A mesterséges intelligencia és a gépi tanulás iránti érdeklődés világszerte ugrásszerűen növekszik. A vállalatok elkezdték megérteni erejüket és hatékonyságukat a különböző felhasználási területeken, legyen szó autóiparról, pénzügyekről, banki tevékenységről, telekommunikációról, marketingről vagy biztonságról. Jelentős kihívást jelent azonban a megfelelő adatelemzéssel, data science-szel és gépi tanulással foglalkozó szakértők megtalálása, a technológia megértése és kihasználása. A probléma megoldását, mint olyan sok esetben, itt is a technológia hozza el, jelen esetben a low code és a no code analitikai, gépi tanulási platformok formájában. Low code, no code: mit jelent ez a két fogalom, mik az előnyei? Ennek jártunk utána!

Statisztikák szerint a hazai viszonylatokat tekintve 30 ezer ember hiányzik az IT szektorból. A nem műszaki szakemberek számára a no code vagy low code elemző eszközök használata meglehetősen kényelmes megoldás, hiszen a klasszikus elemzések mellett akár gépi tanuláson alapuló alkalmazásokat is létrehozhatnak egyetlen sor kód megírása nélkül. A Gartner Magic Quadrant jelentése szerint 2024-re az alkalmazásfejlesztés 65%-a ilyen platformokon fog zajlani.

Mi az a no code?

A kód nélküli fejlesztés a RAD (rapid application development), vagyis gyors alkalmazásfejlesztés szemlélet égisze alá tartozik. Lényege, hogy nincs szükség a klasszikus értelemben vett programozásra; az elemző, fejlesztő teljes mértékben vizuális eszközökre, például drag-and-drop komponensekre támaszkodik. Ezek segítségével végezheti el az adatelőkészítést és alkalmazhat gépi tanulási algoritmusokat néhány kattintással.

Mi az a low code?

A no code-hoz igen hasonlító megoldás. Amellett, hogy a low code lehetővé teszi az elemzések folyamatok összeállítását olyan vizuális építőelemek segítségével, mint a lehúzható menü és a drag-and-drop lehetőségek, az elemzők a hagyományos módon írt kódjukat is beépíthetik. Így tehát azt mondhatjuk, hogy a low code a hagyományos programozási megoldás és a no code között félúton helyezkedik el.

Miért érdemes low code vagy no code platformot használni?

A low code és no code platformok a vizuális felületeik révén könnyítik meg és gyorsítják nagy mértében a data science csapatok munkáját. E platformok használatának néhány előnye:

• Szélesebb körű használhatóság: előnyük, hogy jelentősen hozzájárulnak a technológia demokratizálódásához, hiszen a low code és no code platformok úgy vannak kialakítva, hogy minden felhasználó számára könnyen használhatók legyenek technikai kompetenciáktól függetlenül. Így a kódolási tapasztalattal nem rendelkező üzleti szakemberek is gyorsan érhetnek el eredményeket.
• Gyorsabb, hatékonyabb elemzés: a low code, no code analitikai platformok használata során az elemzők az ismeretek feltárására koncentrálhatnak ahelyett, hogy a figyelmüket olyan technikai feladatok vonnák el, mint a kódírás.
• Költséghatékony: mivel az elemzési, fejlesztési folyamat gyorsabb és kisebb erőbefektetést igényel, így egyszerűbb reagálni az üzleti igényekre, könnyebben lehet változtatni a visszajelzések alapján. Az ilyen rendszerek karbantartása, üzemeltetése és bővítése is egyszerűbb, sőt a hibák megkeresése is sokkal kényelmesebb.
• Végül, de nem utolsó sorban, az előnyök közül nem hiányozhat, hogy a low code és no code közelíti egymáshoz a data science és az üzleti csapatot. Ezeknek a megoldásoknak köszönhetően ugyanis az üzleti felhasználók nagyobb rálátást kapnak az elemzési folyamatra, ebből az is adódik, hogy hatékonyabban részt tudnak venni a munkában.

Az IBM no code, low code prediktív analitikai platformja az IBM SPSS Modeler. A Modeler intuitív grafikus felülete segítségével az elemző szakember az analitikai, adatbányászati folyamat minden lépését, mint egy stream (adatfolyam) részét láthatja. A streamet interaktívan szerkesztve az elemzők és üzleti felhasználók közösen egészíthetik ki az elemzési folyamatot üzleti ismereteikkel. Az elemzők az ismeretek feltárására összpontosíthatnak ahelyett, hogy figyelmüket olyan technikai feladatok vonnák el, mint például a kódolás. Törekedhetnek a "gondolatmenet" típusú analízisre, az adatokat azok mélységében vizsgálhatják és további rejtett összefüggéseket tárhatnak fel.

IBM SPSS Modeler