No-code machine learning przyśpiesza wdrażanie AI w przemyśle

No-code machine learning pozwala firmom wdrażać sztuczną inteligencję szybciej, taniej i bez zespołów wyspecjalizowanych programistów.

.Sztuczna inteligencja coraz częściej trafia do fabryk, szpitali i firm przemysłowych, ale jej praktyczne wdrażanie wciąż bywa trudne. Barierą nie są dane ani pomysły, lecz brak specjalistów zdolnych projektować, trenować i utrzymywać modele AI. W odpowiedzi na ten problem rozwija się narzędzia typu no-code machine learning, które pozwalają tworzyć i wdrażać modele bez pisania kodu. Jednym z najbardziej zaawansowanych przykładów takiego podejścia jest koreański framework TANGO, rozwijany przez ETRI (Electronics and Telecommunications Research Institute), który od 2021 roku wspiera zastosowania AI w przemyśle.

Głównym założeniem TANGO jest automatyzacja całego cyklu życia modelu. Zaczynając od stworzenia sieci neuronowej, kończąc na uruchomieniu w środowisku produkcyjnym. System automatycznie generuje architekturę sieci neuronowej, trenuje ją na dostarczonych danych i wdraża na docelowym sprzęcie. Może to być chmura, środowisko Kubernetes w infrastrukturze lokalnej lub urządzenia brzegowe działające bezpośrednio w zakładzie produkcyjnym. Dzięki interfejsowi webowemu narzędzie jest dostępne dla ekspertów dziedzinowych, którzy nie mają głębokiej wiedzy z zakresu uczenia maszynowego, ale doskonale rozumieją procesy produkcyjne czy medyczne.

Problem, który rozwiązuje no-code machine learning, jest dobrze znany w przemyśle. W hucie stali inżynierowie potrafią szybko ocenić, czy produkt jest wadliwy, ale przełożenie tej wiedzy na model AI wymagało dotąd współpracy z zespołem data science. Podobnie w medycynie, lekarze bez trudu rozpoznają gruźlicę na zdjęciu RTG, jednak stworzenie i utrzymanie algorytmu diagnostycznego było kosztowne i czasochłonne. TANGO pozwala skrócić ten dystans, oddając narzędzia AI bezpośrednio w ręce specjalistów z danej branży.

Znaczenie takich rozwiązań rośnie wraz z pogłębiającym się niedoborem specjalistów AI. Zapotrzebowanie na oprogramowanie oparte na sztucznej inteligencji rośnie we wszystkich sektorach, od produkcji po opiekę zdrowotną, podczas gdy liczba wykwalifikowanych inżynierów nie nadąża za popytem. ETRI odpowiedziało na ten problem, rozwijając algorytmy automatyzujące projektowanie sieci neuronowych, szczególnie w obszarze rozpoznawania obiektów, które jest kluczowe dla wielu zastosowań przemysłowych. Równolegle instytut udostępnił także narzędzia LLMOps, wspierające rozwój generatywnej sztucznej inteligencji.

Istotnym elementem strategii ETRI jest otwartość. Rdzeń technologii MLOps w TANGO został udostępniony jako open source na GitHubie, a zespół zapowiada publikację nowych wersji kodu co sześć miesięcy. Towarzyszą temu coroczne seminaria, podczas których twórcy dzielą się nie tylko kodem, ale też doświadczeniami z realnych wdrożeń. Do tej pory w czterech edycjach wydarzeń uczestniczyło 944 przedstawicieli z 552 instytucji, co pokazuje skalę zainteresowania.

.Rozwój no-code machine learningu wskazuje na szerszy trend. AI przestaje być domeną wąskich zespołów badawczych, a staje się narzędziem codziennej pracy. Jeśli takie platformy jak TANGO będą dalej dojrzewać, sztuczna inteligencja może stać się w przemyśle równie powszechna jak systemy ERP czy automatyka produkcyjna – dostępna, zrozumiała i realnie użyteczna.

Oprac: SŚ