Foto door Markus winkler on Unsplash

No-Code ML naar de rand duwen

 
No-code of low-code platforms hebben de afgelopen jaren veel grip gekregen, omdat mensen met beperkte programmeer- en ontwikkelingservaring geïnteresseerd raken in gerelateerde technologieën. Met deze platforms kunnen onervaren mensen dingen doen zoals het bouwen van mobiele apps, het implementeren van webapplicaties op websites en in werkomgevingen, of zelfs gebruikmaken van AI en machine learning.

Waar je van oudsher een sterke achtergrond in verschillende ontwikkel- en programmeerdisciplines nodig zou hebben om echt te profiteren van ML, is dat niet langer het geval. Implementaties kunnen natuurlijk veel geavanceerder zijn voor degenen die wel de juiste achtergrond hebben, maar TinyML en no-code ML-oplossingen maken deze technologieën toegankelijker voor iedereen.

Realistisch gezien is het een ander vorm van no-code AI, waarbij het doel niet alleen is om "AI te democratiseren", maar ook om de mogelijkheden ervan in een zakelijke omgeving aanzienlijk uit te breiden. No-code ML of autoML zijn niet zo populair als hun AI-broeders, en het is zeker een opkomend veld. TinyML, hoewel iets anders, biedt dezelfde voordelen omdat de logica is ingebed in het apparaat zelf.

Berekeningen naar de rand duwen

 
Deze technologieën, zelfs in low-code vorm, vereisen constante en enorme gegevensstromen, en ze nemen die gegevens ook in realtime op en verwerken ze. AI- en ML-oplossingen kunnen informatie exponentieel sneller verwerken dan de menselijke geest. Als zodanig verbeteren ze al de efficiëntie en output. Maar ze worden ook beperkt door de huidige netwerken, die bandbreedte- en serviceonderbrekingen, knelpunten en allerlei vertragingen of complicaties kunnen ervaren.

Het spreekt vanzelf dat het ontsluiten van deze technologieën door de actieve verbindingen te bieden die ze nodig hebben, de prestatievoordelen nog meer kan vergroten. Dat is precies waar edge computing in beeld komt.

Edge computing houdt in dat de reken- en verwerkingsoplossingen worden genomen en dichter bij de bron worden gebracht, of ongelooflijk dicht bij waar die verwerking moet plaatsvinden. Het overbrugt de kloof tussen complexe berekeningen die op het eigenlijke apparaat worden uitgevoerd en die op afstand op een externe server of systeem.

Het lokaal afhandelen van gebeurtenissen betekent dat de apparaten voldoende stroom krijgen om het werk te doen, wat niet altijd mogelijk, handig of kosteneffectief is. Ter vergelijking: het op afstand bedienen levert veel meer kracht op, maar vaak ten koste van snelheid en prestaties. Edge computing-oplossingen bieden het beste van twee werelden, met verbeteringen op het gebied van schaalbaarheid, betrouwbaarheid en maatwerk.

Het is ook mogelijk om te optimaliseren waar dat "voordeel" echt is, om latentie te verminderen, bedrijfs- en servicekosten te verlagen, de zichtbaarheid te vergroten, implementaties te versnellen en meer. Eén IoT-startup kon de AWS Compute Optimizer gebruiken, met de hulp van een consultant, om een ​​compute-besparingsplan te implementeren, waardoor de totale rekening werd verlaagd met 37.5% per maand. Het benadrukt de potentiële flexibiliteit en het dynamische karakter van cloud- en edge computing-oplossingen.

Wat is de relatie met No-Code ML?

 
Nogmaals, no-code ML heeft tot doel de toegankelijkheid voor de gerelateerde technologieën te democratiseren en te verbeteren. Dat betekent dat steeds meer mensen toegang zullen hebben tot machine learning, AI en neurale netwerkoplossingen, en zowel betrouwbaarheid als betrouwbaarheid zullen des te belangrijker worden.

Het probleem is dat de meeste mensen die ervoor kiezen om met no-code of low-code oplossingen te ontwikkelen, over het algemeen niet over de kracht of infrastructuur beschikken om machine learning-platforms op macroniveau te ondersteunen. Stel je voor dat een kleine startup een mobiele app lanceert, en die app gebruikt machine learning om de film- en tv-voorkeuren van een gebruiker te analyseren om aanbevelingen te doen. Leuk idee, toch? Oplossingen zoals deze zijn wordt al verkend en zijn al in gebruik.

In eerste instantie zal de verwerkingskracht geen probleem zijn. Maar zodra de installatiebasis groeit tot honderdduizenden of zelfs miljoenen verschillende gebruikers en accounts, zal het een hoop rekenkracht vergen om het platform te ondersteunen.

Op een gegeven moment zullen de ontwikkelaars hun infrastructuur moeten opschalen om grotere hoeveelheden werk aan te kunnen, zonder dat dit ten koste gaat van de prestaties en betrouwbaarheid. Edge computing-oplossingen zijn een beter beheersbare manier om dat te doen, vanuit een kosten- en prestatieperspectief. Ze zijn ook veel toegankelijker, wat een van de grote voordelen is van cloudtechnologieën als geheel.
 

Edge Computing voor No-Code-toepassingen

 
Een ander element in de vergelijking is hoe ML-applicaties zonder code worden ondersteund. Het pushen van de no-code platforms zelf naar de rand van het netwerk heeft dezelfde voordelen op het gebied van efficiëntie, prestaties en kosten.

Wanneer u werkt met een ontwikkelplatform, zoals een IDE, wilt u vrijwel onmiddellijke feedback. Als de webapplicaties volledig profiteren van edge processing, verbetert dat de hele ervaring en maakt het ook snelle feedback mogelijk.

TinyML, aan de andere kant, heeft geen edge computing nodig of internet-enabled hardware. Alles gebeurt lokaal, op het apparaat of een microcontroller. Het is de standaard geworden voor het industriële internet der dingen (IIoT), waar embedded computing ongeëvenaarde prestaties en snelheid biedt.

Edge-computing versus cloud-computing

 
Het is belangrijk om te begrijpen dat edge computing en cloud computing niet uitwisselbaar zijn en niet bedoeld zijn om elkaar te vervangen. Ze zijn voor verschillende doeleinden. Edge computing is vaak de voorkeursoplossing voor tijdgevoelige gegevensverwerking en -levering, terwijl cloudcomputing voor gegevens zonder tijdsdruk is.

Edge computing is het beste voor gelokaliseerde situaties, waar open verbindingen vlekkerig kunnen zijn en het grootste deel van de verwerkingskracht snel en dicht bij het apparaat of het systeem moet worden gedaan. Het is ook een uitstekende oplossing wanneer de technologie afhangt van snelheid en betrouwbaarheid, zoals: met medische en medische apparaten. Voor alle andere scenario's is cloud computing waarschijnlijk van toepassing.

Dus het pushen van no-code ML-platforms en computationele inspanningen naar de rand betekent technisch gezien niet dat ze naar de cloud worden gepusht. Er zijn overeenkomsten, maar ze zijn niet hetzelfde.

Aan de rand van de toekomst

 
Edge computing is een levensvatbare en voordelige vorm van gegevensverwerking die uiterst relevant is voor meer traditionele machine learning-applicaties, evenals voor no-code of low-code ML-implementaties. Het brengt de stroom dichter bij de eindgebruiker, of de output van het systeem, om de prestaties en betrouwbaarheid te verbeteren en een veel schaalbare oplossing te bieden die aan de vereisten van een ML-gestuurde applicatie kan voldoen.

 
Biografie: Devin Partida is een schrijver van big data en technologie, evenals de hoofdredacteur van ReHack. com.

Zie ook:

• MLOps implementeren op een Edge-apparaat
• Hoogwaardig diep leren: kleinere, snellere en betere modellen trainen - deel 4 –
• MLOps is een technische discipline: een overzicht voor beginners