ローコードがAIの参入障壁を下げる

[[341638]]

[51CTO.com クイック翻訳] 機械学習を迅速に実装したい組織は、新興の AI ローコード ソリューションの検討に興味があるかもしれません。ローコード テクノロジーは、手動でコーディングされたシステムを完全に置き換えることはできませんが、小規模で経験の浅いデータ サイエンス チームが進歩を加速し、プロのデータ サイエンティストがプロトタイプを設計するのに役立ちます。

ローコードとは何でしょうか? この言葉は人によって意味が異なり、AI への適用性も完全には明らかではありません。長年にわたり、主流の開発者はローコード（またはノーコード）アプローチを使用してビジネスアプリケーションやコンシューマーアプリケーションを構築してきました。これが AI の世界におけるローコードアプローチの基礎を大きく形成しています。

20 年前、第 4 世代言語 (4GL) は、Java や C++ などの 3GL に必要なコードの一部を使用して複雑なビジネス アプリケーション ソフトウェアを作成するための一般的な方法でした。開発者がドラッグ アンド ドロップ GUI を使用して事前に構築されたコンポーネントを微調整し、カスタム ビジネス アプリケーションを作成するパターン ベースの開発手法は、IT 業界では以前から確立されていますが、これに反対する人もいます。

AIの世界では、機械学習モデルを構築して本番環境に展開するために使用されるツールと手法は、一般的なアプリケーションソフトウェア開発に使用されるものとは大きく異なりますが、同じローコード手法が適用されます。 Veritone の製品担当上級副社長である Kfir Yeshayahu 氏によると、これらのローコード技術は AI コミュニティで注目を集めているそうです。

「AI 向けローコードにより、シチズン デベロッパーやデータ サイエンティストは AI ビルディング ブロックを活用して、ニーズに合った AI エンジンを構築できます」と Yeshayahu 氏は言います。「複雑なコードを記述、コンパイル、展開、拡張することなく、ユーザーに「AI スーパーパワー」を提供します。」

Yeshayahu 氏は、ローコード AI の主な利点はスピードだと述べています。同氏は、特に新型コロナウイルス感染症のパンデミックにより、多くの企業のデジタル化計画の欠陥が露呈し、急速なAI開発の必要性が最近高まっていると述べた。

「多くの組織はパンデミックをきっかけに AI の価値に気づき始めていますが、導入サイクルが長いため、AI ソリューションをゼロから構築する余裕がないことも認識し始めています」とイェシャヤフは述べています。「多くの組織は、役割や技術的専門知識に関係なく、創造的で使命感を持った従業員がイノベーションを起こせるように、ローコードと AI を急速に導入しています。これまで以上に迅速に業務を変革するという任務を負っているからです。」

では、組織はどこで AI 用のローコード ツールを入手できるのでしょうか? Veritone は、企業が機械学習を使用して、音声、ビデオ、テキスト入力に基づく意思決定を自動化できるように設計された、aiWARE と呼ばれる AI プラットフォームを開発しました。

ビッグデータ分野で注目を集めているもう 1 つのローコード プラットフォームは PyCaret です。これは、ユーザーがわずか数行のコードを使用して複雑な機械学習タスクを実行できるように設計された Python ライブラリです。 4月にデビューしたこのソフトウェアは、scikit-learnやXGBoostなどの他のライブラリやフレームワークと統合され、ノートブックのようなインターフェースで動作します。

PyCaret の創設者兼開発者である Moez Ali 氏は、市民データ サイエンティストがより多くの機械学習作業をより迅速に行えるようにするために PyCaret を開発したと述べています。

「市民データ サイエンティストとプロのデータ サイエンティストが共存する組織は、プロのデータ サイエンティストだけに頼る企業よりも優れた業績を上げると私は信じています」と Ali 氏は PyCaret の Web サイトで述べています。「PyCaret は、そのシンプルさ、使いやすさ、ローコード環境により、市民データ サイエンティストに最適です。また、プロのデータ サイエンティストが機械学習ワークフローの一部として使用したり、ラピッド プロトタイプを迅速かつ効率的に構築したりすることもできます。」

新しく登場した AutoML ツールも、一種のローコードと考えることができます。このようなシステムは、モデルの選択、パラメータの調整、実稼働環境への展開、展開後のモデル管理など、従来はデータ サイエンティストが処理していた多くの AI タスクを自動的に処理できます。

再利用性は、ResNet、AlexNet、そして 1,750 億という驚異的なパラメータを持つ OpenAI の大規模言語ジェネレーターである GPT-3 などの今日の複雑なニューラル ネットワークの主な利点です。データ サイエンティストは、これらの事前に構築されたモデルを簡単に取得し、不要な部分を削除し、残りの部分を再トレーニングして必要な作業を行うことができます。ノーコードではないかもしれませんが、データ サイエンティストがゼロからコードを書く場合よりも、記述するコードが少なくなることは間違いありません。

同様に、今日人気の BI および視覚化ツールのセルフサービス メカニズムの多くは、アナリストなどがこれまで困難だったタスクを実行するのに役立っています。これらの BI ツールが機械学習機能と統合されるにつれて、高度な分析機能をセルフサービス (つまりローコード) 方式で提供することが、データ プロジェクトに実際かつ大きな影響を与え始める可能性があります。

はっきり言って、ローコードは AI の世界でも他の世界でも何も新しいものではありません。すべての AI プロジェクトがローコード テクノロジーに適しているわけではありません。結局のところ、最も注目を集めるビジネス変革は、ほとんどの場合、何ヶ月もの試行錯誤を必要とする単発のプロジェクトです。 さらに、実際の AI システムの多くは、最適化されたコードの速度とパフォーマンスを必要としますが、ほとんどの場合、これらのコードは手作業で記述されます。

しかし、他の多くのプロジェクトでは、経験の浅いチームメンバーを配置することで、組織は間違いなくより短時間でより多くのデータ作業を完了できます。これは、それほど困難ではない AI プロジェクトやプロトタイピングに特に当てはまります。シチズンデータサイエンス、AutoML、セルフサービス BI、ローコード AI など、呼び方は何でも構いませんが、少ないリソースでより多くの成果を上げるというトレンドは今後も続いていきます。

原題: ローコードで AI 参入障壁を下げる、著者: Alex Woodie

[51CTOによる翻訳。パートナーサイトに転載する場合は、元の翻訳者と出典を51CTO.comとして明記してください]