在今年的人工智能与大数据博览会上，AI News 采访了Predibase首席执行官兼联合创始人 Piero Molino，讨论了低代码在机器学习中的重要性以及 LLM（大型语言模型）的趋势。

Predibase 的核心是一个声明性机器学习平台，旨在简化机器学习模型的开发和部署过程。该公司的使命是简化和民主化机器学习，让专家组织和刚进入该领域的开发人员都能使用它。

该平台为组织提供了内部专家，使他们能够增强自己的能力并将开发时间从几个月缩短到几天。此外，它还满足那些想要将机器学习集成到其产品中但缺乏专业知识的开发人员的需求。

通过使用 Predibase，开发人员可以避免编写大量的低级机器学习代码，而是使用一个简单的配置文件（称为 YAML 文件），该文件仅包含 10 行指定数据模式。

Predibase 全面上市

展会期间，Predibase 宣布其平台全面上市。

该平台的主要功能之一是能够消除基础设施配置的复杂性。用户可以在单台 CPU 机器上无缝运行训练、部署和推理作业，或者只需点击几下即可扩展到 1000 台 GPU 机器。该平台还可以轻松地与各种数据源集成，包括数据仓库、数据库和对象存储，无论数据结构如何。

“该平台专为团队协作开发模型而设计，每个模型都表示为可以具有多个版本的配置。您可以分析模型的差异和性能，”莫利诺解释道。

一旦模型满足所需的性能标准，就可以将其部署为作为 REST 端点进行实时预测，或使用包含预测功能的类似 SQL 查询进行批量预测。

低代码在机器学习中的重要性

然后话题转向低代码开发在机器学习采用中的重要性。莫利诺强调，简化流程对于更广泛的行业采用和提高投资回报至关重要。

通过将开发时间从几个月缩短到几天，Predibase 降低了组织尝试新用例并潜在释放重大价值的准入门槛。

“如果每个项目都需要数月甚至数年的时间来开发，组织将不会有动力去探索有价值的用例。降低门槛对于实验、发现和增加投资回报至关重要，”莫利诺说。

“通过低代码方法，开发时间可以缩短到几天，从而可以更轻松地尝试不同的想法并确定其价值。”

LLM 的趋势

讨论还涉及到人们对大型语言模型日益增长的兴趣。莫利诺承认这些模型的巨大力量以及它们改变人们对人工智能和机器学习的思考方式的能力。

“这些模型非常强大，彻底改变了人们对人工智能和机器学习的看法。以前，在训练机器学习模型之前，需要收集和标记数据。但现在，通过 API，人们可以直接查询模型并获得预测，从而开辟了新的可能性。”Molino 解释道。

然而，Molino 强调了一些局限性，例如每次查询定价模型的成本和可扩展性、相对较慢的推理速度以及使用第三方 API 时对数据隐私的担忧。

为了应对这些挑战，Predibase 推出了一种机制，允许客户在虚拟私有云中部署其模型，确保数据隐私并提供对部署过程的更大控制。

常见错误

随着越来越多的企业首次涉足机器学习，莫利诺分享了他对他们所犯的一些常见错误的见解。他强调了在投入开发之前了解数据、用例和业务环境的重要性。 

“一个常见的错误是抱有不切实际的期望，以及期望与实际可实现的不匹配。一些公司在没有完全理解数据或用例的情况下就开始涉足机器学习，无论是从技术角度还是从业务角度来看。”Molino 说道。

Predibase 通过提供一个促进假设检验、集成数据理解和模型训练的平台来应对这一挑战，以验证模型对特定任务的适用性。有了护栏，即使经验较少的用户也可以充满信心地参与机器学习。

Predibase 平台的全面发布标志着他们实现机器学习民主化使命的一个重要里程碑。通过简化开发流程，Predibase 旨在为组织和开发人员等释放机器学习的全部潜力。