El interés por las plataformas de Inteligencia Artificial sin código o de código bajo sigue creciendo. De hecho, un número cada vez mayor de nuevas empresas y grandes firmas de tecnología proponen ahora plataformas de Machine Learning “fáciles de usar”.
Estas soluciones sin código suelen venir en plataformas guiadas, que ofrecen la clásica funcionalidad de arrastrar y soltar para servicios de Machine Learning totalmente automatizados, adecuados tanto para principiantes como para profesionales.
La idea de poder construir y utilizar una solución basada en Machine Learning sin ser un Científico de Datos es algo muy interesante tanto para las pequeñas como para las grandes empresas, que podrían potenciar a sus empleados y dedicar más recursos a proyectos de Inteligencia Artificial complejos.
¿Por qué usar plataformas de Inteligencia Artificial sin código?
Desde una perspectiva operativa, desarrollamos varios proyectos de Inteligencia Artificial durante el año, la mayoría de ellos solo siguen siendo prueba de concepto por falta de datos, inversiones, liderazgo, o simplemente por la madurez actual de Machine Learning.
De igual forma, los expertos en Machine Learning son difíciles de encontrar y difíciles de mantener. Se necesita tiempo e inversión para transformar un negocio en una organización impulsada por la Inteligencia Artificial. Por lo tanto, las empresas que no pueden contratar desarrolladores se enfrentan al riego de quedarse atrás. En consecuencia, un número creciente de empresas se está orientando cada vez más hacia las plataformas sin código para Machine Learning.
Machine Learning tradicional vs. el proceso de Machine Learning sin Código
Hoy en día, la mayoría de los proyectos de Inteligencia Artificial siguen más o menos los mismos pasos. En efecto, se empieza por identificar un caso de uso, recoger datos, construir un modelo, entrenarlo, mejorarlo, etc. Para determinar si la Inteligencia Artificial sin código puede ayudar realmente, primero debemos entender las diferencias entre la versión clásica y la de sin código.
Como puedes ver en la imagen, algunos pasos de un proyecto de Inteligencia Artificial “tradicional” pueden ser automatizados o facilitados usando herramientas de arrastrar y soltar. Desde esta perspectiva, se puede considerar las plataformas de Inteligencia Artificial sin código como una forma de acelerar el desarrollo de prototipos y demostraciones.
Nuevas herramientas para ayudar a los Científicos de Datos
Además de las soluciones de Inteligencia Artificial sin código, también estamos viendo muchas soluciones de código bajo. De hecho, un creciente número de herramientas prometen hacer más accesible el campo de la Ciencia de Datos. Obviamente, esto no es una tarea fácil considerando la complejidad de esta área. No obstante, muchas librerías y herramientas, incluyendo Keras y FastAI, facilitaron significativamente la creación de un proyecto de Ciencia de Datos al proporcionarnos una interfaz de alto nivel fácil de usar y muchos componentes preconstruidos.
La idea con todo esto es desafiar el enfoque tradicional de aprender Machine Learning más técnico e introducir un Machine Learning más accesible.
Soluciones
La automatización está llegando para muchas de las tareas que los Científicos de Datos realizan. De hecho, todos los principales proveedores de nubes han invertido fuertemente en algún tipo de iniciativa o plataforma de Inteligencia Artificial sin código o de código bajo.
Hoy en día, la mayoría de las soluciones ofrecen algoritmos pre-construidos y flujos de trabajo simplificados con características como el modelado de arrastrar y soltar e interfaces visuales que pueden conectarse fácilmente con los datos y acelerar la llegada de servicios o aplicaciones al mercado.
El AutoML en la nube de Google entrena modelos de Machine Learning sin código, con una interfaz sencilla, basada en el método de arrastrar y soltar. Se centra en la visión artificial, el lenguaje natural y la traducción.
Google también ofrece Teachable Machine, una herramienta aún más sencilla diseñada para los aficionados interesados en expermientar con Machine Learning y en comprender cómo funciona. Con nada más que una cámara webcam o cámara de teléfono móvil, Teachable Machine alimenta una pequeña red neuronal en el navegador, sin tener que enviar las imágenes a un servidor y exportarlas a sitios web, aplicaciones, máquinas físicas y más.
Uber AI desarrolló Ludwig, una caja de herramientas de Aprendizaje Profundo sin código, para hacerlo más accesible a los no expertos. Los no expertos pueden entrenar y probar rápidamente los modelos de Aprendizaje Profundo sin tener que escribir código. Los expertos pueden obtener líneas de base sólidas para comparar sus modelos y tener una configuración de experimentación que facilita la prueba de nuevas ideas y análisis de los modelos mediante el preprocesamiento y la visualización de datos estándar.
La EZDL de Baidu es una sencilla plataforma de arrastrar y soltar que permite a los usuarios diseñar y construir modelos de Machine Learning personalizados.
Obviously.ai permite a los usuarios ejecutar predicciones complejas y análisis de datos, simplemente haciendo preguntas en lenguaje natural.
Estás plataformas libres de código a menudo vienen en plataformas guiadas, ofreciendo la clásica funcionalidad de arrastrar y soltar para servicios de Machine Learning totalmente automatizados adecuados tanto para principiantes como para profesionales.
¿Qué es posible hacer mediante las plataformas de Inteligencia Artificial sin código?
Cuando se trata de casos de uso, es posible crear un algoritmo que pueda:
- Identificar los productos defectuosos en los entornos de fabricación.
- Monitorizar las grietas en las carreteras y pavimentos.
- Detectar si un usuario es probable que se convierta en cliente.
- Si se aprobará un préstamo.
Estos son solo algunos ejemplos. También se debe tener claro, que estas plataformas solo ayudan a la implementación y capacitación de una red, no a la ingeniería de las características, el análisis de datos o las pruebas.
Límites
Estas soluciones suenan muy bien, pero seguramente aún necesitarás expertos en datos. De hecho, los usuarios de negocios deben saber qué arrastrar y dónde dejarlo caer. Sin embargo, los proyectos complejos tienen miles de tareas y requieren Científicos de Datos.
Grado de personalización
A pesar de lo que la mayoría de la gente podría pensar, la dificultad de construir modelos de Machine Learning no es la codificación, sino los datos a su disposición, la ingeniería de características, la arquitectura y las pruebas. En algunas soluciones sin código, no tienes la capacidad de ajustar y modificar los diferentes parámetros. El otro inconveniente está relacionado con los datos. De hecho, puede que estés familiarizado con el sesgo de los datos. Dependiendo del caso de uso, estos modelos pueden ser construidos y exportados por cualquiera. Por lo tanto, existe un mayor peligro de generar algoritmos sesgados.
Dependencia
Con el desarrollo de herramientas de Inteligencia Artificial sin código está relacionada con la dependencia. De hecho, su solución podría no requerir un Científico de Datos, sino probablemente algunos consultores en el futuro para ayudarte a entender mejor Machine Learning o hacer que su solución sea escalable. Así que, la dependencia de expertos técnicamente competentes no desaparecerá.
Necesidad de datos
Todos los proyectos de Machine Learning requieren los mismos datos. El éxito de un proyecto depende en gran medida de su capacidad para recopilar, gestionar y mantener un conjunto de datos. Sin embargo, esto es normalmente el trabajo de un Científico de Datos por lo que se debe considerar esto al momento de desarrollar el proyecto.
Es seguro asumir que a medida que continuemos democratizando la Inteligencia Artificial, muchas tareas de los elementos de Machine Learning serán automatizadas, por lo que estás plataformas de arrastrar y soltar es apenas el principio de esta tendencia. Todo este cambio permitirá a los expertos en datos ser más estratégicos y creativos en la forma de resolver los problemas.
Con esto finalizamos la explicación. Ya tienes un conocimiento sobre las plataformas de Inteligencia Artificial sin código, por lo tanto te dejo la siguiente pregunta, ¿Cuáles de las siguientes afirmaciones crees tú que sea cierta?
Opción 1: La arquitectura de un proyecto tradicional de Machine Learning es similar a la de un proyecto desarrollado en una plataforma sin código.
Respuesta correcta.
Opción 2: Los principales proveedores de nubes han invertido fuertemente en algún tipo de iniciativa o plataforma de Inteligencia Artificial sin código o de código bajo.
Respuesta correcta.
Opción 3: Las plataformas sin código pueden ser capaces de recolectar y procesar los datos.
Respuesta incorrecta. Esto es normalmente el trabajo de un Científico de Datos por lo que se debe considerar esto al momento de desarrollar el proyecto.
