Cómo las plataformas 'low-code' habilitan 'machine learning'

Las plataformas low-code mejoran la velocidad y la calidad del desarrollo de aplicaciones, integraciones y visualizaciones de datos. En lugar de construir formularios y flujos de trabajo en código, las plataformas low-code proporcionan interfaces de arrastrar y soltar para diseñar pantallas, flujos de trabajo y visualizaciones de datos utilizados en aplicaciones web y móviles. Las herramientas de integración low-code admiten integraciones de datos, preparación de datos, orquestación de API y conexiones a plataformas SaaS comunes. Si está diseñando cuadros de mando e informes, hay muchas opciones de low-code para conectar con fuentes de datos y crear visualizaciones de datos.

Si puede hacerlo en código, probablemente haya una tecnología low-code o no-code que pueda ayudar a acelerar el proceso de desarrollo y simplificar el mantenimiento continuo. Por supuesto, tendrá que evaluar si las plataformas cumplen con los requisitos funcionales, el coste, el cumplimiento y otros factores, pero las plataformas low-code ofrecen opciones que viven en la zona gris entre la construcción propia o la compra de una solución de software como servicio (SaaS).

Pero, ¿las opciones de low-code se limitan a desarrollar aplicaciones, integraciones y visualizaciones mejor y más rápido? ¿Qué hay de las plataformas de low-code que aceleran y simplifican el uso de capacidades más avanzadas o emergentes?

Busqué y creé prototipos de plataformas low-code y no-code que permitieran a los equipos de tecnología hacer un pico y experimentar con las capacidades de Machine Learning (ML). Me centré principalmente en las plataformas de desarrollo de aplicaciones de low-code y busqué capacidades de ML que mejoraran la experiencia del usuario final.

Diferentes perfiles de desarrollo

¿Es usted un científico de datos que busca capacidades low-code para probar nuevos algoritmos de ML y dar soporte a modelos de forma más rápida y sencilla que codificando en Python? Tal vez sea un ingeniero de datos que se centra en datos y quiere conectar datos con modelos de ML mientras descubre y valida nuevas fuentes de datos.

Las plataformas de data y modelos como Alteryx, Dataiku, DataRobot, H20.ai, KNIME, RapidMiner, SageMaker, SAS y muchas otras tienen como objetivo simplificar y acelerar el trabajo realizado por los científicos de datos y otros profesionales de los datos. Tienen capacidades completas de aprendizaje automático, pero son más accesibles para los profesionales con conjuntos de habilidades de data science e ingeniería de datos.

Esto es lo que me dijo Rosaria Silipo, PhD, científica de datos principal en KNIME, sobre las plataformas low-code para ML e IA. "Las plataformas low-code de IA representan una alternativa válida a las plataformas clásicas de IA basadas en scripts. Al eliminar la barrera de la codificación, las soluciones low-code reducen el tiempo de aprendizaje necesario para la herramienta y dejan más tiempo disponible para experimentar con nuevas ideas, paradigmas, estrategias, optimización y datos".

Hay múltiples opciones de plataformas, especialmente para los desarrolladores de software que quieren aprovechar las capacidades de ML en aplicaciones e integraciones: las herramientas de la nube pública, como GCP AutoML y Azure Machine Learning Designer, ayudan a los desarrolladores a acceder a las capacidades de ML; las plataformas de desarrollo de low-code como AppSheet de Google, Power Automate's AI Builder de Microsoft y OutSystems ML Builder soportan las capacidades de ML.

Estos ejemplos de low-code se dirigen a desarrolladores y data scientists con conocimientos de codificación y les ayudan a acelerar la experimentación con diferentes algoritmos de ML. Las plataformas MLops se dirigen a desarrolladores, data scientists e ingenieros de operaciones. Las plataformas MLops, que son efectivamente el devops para el ML, tienen como objetivo simplificar la gestión de la infraestructura , el despliegue y la gestión de operaciones.

Aprendizaje automático sin código

Un grupo emergente de plataformas de ML sin código está orientado a los analistas empresariales. Estas plataformas facilitan la carga o la conexión a fuentes de datos en la nube y la experimentación con algoritmos de ML.

Aunque el low-code democratiza y acelera la experimentación del ML, sigue requiriendo prácticas disciplinadas, alineación con las políticas de gobernanza de datos y revisiones para detectar sesgos. "Las empresas deben ver el low-code como herramientas en su camino para beneficiarse de la IA/ML. No deben tomar atajos, teniendo en cuenta la visibilidad del negocio, el control y la gestión de los modelos necesarios para tomar decisiones de confianza para el negocio".

Aprendizaje automático en plataformas 'low-code'

Las plataformas low-code seguirán diferenciando sus conjuntos de características, por lo que espero que más añadan capacidades de ML necesarias para las experiencias de usuario que permiten. Esto significa más procesamiento de texto e imágenes para apoyar los flujos de trabajo, el análisis de tendencias para las plataformas de gestión de carteras y la agrupación para los flujos de trabajo de CRM y marketing.

Lo que seguirá siendo importante es que las tecnologías low-code faciliten a los desarrolladores la creación y el soporte de aplicaciones, integraciones y visualizaciones. Ahora, sube el listón y espera más capacidades de automatización inteligente y ML, tanto si las plataformas low-code invierten en sus propias capacidades de IA como si proporcionan integraciones con plataformas de data science de terceros.