysten. Diese Plattformen erleichtern das Hochladen oder Verbinden mit Cloud-Datenquellen und das Experimentieren mit maschinellen Lernalgorithmen.

Ich habe mit Assaf Egozi, Mitbegründer und CEO von Noogata, darüber gesprochen, warum No-Code-Plattformen für maschinelles Lernen für Unternehmensanalysten selbst für große Unternehmen mit erfahrenen Data-Science-Teams eine große Chance darstellen können. Er sagte mir: „Die meisten Datenkonsumenten innerhalb eines Unternehmens verfügen einfach nicht über die erforderlichen Fähigkeiten, um Algorithmen von Grund auf zu entwickeln oder sogar AutoML-Tools effektiv anzuwenden – und das sollten wir auch nicht von ihnen erwarten. Vielmehr sollten wir diesen Datenkonsumenten – den bürgerlichen Datenanalysten – eine einfache Möglichkeit bieten, fortschrittliche Analysen in ihre Geschäftsprozesse zu integrieren.“

Andrew Clark, CTO und Mitbegründer von Monitaur, stimmt dem zu. „Es ist spannend, maschinelles Lernen für Unternehmen zugänglicher zu machen. Es gibt nicht genügend ausgebildete Datenwissenschaftler oder Ingenieure mit Fachkenntnissen in der Produktisierung von Modellen, um die Nachfrage der Unternehmen zu decken. Low-Code-Plattformen bieten eine Brücke.“

Obwohl Low-Code das Experimentieren mit maschinellem Lernen demokratisiert und beschleunigt, erfordert es dennoch disziplinierte Praktiken, die Anpassung an Data-Governance-Richtlinien und die Überprüfung auf Verzerrungen. Clark fügte hinzu: „Unternehmen müssen Low-Code als Werkzeuge auf ihrem Weg zur Nutzung von KI/ML sehen. Sie sollten keine Abkürzungen nehmen und die geschäftliche Sichtbarkeit, Kontrolle und Verwaltung von Modellen berücksichtigen, die erforderlich sind, um vertrauenswürdige Entscheidungen für das Unternehmen zu treffen.“

Low-Code-Funktionen für Softwareentwickler

Konzentrieren wir uns nun auf die Low-Code-Plattformen, die Softwareentwicklern Funktionen für maschinelles Lernen zur Verfügung stellen. Diese Plattformen wählen die Algorithmen für maschinelles Lernen auf der Grundlage ihrer Programmiermodelle und der Arten von Low-Code-Funktionen aus, die sie bereitstellen.

• Appian bietet Integrationen mit mehreren Google-APIs, darunter GCP Native Language, GCP Translation, GCP Vision und Azure Language Understanding (LUIS).
• Creatio, eine Low-Code-Plattform für Prozessmanagement und Customer Relationship Management (CRM), verfügt über mehrere Funktionen für maschinelles Lernen, darunter E-Mail-Text-Mining und ein universelles Scoring-Modell für Leads, Opportunities und Kunden.
• Google AppSheet ermöglicht mehrere Textverarbeitungsfunktionen, darunter intelligente Suche, Inhaltsklassifizierung und Stimmungsanalyse, und bietet zudem Trendvorhersagen. Sobald Sie eine Datenquelle, wie Google Sheets, integriert haben, können Sie mit den verschiedenen Modellen experimentieren.
• Der Mendix Marketplace bietet Konnektoren für maschinelles Lernen zu Azure Face API und Amazon Rekognition.
• Microsoft Power Automate AI Builder verfügt über Funktionen für die Verarbeitung unstrukturierter Daten, wie das Lesen von Visitenkarten und die Verarbeitung von Rechnungen und Quittungen. Dabei kommen verschiedene Algorithmen zum Einsatz, darunter die Extraktion von Schlüsselphasen, die Klassifizierung von Kategorien und die Extraktion von Entitäten.
• OutSystems ML Builder verfügt über mehrere Funktionen, die bei der Entwicklung von Endbenutzeranwendungen zum Einsatz kommen können, z. B. Textklassifizierung, Attributvorhersage, Anomalieerkennung und Bildklassifizierung.
• Thinkwise AutoML wurde für Klassifizierungs- und Regressionsprobleme beim maschinellen Lernen entwickelt und kann in geplanten Prozessabläufen eingesetzt werden.
• Vantiq ist eine Low-Code-Plattform mit ereignisgesteuerter Architektur, die Echtzeitanwendungen für maschinelles Lernen wie die KI-Überwachung von Fabrikarbeitern und Echtzeitübersetzung für Mensch-Maschine-Schnittstellen ermöglicht.

Diese Liste ist nicht vollständig. Eine Liste von Low-Code- und No-Code-Plattformen für maschinelles Lernen nennt auch Create ML, MakeML, MonkeyLearn Studio, Obviously AI, Teachable Machine und andere Optionen. Werfen Sie auch einen Blick auf No-Code-Plattformen für maschinelles Lernen im Jahr 2021 und No-Code-Plattformen für maschinelles Lernen. Die Möglichkeiten wachsen, da immer mehr Low-Code-Plattformen Funktionen für maschinelles Lernen entwickeln oder Partnerschaften eingehen.

So finden Sie die richtige Low-Code-Plattform

Wann sollten maschinelle Lernfunktionen in Low-Code-Plattformen eingesetzt werden?

Low-Code-Plattformen werden ihre Funktionssets weiter ausdifferenzieren, so dass ich davon ausgehe, dass mehr Plattformen maschinelle Lernfunktionen hinzufügen werden, die für die von ihnen ermöglichten Benutzererfahrungen erforderlich sind. Das bedeutet mehr Text- und Bildverarbeitung zur Unterstützung von Workflows, Trendanalyse für Portfolio-Management-Plattformen und Clustering für CRM- und Marketing-Workflows.

Wenn es jedoch um umfangreiches überwachtes und unüberwachtes Lernen, Deep Learning und Modelops geht, ist eher die Nutzung und Integration einer spezialisierten Data-Science– und Modelops-Plattform erforderlich. Weitere Anbieter von Low-Code-Technologien könnten Partnerschaften eingehen, um Integrationen zu unterstützen oder On-Ramps anzubieten, um maschinelle Lernfunktionen auf AWS, Azure, GCP und anderen öffentlichen Clouds zu ermöglichen.

Es wird weiterhin wichtig sein, dass Low-Code-Technologien es Entwicklern erleichtern, Anwendungen, Integrationen und Visualisierungen zu erstellen und zu unterstützen. Legen Sie jetzt die Messlatte höher und erwarten Sie mehr intelligente Automatisierungs- und maschinelle Lernfunktionen, unabhängig davon, ob Low-Code-Plattformen in ihre eigenen KI-Funktionen investieren oder Integrationen mit Data-Science-Plattformen von Drittanbietern anbieten.

*Isaac Sacolick ist Präsident von StarCIO und der Autor des Amazon-Bestsellers Driving Digital: The Leader’s Guide to Business Transformation through Technology, der viele Praktiken wie agile Planung, Devops und Data Science behandelt, die für erfolgreiche digitale Transformationsprogramme entscheidend sind. Sacolick ist ein anerkannter Top-Social-CIO und Influencer im Bereich der digitalen Transformation. Er hat mehr als 700 Artikel auf InfoWorld.com, CIO.com, seinem Blog Social, Agile, and Transformation und anderen Websites veröffentlicht.