請不起高科技人才?無程式碼平台來代勞

How No-Code Platforms Can Bring AI to Small and Midsize Businesses
強納森.雷利 Jonathon Reilly
瀏覽人數:2026
William Andrew/Getty Images
軟體運用正在逐步吞食世界,但全球懂得如何寫程式的人,只占0.25%。程式開發人才等同稀有資源,只有資源雄厚的大型企業,才有能力招聘。對一般中小企業來說,大多只能負擔「會修電腦」的資訊管理部門。然而轉機出現了,「無程式碼」平台,可以讓不會寫程式的一般使用者,以簡單的操作介面,享受原本需要複雜的程式才能處理的運算工作。

各種科技的進展情況常常十分相似。首先只有一小群核心的科學家使用;接著用戶群擴展到工程師,他們能應付技術上的細節問題與專業術語;最後,這項科技終於變得對使用者夠友善,幾乎人人都能上手。

現在,「寫軟體」這件事也即將邁出最後那一大步。就像過去微軟視窗作業系統與蘋果麥金塔作業系統,以可點擊的圖標取代複雜難懂的DOS指令,現在新的「無程式碼」平台,也將以簡單的拖放介面,來取代程式語言。這件事的影響十分深遠:過去若要寫出一套程式,需要雇用一個工程師團隊,但現在只要使用者有想法、有網路瀏覽器,就能自行讓想法變成現實。也就是說,這種過去只有資源充足的大型企業才能負擔的強大科技,突然之間小型企業也能運用。

或許最重要的是,這樣一來,我們不必雇用一大群高薪的程式開發人員和數據科學家,就有可能運用人工智慧(AI,一整個世代中最具顛覆性的科技)。也就是說,小型企業(常常已經擁有大量數據資料)也能獲得AI帶來的好處,像是推動新類型的體驗〔例如自動駕駛的特斯拉汽車(Tesla)〕、提升企業營收〔例如寶僑(P&G)以AI驅動的廣告支出〕,以及優化營運以推動效率極大化〔例如沃爾瑪(Walmart)改善供應鏈〕。

對小型企業來說,要了解這項科技應建置在哪裡、如何建置,可能就已經極為困難。大型企業可能已經走過這個過程,釐清可以如何利用數據科學來創造效益;就像大型企業一樣,合理的做法會是一開始先將無程式碼AI應用在一些小型任務上,而不是規模驚人的超大型專案。理想情況是,你應該:

◼ 先處理你已擁有的數據。這些數據帶來的價值,往往高於你最初的預期。

◼ 先選擇高價值、能靠著提升效率而推動成長的任務。

◼ 先在常見領域迅速做出成績,像是銷售漏斗(sales funnel)優化,或減少顧客流失,好讓你的團隊從中學習如何將AI應用於各種使用案例

◼ 如果某項AI專案無法讓你達成十倍的投資報酬率,請迅速結束那項專案。還有許多其他高報酬的應用,可讓你獲得價值。

無程式碼工具能讓員工發揮創意來思考,可以如何運用數據來推動或優化自身的工作,因而優化企業績效。

讓我們以智慧型顧客線索評分(lead scoring)為例。銷售團隊會從各種資料來源取得顧客線索清單,像是網路搜尋、陌生電話行銷(cold calling)、線上表單,或是在貿易展的名片箱裡收集到的名片。但如果名單上有幾千個人,後續該聯絡哪些顧客就成了問題。這時候,如果能運用無程式碼平台的分類模型,找出使用者行為、人口統計資料與企業統計資料(firmographics)當中的模式,就能依據名單中潛在顧客的成交可能性,來為他們排序;許多大型企業使用AI來處理這項任務。

使用無程式碼AI平台時,使用者只要將潛在顧客資料的試算表拖放到介面中,再從下拉式選單中挑選一些功能、點擊幾個按鈕,平台就能建立模型,並提交一份試算表,按照成交可能性,從高到低排列潛在顧客;銷售人員若是專注在最有可能採購的潛在顧客,就能讓營收最大化。

AI的潛力可以在企業的各種領域裡發揮,而無程式碼平台的優勢正是不限於任何特定用途。這些工具可用來偵測機器的維修模式,並預測哪些機器何時該預先維修,以免故障;行銷團隊也能用這些工具來發現顧客的不滿、減少顧客流失;或是營運團隊可以用這些工具來減少員工離職。這些工具不僅能辨識數字中的模式,也能找出文字中的模式,因此除了分析銷售紀錄與行銷數據之外,還能分析售貨單與文字紀錄,因此能讓公司以自動化方式執行複雜的流程。

對許多公司來說,若要使用無程式碼平台來工作,重點就在於找出適用的專案,以及選擇合適的平台。

使用無程式碼平台工具的第一步

挑選合用的無程式碼平台時,需要注意三項重點。

第一,要有簡單的介面,讓人們容易將數據納入模型訓練流程。也就是說,平台必須能夠與現今流行的業務系統整合起來(像是Salesforce之類的顧客關係管理系統),也要能整合試算表軟體(例如Excel)。如果相關數據存放於多個位置,平台工具也應該要能夠合併那些數據。

數據上傳平台之後,平台必須能夠以自動化方式分類,並且正確地編碼,讓模型訓練流程使用,而這整個過程當中,使用者只要做最少的事就行。舉例來說,平台或許能夠辨識數據裡的各欄究竟是類別、日期或數字,而使用者應確認辨識結果是否正確。

第二,平台必須以自動化方式進行模型的選擇與訓練;過去這種工作通常是由資料科學家執行。市面上的機器學習方法種類繁多,各自有最適用的問題類型。平台應該有搜尋機制,可以根據數據與需要做的預測,來判斷最適用的模型。我們不該要求使用者了解什麼是迴歸、什麼是KNN最近鄰居演算法,而應直接由平台提供最適用的工具。

第三,平台必須簡單且容易建置在現有流程裡。平台應該能夠長時間監測模型的績效,並且在業務環境改變、可取得新數據時,重新訓練模型。

如何挑選適當的無程式碼平台

無程式碼AI平台各有不同,要依據企業的業務需求來挑選適當的工具。解決方案的價格差異很大,從每月幾美元,到每年得花六位數美元的大型企業平台都有。

想為某家公司找到合適的工具,可能需要經過一些嘗試錯誤。好消息是,最優秀的平台都是開放式的,也就是任何人都可以試用看看是否有效。換句話說,使用者可以用相關的任務來測試那些平台,看看它們的表現如何。

舉例來說,使用者如果要比較不同平台的準確性,可以用一些公開的資料集來測試平台的表現,像是澳洲的信用審核資料集,目標是為信用卡核卡資格做分類。使用者只要花很少的心力,就能得知各個無程式碼AI平台預測驗證集(validation set)資料結果的準確度如何(一般來說,我們會隨機選擇一部分訓練數據,通常是20%的數據,保留下來,用以驗證模型的執行成效)。

然而,「準確性」有時候會造成誤導。同樣也很重要的是,應該要考量預測成果裡偽陰性和偽陽性的數量。這對於某些「失衡」的資料集特別重要,這類資料集裡,只需要從大量數據當中偵測出少量的案例,像是信用卡詐騙或癌症。

舉例來說,如果某個預測信用卡詐騙的模型每次都判定「沒有詐騙」,那麼它雖然準確性很高,卻毫無用處。良好的無程式碼平台工具,會出現偽陰性和偽陽性的判斷。

使用者也該考慮,使用這些無程式碼平台所需的時間。其中一項關鍵指標,是平台訓練模型所需的時間。各個平台需要的時間不同,從幾分鐘到幾小時都有;而如果需要好幾個小時,就很難納入使用者忙碌的一天工作之中。

要考慮的時間因素,不只是訓練的時間而已。若想讓這些平台工具在組織裡真正帶來顛覆性的改變,就必須很簡單易用,即使非技術人員也會採用這些工具,納入他們的工作流程中。因此,請檢視不同平台的採用流程。如果這個流程需要資訊科技部門協助,或甚至需要花很大的心力,銷售或會計人員就不太可能願意花這種力氣。

若要讓更多企業在業務各個部分的更多應用上,運用AI的力量,解決辦法絕不是「設置並雇用更多資料科學家」。目前,全球懂得如何寫程式的人只占0.25%。但正如科技投資人馬克.安德森(Marc Andreessen)十年前所預見,軟體正在逐步吞食這個世界。毫無疑問,無程式碼平台就是我們的未來。

總有一天,每家企業的每一個部分都會透過AI來優化。目前已經有所需的數據資料可用。要靠平台來讓愈來愈多人把那些數據,轉化為AI驅動的預測與優化機器,而這些平台進步的速度和成熟情況,決定了前述願景實現的速度有多快。

消除阻礙採用AI的因素,有助於在各個產業裡發揮AI的力量,而且讓並非專家的人,也能真正預測未來。隨着時間過去,無程式碼AI平台將會變得無所不在,如同目前的文字處理或試算表軟體一般。

(林俊宏譯)



強納森.雷利 Jonathon Reilly

無程式碼AI平台Akkio共同創辦人。