低代码平台提高了开发应用程序、集成和数据可视化的速度和质量。低代码平台不是用代码构建表单和工作流，而是利用拖放界面来设计在网络和移动应用程序中使用的屏幕、工作流和数据可视化。低代码集成工具支持数据集成、数据准备、API编排以及与常见的SaaS平台的连接。如果你正在设计仪表板和报表，要连接数据源并创建数据可视化，有许多低代码选项可以选择。
但凡你可以用代码完成的，都可能会有一种低代码或无代码技术可以帮助加速开发过程和简化正在进行的维护。当然，你必须要评估这些平台是否满足功能要求、成本、合规性和其他因素，但低代码平台能提供的选项一般都处于可以自行构建和购买软件即服务(SaaS)之间的灰色区域。
但是，低代码选项是否只是为了更好更快地开发应用程序、集成和可视化?那些使用更高级或新兴功能去进行加速和简化的低代码平台又如何呢?
我搜索并制作了低代码和无代码平台的原形，这些平台使技术团队能够利用机器学习功能进行测试和试验。我主要关注低代码应用程序开发平台，并寻求能增强最终用户体验的机器学习功能。
以下是我在这个过程中学到的一些东西。
不同的平台针对不同的开发人员
你是一名数据科学家吗?你正在寻找用低代码功能来尝试新的机器学习算法，并能比Python编码更快、更容易地支持 ModelOps吗?也许你是一名专注于数据操作的数据工程师，并希望在发现和验证新数据源的同时将数据与机器学习模型相连接。
Alteryx、Dataiku、DataRobot、H20.ai、KNIME、RapidMiner、SageMaker、SAS 等数据科学和模型操作平台旨在简化和加速数据科学家和其他数据专业人员的工作。它们具有全面的机器学习能力，但在操作上对具有数据科学和数据工程技能的专业人员来说更容易些。
以下是 KNIME 首席数据科学家兼布道负责人 Rosaria Silipo 博士讲述的关于低代码机器学习和人工智能平台的内容。“人工智能低代码平台可以作为经典的、基于脚本的人工智能平台的有效替代方案。通过消除编码障碍，低代码解决方案减少了工具需要的学习时间，留出了更多的时间用于试验新想法、范例、策略、优化和数据。”
特别是对于希望在应用程序和集成中利用机器学习功能的软件开发人员，这里有多种平台可供选择：
- GCP AutoML和Azure Machine Learning Designer等公有云工具帮助开发者获取机器学习能力。
- Google 的AppSheet、微软的Power Automate的 AI Builder 和OutSystems ML Builder等低代码开发平台都展露出了机器学习能力。
- PyCaret 等低代码学习库面向数据科学家、平民数据科学家和开发人员，帮助他们加速学习和在开源工具包上实施机器学习。
这些低代码示例面向具有编码技能的开发人员和数据科学家，帮助他们加速对不同机器学习算法的试验。MLops平台面向开发人员、数据科学家和运营工程师。作为机器学习的 DevOps，MLops平台旨在简化管理机器学习模型的基础设施、部署和运营管理。
面向平民分析师的无代码机器学习
有一组新兴的无代码机器学习平台面向业务分析师，这些平台使上传或连接到云数据源和试验机器学习的算法变得容易。
我与 Noogata 的联合创始人兼CEO Assaf Egozi 讨论过，为什么即使对于拥有丰富经验的数据科学团队的大型企业，那些面向业务分析师的无代码机器学习平台也能改变游戏规则。他告诉我，“企业内的大多数数据消费者根本不具备从头开发算法甚至有效应用 autoML 工具所需的技能，而且我们也不应该期望他们这样做。相反，我们应该为这些数据消费者或者平民数据分析师提供一种的简单方法，可以将高级分析集成到他们的业务流程中。”
Monitaur的CTO兼联合创始人Andrew Clark表示赞同。“让企业能更容易上手机器学习是令人兴奋的。在模型产品化方面没有那么多训练有素的数据科学家或具有专业知识的工程师来满足业务需求。低代码平台提供了一座桥梁。”
尽管低代码使机器学习实验民主化并加快了速度，但它仍然需要严格的实践、符合数据治理政策以及偏见审查。Clark 补充道：“公司必须将低代码视为他们从 AI/ML 中受益的工具。考虑到业务可见性、控制和模型管理都是企业为业务做可信决策时所需的，企业不应该走捷径。”
