Piattaforme AI no-code: come funzionano, tipologie e benefici

La democratizzazione dell’Intelligenza Artificiale sta diventando un tema sempre più centrale. Da un lato, infatti, le imprese si sono rese conto di non poter fare a meno dell’AI per sostenere la propria competitività presente e futura, dall’altro devono fronteggiare i costi dello sviluppo e del deployment dei modelli, nonché lo shortage di professionisti dedicati. Questa situazione crea una forte barriera all’ingresso, che a sua volta giustifica la vitalità di un mercato molto specifico, quello delle piattaforme di AI no-code.

Troppi problemi e pochi professionisti

Pur non essendo una novità assoluta, il concetto di AI no-code (o ML no-code, che confina con quello di AutoML) potrebbe essere uno dei trend più interessanti del 2024, proprio per la sua capacità di democratizzare l’impiego di tecniche che, fino ad oggi, sono state adottate solo da grandi realtà con divisioni dedicate. A testimonianza di ciò, secondo Grand View Research il mercato delle no-code AI platform dovrebbe crescere con un CAGR del 27,3% fino al 2030.

I motivi che spiegano la crescita del mercato sono almeno due: il talent shortage di cui si è detto, ma anche il gap di comunicazione tra gli esperti di dominio e gli specialisti di AI. Se i primi si concentrano sulla soluzione di complessi problemi di business e i secondi su tecniche di gestione e analisi del dato, diventa difficile collaborare efficacemente. Non a caso, una delle caratteristiche centrali del data scientist dovrebbe essere il mix di competenze di dominio tecnico e di business, cosa che però non sempre accade. In questa situazione, le piattaforme AI no-code forniscono al business la possibilità di testare idee e di confermare ipotesi in modo rapido e con un minor coinvolgimento degli specialisti tecnici, che possono intervenire nei progetti più complessi.

No-code AI platform e l’analisi predittiva

Il mercato delle no-code AI platform è molto frizzante. Anche troppo, considerando la velocità con cui nascono nuove proposte e altre vengono ritirate dal mercato. Inoltre, visto che il concetto stesso di Intelligenza Artificiale comprende un’infinità di tecniche diverse per scopi differenti, risulta piuttosto complesso fornire una panoramica esaustiva del mercato.

Ciò premesso, si può partire dal concetto più alto, secondo cui una no-code AI platform nasce per semplificare e accelerare lo sviluppo di applicazioni di AI sollevando l’utente dalla scrittura di codice e automatizzando una o più fasi delle pipeline di analisi del dato.

L’esempio d’elezione sono le piattaforme di Machine Learning no-code che le aziende possono integrare all’interno del proprio stack tecnologico per ottenere, senza una sola riga di codice, analisi predittive sui propri dati. Usando una piattaforma come Akkio o Obviously, per esempio, l’utente può caricare (via API, file Excel o csv) i dati relativi alle vendite, alle transazioni finanziarie o al Customer Churn e ottenere previsioni intervenendo in maniera limitata sui dati, sui modelli e sui processi sottostanti. In alcuni casi è anche possibile interagire direttamente con i dati, le analisi e la reportistica usando il linguaggio naturale.

Il caso di cui sopra è significativo perché disegna una AI no-code generalista, che tutte le imprese, PMI comprese, possono impiegare senza dover costruire una squadra di data scientist, data analyst e business analyst sottostante. Tecnicamente, il concetto è quello dell’AutoML, che sfrutta l’automazione per:

1. Identificare i dataset rilevanti e prepararli all’analisi (data collection & cleansing);
2. Scegliere l’algoritmo di ML più appropriato (model selection);
3. Effettuare il training del modello (model training);
4. Applicare il modello e generare informazioni (model deployment).

Sfruttare l’automazione non significa escludere il coinvolgimento dell’utente, bensì eliminare gli aspetti di dominio tecnico sottostanti. È comunque l’utente a gestire il processo, a scegliere i dataset, a supportare la macchina nella preparazione dei dati e a selezionare il modello ML più appropriato, anche se talvolta questa operazione è automatizzata e la piattaforma fornisce statistiche circa l’accuratezza del modello e le feature che condizionano maggiormente i risultati. Altri esempi interessanti in tal senso sono Amazon SageMaker Canvas, Sway AI, Google Teachable Machine e la soluzione targata Apple: Create ML.

I criteri di classificazione e le soluzioni verticali

Se è vero che l’analisi predittiva è un driver di crescita del mercato, le no-code AI Platform non si limitano a ciò. Come detto, la quantità e i tipi di soluzioni in commercio rendono piuttosto complessa la loro classificazione.

Alcuni commentatori differenziano le piattaforme per tipologia di dato gestito, partendo dal presupposto che non esistono solo informazioni strutturate come quelle di cui si è detto finora. Si pensi allora a Lobe.ai, un tool di Microsoft che permette di creare dei modelli ML capaci di riconoscere oggetti, forme e movimenti all’interno di foto, video e animazioni varie; oppure si può valutare un tool come MonkeyLearn, che la stessa azienda definisce una piattaforma di no-code text analytics dato il focus sull’analisi dei dati testuali e sull’impiego delle relative tecnologie (NLP in primis). Discorso analogo per quanto concerne Levity.

Il secondo criterio di classificazione è tra piattaforme generaliste, di cui si è detto, e soluzioni verticali. In quest’ultimo spazio possiamo citare Accern per quanto concerne il settore finanziario e Syte, il cui fine ultimo è il potenziamento delle performance delle piattaforme ecommerce.

Infine, è possibile operare una classificazione tecnologica, che di fatto ricalca però quella sulla tipologia di dato, e una basata sull’interfaccia, laddove i tipici modelli drag and drop e wizard-based si spartiscono il mercato.

Non c’è dubbio che le soluzioni in grado di democratizzare l’impiego dell’intelligenza artificiale in azienda abbiano un futuro brillante dinanzi a sé. Un po’ per i pain citati in apertura, ma anche perché – pur in un contesto strutturato e con tutte le professionalità necessarie – esse accelerano in modo netto il time to value. E oggi essere veloci è tutto.