.png){kind=icon}
返回
Democratizing Machine Learning: A Practical Comparison of Low-Code and No-Code Platforms
.png){kind=icon}
OA
AI
DOI：10.3390/make7040141.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
各行业对机器学习（ML）和人工智能的日益广泛应用已展现出显著提升决策流程的潜力。然而，非技术专业人士对ML的采用仍有限，这主要源于传统开发工作流的复杂性，其往往需要软件工程和数据科学的专业知识。近年来，低代码和无代码平台作为有前景的解决方案应运而生，通过抽象软件工程流水线中通常涉及的大量技术任务，推动了ML的民主化进程。本研究旨在探讨这些平台能否为非专业用户提供一种可行的替代方案，以实现ML的易用性。除预测性能外，该研究还评估了可用性、设置复杂度、自动化工作流的透明度以及现实“开箱即用”条件下的成本管理。这一多维度视角为LC/NC工具在实际场景中的可行性提供了洞见。比较评估采用了三款主流的云基础工具：Amazon SageMaker Canvas、Google Cloud Vertex AI和Azure Machine Learning Studio。这些工具采用了基于集成学习的算法，如梯度提升树（Gradient Boosted Trees）、XGBoost和随机森林（Random Forests）。与传统ML工作流不同，后者需要深厚的软件工程知识及手动优化，这些平台允许领域专家通过可视化界面构建预测模型。研究发现，所有平台均达到了高准确率，且一致地识别了关键特征。Google Cloud Vertex AI最为用户友好，SageMaker Canvas提供了高度可视化的界面但存在一定设置复杂度，而Azure Machine Learning在模型性能上表现最佳但学习曲线较陡。成本透明度也显著不同，相较于SageMaker Canvas，Google Cloud和Azure在防范意外费用方面提供了更清晰的保障。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
M
IF:
6
论文数:
865
被引数:
1.8K
机构
暂无机构信息
引用论文
Artificial intelligence and Machine Learning approaches in sports: Concepts, applications, challenges, and future perspectives体育中的人工智能和机器学习方法: 概念，应用，挑战和未来展望OAAI
OAAI分享收藏Bezrukavnikov, O.; Linder, R. A Neophyte With AutoML: Evaluating the Promises of Automatic Machine Learning Tools. arXiv 2021, arXiv:2101.05840. [Google Scholar] [CrossRef]Bezrukavnikov, O.; Linder, R. 一位AutoML新手：评估自动机器学习工具的承诺。arXiv 2021, arXiv:2101.05840. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Democratizing artificial intelligence: How no-code AI can leverage machine learning operations民主化人工智能: 无代码AI如何利用机器学习操作OAAI
OAAI分享收藏Truss, M.; Schmitt, M. Human-Centered AI Product Prototyping with No-Code AutoML: Conceptual Framework, Potentials and Limitations. arXiv 2024, arXiv:2402.07933. [Google Scholar] [CrossRef]Truss, M.; Schmitt, M. 以人为中心的AI产品原型设计与无代码AutoML：概念框架、潜力与局限性。arXiv 2024, arXiv:2402.07933. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏Simhadri, S.Y. No-Code vs Traditional Machine Learning for Lead Generation: A Comparative Case Study. Int. J. Emerg. Trends Comput. Sci. Inf. Technol. 2025, 118–123. [Google Scholar] [CrossRef]Simhadri, S.Y. 无代码与传统机器学习在潜在客户开发中的比较：一项案例研究。国际新兴趋势计算机科学与信息技术杂志，2025年，第118-123页。 [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏分享收藏
查看更多内容