Разработка программного обеспечения с Low Code, No Code и GPT-3 с решениями от Weidmüller

Ограниченный опыт и ресурсы в области ИТ, нехватка квалифицированных кадров: цифровизация создает проблемы для малых и средних компаний. Технологии low-code и no-code помогают решить эту дилемму. Они позволяют любой рабочей силе со знанием предметной области создавать свои собственные приложения без участия крупного ИТ-отдела.

Больше, чем модные словечки

Облачные вычисления, big data, искусственный интеллект (ИИ), промышленный интернет вещей и периферийные вычисления — это не просто модные слова в ИТ-индустрии, но и темы, которыми активно занимаются компании, чтобы не отставать от глобальной конкуренции. Согласно Microsoft, в ближайшие пять лет появится 500 миллионов новых приложений. Это больше, чем было разработано за последние 40 лет. Многие из этих приложений будут отображать специальные задачи, которые вряд ли могут быть выполнены стандартным программным обеспечением. В отдельных подразделениях компаний все будет способствовать тому, чтобы данные можно было использовать, оптимизировать циклы обслуживания или создавать новые бизнес-модели. Это означает, что большинство приложений будут выполнять роль неких микросервисов с узко определенными зонами ответственности, которые часто недолговечны и могут быть созданы только внутри самой компании, поскольку не достигают критической массы для больших групп пользователей. С помощью решения Industrial AutoML компания Weidmüller делает машинное обучение еще более доступным.

Программирование без знаний программирования

Современные методы необходимы для разрешения противоречия между нехваткой квалифицированных рабочих и небольшими бюджетами, а также растущим спросом на новые программные решения: low code, no code или технология языка ИИ GPT-3 — три метода, которые ускоряют разработку программного обеспечения, а также являются дешевле и эффективнее других. Чтобы выгодно внедрять такие подходы, многим компаниям приходится меняться. Им нужна технологическая зрелость и готовность использовать такие технологии, как облачные вычисления, искусственный интеллект и интернет вещей. Потому что эти цифровые инструменты помогают быстрее соответствовать бизнес-требованиям: благодаря автоматизированным рабочим процессам, готовым компонентам UX, предварительно обученным функциям искусственного интеллекта, программированию с помощью перетаскивания или ввода на естественном языке, таком как GPT-3. Методы low-code и no-code значительно сокращают затраты на разработку.

Например, исследование Forrester показывает, что Microsoft Power Apps снижает среднюю стоимость разработки приложений на 74%. Низкий уровень кода и отсутствие кода также могут быть оценены благодаря их интеграции в существующее программное обеспечение и облачные среды, а также в существующие ИТ-инфраструктуры. Для Microsoft эти подходы и использование естественной языковой среды GPT-3 являются не просто технологическими решениями, они вписываются в девиз компании: «Дать возможность каждому человеку и каждой организации на планете достигать большего».

Два положительных эффекта

Переход на адаптивную систему программирования без кода значительно сокращает время, необходимое для полностью автоматизированной проверки качества под управлением робота: сегодня для этого требуется до 15 раз меньше времени чем годами раньше. Кроме того, полученные таким образом знания доступны в обобщенной и передаваемой форме, так что модели можно совместно использовать во всем мире через облако.

Пример использования искуственного интеллекта

Услуги на основе данных обеспечивают дифференциацию на рынке с возрастающей тенденцией. Однако, чем больше данных оказывается в центре внимания, тем важнее становится их несложный анализ — в идеале людьми, обладающими знаниями в предметной области, но без знаний в области программирования. Группа Weidmüller из Детмольда (Германия) поставила перед собой именно эту цель с помощью своего решения AutoML, чтобы более широко внедрить машинное обучение (ML) в промышленность. Компания Weidmüller упростила собственное приложение для машинного обучения алгоритмов, чтобы работники со знанием предметной области могли самостоятельно внедрять решения ИИ без помощи ИТ-специалистов или специалистов по данным. Эти специалисты могут создать первоначальную модель машинного обучения для своего варианта использования и запустить ее на компьютере менее чем за час. Специалистам по данным, специально обученным для ИИ, раньше требовалось от нескольких недель до месяцев для одной и той же задачи в рамках специальных проектов.

Демократизировать технологию

Такие модели основаны на решении для автоматизированного машинного обучения, разработанном Weidmüller, Industrial AutoML, которое можно обучить для таких вариантов использования, как обнаружение аномалий, классификация и принятие решений в зависимости от контекста. Weidmüller использует комбинацию сервисов облака Microsoft для сбора, интеграции и хранения данных из любого места и, прежде всего, для безопасной обработки их в облаке.

При создании моделей на основе искусственного интеллекта и машинного обучения программное обеспечение Weidmüller направляет вас через процесс с помощью так называемой управляемой аналитики, запрашивает знания в предметной области и переводит их в приложение машинного обучения. Таким образом, сочетание машинного обучения и специальных знаний создает качественно обогащенный набор данных, на котором автоматически происходит обучение, оптимизация и проверка альтернативных моделей машинного обучения. Для начала обычно достаточно нескольких мегабайт обучающих данных, чтобы хотя бы оценить вариант использования модели ИИ. Общий объем данных, необходимых для обучения алгоритмов, зависит от множества различных и индивидуальных факторов, таких как абстрактный характер данных и частота аномалий.