持续创作，加速成长！这是我参与「掘金日新计划 · 6 月更文挑战」的第22天，点击查看活动详情
什么是无代码与无代码AI
无代码人工智能正在成为主流。初创公司和老牌公司都在考虑补充现有产品或开发新产品，让客户能够使用人工智能增强自己的能力，而无需终端用户拥有博士学位。
首先，简要介绍一下无代码；无代码运动越来越受到 Bubble 和 Webflow 等冠军的青睐，它们在过去 12 个月中都筹集了超过 1 亿美元的资金。
无代码的定义有点模糊（或者至少对我来说是这样），因为我们之前有不同的可视化开发工具。但我认为无代码实现飞跃的地方在于可能性。它不再只是自定义模板，而是最终构建自定义应用程序，而无需编写一行代码。当然，与任何抽象一样，仍然存在限制。例如，将 Webflow 与 Squarespace 等网站构建器进行比较，您会看到截然不同的方法。
那么，在这一切中，无代码 AI 的独特价值主张是什么？代码或无代码人工智能（或者更具体的机器学习）使得比预定义逻辑更模糊的问题可以解决。比如：
- 分辨率是否超过 2 百万像素？
- 图像更像哪一类？
例如，以前的无代码工具可能使构建基于名称或元数据对图像进行分类的逻辑变得容易。 相反，无代码 AI 工具可以根据图像本身进行分类。 现在，这只是一个例子，但你可以想象无数的问题，这些问题很难定义规则。
对于本文，我们将无代码 AI 平台定义为允许用户使用其数据训练模型的平台。 如需更全面地了解无代码 AI 生态系统，请查看 Levity 关于无代码 AI 的优秀文章。
无代码 AI 和 MLOps
无代码只是终端用户的无代码，无代码 AI 也是如此。 这些平台依靠开发人员的聪明才智来抽象出技术部分。
查看这些应用程序的一种方法是将它们划分为以下功能层：
- 应用层包含所有终端用户交互。
- 数据科学层有你的模型。
- 最后，连接这两层的是 MLOps 层，便于您训练模型并将其提供给终端用户。
大多数无代码 AI 平台通过出色的 UX（应用层）、专用模型（数据科学层）或这些的组合而有所不同。
MLOps 层更像是平台的一个支持部分，而不是一个独特的差异化因素。最好的情况是终端用户甚至不知道服务如何提供自定义 AI。
但是，MLOps 层对于产品团队可靠且无风险地交付产品至关重要。
开发可以随着产品采用而扩展的机器学习后端通常是一个巨大的挑战。每个用户和数据集都会增加部署的模型数量，更多的用户意味着更多的模型同时被训练。此外，每个终端用户交互都应自动处理，这意味着 ML 基础架构需要与应用层紧密集成。
无代码 AI 和 Valohai
归根结底，构建无代码 AI 工具的公司的 ML 基础设施是一项巨大的技术挑战，上行潜力有限。我可能有偏见，但答案相对简单。创建物品是需要独一无二的；买物品是不需要的。
我们为可扩展性和集成性等至关重要的场景构建了 Valohai。 Valohai 的每个功能都可以与 API 一起使用，Valohai MLOps 平台可以处理从编排机器进行训练到部署到 Kubernetes 的所有事情。
以下是一些公司在 Valohai 之上构建其独特的无代码 AI 功能的示例：
Levity
Levity 使公司能够自动化特定于其业务的工作流程，从识别显微图像中的对象到为不同的内部工作流程自动分类传入的文档。
对于像构建和维护自己的自定义 MLOps 解决方案这样的初创公司来说，这将是一笔巨大的开销。他们的团队首先研究了可用的开源解决方案，例如：Kubeflow，但决定反对这种方法。
Thilo Huellmann(Levity 的首席技术官兼联合创始人)说：即使我们可以使用所有现成的部件来构建我们的解决方案，它也只是构建和维护我们自己的定制 MLOps 解决方案的不合理预算和资源要求。
Neurolabs
Neurolabs 使公司能够跳过数据收集并训练计算机视觉模型，而无需任何已标注图像。他们的平台可以通过几个选择快速生成合成数据，并生成一个使用生成的数据训练的生产就绪模型。示例场景包括扫描商店货架和确保制造质量。
Valohai 非常适合该场景，因为该平台允许团队在内部构建几乎任何东西的管道。例如，Neurolabs 在其 Valohai 管道中使用 Blender 根据用户输入生成合成图像。
原文链接：No-code AI and MLOps: No-code AI is only no-code for the end user