無程式碼 AI 和 MLOps：無程式碼 AI 僅用於不會程式碼的終端使用者（Valohai）

持續創作，加速成長！這是我參與「掘金日新計劃 · 6 月更文挑戰」的第22天，點選檢視活動詳情

什麼是無程式碼與無程式碼AI

無程式碼人工智慧正在成為主流。初創公司和老牌公司都在考慮補充現有產品或開發新產品，讓客戶能夠使用人工智慧增強自己的能力，而無需終端使用者擁有博士學位。

首先，簡要介紹一下無程式碼；無程式碼運動越來越受到 Bubble 和 Webflow 等冠軍的青睞，它們在過去 12 個月中都籌集了超過 1 億美元的資金。

無程式碼的定義有點模糊（或者至少對我來說是這樣），因為我們之前有不同的視覺化開發工具。但我認為無程式碼實現飛躍的地方在於可能性。它不再只是自定義模板，而是最終構建自定義應用程式，而無需編寫一行程式碼。當然，與任何抽象一樣，仍然存在限制。例如，將 Webflow 與 Squarespace 等網站構建器進行比較，您會看到截然不同的方法。

那麼，在這一切中，無程式碼 AI 的獨特價值主張是什麼？程式碼或無程式碼人工智慧（或者更具體的機器學習）使得比預定義邏輯更模糊的問題可以解決。比如：

• 解析度是否超過 2 百萬畫素？
• 影象更像哪一類？

例如，以前的無程式碼工具可能使構建基於名稱或元資料對影象進行分類的邏輯變得容易。 相反，無程式碼 AI 工具可以根據影象本身進行分類。 現在，這只是一個例子，但你可以想象無數的問題，這些問題很難定義規則。

對於本文，我們將無程式碼 AI 平臺定義為允許使用者使用其資料訓練模型的平臺。 如需更全面地瞭解無程式碼 AI 生態系統，請檢視 Levity 關於無程式碼 AI 的優秀文章。

無程式碼 AI 和 MLOps

無程式碼只是終端使用者的無程式碼，無程式碼 AI 也是如此。 這些平臺依靠開發人員的聰明才智來抽象出技術部分。

檢視這些應用程式的一種方法是將它們劃分為以下功能層：

• 應用層包含所有終端使用者互動。
• 資料科學層有你的模型。
• 最後，連線這兩層的是 MLOps 層，便於您訓練模型並將其提供給終端使用者。

大多數無程式碼 AI 平臺通過出色的 UX（應用層）、專用模型（資料科學層）或這些的組合而有所不同。

MLOps 層更像是平臺的一個支援部分，而不是一個獨特的差異化因素。最好的情況是終端使用者甚至不知道服務如何提供自定義 AI。

但是，MLOps 層對於產品團隊可靠且無風險地交付產品至關重要。

開發可以隨著產品採用而擴充套件的機器學習後端通常是一個巨大的挑戰。每個使用者和資料集都會增加部署的模型數量，更多的使用者意味著更多的模型同時被訓練。此外，每個終端使用者互動都應自動處理，這意味著 ML 基礎架構需要與應用層緊密整合。

無程式碼 AI 和 Valohai

歸根結底，構建無程式碼 AI 工具的公司的 ML 基礎設施是一項巨大的技術挑戰，上行潛力有限。我可能有偏見，但答案相對簡單。建立物品是需要獨一無二的；買物品是不需要的。

我們為可擴充套件性和整合性等至關重要的場景構建了 Valohai。 Valohai 的每個功能都可以與 API 一起使用，Valohai MLOps 平臺可以處理從編排機器進行訓練到部署到 Kubernetes 的所有事情。

以下是一些公司在 Valohai 之上構建其獨特的無程式碼 AI 功能的示例：

Levity

Levity 使公司能夠自動化特定於其業務的工作流程，從識別顯微影象中的物件到為不同的內部工作流程自動分類傳入的文件。

對於像構建和維護自己的自定義 MLOps 解決方案這樣的初創公司來說，這將是一筆巨大的開銷。他們的團隊首先研究了可用的開源解決方案，例如：Kubeflow，但決定反對這種方法。

Thilo Huellmann(Levity 的首席技術官兼聯合創始人)說：即使我們可以使用所有現成的部件來構建我們的解決方案，它也只是構建和維護我們自己的定製 MLOps 解決方案的不合理預算和資源要求。

Neurolabs

Neurolabs 使公司能夠跳過資料收集並訓練計算機視覺模型，而無需任何已標註影象。他們的平臺可以通過幾個選擇快速生成合成資料，並生成一個使用生成的資料訓練的生產就緒模型。示例場景包括掃描商店貨架和確保製造質量。

Valohai 非常適合該場景，因為該平臺允許團隊在內部構建幾乎任何東西的管道。例如，Neurolabs 在其 Valohai 管道中使用 Blender 根據使用者輸入生成合成影象。

原文連結：No-code AI and MLOps: No-code AI is only no-code for the end user