這十年來，許多無程式碼的 AI 平台陸續湧現，越來越多企業想利用人工智慧，來建構更聰明的軟體產品。
但實際執行時，許多人都會遇到困難。因為機器學習正處於快速發展的階段，初創公司要找到這個領域的專業人才很難。
許多公司即使投資大量資金，來招聘機機器學習領域有博士學位及研究背景的工程師，都沒能發表他們的產品。
這也促使了無程式碼視覺化拖放工具的出現，它可以用來彌補資料科學家的不足，並且讓非技術背景的人更加容易使用人工智慧技術。
現在，企業可以利用最少、甚至無需程式知識，都可以產生資料集、訓練及部署模型，如此一來，就可以節省時間與成本。
對於手機 App 開發者而言，這是個好消息。因為現在設備上的機器學習需求很高，他們不需要擁有機器學習領域的博士學位，就能夠對想要訓練的資料及模型發揮更多創意。
在接下來的部分，我會逐一介紹幾個好用的無程式碼機器學習工具。當中有些是完全免費的，也有些是在免費試用之後就會收費。無論如何，每一個工具都可以幫助你，把 AI 的想法轉為實際的 App。
Create ML
身為一個 iOS 開發者，讓我先介紹 Apple 的無程式碼拖放工具 CreateML。以前 CreateML 需要透過 Xcode 來啟動，而現在它已經是一個獨立的 macOS App，裡面包含了許多預先訓練好的模型模版。
我們可以利用轉移學習，來建構自己的客製化模型。Create ML 幾乎包含了所有模版，像是影像分類、風格轉移、自然語言處理或是推薦系統。你唯一要做的，就是依照所需格式加入訓練及測試資料。
此外，你也可以在開始訓練之前，微調評估模型的指標及設定想要的迭代次數。Create ML 也為模型提供驗證資料的實時結果，例如風格轉移模型。在訓練結束後，Create ML 會產生一個 CoreML 模型，讓你在 iOS App 當中測試並部署它。
Google AutoML
儘管 Apple 透過 Create ML 取得了領先地位，但是 Google 也不落人後，發表了 AutoML 工具以類似於 CreateML 的方式在雲端上運作。
Google 的 Cloud AutoML 目前有視覺（影像分類）、自然語言、AutoML 翻譯、影像智慧、表格等等不同的機器學習模型。
機器學習經驗不足的開發者可以利用這個工具，針對自己的使用情況來訓練模型。在雲端上的 AutoML 為經過完整測試的深度學習模型提供開箱即用功能，如此一來，就算使用者不瞭解轉移學習或是如何創建神經網路，也能輕易上手。
一旦模型訓練完成後，你可以測試模型，並將它輸出為 .pb、.tflite 或是 CoreML 等格式。
MakeML
MakeML 是一個開發工具，讓我們可以不用程式碼，創建物件偵測及語義分割模型。
它有提供一個 macOS App，來讓 iOS 開發者創建並管理資料集（像是在圖片上標註物件）。有趣的是，它的資料集商店提供了一些免費的電腦視覺資料集，讓我們很簡單就可以訓練一個神經網路。
MakeML 已經在運動相關的 App 方面展現了其潛力，例如你可以做球體追蹤。MakeML 也有提供一些關於訓練指甲或是馬鈴薯分割模型的詳細教學，這些對於所有非機器學習背景的開發者來說，是很好的起始教材。
你可以使用影片中的內建標註工具，來建構一個用於板球與網球運動的鷹眼偵測器。
Fritz AI
Fritz AI 是一個發展中的機器學習平台，它是手機開發者與資料科學家之間的橋樑。
iOS 及 Android 開發者都能夠利用 Fritz AI 迅速地訓練並部屬模型，或是使用當中預先訓練好的 SDK，讓我們能直接使用風格轉移、影像分割或姿勢估計等等隨開即用的模型。
Fritz AI Studio 提供數據標註工具以及合成資料，能無縫地產生資料集，如此一來，你就能夠快速地將想法變成可作為產品的 App。
Frits AI 的機器學習平台不但比 Apple 更早提供風格轉移功能，更提供了模型重新訓練、分析、簡易部屬以及模型防禦等功能。
RunwayML
這是另一個專門為創作者設計的機器學習平台，它提供了精美的視覺介面，讓我們無需寫或想程式碼，快速地訓練文字與圖像生成模型 (GANs)、動態捕捉、物件偵測等等的模型。
你可以在 RunwayML 頁面上瀏覽一系列的模型，包括超解析度的圖像、背景移除、或是風格轉移等等的模或。
雖然在這個平台輸出模型是需要收費的，但設計者依然可以利用它們預先訓練好的生成對抗網路 (Generative Adversarial Network) 模型，在原型中合成新圖片。
RunwayML 的 Generative Engine 其中的一大亮點，就是能夠依照你所輸入的文字敘述來生成圖片。你可以在 macOS 或 Windows 下載這個 App，或是直接在瀏覽器上使用（目前還是 beta 版本）。
Obviously AI
Obviously AI 使用了最先進的自然語言處理，來對使用者定義的 CSV 資料執行複雜的任務。你可以上傳資料集，選取要預測的欄位，並透過自然語言輸入問題來評估結果。
這個平台可以為你選擇對的演算法，來訓練機器學習模型。因此只需要點擊幾個按鈕，你就可以獲得預測報告（像是預測收入或存貨需求）。這可以幫助想踏入人工智慧領域、卻沒有專屬資料科學團隊的中小型企業。
Obviously AI 也可以讓你整合其他來源的資料，像是 MySQL、Salesforce 或 RedShift 等等。因此，你不需瞭解線性回歸 (linear regression) 與文字分類，也能夠利用這個平台對資料進行預測分析。
SuperAnnotate
除了模型訓練之外，資料處理也是開發機器學習專案中相當耗時的部分。清理與標註資料肯定會花上好幾個小時，尤其是當你要處理數千張圖片的時候。
SuperAnnotate 是一個 AI 驅動的標註平台，它透過機器學習的能力（確切來說是轉移學習）來加速資料標註流程。你可以使用它們的圖片及影像標註工具，配合內建的預測模型，來快速地標註資料。
這樣一來，我們就可以更快速而簡單地產生物件偵測與影像分割的資料集。SuperAnnotate 也可以處理影像幀中常見的重複資料標註。
Teachable Machine
最後要介紹的，是 Google 另一個無程式碼機器學習平台。與 AutoML 不同，Teachable Machines 對開發者來說更加易於使用，它讓你可以在瀏覽器上快速地訓練模型，來辨識圖片、音訊或是姿勢。
你可以簡單地拖拉檔案來教導模型，也可以使用網路攝影機來快速創造一些不完美的圖片或聲音資料集。Teachable Machine 在瀏覽器中使用 Tensorflow.js 儲存庫，以確保訓練資料會留在設備當中。
對於沒有程式碼知識、而想要練習機器學習的人來說，Google 幫了他們一個大忙。而最終的模型可以輸出到 Tensorflow.js 或是 tflite 格式，可以在你的網站或 App 中使用，你也可以透過 Onyx 來將模型轉換為不同的格式。
以下是我用了少於一分鐘來建立的簡單圖片分類模型：
總結
在本篇文章中，我們看到了無程式碼的機器學習平台拉近了資料科學家與非機器學習背景開發者的距離。雖然沒有一個平台可以滿足所有的需求，但你還是可以隨意挑選其中一個，來快速建構模型或是產生資料集。
此外，這些工具可以讓機器學習變得更加有趣。SnapML 是另一個優秀的無程式碼機器學習工具，讓我們訓練、或是上傳自己的客製化模型在 Snap Lenses 中使用。這確實地幫助了獨立開發者及創作者，在數百萬人面前展現他們的創造力。
本篇文章到此為止，謝謝你的閱讀。
LinkedIn: https://www.linkedin.com/in/hengjiewang/
Facebook: https://www.facebook.com/hengjie.wang
