并非我们无法理解的一切都是人工智能。

“人工智能”(AI) 一词越来越多地被用来描述各种做出难以从外部理解的决策的系统。令人困惑的是,这也包括所有仅从聪明人硬编码他们的行为这一事实中借用其智能的系统。

相反,我们应该返回并关注人工智能系统的原始定义:它们从观察中得出结论或提取知识,并将内部表示用于做出新的决策。这种内部表示不是由人创建的,而是由系统本身创建的。人类只是通过设计创建该表示的系统而间接参与其中。

使用这个定义,仍然有很多关于这些方法可以做什么的故事:区分猫和狗,在图像中查找物体,将其他人的脸添加到视频流中,检测声音信号中的单词……并不多不过,这些方法中的一部分可以直接应用于现实世界的环境中。

要使人们能够尝试各种不同的方法和设置、针对特定问题选择正确的方法、使用新数据优化模型并将其部署为现有应用程序或在现有应用程序中部署,需要什么?

数据科学的可视化编程

KNIME 的低代码环境,被称为“可视化编程”,使这变得更容易——而不是强迫用户学习如何使用他们最喜欢的方法发布的语言进行编码,它允许无代码构建和改进数据工作流。它支持快速探索替代方案和以不同语言编写的工具的直观组合,或促进在混合环境中运行数据科学流程。

添加人类智能

它还增加了在同一个无代码环境中摄取、加入和转换所需数据的能力——通常被忽略但不幸的是至关重要的。这部分已经为流程增加了相当多的领域知识,但除了经典的统计方法和丰富的可视化模块之外,KNIME 还允许添加手动创建的规则和其他手工制作的“智能”数据处理方法。

添加人工智能

内置了广泛的机器学习和 AI 方法,但 KNIME 还封装了许多著名的库,并允许通过相同的视觉节点连接器原理进行访问。KNIME 工作流可用于联系 Weka、XGBoost 和 H2O,仅举几例。但 KNIME 还提供了一系列节点,允许我们导入、设计、训练和/或应用深度学习模型。大多数这些节点的默认设置已经使我们能够获得合理的结果,但为了优化性能,用户再次需要了解底层方法——而不是它们的实际实现。

简而言之,KNIME 的可视化编程设置允许我们构建非常复杂的东西——但在数据团队想要工作的抽象级别。如果需要,该团队可以接触底层编程语言,但即使他们不想接触代码,KNIME 工作流也会在该可视化框架内公开所有相关的花里胡哨。数据科学团队在同一环境中协作,并在需要时添加人类智能和 AI 方法。如果我们对数据了解得更多,我们就可以手工制作数据工程方面的东西,而将模型学习留给 AI 方法。如果我们对数据的了解较少,工程部分也可以自动化或交给 AI 方法来学习。最重要的是,

人工智能通常不是孤立的,它站在许多人的肩膀上,提供合适的游乐场并挑选​​合适的人工智能。这就是 KNIME 工作流程的优势所在:快速探索整个端到端数据科学生命周期的替代方案。