开发人员必看的优秀无代码机器学习工具，可实现其的AI应用想法

新旧十年交替之际，2020年涌现出的无代码人工智能平台数量激增，越来越多的企业希望利用人工智能的力量来构建更智能的软件产品。但对于很多人来说，实现这一愿望困难重重。

对于初创公司而言，寻找具有相关机器学习专业知识的人才是一项挑战。很多公司投入了大量资金，招聘拥有博士学位和机器学习学术研究背景的工程师，却未能推出自己的产品。

在此背景下，无代码可视化拖拽式工具开始崭露头角。它们有助于填补数据科学家的空缺，让非技术人员不再对人工智能望而生畏。有了它们，企业现在无需过多甚至不需要任何编码知识，就能在最短的时间内生成数据集，训练并部署模型，十分经济划算。

对于移动应用程序开发人员来说，这无疑是隐藏的福利，因为现在对于内置机器学习的设备需求很大。他们不需要拥有机器学习博士学位，就可以在自己想要训练的数据和模型方面创造发挥。

本文将介绍一些目前可用的优秀无代码机器学习工具。其中有一些是完全免费的，而另外一些会在免费试用期过后收取一定费用，每一种工具都会帮助用户实现其AI应用想法。

CreateML

作为一名iOS开发人员，笔者还是先从苹果公司的无代码拖拽式工具CreateML讲起吧。CreateML最初与Xcode一同发布，如今是一个独立的macOS应用程序，配备了一些预先训练好的模型模板。

通过使用迁移学习技术，用户可以构建自己的自定义模型。从图像分类器到样式转换，从自然语言处理到推荐系统，它几乎涵盖了一切，用户所需要做的就是用所需格式通过训练和验证数据。

此外，用户可以在开始训练之前微调测度并设置自己的迭代数。CreateML为模型（比如样式转换）提供验证数据的实时结果。最后，它会生成一个CoreML模型，用户可以在iOS应用程序中对其进行测试和部署。

苹果公司凭借CreateML居于领先，谷歌也不甘落后。它的AutoML工具虽然是在云端，但其运行方式与CreateML几乎相同。

目前，谷歌的云端AutoML机器学习产品包括视觉（图像分类）、自然语言、AutoML翻译、视频智能和表格。机器学习知识有限的开发人员就可以训练针对其用例的模型了。为经过全面测试的深度学习模型提供开箱即用的支持，云端AutoML无需开发人员了解迁移学习知识或应该怎样创建神经网络。

模型训练完成后，用户可以用.pb、.tflite、CoreML等格式测试并导出该模型。

MakeML

MakeML是一种用于创建无需代码的对象检测和语义分割模型的开发工具。它为iOS开发人员提供了macOS应用程序，用来创建并管理数据集（比如在图像中注释对象）。它们还有一个数据集存储库，其中包含一些免费的计算机视觉数据集，只需单击几下即可用来训练神经网络。

MakeML已经在运动类应用程序中展示出了它们的潜力，比如球体追踪。此外，它们还有用于训练指甲和马铃薯分割模型的端到端教程，这对于非机器学习开发人员来说应该很容易上手。通过使用其在视频中运行的内置注释工具，用户可以构建一个用于板球和网球比赛的鹰眼探测器。

Fritz AI

Fritz AI是一个正在成长的机器学习平台，它有助于填补移动端开发人员和数据科学家之间的鸿沟。iOS和安卓开发人员可以快速训练并部署模型，或使用他们预先训练过的软件开发工具包（SDK），该工具包提供了开箱即用的样式转换、图像分割、以及像模型一样的姿态估计功能。

他们的FritzAI Studio通过提供数据注释工具及合成数据，无缝生成数据集，让用户迅速将创意转化为可投入生产的应用程序。除了在苹果公司之前引入了对样式转换的支持之外，Fritz AI的机器学习平台还提供了模型再训练、分析、易于部署和防御攻击的解决方案。

RunwayML

这也是特别为创作者和制造者设计的机器学习平台。它的视觉界面体验良好，无需编写或思考代码，即可快速训练从文本到图像生成（GAN）、运动捕捉、对象检测等各种模型。用户可通过RunwayML浏览一系列的模型，包括超分辨率图像、背景去除和样式转换。

尽管从其应用程序中导出模型要收费，但设计师总是可以利用其预先训练好的生成式对抗网络功能，从原型中合成新图像。

他们的生成式引擎可以在用户输入句子时合成图像，这是他们的一个亮点。用户可以在masOS、windows上下载其应用程序，或直接在浏览器上使用（目前还在测试阶段）。

Obviously AI

Obviously AI使用最先进的自然语言处理来对用户定义的CSV数据执行复杂任务。其构想是上传数据集，选择预测列，然后用自然语言输入问题并预测结果。

该平台为用户选择正确的算法来训练机器学习模型。无论是预测收入还是预测库存需求，只需点击几下，一份预测报告就能轻松搞定。这对于那些内部没有数据科学团队却想涉足人工智能领域的中小企业来说极为有用。

Obviously AI允许用户集成其他来源的数据，比如MySQL、Salesforce、RedShift等等。在不了解线性回归和文本分类为何物的情况下，用户也可以利用该平台对数据进行预测分析。

Super Annotate

除了模型训练之外，数据处理也占用了开发机器学习项目的大量时间。清理和标记数据肯定会耗费大量时间，尤其是在处理成千上万张图片的时候。

SuperAnnotate是一个人工智能注释平台，它通过机器学习功能（尤其是迁移学习）来加快数据注释过程。通过使用其图像和视频注释工具，用户可以在内置预测模型的帮助下快速注释数据。这样一来，对象检测数据集的生成和图像分割都将变得更加简单快捷。SuperAnnotate还可以处理视频帧中常见的重复数据注释。

Teachable Machine

AutoML对开发人员没那么友好，而同属谷歌的Teachable Machines就不一样了。后者可让用户快速训练模型，从而直接从浏览器上识别图像、声音和姿态。

用户可以通过简单地拖拽文件或通过网络摄像头创建快速且杂乱的图像或声音数据集来训练模型。Teachable Machine使用浏览器中的Tensorflow.js库，并确保用户训练的数据保留在设备上。

在那些没有掌握任何代码知识却想使用机器学习功能的人看来，谷歌无疑迈出了一大步。最终的模型可以用Tensorflow.js或tflite格式导出，用户随后可以将其用于网站或应用程序;用户还可以通过Onyx将模型转换为不同的格式。下面是笔者在不到一分钟的时间内训练的简单图像分类模型：

SnapML是另一种绝佳的无代码机器学习工具，你可以训练或上传自己的自定义模型，还可以在Snap Lenses上使用。这无疑有助于独立开发人员和创造者展现他们的创造力。这些工具会让机器学习变得更加有趣。

无代码机器学习平台可以填补数据科学家和非机器学习从业者之间的鸿沟。尽管本文不能面面俱到，但你总可以从中选择一个平台来快速构建模型或生成数据集。
责编AJX