Функциональные возможности No-code data science позволяют пользователям строить и развертывать модели машинного обучения без написания кода.
Проекты по науке о данных могут быть сложными, и сложность только увеличивается, когда дело доходит до внедрения результатов. Не так просто поддерживать и управлять большим кодом с миллионами строк кода для проектов по науке о данных или машинному обучению. С другой стороны, решения по науке о данных без кода/с низким уровнем программирования (no code/low code) решают эту проблему, предоставляя упрощенный подход к созданию и развертыванию проектов по науке о данных.
Решения без кода/с низким уровнем кодирования демократизируют науку о данных
Функциональность науки о данных без кода делает науку о данных более доступной для не технических пользователей. Предоставляя графический интерфейс пользователя (GUI), платформы позволяют любому создавать и развертывать модели машинного обучения, независимо от их навыков программирования. Такие решения упрощают процесс и позволяют пользователям генерировать рабочие процессы и модели, используя описания на естественном языке.
Прогресс в более широком контексте
В ранние дни компании, такие как IBM, создавали решения без кода, хотя они могли быть не такими мощными, как сегодня. Это не новый концепт, и важно признать, что он существует уже некоторое время.
Это хорошо проверенный и зрелый способ решения проблем. Вы можете делать все, от традиционной классификации и регрессии до прогнозирования временных рядов, анализа изображений и видео. Этот широкий спектр возможностей является результатом зрелости и долговечности области.
“Один из захватывающих моментов – это использование фундаментальных моделей, больших языковых моделей, которые могут использоваться для авторства,” комментирует Инго Мирсва, старший вице-президент по разработке продуктов в Altair и основатель платформы науки о данных Altair RapidMiner.
“Мы исследуем новые модальности авторства, такие как использование естественного языка для описания проблемы и решения и автоматическое создание необходимых рабочих процессов и моделей платформой.”
Это дальше ускоряет и масштабирует использование науки о данных, давая еще больше людям возможность делать это правильно.
“Мы интегрируем эту новую модальность с существующими, чтобы пользователи могли настраивать результаты с помощью рабочих процессов или кода. И когда мы показали нашу первую итерацию этого на конференции, люди были очень взволнованы, потому что это делает науку о данных проще, чем когда-либо,” отметил он.
Без программирования
Наука о данных без программирования станет будущим практически для 99% проектов в области науки о данных. “Я не говорю, что обучение программирования – это пустая трата времени, но это не научит вас правильным концепциям”, – говорит Миерсва. “Вы так зацикливаетесь на синтаксисе и языках программирования, что теряете представление о том, что действительно важно в науке о данных. Концепции вечны, а проблемы – нет. За свою карьеру я видел, как появлялись и исчезали различные языки программирования. Python существует уже 30 лет, но через пару лет о нем никто не спросит”. Изучение концепций окупится в долгосрочной перспективе, подчеркнул он, в то время как изучение языка программирования дает лишь краткосрочную выгоду.
Nocode решения в области науки о данных облегчают понимание концепций, не увязая в синтаксисе и программировании. “Вы можете сосредоточиться на том, что действительно происходит на более высоком уровне, и лучше понять основополагающие принципы”, – подчеркивает Миерсва. “В Altair RapidMiner мы предлагаем две вещи, которые помогают в этом: наш самообучающийся портал Altair RapidMiner Academy, где вы можете получить сертификат и узнать о концепциях науки о данных, не написав ни одной строчки кода, и наш подход Center of Excellence, который направляет вас через процесс выполнения работы по науке о данных, фактически не делая ее за вас. Это похоже на обучение вождению, когда мы сидим на пассажирском сиденье и даем вам полезные советы”.
Путь в будущее
Подумайте об ученых-компьютерщиках, которые научились программировать и кодировать в процессе обучения; они первыми признаются в этом. В науке о данных интересно то, что очень много людей, пришедших из смежных областей, таких как инженеры и статистики, не являются компьютерщиками. Для многих из них программирование вдруг кажется таким мощным. Они понимают, что могут создать любое решение, которое захотят, что и привлекает многих компьютерщиков в первую очередь.
Но если вы решаете одну и ту же задачу во второй раз и продолжаете кодировать, значит, в первый раз вы сделали это неправильно. Каждый специалист по информатике знает это, потому что он обучен этой школе мышления. Однако если вы из смежных областей и не проходили всего этого в колледже, то для вас это может быть не совсем естественно. Может быть, это и интересно – изменить строчку кода и увидеть, как компьютер делает что-то, но это быстро надоедает и становится пустой тратой ресурсов.
Компаниям придется задуматься о том, насколько рационально такое расходование ресурсов в будущем. Программированию всегда найдется место при первом решении проблемы, но во всех остальных случаях это пустая трата времени и ресурсов.
