6 no-code платформ машинного навчання

Побудувати алгоритм за хвилину, перетягуючи об’єкти по екрану, або швидко запрограмувати робота — все це можливо за допомогою платформ для створення алгоритмів без коду. 

За даними IDC, через складність розробки машинне навчання впровадили тільки близько 28% бізнесів у світі. 50% компаній витрачають до 90 днів на створення однієї моделі. Для організацій та простих користувачів є МL-платформи «без коду» з доступним інтерфейсом. 

Розповідаємо про шість таких платформ.

#1. Google ML Kit

ML Kit — проста в управлінні лабораторія SDK, яка дає змогу впроваджувати ML на Android та iOS, незалежно від досвіду розробників у машинному навчанні.

У березні 2021 року Google оголосили, що платформа ML Kit стала загальнодоступною (до цього інструменти були на стадії бета-тестування).

API-інтерфейси дають змогу використовувати моделі TensorFlow Lite і Mobile Vision на смартфоні або планшеті. API на пристрої обробляють датасети швидко і будуть доступними без інтернету, хмарні API працюють на Google Cloud Platform. Google прагне постійно поповнювати список API. 

ML Kit допомагає впровадити в мобільні застосунки виявлення облич, розпізнавання тексту і мови, визначення тварин, рослин, продуктів, відділення фону на фото, сканування штрихкодів. 

Одна з останніх функцій — можливість відокремлення фону на відео. API сегментації відео приймає вхідне зображення і створює маску виведення — шар поверх відео, який дає змогу відокремити людей/об’єкти від фону. Кожному пікселю маски призначається число з рухомою комою в діапазоні [0,0, 1,0]. Що ближче число до 1,0, то вища ймовірність, що піксель представляє людину, і навпаки. 

За допомогою ML Kit створено VSCO, PicsArt, EyeEm, Fishbrain. Один із перших користувачів впровадив кілька ML-функцій у застосунок для підрахунку калорій. Він збирає інформацію з етикеток продуктів. 

Вартість: безоплатно.

#2. Fritz AI

Fritz AI — end-to-end рішення для створення і навчання моделей, а також генерування наборів даних без коду. Воно доступне на Windows, Linux, MacOS, а також мобільних ОС. 

У 2020 році компанія залучила на розробку $5 млн. У неї є два продукти: Fritz AI for SnapML і Fritz AI for mobile. Перший — набір інструментів для створення моделей у Snapchat. Їх використовують креативні агентства, дизайнери, художники. 

Другий продукт — SDK для розгортання і навчання моделей на мобільних платформах, а також поліпшення UX-застосунків на основі реальних даних. Fritz AI for mobile дає змогу створювати датасети й тренувати моделі. Є можливість завантаження та анотування зображень, а також готові до роботи моделі мобільного машинного навчання на основі наборів даних. Можна конвертувати моделі для різних мобільних систем. Серед готових систем — сегментація зображень, виявлення об’єкта, маркування зображень, накладення стилів, визначення поз і положення об’єктів. 

Доступні відеоуроки від самої платформи. Компанія безоплатно виклала на сайті списки книжок, статей і відео щодо роботи з ML. 

Вартість: від $179 до $849 на місяць.

#3. DataRobot

Засновники компанії раніше займалися дослідженнями й моделюванням імовірностей у страхуванні. Спочатку напрацювання стартапу застосовували, щоб передбачити, кому дістанеться наступна нагорода «Греммі» і хто помре у «Грі престолів». Зараз ПЗ встановлюють банки для визначення кредитних ризиків і боротьби з відмиванням грошей, а лікарні — для розрахунку місткості під час повторної госпіталізації. Серед клієнтів: Humana, Lenovo, Red Cross Blood Service, Мічиганський університет. 

Компанія створила кілька інструментів для корпоративних і приватних потреб. Наприклад, керований, гібридний та автоматизований хмарні сервіси. Можна обрати готові переднавчені моделі. Вони розділені на 15+ сфер, включно з банкінгом, фінтехом, страхуванням і медициною, маркетингом, телекомунікаціями, логістикою. 

Творці наголошують, що інструменти на платформі доступні й розробникам, і тим, хто далекий від ML. Щоб навчити модель, потрібно обрати ціль, натиснути велику кнопку «Пуск» і чекати, поки результат не з’явиться в таблиці. На це потрібно від кількох годин до місяця, залежно від завдання. У таблиці доступна аналітика за навченими моделями, їхня ефективність і перелік можливих помилок. Можна порівняти моделі між собою. 

Вартість розраховується індивідуально. Під час реєстрації сайт дарує $500 на витрати всередині платформи.

#4. What-If tool

Це невеликий, але цікавий проєкт від PAIR (People + AI Research). WIT або What-If Tool — алгоритм у вигляді плагіну для роботи з регресійними ML-моделями. Можна робити передбачення і логічні висновки на великих наборах даних, візуалізуючи результати. Є інструменти для повторного аналізу, перевірки продуктивності й «чесності» алгоритму.

Основна мета WIT — навчання. З плагіном можна працювати через TensorBoard або в Jupyter Notebook і Colab. Щоб застосовувати WIT у TensorBoard, потрібні:

• моделі з використанням API-класифікації, регресії або прогнозування; 
• набір даних, який оброблятимуть моделі — він має міститися у файлі TFRecord, доступному вебсерверу TensorBoard.

Залучаючи WIT, можна тестувати продуктивність, аналізувати важливість різних функцій даних і візуалізувати поведінку моделі в декількох підмножинах вхідних даних. Інтерфейс складається з трьох вкладок, які можна перемикати. Це редактор датасетів, регресійні моделі та моделі бінарної класифікації. На сайті є покрокова інструкція налаштування датасетів та їхнього аналізу. 

Вартість: безоплатно.

#5. Teachable Machine

Безоплатний інструмент від Google, запущений у 2017 році. Він дає змогу створювати ML-моделі в браузері за кілька хвилин. Teachable Machine показує ключові аспекти ML: вхідні дані, точки даних, кластеризацію, алгоритми у вигляді дерев, процес навчання.

Користувачі можуть вводити приклади в різні категорії для навчання алгоритму. Після введення даних вони розподіляються на категорії зображення, звуку і положення тіла в просторі. Можна застосовувати алгоритм тільки на пристрої, щоб дані вебкамери або мікрофона не покидали комп’ютер.

Розпізнавання зображень і поз людського тіла відбувається в режимі реального часу, інструмент зчитує дані з вебкамери. Аудіо приймає у форматах WAV і MP3.

На сайті доступні покрокові уроки: як визначити зіпсований банан за допомогою нейромереж або як розпізнати свист і плескання в долоні. Користувачі створили за допомогою інструменту кумедні мініпроєкти. Наприклад, Вінс Мінгпу перетворив шматочок паперу на контролер для управління намальованою змією. 

За допомогою Teachable Machine створюють моделі TensorFlow.js. Вони сумісні з усіма платформами, де запущено JavaScript, тому працюють із Glitch, P5.js, Node.js. Доступний експорт моделей у різні формати. Це відкриває простір для експериментів. За допомогою Arduino і Teachable Machine можна створити навіть робота, що навчається. 

Вартість: безоплатно.

#6. RapidMiner

Проєкт розділений на три частини: вебінструмент RapidMiner Go, програма для ПК RapidMiner Studio та освітня грантова програма RapidMiner Academy, яка співпрацює з університетами. 

Інтерфейс простий — доступні функції перетягування, швидке підключення до баз даних, корпоративного сховища і соціальних мереж; моделі візуалізовані. Розробники запевняють, що створити алгоритм можна в 5 кліків. Є два режими: для просунутих фахівців і тих, хто не знайомий з розробкою. У бібліотеці RapidMiner — понад 1,5 тис. навчених алгоритмів. На сайті можна вибрати інструменти з 15+ категорій: страхування, IT, маркетинг, фінтех, важка промисловість та інших. 

Одна з цілей компанії — навчання. Для студентів і викладачів акредитованого університету безоплатно доступна освітня ліцензія RapidMiner Studio і RapidMiner AI Hub на один рік. Цю ліцензію не можна використовувати в комерційних цілях. Для її отримання достатньо заповнити форму на сайті. 

Вартість: доступна за запитом, для отримання детальної інформації рекомендується звернутися безпосередньо до компанії.