无需编程即可创建人工智能应用程序

越来越多的库, 云平台和服务用于创建人工智能应用程序 (人工智能). 但是直接使用它们来编程你的智能组件会迫使你学习每个平台的特定语言，并在未来绑定到它们. 考虑到人工智能生态系统发展迅速，不断有新的, 更好的, 平台每天出现，这并不是一个好策略.
你如何创建一个集成某种人工智能算法的应用程序 (也称为智能应用程序 ) 甚至是一个完整的数据科学解决方案 (数据科学) 而无需学习编程或依赖特定平台? La solución es modelar la aplicación AI y dejar que sea luego la plataforma de modelado la que genere y ejecute la aplicación utilizando, por ejemplo, alguno de los frameworks deep studying existentes.
Ya deberías saber que subiendo el nivel de abstracción al qué defines tu problema software consigues de inmediato una serie de beneficios como la independencia tecnológica. Esta es también la tendencia que se sigue en el mundo de la inteligencia artificial. Cada vez hay más herramientas para modelar IA y así facilitar que todo el mundo, aunque no sean programadores, pueda acceder a esta fascinante tecnología.
Vamos a intentar cubrir tanto las herramientas que permiten añadir componentes de inteligencia artificial predefinidos a una aplicación existente como herramientas específicas para preparar y entrenar modelos de aprendizaje automático (机器学习).
Herramientas de modelado visual de IA de la mano de las grandes tecnológicas
Las grandes del mundo tech” (Google, Amazon, Microsoft) han visto los entornos de modelado para IA como una manera de crecer su base de usuarios. Te venden la programación visible” como manera de crear tus propias aplicaciones de aprendizaje automático sin programar pero, evidentemente, luego esas aplicaciones sólo las puedes ejecutar en sus plataformas respectivas.
Azure Machine Learning Studio
我最喜欢的机器学习建模环境是微软的 Azure 机器学习工作室. 正如微软所说: 这是一个易于使用的环境, 可以在你的浏览器中运行，提供一个可视化和拖放的环境，无需编写任何代码. 你可以轻松地定义你的输入数据, 处理它们 (如果需要), 使用这些数据训练不同类型的机器学习模型，并最终评估结果的质量.
在 Azure ML Studio 中创建分类模型
IBM 的 SPSS Modeler
IBM 对 Azure ML Studio 的替代方案是 SPSS Modeler, 作为 Watson Studio 的一部分，和微软的解决方案一样, 它允许你定义你的知识管道, 你想要生成的模型 (分类器, 预测模型,…) 评估和可视化结果. 它附带了一个非常完整的算法和预定义模型库，以免从零开始.
最类似的亚马逊提供的服务是 Amazon SageMaker，但我没看到它包含任何类型的可视化 AI 编辑器.
数据科学建模
在一个知识科学问题中, 数据收集及其操作/准备与我们接下来要尝试的机器学习一样重要. 这就是数据科学可视化环境附带大量用于数据‘处理’组件的原因.
虽然其中一些工具可能自带自己的执行引擎, la mayoría se integran con frameworks de deep studying existentes como Keras Tensorflow
RapidMiner
RapidMiner incluye un herramienta de diseño visual de workflows para prototipar y validar modelos predictivos. Viene con un buen número de conexiones predefinidas con servicios 人工智能博客 externos (muchas de ellas para la integración de datos, RapidMiner soporta más de 60 tipos de ficheros y formatos de datos, tanto para datos estructurados como no estructurados).
Orange
Orange es una herramienta de aprendizaje y visualización de modelos de ML. El análisis de los datos se realiza vía la conexión de widgets en un flujo de datos común. Cada widget se encarga de una más tareas de recuperación, preproceso, visualización evaluación de datos. 几乎你能想象到的所有东西都有它的挂件，但你仍然可以创建自己的挂件.
使用 Orange 进行数据分析的可视化工作流编程
Knime
我最喜欢的选择. Knime 是一个通用的数据分析平台，可用于多种不同目的. 有超过 2000 种类型的节点可供使用. Knime 的知识科学家扩展和深度学习扩展是我们对本次提交最感兴趣的. 例如, 深度学习扩展允许用户执行各种操作 (从定义到执行) 在神经网络上. 可以与知识科学家扩展结合使用，大大丰富数据收集和处理的各个部分. 此外, Knime 是开源的
注意，除了这些针对知识科学的特定工具外, 我们将越来越多地看到扩展，在更通用的环境中增加一定水平的数据分析功能. 一个很好的例子是 Neuron , Visible Studio Code 的信息科学扩展
建模神经网络
如果你的主要目标是神经网络, DIANNE 是一个不错的选择. 在 DIANNE 中, 神经网络被定义为一个有向图，可以通过其在线编辑器从预定义模块可视化创建.
如果你更多的是想学习神经网络如何工作, 那么这个 Tensorflow playground 是最佳解决方案. 允许玩转神经网络 (añadiendo / quitando neuronas y modificando sus parámetros) y aprender así sus conceptos básicos.
Visualización de los modelos de aprendizaje
Hay herramientas especializadas en visualizar los resultados del aprendizaje automático. Su objetivo es ayudarte a entender como funciona y como de bien responde el modelo de ML generado.
Herramientas de generación de código para crear software program con comportamiento inteligente
Las herramientas low-code clásicas” se están dando cuenta que sus usuarios quieren poder añadir componentes inteligentes a sus modelos software, de la misma forma que pueden diseñar el modelo de datos de comportamiento. 例如, quieren poder añadir fácilmente chatbots a su software un componente de reconocimiento facial sin tener que aprender a programar con librerías de deep learning.
Como respuesta, estas herramientas de generación de código están añadiendo ya nuevos módulos visuales que permitan representar y encapsular estas funcionalidades inteligentes. De momento, sólo se ofrece la integración de componentes ya predefinidos (para reconocer objetos, análisis del sentimiento,…) y ofrecidos por plataformas externas, con lo que la integración consiste básicamente en enlazar tu software program con ese servicio externo con pocas posibilidades de configuración. Pero en todo caso, es un buen comienzo.
Genexus
Genexus es la que ofrece más y mejores opciones, como resume la tabla que os copio a continuación (fijaros que para alguno de los módulos puedes elegir también sobre qué infraestructura ejecutarlo):
Google Cloud AI
✓
✓
Genexus ha sacado recientemente también una extensión para generat chatbots y de hecho estamos mirando como podría integrarse con Jarvis nuestro propio framework para el modelado y despliegue de chatbots multiplataforma.
Mendix
Mendix camina hacia una dirección parecida (e.j. ver como crear un chatbot con Mendix ) pero de momento el proceso parece requerir bastante más trabajo guide.
Lobe
Lobe (ahora comprada por Microsoft) es un nuevo competidor en la area de las herramientas ” low-code para AI ” Su objetivo es que te sea muy fácil entrenar modelos de deep studying que luego puedas integrar en una app. Todavía están en beta y con la compra por Microsoft es difícil saber como van a evolucionar, pero viendo los ejemplos visuales de deep studying, es fácil imagina un buen número de apps interesante para dispositivos móviles que se podrían crear con Lobe.
Reconocimiento de gestos con Lobe
Related Posts
January 24, 2017
COMMENT
Identify
电子邮件
Web site
Anúnciate aquí
Con más de 800 visitantes al día, somos la net líder en Ingeniería de Software program de habla hispana. Contacta para anunciarte antes de que sea demasiado tarde
使用 Xatkit 创建你自己的聊天机器人
加入我们的软件工程师群组
不要错过关于编程的最新动态, 设计, 人工智能, 方法论及更多内容
报名
固定在 Pinterest 上