開發(fā)人員必看的優(yōu)秀無代碼機器學(xué)習(xí)工具，可實現(xiàn)其的AI應(yīng)用想法

新舊十年交替之際，2020年涌現(xiàn)出的無代碼人工智能平臺數(shù)量激增，越來越多的企業(yè)希望利用人工智能的力量來構(gòu)建更智能的軟件產(chǎn)品。但對于很多人來說，實現(xiàn)這一愿望困難重重。

對于初創(chuàng)公司而言，尋找具有相關(guān)機器學(xué)習(xí)專業(yè)知識的人才是一項挑戰(zhàn)。很多公司投入了大量資金，招聘擁有博士學(xué)位和機器學(xué)習(xí)學(xué)術(shù)研究背景的工程師，卻未能推出自己的產(chǎn)品。

在此背景下，無代碼可視化拖拽式工具開始嶄露頭角。它們有助于填補數(shù)據(jù)科學(xué)家的空缺，讓非技術(shù)人員不再對人工智能望而生畏。有了它們，企業(yè)現(xiàn)在無需過多甚至不需要任何編碼知識，就能在最短的時間內(nèi)生成數(shù)據(jù)集，訓(xùn)練并部署模型，十分經(jīng)濟劃算。

對于移動應(yīng)用程序開發(fā)人員來說，這無疑是隱藏的福利，因為現(xiàn)在對于內(nèi)置機器學(xué)習(xí)的設(shè)備需求很大。他們不需要擁有機器學(xué)習(xí)博士學(xué)位，就可以在自己想要訓(xùn)練的數(shù)據(jù)和模型方面創(chuàng)造發(fā)揮。

本文將介紹一些目前可用的優(yōu)秀無代碼機器學(xué)習(xí)工具。其中有一些是完全免費的，而另外一些會在免費試用期過后收取一定費用，每一種工具都會幫助用戶實現(xiàn)其AI應(yīng)用想法。

CreateML

作為一名iOS開發(fā)人員，筆者還是先從蘋果公司的無代碼拖拽式工具CreateML講起吧。CreateML最初與Xcode一同發(fā)布，如今是一個獨立的macOS應(yīng)用程序，配備了一些預(yù)先訓(xùn)練好的模型模板。

通過使用遷移學(xué)習(xí)技術(shù)，用戶可以構(gòu)建自己的自定義模型。從圖像分類器到樣式轉(zhuǎn)換，從自然語言處理到推薦系統(tǒng)，它幾乎涵蓋了一切，用戶所需要做的就是用所需格式通過訓(xùn)練和驗證數(shù)據(jù)。

此外，用戶可以在開始訓(xùn)練之前微調(diào)測度并設(shè)置自己的迭代數(shù)。CreateML為模型（比如樣式轉(zhuǎn)換）提供驗證數(shù)據(jù)的實時結(jié)果。最后，它會生成一個CoreML模型，用戶可以在iOS應(yīng)用程序中對其進行測試和部署。

蘋果公司憑借CreateML居于領(lǐng)先，谷歌也不甘落后。它的AutoML工具雖然是在云端，但其運行方式與CreateML幾乎相同。

目前，谷歌的云端AutoML機器學(xué)習(xí)產(chǎn)品包括視覺（圖像分類）、自然語言、AutoML翻譯、視頻智能和表格。機器學(xué)習(xí)知識有限的開發(fā)人員就可以訓(xùn)練針對其用例的模型了。為經(jīng)過全面測試的深度學(xué)習(xí)模型提供開箱即用的支持，云端AutoML無需開發(fā)人員了解遷移學(xué)習(xí)知識或應(yīng)該怎樣創(chuàng)建神經(jīng)網(wǎng)絡(luò)。

模型訓(xùn)練完成后，用戶可以用.pb、.tflite、CoreML等格式測試并導(dǎo)出該模型。

MakeML

MakeML是一種用于創(chuàng)建無需代碼的對象檢測和語義分割模型的開發(fā)工具。它為iOS開發(fā)人員提供了macOS應(yīng)用程序，用來創(chuàng)建并管理數(shù)據(jù)集（比如在圖像中注釋對象）。它們還有一個數(shù)據(jù)集存儲庫，其中包含一些免費的計算機視覺數(shù)據(jù)集，只需單擊幾下即可用來訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

MakeML已經(jīng)在運動類應(yīng)用程序中展示出了它們的潛力，比如球體追蹤。此外，它們還有用于訓(xùn)練指甲和馬鈴薯分割模型的端到端教程，這對于非機器學(xué)習(xí)開發(fā)人員來說應(yīng)該很容易上手。通過使用其在視頻中運行的內(nèi)置注釋工具，用戶可以構(gòu)建一個用于板球和網(wǎng)球比賽的鷹眼探測器。

Fritz AI

Fritz AI是一個正在成長的機器學(xué)習(xí)平臺，它有助于填補移動端開發(fā)人員和數(shù)據(jù)科學(xué)家之間的鴻溝。iOS和安卓開發(fā)人員可以快速訓(xùn)練并部署模型，或使用他們預(yù)先訓(xùn)練過的軟件開發(fā)工具包（SDK），該工具包提供了開箱即用的樣式轉(zhuǎn)換、圖像分割、以及像模型一樣的姿態(tài)估計功能。

他們的FritzAI Studio通過提供數(shù)據(jù)注釋工具及合成數(shù)據(jù)，無縫生成數(shù)據(jù)集，讓用戶迅速將創(chuàng)意轉(zhuǎn)化為可投入生產(chǎn)的應(yīng)用程序。除了在蘋果公司之前引入了對樣式轉(zhuǎn)換的支持之外，F(xiàn)ritz AI的機器學(xué)習(xí)平臺還提供了模型再訓(xùn)練、分析、易于部署和防御攻擊的解決方案。

RunwayML

這也是特別為創(chuàng)作者和制造者設(shè)計的機器學(xué)習(xí)平臺。它的視覺界面體驗良好，無需編寫或思考代碼，即可快速訓(xùn)練從文本到圖像生成（GAN）、運動捕捉、對象檢測等各種模型。用戶可通過RunwayML瀏覽一系列的模型，包括超分辨率圖像、背景去除和樣式轉(zhuǎn)換。

盡管從其應(yīng)用程序中導(dǎo)出模型要收費，但設(shè)計師總是可以利用其預(yù)先訓(xùn)練好的生成式對抗網(wǎng)絡(luò)功能，從原型中合成新圖像。

他們的生成式引擎可以在用戶輸入句子時合成圖像，這是他們的一個亮點。用戶可以在masOS、windows上下載其應(yīng)用程序，或直接在瀏覽器上使用（目前還在測試階段）。

Obviously AI

Obviously AI使用最先進的自然語言處理來對用戶定義的CSV數(shù)據(jù)執(zhí)行復(fù)雜任務(wù)。其構(gòu)想是上傳數(shù)據(jù)集，選擇預(yù)測列，然后用自然語言輸入問題并預(yù)測結(jié)果。

該平臺為用戶選擇正確的算法來訓(xùn)練機器學(xué)習(xí)模型。無論是預(yù)測收入還是預(yù)測庫存需求，只需點擊幾下，一份預(yù)測報告就能輕松搞定。這對于那些內(nèi)部沒有數(shù)據(jù)科學(xué)團隊卻想涉足人工智能領(lǐng)域的中小企業(yè)來說極為有用。

Obviously AI允許用戶集成其他來源的數(shù)據(jù)，比如MySQL、Salesforce、RedShift等等。在不了解線性回歸和文本分類為何物的情況下，用戶也可以利用該平臺對數(shù)據(jù)進行預(yù)測分析。

Super Annotate

除了模型訓(xùn)練之外，數(shù)據(jù)處理也占用了開發(fā)機器學(xué)習(xí)項目的大量時間。清理和標(biāo)記數(shù)據(jù)肯定會耗費大量時間，尤其是在處理成千上萬張圖片的時候。

SuperAnnotate是一個人工智能注釋平臺，它通過機器學(xué)習(xí)功能（尤其是遷移學(xué)習(xí)）來加快數(shù)據(jù)注釋過程。通過使用其圖像和視頻注釋工具，用戶可以在內(nèi)置預(yù)測模型的幫助下快速注釋數(shù)據(jù)。這樣一來，對象檢測數(shù)據(jù)集的生成和圖像分割都將變得更加簡單快捷。SuperAnnotate還可以處理視頻幀中常見的重復(fù)數(shù)據(jù)注釋。

Teachable Machine

AutoML對開發(fā)人員沒那么友好，而同屬谷歌的Teachable Machines就不一樣了。后者可讓用戶快速訓(xùn)練模型，從而直接從瀏覽器上識別圖像、聲音和姿態(tài)。

用戶可以通過簡單地拖拽文件或通過網(wǎng)絡(luò)攝像頭創(chuàng)建快速且雜亂的圖像或聲音數(shù)據(jù)集來訓(xùn)練模型。Teachable Machine使用瀏覽器中的Tensorflow.js庫，并確保用戶訓(xùn)練的數(shù)據(jù)保留在設(shè)備上。

在那些沒有掌握任何代碼知識卻想使用機器學(xué)習(xí)功能的人看來，谷歌無疑邁出了一大步。最終的模型可以用Tensorflow.js或tflite格式導(dǎo)出，用戶隨后可以將其用于網(wǎng)站或應(yīng)用程序;用戶還可以通過Onyx將模型轉(zhuǎn)換為不同的格式。下面是筆者在不到一分鐘的時間內(nèi)訓(xùn)練的簡單圖像分類模型：

SnapML是另一種絕佳的無代碼機器學(xué)習(xí)工具，你可以訓(xùn)練或上傳自己的自定義模型，還可以在Snap Lenses上使用。這無疑有助于獨立開發(fā)人員和創(chuàng)造者展現(xiàn)他們的創(chuàng)造力。這些工具會讓機器學(xué)習(xí)變得更加有趣。

無代碼機器學(xué)習(xí)平臺可以填補數(shù)據(jù)科學(xué)家和非機器學(xué)習(xí)從業(yè)者之間的鴻溝。盡管本文不能面面俱到，但你總可以從中選擇一個平臺來快速構(gòu)建模型或生成數(shù)據(jù)集。
責(zé)編AJX