Gastbeitrag: Über LowCode/NoCode im Machine Learning berichten Paolo Di Francesco und Thomas Fritz von AWS.

Foto: AWS Paolo Di Francesco arbeitet als Senior Solutions Architect bei Amazon Web Services (AWS). Foto: AWS Thomas Fritz ist Solutions Architect bei AWS. Im schnellen digitalen Zeitalter hat sich Machine Learning (ML) als ein leistungsstarkes und hilfreiches Werkzeug in verschiedenen Branchen etabliert. ML ermöglicht es Unternehmen, wertvolle Erkenntnisse aus Daten zu ziehen, um datengetriebene Entscheidungen zu treffen. Allerdings erfordert die traditionelle ML-Entwicklung oft eine erhebliche Investition von Zeit, Fachwissen und Programmierkenntnissen, was für viele Unternehmen eine Hürde darstellen kann. Selbst wenn Unternehmen eigene Data Science Teams haben, sind sie oft überbucht, da der Bedarf an ML ständig steigt.

LowCode/NoCode (LCNC) beschreibt die Möglichkeit, Anwendungen und Abläufe zu entwickeln, ohne eine einzige Codezeile schreiben zu müssen (NoCode), oder indem die Menge an zu schreibendem Code so weit wie möglich reduziert wird (LowCode). Die Anwendung dieses Prinzips auf ML kann auf zwei Arten dazu beitragen, die ML-Initiativen von Organisationen effektiv zu skalieren:

1. Verkürzung der Time-to-Value: Das Data Science Team wird produktiver, um Datenvorbereitung und ML-Modellentwicklung zu vereinfachen.
2. Demokratisierung von ML: Business Anwender:innen und Analyst:innen werden befähigt, ML ohne jeglichen Code oder ML-Expertise durchzuführen, wodurch die Anzahl der Personen, die ML-gesteuerte Erkenntnisse, Prognosen und Vorhersagen erstellen können, erhöht wird.

LowCode ML hilft Data Scientists, produktiv und effektiv zu sein

Data Science Teams führen LowCode-Tools für ML ein, um die Zeit bis zu einem funktionierenden Prototypen zu reduzieren. Visuelle Benutzeroberflächen können dabei helfen, die gängigsten Transformationen während der Datenvorbereitung durchzuführen oder beim Verketten der Schritte zum Erstellen der Datenflüsse. Darüber hinaus testen Data Scientists sehr oft mehrere Algorithmen, die sich bei einer Vielzahl von Problemen als sehr effektiv erwiesen haben. Das automatische Ausführen dieser Tests und das anschließende Sammeln der Ergebnisse sind effektive Wege, die anfängliche Entwicklung eines leistungsfähigen ML-Modells zu beschleunigen. Amazon SageMaker bietet einen Sammlung von LowCode-Funktionen für Data Scientists, um sie während des gesamten ML-Lebenszyklus zu unterstützen: Amazon SageMaker Data Wrangler für die Datenvorbereitung, Amazon SageMaker Autopilot für AutoML und Amazon SageMaker JumpStart für vorgefertigte Lösungen und integrierte Algorithmen mit vortrainierten Modellen.

Business Analysten und Nicht-Programmierern die Arbeit mit ML durch NoCode ML erleichtern

Oft sind es die Business Analyst:innen, die Probleme, welche mit ML gelöst werden sollen, aufzeigen. Sie nutzen dafür meistens Tabellenkalkulationen und/oder Business Intelligence (BI) Tools. Durch einfache Benutzeroberflächen, die den ML-Prozess vereinfachen, können wir die Komplexität von ML verstecken. Damit können Business Analyst:innen datenbasierte Entscheidungen treffen und sich dabei auf die Geschäftszahlen und nicht auf den Prozess konzentrieren. Dies ist die Idee hinter Amazon SageMaker Canvas, einer NoCode-Arbeitsumgebung für Business Analyst:innen, die eine visuelle Point-and-Click-Schnittstelle bietet, die es ermöglicht, Geschäftsprobleme zu lösen, ohne ML-Erfahrung zu benötigen oder eine einzige Codezeile schreiben zu müssen. 

Mehr Menschen in die Lage zu versetzen, Erkenntnisse aus Daten zu gewinnen, bedeutet jedoch nicht, sie damit allein zu lassen. Vielmehr sollten wir es ihnen leichter machen, zusammenzuarbeiten, Ergebnisse auszutauschen und schnelles Feedback von erfahrenen Data-Science-Expert:innen einzuholen, damit sie ihre Ergebnisse bis zur letzten Meile und in die Produktion bringen können. Dies ist das Ziel von Amazon SageMaker Canvas und Amazon SageMaker Studio, einer IDE für Data Scientists, in der Benutzer:innen Ergebnisse und Feedbacks diskutieren und teilen können.

Schlussfolgerung

Insgesamt haben LCNC-Plattformen ML zugänglicher und inklusiver gemacht und Menschen mit unterschiedlichen Hintergründen und Fähigkeiten befähigt, das Potenzial von ML zu nutzen. Durch die Demokratisierung des Zugangs zu ML werden Innovationen vorangetrieben und die Einführung von ML in verschiedenen Branchen wird beschleunigt. Schlussendlich ermöglichen sie eine Zukunft, in der AI-getriebene Lösungen für alle zugänglich sind.

Die Serie „Cloud Computing Now“ zeigt, wie Unternehmen heute von der Cloud profitieren. Bisher erschienen folgende Beiträge:

• Cloud Computing als Schlüssel für die Entwicklung von KI-Anwendungen
• Green IT: Das Potential der Cloud bei der Erfüllung von Nachhaltigkeitszielen
• So gelingt der Einstieg in das Maschinelle Lernen
• Die Evolution von Führungsstilen
• Serverless: Geringe Wechselkosten und hohe Flexibilität durch zukunftssicheres Softwaredesign
• Erfolg im Digitalzeitalter: Agil entscheide

Bild: istock.com/rawpixel