निम्न-कोड सॉफ़्टवेयर विकास, जिसे हाल ही में अगले बड़े मेगाट्रेंड के रूप में ट्रम्पेट किया गया है, यहाँ है और यह पहले से ही मुख्यधारा बन गया है। के अनुसार, 2025 तक, संगठनों द्वारा विकसित 70 प्रतिशत नए ऐप कम और बिना कोड वाले प्लेटफॉर्म का उपयोग करके बनाए जाएंगे, जो 2020 में 25 प्रतिशत से भी कम है। यदि आप पहले से कम-कोड प्लेटफॉर्म का उपयोग नहीं कर रहे हैं, तो आप बहुत जल्द हो जाएंगे। गार्टनर कम और बिना कोड के विकास से बिना तकनीकी पृष्ठभूमि वाले लोगों के लिए डिजिटल उत्पाद बनाना संभव हो जाता है, इसी तरह "नागरिक डेवलपर" शब्द आया। हालांकि, नागरिक विकासकर्ता का विचार थोड़ा भ्रामक है। हालांकि यह सच है कि कम-कोड वाले टूल का उपयोग करने के लिए आपको वास्तव में तकनीकी होने की ज़रूरत नहीं है… ..कुछ हस्तांतरणीय कौशल निश्चित रूप से मदद करते हैं। डेटा साइंटिस्ट और लो-कोड इंजीलवादी, रोसारिया सिलिपो के रूप में, इसे कहते हैं, "कोडलेस ।" का मतलब गणित-रहित नहीं है इसके अलावा, जबकि संगठन और तथाकथित नागरिक विकासकर्ता निश्चित रूप से डिजिटल विकास तक आसान पहुंच से लाभान्वित हो रहे हैं, वैसे ही प्रौद्योगिकीविद भी हैं। उद्योग के अध्ययन से पता चलता है कि पेशेवर डेवलपर्स का एक महत्वपूर्ण हिस्सा - आसानी से एक तिहाई और संभावित रूप से लगभग दो तिहाई - अपने काम को तेज करने या वर्कअराउंड बनाने के लिए कम-कोड समाधानों का उपयोग कर रहे हैं। लो-कोड एआई: आपूर्ति और मांग की कहानी? एकमात्र कौशल जिसकी उद्यमों को आईटी से भी अधिक आवश्यकता है, वह है डेटा विज्ञान। वही बाजार ताकतें जो सामान्य रूप से कम-कोड अपनाने को चला रही हैं, विशेष रूप से कम-कोड एआई समाधानों की बात आती है। लोगों की कमी ही उन संगठनों के लिए एकमात्र चुनौती नहीं है जो अपनी एआई परियोजनाओं को चलाना और चलाना चाहते हैं। एआई विकास में अक्सर लंबा समय लगता है और जब बड़े या जटिल डेटा सेट शामिल होते हैं तो यह संसाधन-गहन होता है। दूसरे शब्दों में, यह महंगा है। इसके अलावा, डेटा वैज्ञानिकों के लिए प्रतिस्पर्धा भयंकर और पारिश्रमिक उदार है। बिग डेटा और एआई परियोजनाओं में धन और समय के मामले में गंभीर प्रतिबद्धता शामिल है। अब तक, अर्थात्। न केवल प्रति-परियोजना के आधार पर बल्कि हेडकाउंट के संदर्भ में लागत को कम करते हुए कम-कोड समय-सीमा में तेजी लाने में मदद कर रहा है - इस बात के बढ़ते प्रमाण हैं कि कम-कोड समाधान कुल संख्या को कम करके रहे हैं। भाड़े के व्यवसायों को बनाने की जरूरत है। आधुनिक डेटा इन्फ्रास्ट्रक्चर के लिए हाल ही में अपडेट किए गए इमर्जिंग आर्किटेक्चर में, एंड्रीसन होरोविट्ज़ ने नोट किया कि एमएल उद्योग एमएल मॉडलिंग प्रक्रिया को स्वचालित करने वाले कम कोड एमएल समाधान (जैसे कॉन्टिनुअल और माइंड्सडीबी) के साथ डेटा-केंद्रित दृष्टिकोण के आसपास समेकित हो रहा है। कौशल अंतर को पाटने में मदद कर हर काम के लिए कम कोड वाले टूल हालांकि यह डेटा वैज्ञानिकों के लिए बुरी खबर की तरह लग सकता है, यह याद रखने योग्य है कि डेटा वैज्ञानिक स्वयं बढ़ी हुई गति और कम-कोड वाले AI टूल का उपयोग करने में आसानी से लाभान्वित हो रहे हैं। निम्न-कोड आंदोलन को अक्सर डिजिटल सभी चीजों के "लोकतांत्रिकीकरण" के रूप में वर्णित किया जाता है, जो विकास और परिवर्तनकारी परिणामों की बाधाओं को तोड़ता है। यह लोकतंत्रीकरण डेटा इनपुट से लेकर डेटा ट्रांसफॉर्मेशन से लेकर मशीन लर्निंग तक डेटा साइंस के हर स्तर पर धीरे-धीरे हो रहा है। ऐसे कई कार्य करने का एक कम-कोड, सरल तरीका है जो पहले अत्यधिक जटिल थे या जिनमें लंबा समय लगता था। कम-कोड समाधानों का उपयोग करते हुए, परियोजना की समय-सीमा तेज हो जाती है और डेटा वैज्ञानिक अब खुद को प्रोग्रामिंग कौशल के विशेष सेट के आधार पर टूल और प्रक्रियाओं में बंद नहीं पाते हैं। एक उदाहरण के रूप में SQL को लें, एक क्लासिक कौशल और डेटाबेस की मूल भाषा। हालांकि, डेटा के साथ काम करने के लिए, डेटा वैज्ञानिक को कई अन्य भाषाओं, बीआई टूल्स और एमएल समाधानों में कुशल होने की आवश्यकता होती है। अब और नहीं: डेटाबेस से डेटा निकालने के बजाय, इसे एक बीआई टूल पर अपलोड करना, बाद में एक एमएल टूल, मॉडल चलाना, फिर निष्कर्षों को वापस बीआई टूल में लोड करना, एक तेजी से बढ़ता हुआ आंदोलन है जो जादू को भीतर करने की मांग कर रहा है। डेटा परत, डेटा की स्थापित और सार्वभौमिक भाषा, SQL का उपयोग करते हुए। इन-डेटाबेस मशीन लर्निंग के क्षेत्र से यह उदाहरण दिखाता है कि मानक SQL कमांड का उपयोग करने वाले डेटा वैज्ञानिक अब भविष्यवाणियों को क्वेरी कर सकते हैं और डेटाबेस के अंदर से एमएल मॉडल बना सकते हैं। डेटा पाइपलाइन एक ऐसी प्रक्रिया का एक और उदाहरण है जिसे मूल रूप से सरल बनाया जा रहा है और SQL कमांड पर आधारित अपने डेटा ट्रांसफ़ॉर्मेशन उत्पाद के साथ जैसी कंपनियों के लिए धन्यवाद। dbt लैब्स विभिन्न प्रोग्रामिंग भाषाओं और उपकरणों के सापेक्ष गुणों पर लंबे समय से बहस करने वाले डेटा वैज्ञानिक तेजी से विनम्र एसक्यूएल ढूंढ रहे हैं जो उन्हें जल्दी और आसानी से अपने गंतव्य तक पहुंचा सकते हैं। इन-डेटाबेस टूल के साथ परिवर्तन को तेज करना डेटा वैज्ञानिकों के लिए यह एक असहज सच्चाई है, लेकिन एनालिटिक्स आसानी से बाधा बन सकता है जो डिजिटल परिवर्तन को धीमा कर देता है। इसके पीछे अच्छे कारण हैं- कौशल की कमी, लागत, जटिलता। कम-कोड डेटा विज्ञान उपकरण डेटा से कार्रवाई योग्य खुफिया निकालने की प्रक्रिया को मौलिक रूप से तेज करते हैं। एक अनुभवी डेटा समर्थक के हाथों में, इन-डेटाबेस कम-कोड समाधानों की गति, सरलता और लागत प्रभावशीलता असाधारण संभावनाएं लाती है। बड़ी मात्रा में डेटा को अधिक सुलभ बनाकर, डेटा वैज्ञानिकों को केवल उनकी कल्पना से विवश होने की आवश्यकता होती है, न कि सामान्य कारणों से जो काम नहीं करते हैं (लागत, एकीकरण के मुद्दे, समय की चिंता, कौशल अंतर)। कम-कोड समाधान अभिनव डेटा वैज्ञानिकों को चमकने में मदद कर रहे हैं क्योंकि वे तेजी से आरओआई प्रदान करते हैं और परिदृश्यों की बढ़ती संख्या के लिए एमएल की शक्ति का प्रदर्शन करते हैं। वे एक संगठन के समग्र डिजिटल आउटपुट को बढ़ाने में भी मदद करते हैं। आखिरकार, महामारी ने दुनिया को डिजिटल समाधानों की ओर धकेल दिया और कोई पीछे नहीं हट रहा है। ने नए डिजिटल उत्पादों और सेवाओं की बढ़ती मांग की सूचना दी, जो तब से लगातार बढ़ रही है। डेटा और आईटी टीमों के लिए जो पहले से ही अधिक काम कर रहे थे, अधिक खिंचाव और अत्यधिक तनावग्रस्त थे, कम-कोड समाधानों की उपलब्धता बेहतर समय पर नहीं आ सकती थी। तीन चौथाई सीआईओ लो-कोड वर्ल्ड की चुनौतियाँ हालांकि लो-कोड डेटा साइंस टूल्स को अपनाना तेजी से बढ़ रहा है, इस प्रकार के विकास के लिए अभी भी शुरुआती दिन हैं। डेटा (और अन्य) परियोजनाओं को संभालने वाले गैर-विशेषज्ञों की सुरक्षा और अनुपालन प्रभावों के बारे में संगठन काफी चिंतित हैं। जैसे-जैसे विकास और डेटा विज्ञान तेजी से विकेंद्रीकृत होता जा रहा है, संगठनों के लिए सबसे बड़ी चुनौतियों में से एक ऐसी संस्कृति को बढ़ावा देना होगा जहां नवाचार स्वतंत्र रूप से हो सकता है, लेकिन रणनीतिक, प्रासंगिक और सुरक्षित रहता है। अधिकांश विशेषज्ञ इस बात से सहमत हैं कि कम-कोड प्रथाओं को प्रतिबिंबित करने के लिए कंपनी की नीतियों को अद्यतन करने की आवश्यकता होगी। डेटा वैज्ञानिकों द्वारा उपयोग किए जाने पर लो-कोड एआई समाधान अधिक कुशलता से काम करने का एक तरीका है, लेकिन वे अप्रत्यक्ष रूप से अपने कार्यभार को जोड़ सकते हैं। जबकि "नागरिक विकास" ऐसा लगता है कि यह आईटी टीम से स्वतंत्र रूप से संचालित होता है, डेटा वैज्ञानिकों के लिए वास्तविकता का मतलब होगा कि कहीं और बनाए गए डिजिटल उपकरणों को एकीकृत, बचाव या अन्यथा समर्थन करने में मदद करने के लिए बढ़ी हुई कॉल। एक निम्न-कोड डेटा वैज्ञानिक के रूप में जीवन जिस तरह से अब तक डिजिटल किया गया है, उसमें लो-कोड टूल एक बड़े व्यवधान का प्रतिनिधित्व करते हैं। हर विघटनकारी ताकत की तरह, यह यथास्थिति की धमकी देते हुए अवसर पैदा करती है। डेटा वैज्ञानिकों के लिए, कम-कोड अब जीवन का एक तथ्य बन रहा है, एआई विकास के लिए एक संकर दृष्टिकोण जिसे इसकी निर्विवाद गति और सादगी के कारण अपनाया जाना चाहिए। इसके अलावा, आईटी का लोकतंत्रीकरण और विकेंद्रीकरण अजेय है। डेटा वैज्ञानिकों के लिए अब सवाल यह नहीं है कि लो-कोड को अपनाया जाए या नहीं, यह है कि ऐसा कैसे किया जाए। मैंने कई डेटा साइंस करियर में लो कोड फास्ट-ट्रैक देखा है। अपने क्षेत्र को समझते हुए, उन्हें अपने गैर-डेटा सहयोगियों पर पहले से ही एक फायदा है। डेटा वैज्ञानिकों के हाथों में, कम-कोड समाधान डेटा वैज्ञानिकों को अधिक चुस्त और रचनात्मक होने के साथ-साथ तेजी से और स्मार्ट तरीके से काम करने में मदद करते हैं।
