携手创作，共同成长！这是我参与「掘金日新计划 · 8 月更文挑战」的第4天，点击查看活动详情
介绍
在构建我们自己的平台时，我们一直密切关注无代码 AI 领域。 我们意识到非技术人员构建定制的人工智能解决方案和人工智能驱动的流程自动化是多么困难。
虽然无代码市场作为一个整体正在成熟（Dreamweaver 和 MS Frontpage，最早的 WYSIWYG【所见即所得】解决方案，均于 1997 年推出），但某些细分市场刚刚兴起，使这一领域更加强大。无代码人工智能就是其中之一。 由于我们一直在观察该领域，因此我们认为分享这些见解对您也很有用。
我们正在绘制无代码、SaaS 和 AI 的交集：不需要设置任何编码或基础设施的 AI 工具，就可以构建强大的应用程序，这些应用程序可以做出以前需要人工判断的决策。
无代码
只要有计算机可以编程，就一直在尝试使编程更容易、更快、技术更少，并且可供更广泛的受众使用。从本质上讲，任何最终用户编程都表明，即使大多数计算机用户缺乏编码技能，他们也会欢迎各种工具的应用潜力（只要获得这些技能不太费劲）。
无代码代表一系列工具，这些工具允许人们构建应用程序和系统，而无需以传统方式对其进行编程。相反，核心功能可以通过可视界面和引导用户操作以及与其他工具的预构建集成来访问，以根据需要交换信息。
虽然这些自我强加的限制可能会导致非常大或复杂的应用程序出现问题，但整个无代码工具系列正在将很大一部分权力交给他们的用户。正如 Alphabet 增长基金 CapitalG 的 Alex Nichols 所说：
没有任何代码能够通过抽象复杂性并以可视化工作流程为中心来让业务用户接管以前由技术用户拥有的功能。这种巨大的代与代之间的转变有能力触及每个软件市场和企业中的每个用户。
举几个例子，这里有一些可以完全使用上述无代码工具构建的常见东西（查看 Nocodelist 以获取更多示例）：
- 使用 Webflow 的网站和登录页面（我们的网站就是用它构建的！）
- 带有 Bubble, Adalo, Mendix 或 Thunkable 的 Web 或移动应用程序
- 通过 Octane AI, Kore.ai, Landbot 或 mindsay 建立聊天机器人或虚拟助手
- 通过 Airtable 建立数据库
- 将您的工具堆栈与 Zapier, tray.io, Integromat, Parabola 或 Paragon 连接起来
- 通过 Shopify 或 Weebly 进行电子商务
- 使用 Memberstack 管理会员人数
相信无代码领域将继续存在是合理的。基于这些原则构建的人工智能工具表明，当涉及到要完成的工作和到位的技术时，该领域不仅在宽度上有所增长，而且在深度上也有所增长。
在我们转向无代码 AI 之前，我们将首先快速触及一个基本问题：什么时候使用 AI 才有意义？
何时使用人工智能
请注意，人工智能可用于各种应用程序，但我们有意将讨论限制在业务应用程序上。
从广义上讲，当人类需要做出某种智能判断并且其中有许多是持续进行时，人工智能特别有用。我们经常使用“人工智能从基于规则的自动化结束的地方开始”这个短语——从我们的角度来看这是有道理的，但不应该一概而论（有些工具超越了纯粹的自动化，例如，Obviously AI用于大规模分析表格数据）。
更实际地，是否应该使用人工智能是一个问题，即是否有其他解决方案可以在相同（或更高）水平的质量、成本或速度下完成这项工作。如果是这样，他们通常更适合做这项工作。由于没有被明确编程为执行 x，AI（仍然）本质上是模糊的。
同时，当需要考虑的规则或例外太多时，显式编程通常会导致问题。在这种情况下，人工智能通常效果更好。例如，当然可以通过使用长链的单词和短语来设置基于规则的自动化处理文本，但在许多情况下，由于成本高或性能差，这不会有效。
无代码人工智能的前景
大量的人工智能和机器学习公司声称他们使人工智能平民化，这对于他们各自的目标用户来说可能是正确的，这些用户通常仍然是普通工程师。在所有这些公司中，那些正在构建无代码工具的公司最接近“任何未经培训的人”的想法。
这种民主化程度的提高似乎早就应该实现了：已经一次又一次地证明，大多数企业都在努力实现人工智能的全部潜力和规模，这使得这种权衡变得更加重要。
无代码 AI 工具允许通过即插即用或拖放 UI 实现自动化，如下图所示：
易于使用的 ML 平台以真正有吸引力的方式利用时间/价值/知识权衡，并允许没有 AI 编码技能的用户优化日常运营并解决业务问题。
视觉的、通常是拖放的、无代码的 AI 工具让非技术人员或缺乏时间或资源从头开始构建此类系统的人更容易理解 AI。
除此之外，无代码人工智能还有一些额外的优势：
- 可访问性：无代码人工智能使组织能够首先利用人工智能，并可以作为未来加强使用数据科学或人工智能的垫脚石。相对较低的投资加上人们积累了人工智能工具的实践知识，减轻了中小型公司采用人工智能的最大障碍。
- 可用性：即插即用允许组织中的任何人找到解决问题的 AI 解决方案，而且通常以预算友好的方式。这些工具的构建考虑了非技术用户和非开发人员。
- 速度：最好的无代码 AI 平台允许用户快速迭代机器学习的整个价值链。这允许进行更快速的实验，以了解使用自己的数据可以做什么，然后立即恢复业务。没有比以简单、直观的方式向他们展示过程更好的方法来说服某人。
- 质量：一开始，无代码工具是为可能没有技术学位或甚至不具备该学科专业知识的人构建的。这需要对产品进行大量工作，因为需要代表用户仔细选择合理的默认设置和安全措施。为了进一步降低此类风险，一些人工智能平台内置了人工审查功能，并在需要时征求意见。这种组合首先减少了设置此类系统时的人为错误，并允许在日常操作期间与平台直接交互。
- 可扩展性：人工智能本身并不关心它是为单个用户还是一百个用户执行任务，根据负载自动扩展或缩减的服务也不关心。
绘制无代码 AI 全景图
已经有一些很棒的工具（以及大量资源，请查看 MakerPad, Zeroqode, 和 NoCode）——我们认为将它们绘制出来是个好主意。
除了提供行业的当前快照外，它还可能有助于更好地理解看似相似的工具之间的细微差别。对于经验丰富的 ML 从业者来说，这可能是显而易见的，但根据定义，无代码工具正在面向技术含量较低的受众群体，所以就是这样。
在观察该领域时，我们注意到两个维度很突出：
- 特定用户场景与不可知论的通才的相比：公司要么围绕特定行业和用例（例如：Accern）构建业务模型，要么利用跨行业公司存在类似问题且缺乏类似 AI 开发资源的事实（例如：MonkeyLearn, Levity）。
- 可以处理哪些数据类型：不要将人工智能与炖肉混淆——仅仅将一堆数据扔进其中并不能得到你想要的东西。因此，一个关键问题是公司首先关注哪些数据，最重要的类型是图像、文本、文档或结构化（表格）数据。
无代码人工智能仍然是一个不断增长的市场——大多数在这个领域运营的公司往往将自己定位在技术（NLP、语音识别、计算机视觉）与特定用户场景管理（分类问题、CRM、网络构建器、业务应用程序）。通常很难划清一个应用程序结束和另一个应用程序开始的界限——尤其是当我们查看 AI 应用程序时。为了更清楚地了解情况，我们决定深入研究无代码AI玩家，以及他们提供了什么。下面的列表绝不是详尽的，也没有任何特定的顺序（嗯...按字母顺序排列），我们将继续添加新玩家——但在全景图中引入一些结构是必要的。
对我们来说最有意义的是基于核心价值主张进行分组——我们知道这些公司中有许多都活跃在不止一个场景中。利用无代码运动成为创客非常棒——但我们首先需要知道我们想要创造什么。
简而言之，我们将以下标准视为无代码人工智能：
- 使用户能够从头开始构建解决方案并将其集成到他们的流程中的工具——以前需要一个或多个 (ML) 工程师来构建。
- 为各种规模的用户和公司创造价值——而不仅仅是一个企业级的开发工具（回想Uber's Ludwig）。
- 可供非技术人员使用——这本质上是无代码运动的核心。更重要的是，这是我们争论时间最长的标准之一。知识水平起着关键作用——虽然有像 MS Azure, C3 AI Suite 甚至 deepCognition 这样的工具——它们不是为普通知识工作者而构建的，而是为那些在开发阶段就已经知道自己在做什么的人而构建的.
- 最后，我们考虑了这些工具的横向和纵向方法：如果您想充分了解和更新无代码 AI 生态系统，那么您可能应该关注这些工具。
按工具使用的技术对工具进行分组是有意义的。 这是一个快速的定义：
- 计算机视觉：允许机器从数字图像、视频、pdf 和其他视觉数据中获取信息，并根据它们的学习采取行动。
- NLP：这允许机器理解和处理口语和书面语言，例如：短信。
- 预测分析：这是指基于结构化（即表格数据）的预测建模，例如：预测流失率、预测和股票价格。
让我们的非技术人员找到合适的人选的一种更简单的方法是考虑您要处理的数据。 CV、NLP 和结构化数据分析都有自己的领域，但可以肯定的是，有一种工具可以满足您的大部分流程需求，如果不是全部的话。
我们还区分了无代码工具和低代码工具。 无代码工具遵循基本标准：它们是无需编码知识即可使用的端到端工具。 从这个意义上说，如果您的团队中有一个会说数据的人，那么低代码工具更适合。
2022年无代码AI全景图：目标客户与聚焦用户场景，如下图所示：
说明：
- SME: 中小企业
- Narrow: 窄小的
- Broad: 广泛的
- Tabular: 表格
最后但同样重要的是，我们考虑了工具的垂直与水平焦点。有些工具在非常特定的用户场景中表现出色 - 因为它们就是为此而构建的（例如，如果您尝试使用机器学习供个人使用，Lobe 非常棒，或者如果您主要是在寻找，请查看 Rossum 用于文档处理）。如果您正在为一项特定任务、流程或团队寻找工具，请留在此地图中心的左侧。如果您希望将 AI 构建到多个流程或整个组织中 - 具有广泛用例焦点的工具可能更适合。
最后一个考虑因素：就像使用任何其他软件一样，您会发现更适合企业实施的无代码工具：无论是由于计费、推出工作，还是需要与您的分析/数据科学进行跨团队协作部。如果要考虑实现价值的时间，那么为中小企业构建的工具提供了灵活性，并且技术设置较少。
我们将简要介绍这些工具的选择。
Aito
Aito 是预测分析和 NLP 自动化部署者。它面向具有与许多自动化平台集成的简单 UI 和 API 的 RPA 开发人员。 Aito 专注于表格数据集（和一些文本数据），但其核心产品是其自动再训练系统。自动化率、预测错误和监控准确性等指标是它们的一些内置功能。
Clarifai
Clarifai 是一种 NLP 和计算机视觉工具，成立于 2013 年，为整个 AI 生命周期的非结构化数据建模提供端到端解决方案。图像、视频和文本识别解决方案建立在先进的机器学习平台之上，可通过 API、设备 SDK 和内部部署轻松访问。他们拥有快速 API 的准确和详细结果，并提供一些简洁的预训练模型（人员、车辆和通用检测器）。
Crowd AI
Crowd AI 是一种基于计算机视觉的无代码 AI 工具，专注于图像和视频。针对技术和非技术用户，他们的用例重点主要集中在工业领域（例如植被管理或灾害响应）。
Dataiku
Dataiku 是一种 AI 分析工具，旨在帮助数据科学家构建业务应用程序，专注于 ML Ops 和 AI Ops。如果您对数据感到满意，那么它使用起来相当简单——而且它有一个非常简洁的插件列表。
DataRobot
DataRobot 企业 AI 平台使数据科学民主化，并使构建、部署和维护 AI 的端到端流程自动化。成立于 2012 年，其核心重点是预测模型，由开源算法提供支持，可在云端、内部部署或作为完全托管的 AI 服务使用。
Google AutoML
AutoML 是 Google 软件包中的明星，该工具的工作方式与 CreateML 非常相似——只是在云端。该模型包目前包括 Sight（视觉和视频智能，后者处于测试阶段）和语言（NLP 和翻译）以及结构化数据（表格）功能。 AutoML 总体上设法在无代码中覆盖了很多领域，但再一次，如果您不是开发人员，则很难操作。
Levity
Levity 专注于图像、文本和文档分类，使用户能够根据他们的特定用例数据训练自定义模型——适用于任何规模的企业。自定义模型和流程还包括一个人在循环选项，因此用户可以完全控制，因为模型会在不确定的地方要求输入 - 并且会自动从交互中学习。 Levity 专注于提供与人们日常使用的所有工具集成的端到端解决方案。
Lobe
Lobe（微软的产品）提供图像分类、对象检测和数据分类功能。 Lobe 是一个免费的私人桌面应用程序，具有大量预训练的解决方案（例如，情绪反应允许您的应用程序对不同的表情做出反应，允许人们仅使用他们的脸发送表情符号反应）。
MonkeyLearn
MonkeyLearn 提供一体化文本分析和数据可视化 studio，用于基于非结构化文本的数据获取主题、情绪、意图、关键字等。功能包括自动标记业务数据、可视化可操作的见解和趋势以及简化流程文本分类和提取。与 Zendesk、RapidMinder 和 Google 产品集成，更多产品即将推出。此外，在我们的眼中，它在文本分析方面有最好的博客资源之一。
Nanonets
Nanonets 属于计算机视觉领域——它们为大多数常见文档类型提供现成的解决方案，但也为自定义模型提供设置。他们的一个更酷的解决方案提供为任何国家、格式或语言构建 ID 卡验证模型——包括透视变换，即可以处理倾斜或倾斜图像的模型。
Noogata
Noogata 成立于 2019 年，是另一个值得一看的预测分析工具。快速且易于设置，它是自定义模型并使您的决策更加以数据为导向的良好解决方案。
ObviouslyAI
Obviously AI，成立于 2019 年， 使用NLP处理对用户特定的文本数据执行任务。将您的数据拖放为 CSV 或与 HubSpot、Salesforce 或 MySQL（以及其他）集成，选择您的预测列，它会自动构建自定义 ML 算法，您最终会得到一个预测报告。该平台对中小企业特别有用，他们正在寻找一种工具来选择适合他们需求的算法。
Pecan AI
Pecan AI 是另一种预测分析工具，可让您获得见解并将其转化为重要指标。许多数据科学家使用它，您可以在 14 天内获得可行的预测。
Primer
Primer 是一个开箱即用的 NLP 模型构建器，具有强大的集成和许多可以使用的预训练模型。如果您希望一次性可视化您的模型性能，那么值得仔细研究一下。
Roboflow
Roboflow 是一种计算机视觉驱动的工具，可让您训练和部署图像、注释和视频的模型。它们支持多种注释格式，因此再训练过程非常顺利。
无代码 AI 的用户场景
“我能用它做什么？”可以说是这个领域最常见的问题，并且有充分的理由：根据定义，无代码 AI 的主要用户群由非技术人员组成。他们可能对人工智能了解一两件事，但他们肯定不会每天都在处理这个主题，更不用说以编写神经网络为生了。
事实证明，掌握人工智能作为业务运营一部分的有用性的最快方法在于研究一些用户场景。
请注意，某些工具通过设置方式（例如针对特定行业或流程）暗示用户场景，而其他工具则旨在由用户针对其特定目的进行训练。一些平台同时提供。自然地，有不同的应用层在起作用，分类、标注、检测、数据提取……这个列表不胜枚举。
尽管如此，还是有一些事情需要考虑...
无代码领域的神话之一是，如果你想进入任何解决方案实施的阶段，你必须降低你的期望。我们不得不在快/便宜/好之间三选二的日子已经屈指可数了，但必须管理期望。
当前的无代码 AI 领域表明，每个解决方案都与工具的设计有着内在的联系。一些从业者指出，在某些情况下，重要的是要记住，一旦您在平台上开发了一个应用程序，只要该应用程序正在运行，您就会一直链接到该平台。在 PoC 的上下文中，这不是问题，但在预期会持续的应用程序的上下文中，情况可能会有所不同。
尽管无代码平台减轻了工程和编码的复杂性，但它并不是一个万能的神奇工具。相反，您应该（作为流程所有者）考虑以下一些问题：
- 我想解决什么问题？
- 哪些任务弥补了这个问题？
- 我们需要什么样的项目管理水平？
- 工具/平台在公司架构中的作用是什么？
- 平台是否满足问题需求？
- 从长远来看，使用无代码 AI 工具是一种战略选择吗？
无代码 AI 未来会带来什么？
出于多种原因，企业正在稳步转向无代码平台。部分由于对劳动力管理的连锁反应，接触开发人员和软件工程师会减慢项目交付速度——而这正是技术可以增加真正价值的地方。不仅使您的员工能够提供解决方案，而且在当前环境中保持相关性和竞争力是我们都想抓住的独角兽。
研究表明，据估计，到 2024 年，近 65% 的应用程序开发将通过低代码和无代码平台完成，而无代码 AI 将在其中发挥重要作用。当中断当前的流程管理是可能的并且每个人都可以广泛使用时，很难看出以传统方式做事的逻辑。
然而，有用的 AI 应用程序首先需要一个好的用户场景。仅仅拥有一个 AI 模型的价值相对较小，无论它有多强大。但是，正如人们对数据库（Airtable）和 Wiki（Notion）有了新的热爱，人们将发掘 AI 的潜力。正如无代码 AI 工具会成熟一样，它们的用户也会成熟。