Besonders in den letzten Monaten läuft mir der Begriff No-Code und viele neue Tools in diesem Bereich immer wieder über den Weg. "No-Code" bezeichnet Möglichkeiten und meistens Online-Plattformen, bei denen man ohne Programmierkenntnisse eigene individuelle Software bauen (bzw. "Zusammenklicken") und betreiben kann. Auf diese Weise wird es auch nicht-Programmierern ermöglicht eigene Ideen umzusetzen, Software zu bauen und zu betreiben.

So kann man mit No-Code-Plattformen wie Bubble oder Glide eigene Apps entwickeln, visuell Webseiten gestalten mit Webflow oder Online-Shops ohne Programmierkenntnisse mit Shopify bauen.

Auch im KI-Bereich gibt es erste Tools, um auch ohne Programmierkenntnise und auch sogar ohne tiefgreifende Machine-Learning Fachkenntnisse eigene Algorithmen zu trainieren, Daten auszuwerten und Vorhersagen zu machen.

Schon länger gibt es Services wie z.B. Amazon Rekognition, die vortrainierte Neuronale-Netze (in diesem Fall in der Bilderkennung) zur Gesichtserkennung, Objekterkennung, und andere Standardfälle per Online-Schnittstelle (API) bereitstellen. Noch interessanter sind aber die Services, die es Unternehmen erlauben eigene Algorithmen mit nur wenigen Klicks auf ihren eigenen Daten zu trainieren.

Ein Beispiel dafür ist Google Auto ML, an dessen Beispiel ich die Funktionsweise ein bisschen genauer erkläre. Auto ML ist Teil von dem Server- und Service-Angebot Google Cloud und ermöglicht das einfache Trainieren von Machine-Learning-Modellen mit den eigenen Daten über das Webinterface von Google Cloud. Die fertigen Modelle sind dann über eine API verfügbar und können für die eigenen Unternehmsanwendungen genutzt werden. Dafür gibt es verschiedene Module:

  • Auto-ML Tables: Einlesen von tabellarischen Daten und Training eines Machine-Learning Modells, dass für neue Daten den Wert einer Spalte vorhersagt. So können beispielsweise Banken die Wahrscheinlichkeit berechnen, dass bestehende Kunden ein bestimmtes Finanzprodukt abschließen werden.
  • Auto-ML Vision: Bestehende Bilder und deren Kategorie können hochgeladen werden und mit einem Klick ein Neuronales Netz trainiert werden, dass für neue Bilder die Kategorie vorhersagt. Google sagt, dass sie automatisch die richtige Neuronale-Netz Architektur raussuchen und diese auf den Anwendungsfall anpassen. So können beispielsweise Online-Shops ihre Produkte anhand von Produktbildern in Produktkategorien einordnen, oder Infrastruktur-Unternehmen anhand von Fotos ihrer Rohrleitung automatisch Defekte stellen erkennen lassen.
  • Auto-ML Natural Language: Nach dem Hochladen von eigenen Textdaten (z.B. Customer-Service Nachrichten, Bestellungen, Rechnungen, ..) können die hochgeladenen, bestehenden Daten über das Google Webinterface annotiert werden und dann mit einem Klick eigene Algorithmen trainiert werden, die beispielsweise wichtige Textbausteine wie Adressen, Kundenummern, oder andere unternehmensindividuelle Wörter und Textabschnitte erkennen oder die emotionale Stimmung der Texte vorhersagen.

Ähnliche Werkzeuge wie Google Auto-ML, die in verschiedenen Bereichen eingesetzt werden können, bieten auch die Dienste clarifai.com und Levity an.
Clarifai ist als Software-as-a-Service Dienst im Bereich der Bilderkennung mit vortrainierten Algorithmen gestartet, bietet aber mittlerweile auch die Möglichkeit, Algorithmen auf eigenen Bilddaten zu trainieren und bietet auch ähnliche Dienste für natürliche Spracherkennung in Textdaten und viele weitere Services an.
Levity ist ein Startup aus Berlin, das es ermöglicht individuelle Unternehmensworkflows abzubilden und ohne Programmierung automatisiert Daten mit Hilfe von künstlicher Intelligenz auszuwerten.

Andere Plattformen haben sich auf einzelne Bereiche fokussiert und bietet dort No-Code-Tools und Services mit KI-Funktionalität an:

Wenn ihr weitere gute No-Code Tools kennt, die wir hier mit aufnehmen sollen, schreibt uns gerne eine Mail an team[at]kiel.ai 😊