从低代码的今生来世探索 AI 集成

随着人工智能 (AI) 功能日益强大并用于改进现有系统，工程师们越来越多地将其融入日常工作中。但是，鉴于工程师的专业知识不同，对AI 工具的熟悉程度也不一样，业界需要一种解决方案来帮助扩大 AI 用户群，并确保各项目的实施速度和效率。这是推动低代码AI 解决方案在工程师中日益流行的关键因素。

低代码不仅有助于缩短生产周期和降低项目成本，而且还可以帮助工程师将数据科学家的最新成果带入实际工作。随着越来越多的工程师使用 AI，低代码必将在 AI 驱动的工作中得到广泛应用，从而使跨学科团队的工作更加富有成效。但是，为了从低代码方法中充分获益，工程师必须了解低代码 AI的主要应用、最佳实践和未来发展趋势。

主要应用和优势

低代码广泛应用于任何需要以数据为中心的方法的领域，涵盖工业自动化、雷达和无线等应用。因此，其应用贯穿于整个 AI 工作流，包括数据预处理、建模、仿真、测试和部署。

例如，数据标注天然适合在图形界面上进行点击操作。工程师努力确保模型输入使用的是干净的训练数据，而点击式工具负责消除雷达、无线和信号等应用中的噪声。例如，潜艇制造公司 DRASS 利用低代码图像处理应用来提供干净的数据集，用于训练其自主监控系统，以便应对充满挑战的海上环境。借助 MATLAB 中的点击式工具，DRASS 可以标准化和管理海浪波动和持续性背景变化，从而使其能够在12 个月内完成项目。

这种交互式方法具有下面两个主要优点。

首先，点击式工具等解决方案本身易于使用，使得具有不同编码能力水平的跨学科团队可以协同工作。由于点击式工具移除了编码技能的阻碍，因此具有不同编码技能水平的工程师们可以协作解决其团队面临的主要问题。

这可能特别适用于监控特定应用中的多组件系统。特定于应用的低代码工具提供了多功能图形环境，可实现与多组件项目的直观交互。例如，诊断特征设计器等 App 针对预测性维护场景提供了图形界面，使工程师可以评估潜在的状态指标，以了解机器的健康运行状况。

其次，借助低代码解决方案，工程师可以运行各种算法变体，并通过点击式界面快速查看权衡结果。如果需要多次迭代（使用 AI 时经常会遇到这种情况），则节省为多次测试编写代码的时间就非常重要了。其中的一个例子就是Path Partner。这是一家研发自动驾驶汽车的嵌入式系统公司。该公司使用机器学习方法来开发基于雷达的汽车应用，以此缩短开发时间。通过实现点击式分类学习器来并行比较不同分类算法的效果，该公司降低了支出并将开发时间从五个月缩短至一个月。

低代码引领创新

低代码解决方案还有助于将数据科学家开发的领先技术和模型集成到工程师所需的图形界面中。

随着数据科学家不断使用各种编程语言设计新模型，工程师使用自己喜欢的低代码工具来实现这些模型可能变得难上加难。例如，许多研究模型都没有模型大小限制。不过，凭借模型压缩，工程师可以使用图形点击式工具将数据科学家生成的整个模型的各层压缩，以将其部署到低成本、低功耗的嵌入式系统中。通过将 App 压缩模型时发生的情形可视化，工程师可以确保模型不丢失保真度。这样，即使在计算能力不强的设备上，模型也能准确地运行。

上述工作是使用 Python 以及最新模型完成的；此外，将这些模型整合到MATLAB 中可以让工程师尽快开始使用最新的创新。

工程师可利用回归学习器（如上所示）这样的低代码 App 作为平台，轻松地同时比较多种算法，而无需依赖多行代码。

应用低代码前的注意事项 

虽然使用低代码解决方案简化了多组件工程项目的管理，但是这不意味着整合 AI 本身是件易事。目标明确地开展项目仍至关重要。虽然在数据标注中经常使用点击式低代码工具，但如果不知道要标注什么，那这些工具的效力也将大打折扣。同样，低代码解决方案需要能够整合工程师所需的技术。如果工程师从实现机器学习算法转向实现深度学习算法，则他们所用的低代码解决方案需要能够整合相应的算法。

另一个需要考虑的方面是时间和资源分配。由于低代码解决方案带来的速度缓解了时间期限对工程师的压力，这就意味着工程师需要决定如何分配节省下来的时间以使整个项目受益。例如，低代码工具的使用让工程师可以腾出时间完成更复杂的工作，如通过更多迭代测试来提高准确度。  

低代码的未来

随着越来越多的行业和公司将 AI 融入工作中，低代码 AI 实现也将在 AI 驱动的工作中越来越普遍，这也会让跨学科团队的工作更加富有成效。

低代码解决方案广泛应用于从医疗到国防的各种应用和行业中，这让工程师能够使用众多数据类型完成的工作可能愈发丰富。从行业角度看，随着低代码的日益普及，将最新的机器学习和深度学习模型整合到应用中以供工程师使用将变得愈发重要。

——转载自MatlaB微信公众号2022年12月21日发布文章