技术通常遵循一个熟悉的发展。首先，它由一小部分科学家使用，然后用户群扩展到可以驾驭技术细微差别和行话的工程师，直到最后它变得对用户足够友好，几乎任何人都可以使用它。
现在，构建软件的过程正在实现最后的飞跃。正如 Windows 和 Mac OS 的可点击图标取代了晦涩难懂的 DOS 命令一样，新的“无代码”平台正在用简单的拖放界面取代编程语言。影响是巨大的：过去需要一个工程师团队来构建一个软件，现在拥有网络浏览器和想法的用户有能力将这个想法变为现实。这意味着，只有资源充足的大型企业才能负担得起的强大技术，突然之间即使是小公司也能触手可及。
也许最重要的是，它使部署人工智能成为可能（这是一代人中最具变革性的技术之一），而无需雇佣大量昂贵的开发人员和数据科学家。这意味着通常拥有大量数据的小型企业可以利用人工智能的优势，例如为新的客户体验提供动力（如自动驾驶特斯拉），增加公司的收入（如宝洁的人工智能驱动的广告支出） )，并优化运营以实现最大效率（如沃尔玛的供应链）。
对于小型企业来说，知道在哪里以及如何部署这项技术可能会让人望而生畏。像大公司一样，他们可能已经经历了计算数据科学如何为他们工作的过程，从在小型任务与大型项目上部署无代码 AI 作为开始是有意义的。理想情况下，您希望：
- 使用您已有的数据。在那里获得的价值通常比您最初想象的要多。
- 选择更高效的高价值任务将推动增长。
- 在公共领域、销售漏斗优化或客户流失减少方面快速取得成功，因此您的团队可以了解 AI 如何应用于广泛的用例
- 如果您无法从任何 AI 项目中获得 10 倍的投资回报率，请不要害怕快速前进。有很多高回报的应用程序可以获得价值。
无代码工具让员工能够思考如何以创造性的方式来使用数据来推动或优化他们的工作，从而推动业务发展。
考虑一个像智能潜在客户评分这样的例子。销售团队从各种地方收集潜在客户——网络抓取、电话推销、在线表格、在贸易展览会上丢在碗里的名片。但是一旦一个团队拥有数千条线索，问题就在于决定追查哪些线索。例如，通过发现用户行为、人口统计数据和公司统计数据中的模式，一个简单的无代码分类模型可以根据潜在客户转化为销售的概率对潜在客户进行排名，这是许多大公司使用人工智能的一项任务。
使用无代码 AI 平台，用户可以将有关销售前景的数据电子表格拖放到界面中，从下拉菜单中进行一些选择，单击几个按钮，平台将构建模型并返回一个电子表格，其中包含从最热门到最冷的潜在客户排序，使销售人员能够通过关注最有可能购买的潜在客户来最大化收入。
人工智能的潜力在企业中无处不在，无代码平台的优势在于它们不限于任何特定的用户场景。这些工具可用于检测机器维修并预测哪些机器在发生故障之前需要注意，营销团队可以使用这些工具来发现不满并减少客户流失，运营团队也可以使用这些工具来减少员工流失。它们可以发现文本中的模式，而不仅仅是数字，并用于分析销售记录和销售记录以及营销数据，从而使公司能够自动化复杂的流程。
对于许多公司来说，使用无代码平台将归结为简单地找到正确的项目和正确的平台。
无代码从哪里开始
一个称职的无代码平台需要三个关键特性。
首先，它需要一个简单的界面，可以轻松地将数据导入从而进行模型训练过程。这意味着与当今流行的业务系统集成，例如 Salesforce 等客户关系管理系统和 Excel 等电子表格软件。如果相关数据存在于多个地方，平台应该能够合并它。
数据上传后，平台需要能够为模型训练过程自动分类和正确编码数据——所有这些都需要用户最少的输入。例如，平台可能将数据中的列标识为类别、日期或数字，用户应检查这些列是否正确标记。
其次，该平台需要自动化模型选择和训练——这些任务通常由数据科学家执行。有许多机器学习方法，每种方法都最适合特定类型的问题。平台应该有一种搜索机制，可以根据数据和所需的预测找到最佳模型。用户不需要了解回归或 k-最近邻算法。该平台应该只提供最有效的东西。
最后，它需要简单且易于使用现有流程进行部署。平台应该能够随着时间的推移监控模型性能，并随着业务环境的变化和新数据的可用而重新训练。
如何选择合适的无代码 AI 平台
并非所有无代码 AI 平台都是一样的，正确的工具取决于公司的业务需求。解决方案的范围从每月只需几美元到每年花费六位数的企业平台。
为特定公司找到合适的模型可能需要一些试验和错误。好消息是这个最好的平台是开放的，这意味着任何人都可以尝试它们，看看它们是如何工作的。换句话说，用户可以在平台上进行相关任务的试验，看看它们的表现如何。
例如，用户可以根据它们在公共数据集上的相对表现来比较各种平台的准确性，例如澳大利亚的信用审批数据集，其目标是对信用卡资格进行分类。只需最少的努力，用户就可以看到每个无代码 AI 平台在预测验证集（训练数据的随机选择，通常为 20%）中的结果时正确率，这些数据被保留并针对模型运行以测量性能.
但准确性有时会产生误导。考虑预测结果中误报和误报的数量也很重要。这对于“不平衡”数据集尤其重要，因为在大量数据中只需要检测少量案例，如信用卡欺诈或癌症。
例如，如果一个预测信用卡欺诈的模型每次都说“没有欺诈”，那么它的准确率会非常高，但毫无用处。一个好的无代码平台会对误报和漏报进行评分。
用户还应该考虑使用这些无代码平台所需的时间。一个关键指标是平台训练模型所需的时间。这可能从几分钟到几小时不等，如果需要几个小时，它就不容易适应忙碌的人的一天。
训练不仅仅只考虑时间。为了使这些平台在组织中真正具有变革性，它们必须非常易于使用，以至于非技术人员会将它们应用到他们的工作流程中。检查各种平台的入职流程。如果需要 IT 部门的帮助，甚至需要付出很大的努力，销售或会计人员就不太可能打扰。
要让更多公司在其业务的更多应用程序中运用人工智能的力量，答案不能是“创造和雇用更多的数据科学家”。世界上只有 1% 的人知道如何编码。然而，正如十年前科技投资人马克·安德森 (Marc Andreessen) 所写的那样，软件正在吞噬世界。毫无疑问，无代码是未来。
总有一天，每个企业的每个部分都将进行人工智能优化。今天有数据。让越来越多的人将这些数据转化为人工智能驱动的预测的平台的进步和成熟速度将决定它发生的速度。
消除采纳中的摩擦或冲突将有助于在所有行业释放人工智能的力量，并让非专业人士真正预测未来。随着时间的推移，无代码 AI 平台将像今天的文字处理或电子表格软件一样无处不在。
