新舊十年交替之際，2020年涌現出的無代碼人工智能平臺數量激增，越來越多的企業希望利用人工智能的力量來構建更智能的軟件產品。但對于很多人來說，實現這一愿望困難重重。

對于初創公司而言，尋找具有相關機器學習專業知識的人才是一項挑戰。很多公司投入了大量資金，招聘擁有博士學位和機器學習學術研究背景的工程師，卻未能推出自己的產品。

在此背景下，無代碼可視化拖拽式工具開始嶄露頭角。它們有助于填補數據科學家的空缺，讓非技術人員不再對人工智能望而生畏。有了它們，企業現在無需過多甚至不需要任何編碼知識，就能在最短的時間內生成數據集，訓練并部署模型，十分經濟劃算。

對于移動應用程序開發人員來說，這無疑是隱藏的福利，因為現在對于內置機器學習的設備需求很大。他們不需要擁有機器學習博士學位，就可以在自己想要訓練的數據和模型方面創造發揮。

本文將介紹一些目前可用的優秀無代碼機器學習工具。其中有一些是完全免費的，而另外一些會在免費試用期過后收取一定費用，每一種工具都會幫助用戶實現其AI應用想法。

CreateML

作為一名iOS開發人員，筆者還是先從蘋果公司的無代碼拖拽式工具CreateML講起吧。CreateML最初與Xcode一同發布，如今是一個獨立的macOS應用程序，配備了一些預先訓練好的模型模板。

通過使用遷移學習技術，用戶可以構建自己的自定義模型。從圖像分類器到樣式轉換，從自然語言處理到推薦系統，它幾乎涵蓋了一切，用戶所需要做的就是用所需格式通過訓練和驗證數據。

此外，用戶可以在開始訓練之前微調測度并設置自己的迭代數。CreateML為模型（比如樣式轉換）提供驗證數據的實時結果。最后，它會生成一個CoreML模型，用戶可以在iOS應用程序中對其進行測試和部署。

蘋果公司憑借CreateML居于領先，谷歌也不甘落后。它的AutoML工具雖然是在云端，但其運行方式與CreateML幾乎相同。

目前，谷歌的云端AutoML機器學習產品包括視覺（圖像分類）、自然語言、AutoML翻譯、視頻智能和表格。機器學習知識有限的開發人員就可以訓練針對其用例的模型了。為經過全面測試的深度學習模型提供開箱即用的支持，云端AutoML無需開發人員了解遷移學習知識或應該怎樣創建神經網絡。

模型訓練完成后，用戶可以用.pb、.tflite、CoreML等格式測試并導出該模型。

MakeML

MakeML是一種用于創建無需代碼的對象檢測和語義分割模型的開發工具。它為iOS開發人員提供了macOS應用程序，用來創建并管理數據集（比如在圖像中注釋對象）。它們還有一個數據集存儲庫，其中包含一些免費的計算機視覺數據集，只需單擊幾下即可用來訓練神經網絡。

MakeML已經在運動類應用程序中展示出了它們的潛力，比如球體追蹤。此外，它們還有用于訓練指甲和馬鈴薯分割模型的端到端教程，這對于非機器學習開發人員來說應該很容易上手。通過使用其在視頻中運行的內置注釋工具，用戶可以構建一個用于板球和網球比賽的鷹眼探測器。

Fritz AI

Fritz AI是一個正在成長的機器學習平臺，它有助于填補移動端開發人員和數據科學家之間的鴻溝。iOS和安卓開發人員可以快速訓練并部署模型，或使用他們預先訓練過的軟件開發工具包（SDK），該工具包提供了開箱即用的樣式轉換、圖像分割、以及像模型一樣的姿態估計功能。

他們的FritzAI Studio通過提供數據注釋工具及合成數據，無縫生成數據集，讓用戶迅速將創意轉化為可投入生產的應用程序。除了在蘋果公司之前引入了對樣式轉換的支持之外，Fritz AI的機器學習平臺還提供了模型再訓練、分析、易于部署和防御攻擊的解決方案。

RunwayML

這也是特別為創作者和制造者設計的機器學習平臺。它的視覺界面體驗良好，無需編寫或思考代碼，即可快速訓練從文本到圖像生成（GAN）、運動捕捉、對象檢測等各種模型。用戶可通過RunwayML瀏覽一系列的模型，包括超分辨率圖像、背景去除和樣式轉換。

盡管從其應用程序中導出模型要收費，但設計師總是可以利用其預先訓練好的生成式對抗網絡功能，從原型中合成新圖像。

他們的生成式引擎可以在用戶輸入句子時合成圖像，這是他們的一個亮點。用戶可以在masOS、windows上下載其應用程序，或直接在瀏覽器上使用（目前還在測試階段）。

Obviously AI

Obviously AI使用最先進的自然語言處理來對用戶定義的CSV數據執行復雜任務。其構想是上傳數據集，選擇預測列，然后用自然語言輸入問題并預測結果。

該平臺為用戶選擇正確的算法來訓練機器學習模型。無論是預測收入還是預測庫存需求，只需點擊幾下，一份預測報告就能輕松搞定。這對于那些內部沒有數據科學團隊卻想涉足人工智能領域的中小企業來說極為有用。

Obviously AI允許用戶集成其他來源的數據，比如MySQL、Salesforce、RedShift等等。在不了解線性回歸和文本分類為何物的情況下，用戶也可以利用該平臺對數據進行預測分析。

Super Annotate

除了模型訓練之外，數據處理也占用了開發機器學習項目的大量時間。清理和標記數據肯定會耗費大量時間，尤其是在處理成千上萬張圖片的時候。

SuperAnnotate是一個人工智能注釋平臺，它通過機器學習功能（尤其是遷移學習）來加快數據注釋過程。通過使用其圖像和視頻注釋工具，用戶可以在內置預測模型的幫助下快速注釋數據。這樣一來，對象檢測數據集的生成和圖像分割都將變得更加簡單快捷。SuperAnnotate還可以處理視頻幀中常見的重復數據注釋。

Teachable Machine

AutoML對開發人員沒那么友好，而同屬谷歌的Teachable Machines就不一樣了。后者可讓用戶快速訓練模型，從而直接從瀏覽器上識別圖像、聲音和姿態。

用戶可以通過簡單地拖拽文件或通過網絡攝像頭創建快速且雜亂的圖像或聲音數據集來訓練模型。Teachable Machine使用瀏覽器中的Tensorflow.js庫，并確保用戶訓練的數據保留在設備上。

在那些沒有掌握任何代碼知識卻想使用機器學習功能的人看來，谷歌無疑邁出了一大步。最終的模型可以用Tensorflow.js或tflite格式導出，用戶隨后可以將其用于網站或應用程序;用戶還可以通過Onyx將模型轉換為不同的格式。下面是筆者在不到一分鐘的時間內訓練的簡單圖像分類模型：

SnapML是另一種絕佳的無代碼機器學習工具，你可以訓練或上傳自己的自定義模型，還可以在Snap Lenses上使用。這無疑有助于獨立開發人員和創造者展現他們的創造力。這些工具會讓機器學習變得更加有趣。

無代碼機器學習平臺可以填補數據科學家和非機器學習從業者之間的鴻溝。盡管本文不能面面俱到，但你總可以從中選擇一個平臺來快速構建模型或生成數據集。
責編AJX