IA No-Code: Vantaggi, Settori e Differenze Chiave

Gli strumenti di IA no-code consentono agli utenti di costruire, addestrare o distribuire applicazioni di IA senza scrivere codice. Queste piattaforme si basano tipicamente su interfacce drag-and-drop, prompt in linguaggio naturale, procedure guidate di configurazione o costruttori visivi di flussi di lavoro. Questo approccio abbassa la barriera d'ingresso e rende lo sviluppo dell'IA accessibile agli utenti senza un background di programmazione.

Recentemente, l'IA no-code si è espansa ben oltre la semplice automazione e i prototipi in fase iniziale. Molte piattaforme ora supportano flussi di lavoro a livello di produzione, gestiscono più tipi di dati come testo e immagini e includono funzionalità simili ad agenti che consentono ai modelli di eseguire compiti piuttosto che generare output.

Scopri le principali applicazioni di settore, le piattaforme no-code leader e le distinzioni critiche rispetto all'AutoML.

Cos'è l'IA no-code?

Le piattaforme di IA no-code consentono agli utenti di costruire, addestrare, distribuire o automatizzare applicazioni basate sull'IA senza scrivere codice. Invece di programmare, gli utenti in genere lavorano attraverso costruttori drag-and-drop, prompt in linguaggio naturale, flussi di configurazione guidata, modelli, connettori o editor visivi di flussi di lavoro.

La categoria include diversi tipi di prodotti:

• Costruttori basati su LLM: Assistenti personalizzati, chatbot, agenti, flussi di lavoro RAG, copiloti per basi di conoscenza.
• Strumenti di IA predittiva / in stile AutoML: Previsione dell'abbandono, lead scoring, previsione, classificazione di documenti, classificazione di immagini.
• Strumenti di automazione e flussi di lavoro agentici: Flussi di lavoro multi-step che instradano dati, chiamano API, riassumono testo, classificano input o attivano azioni.
• Creatori di app IA / strumenti di “vibe coding”: App web, strumenti interni, landing page, dashboard e prototipi generati da prompt.

I confini non sono sempre netti. Alcuni creatori di app “no-code” generano codice sorgente reale, espongono integrazioni con GitHub o consentono modifiche manuali al codice. Questi strumenti sono spesso meglio descritti come no-code per la prima creazione e low-code per la personalizzazione in produzione.

Piattaforme di IA no-code

Per rendere operativa l'IA no-code, ecco alcune piattaforme e strumenti leader che gli utenti non tecnici possono esplorare oggi attraverso diverse capacità di IA, inclusi modelli linguistici, visione artificiale, automazione e analisi:

Piattaforme basate su LLM

ChatGPT Custom GPTs (OpenAI)

Crea assistenti IA su misura con comportamento, tono o conoscenza specifici. Configura utilizzando istruzioni in linguaggio naturale e caricamenti di file.

Flowise

Un costruttore visivo drag-and-drop per creare app basate su LLM (es. chatbot, agenti, pipeline RAG) utilizzando LangChain sotto il cofano. Ideale per la prototipazione.

MagickML

Un'interfaccia visiva no-code per concatenare LLM e API per costruire IA conversazionale, flussi di lavoro e strumenti. Progettato per non programmatori con supporto per agenti.

MindStudio

Fornisce accesso a oltre 200 modelli di IA attraverso un'interfaccia visiva, consentendo agli utenti di costruire flussi di lavoro senza gestire chiavi API separate o fatturazione per ciascun fornitore.

Include un costruttore di flussi di lavoro drag-and-drop con moduli predefiniti, una funzionalità IA "Architect" che genera lo scaffolding del flusso di lavoro da descrizioni testuali e supporto per la selezione dinamica degli strumenti, consentendo agli agenti di selezionare gli strumenti in fase di esecuzione.

Strumenti no-code per dati e IA predittiva

Levity

Addestra modelli per la classificazione di documenti, l'analisi del sentiment o il riconoscimento delle immagini. Si integra con Zapier e Slack.

Obviously.IA

Carica il tuo dataset e genera previsioni (es. abbandono dei clienti, previsioni di vendita).

Automazione e flussi di lavoro

Creatio

Una piattaforma agentica no-code che combina CRM, automazione dei processi e capacità di IA all'interno di un'unica piattaforma.

Attraverso il suo Centro di Command IA, le organizzazioni possono progettare, distribuire e gestire agenti IA senza scrivere codice, mantenendo piena visibilità e governance sull'utilizzo dell'IA. Creatio fornisce anche agenti IA predefiniti e personalizzabili per vendite, marketing e assistenza, aiutando i team ad automatizzare compiti, orchestrare flussi di lavoro e generare approfondimenti in tutta l'azienda.

Bardeen

Una piattaforma di automazione del browser che combina agenti IA e automazione no-code per compiti ripetitivi come reportistica, smistamento email e pianificazione.

Make.com (precedentemente Integromat)

Offre moduli LLM per automatizzare flussi di lavoro come la generazione di email, la creazione di documenti o l'instradamento di richieste basate su input in linguaggio naturale.

Le funzionalità includono Agenti IA nativi con orchestrazione visiva e pannelli di ragionamento, un modulo di Ricerca Web IA, integrazione del MCP Client per un uso standardizzato degli strumenti e l'assistente IA Maia per aiutare a costruire automazioni con il linguaggio naturale.

Zapier IA

Fornisce automazioni potenziate dall'IA con strumenti come OpenAI, consentendo flussi di lavoro basati sulla logica (es. riassumere email, redigere risposte, classificare messaggi).

Vibe coding/Creatori di app

Base 44

Consente agli utenti di trasformare prompt in linguaggio naturale in applicazioni web e mobile full-stack generando automaticamente l'infrastruttura backend (database, API, autenticazione, archiviazione, pagamenti) e la logica frontend da semplice inglese.

Include funzionalità guidate dall'IA come la chat del costruttore e la modalità di discussione; infrastruttura di base come la gestione di database, l'archiviazione di file, i sistemi di posta elettronica e l'elaborazione dei pagamenti; e strumenti di gestione delle app come domini personalizzati, automazione del flusso di lavoro e analisi.

Lovable

Lovable.dev è un costruttore web che consente agli utenti di creare, iterare e distribuire applicazioni utilizzando prompt in linguaggio naturale invece della codifica manuale. Gli utenti possono descrivere come opera la loro app o sito e la piattaforma genera un frontend, backend, database, autenticazione e integrazioni funzionanti, con codice reale modificabile e opzioni di distribuzione.

Bolt.new (by StackBlitz)

Creatore di app IA basato su browser che utilizza Claude per generare applicazioni full-stack da prompt testuali con anteprime istantanee tramite la tecnologia WebContainer.

Come scegliere una piattaforma di IA no-code

Usa questi criteri prima di selezionare i fornitori:

No-code con agenti IA: creatori di agenti cittadini più capaci

Ricerche recenti mostrano che gli strumenti no-code stanno diventando più capaci abbinando interfacce in linguaggio naturale con orchestrazione basata su agenti. Ciò consente ai non esperti di costruire flussi di lavoro e applicazioni IA multi-step senza toccare codice o infrastruttura.

Studio AIAP: flussi di lavoro in linguaggio naturale supportati da più agenti

AIAP dimostra come una piattaforma no-code possa trasformare istruzioni utente ambigue in flussi di lavoro strutturati. Il sistema utilizza diversi agenti interni che interpretano la richiesta, la suddividono in compiti, estraggono dati e azioni e mappano tali azioni agli strumenti giusti.¹

Le capacità notevoli includono:

• Convertire input formulati in modo approssimativo in passaggi chiari e ordinati.
• Identificare dati, azioni e contesto direttamente dal linguaggio naturale e visualizzarli.
• Abbinare automaticamente le azioni descritte dall'utente a API o modelli adatti.
• Consentire ai non esperti di costruire servizi IA end-to-end, come mostrato in studi sugli utenti in cui i partecipanti hanno creato flussi di lavoro funzionali utilizzando prompt in linguaggio naturale e blocchi modulari.

Studio LLM4FaaS: generare e distribuire applicazioni tramite linguaggio naturale

LLM4FaaS si concentra su un diverso livello dello sviluppo no-code: trasformare descrizioni in linguaggio naturale in applicazioni distribuibili.

Integra un LLM con una piattaforma Function-as-a-Service in modo che gli utenti possano descrivere la funzionalità desiderata, mentre il sistema gestisce automaticamente la generazione del codice, il packaging e la distribuzione.²

I punti chiave includono:

• Gli utenti scrivono descrizioni; il sistema costruisce prompt, genera codice e lo distribuisce senza richiedere alcuna conoscenza tecnica.
• Il backend FaaS rimuove compiti operativi come la configurazione del server o la configurazione del runtime.
• Nelle valutazioni con prompt utente reali, LLM4FaaS ha raggiunto un tasso di successo semantico del 71%, superando una baseline non-FaaS e uno strumento di esecuzione LLM esistente.

IA no-code nei vari settori

Figura 1: Interesse online per l'IA no-code.

Finanza

Le istituzioni finanziarie possono utilizzare strumenti di IA no-code per analisi predittiva, analisi del sentiment, rilevamento di frodi e analisi dei dati dei clienti.

Questi strumenti aiutano a creare modelli predittivi accurati ed eseguire compiti come l'analisi di dati storici, la costruzione di modelli di regressione lineare o l'integrazione dell'IA per la valutazione del rischio, il tutto senza richiedere codice.

Sanità

Le soluzioni di IA no-code aiutano i fornitori di servizi sanitari ad analizzare dati strutturati e non strutturati per la diagnostica dei pazienti, la classificazione delle immagini (es. raggi X o risonanze magnetiche) e l'analisi predittiva. Questo approccio no-code accelera l'adozione dell'IA nella ricerca medica e nelle efficienze operative.

Ad esempio, gli strumenti di IA sanitaria consentono ai fornitori di identificare trattamenti ottimali analizzando i dati dei pazienti, inclusi genetica, stile di vita e anamnesi, per sviluppare piani di cura personalizzati. Questo approccio migliora l'efficacia del trattamento, minimizza gli effetti collaterali e riduce i costi evitando procedure non necessarie.

Vendita al dettaglio ed eCommerce

I rivenditori e le aziende di eCommerce possono utilizzare l'IA no-code per la segmentazione dei clienti, l'analisi del sentiment da dati testuali, modelli predittivi di previsione delle vendite e marketing personalizzato con strumenti di IA generativa.

Ad esempio, la personalizzazione del sito web con IA e machine learning consente la personalizzazione dell'esperienza di acquisto online in base al comportamento e alle preferenze del cliente, come la cronologia degli acquisti e i modelli di navigazione. Offre raccomandazioni di prodotto e messaggi di marketing personalizzati, migliorando le relazioni e la fedeltà dei clienti.

Un altro esempio di utilizzo dell'IA no-code nella vendita al dettaglio è l'implementazione di sistemi di self-checkout. I sistemi di self-checkout aiutano a semplificare le transazioni consentendo ai clienti di completare gli acquisti in modo indipendente. Questi sistemi aiutano ad automatizzare compiti come la scansione degli articoli e l'elaborazione dei pagamenti per un'esperienza di pagamento fluida.

Manifatturiero

Le piattaforme di IA no-code aiutano le aziende manifatturiere ad automatizzare compiti come il rilevamento di oggetti, il rilevamento di anomalie e la manutenzione predittiva utilizzando la visione artificiale e l'apprendimento automatico automatizzato. Questi strumenti possono anche analizzare i dati aziendali e ottimizzare i processi senza bisogno di competenze in data science.

Ad esempio, gli strumenti di IA no-code consentono ai produttori di ottimizzare i processi per una produzione sostenibile. Gli strumenti di process mining aiutano a identificare ed eliminare i colli di bottiglia analizzando le prestazioni tra regioni, fino ai singoli passaggi, inclusi durata, costo e personale.

Queste informazioni consentono ai produttori di semplificare i flussi di lavoro e stabilire sistemi coerenti, garantendo consegne tempestive e accurate nonostante operino più fabbriche in diverse regioni.

Marketing e pubblicità

I marketer possono analizzare i dati per creare campagne mirate utilizzando modelli di IA generativa per la creazione di contenuti, la generazione di immagini e l'elaborazione del linguaggio naturale con strumenti no-code. Questi strumenti consentono loro di gestire i dati dei clienti in modo efficiente e distribuire soluzioni di IA con pochi clic.

Istruzione

Le istituzioni educative possono sfruttare l'IA no-code per sviluppare assistenti IA, analizzare i dati sulle prestazioni degli studenti e integrare l'IA nelle piattaforme di apprendimento.

Ad esempio, ChatGPT aiuta gli insegnanti a migliorare il loro flusso di lavoro offrendo supporto nei controlli grammaticali, nella valutazione della scrittura e nella correzione. Gli insegnanti possono usare ChatGPT per la correzione di bozze dei piani di lezione, fornire feedback sulla scrittura degli studenti e insegnare grammatica e abilità di scrittura.

Inoltre, ChatGPT assiste nella correzione analizzando contenuto, struttura e coerenza nel lavoro degli studenti, offrendo feedback automatizzato e aiutando a creare rubriche di valutazione allineate con gli obiettivi di apprendimento.

Tecnologia e startup

Le startup possono beneficiare di strumenti di IA no-code che consentono loro di prototipare rapidamente modelli di IA, permettendo agli utenti di testare modelli di IA generativa con visione artificiale e processi end-to-end.

Ad esempio, una startup tecnologica può utilizzare strumenti di IA no-code per costruire un chatbot intelligente per automatizzare l'assistenza clienti. Possono addestrare il chatbot a gestire le FAQ, risolvere problemi comuni e inoltrare domande complesse agli agenti umani.

Utilizzando piattaforme no-code, il team può integrare il chatbot con il proprio sito web e i sistemi CRM senza dover scrivere codice.

Logistica e catena di approvvigionamento

Le aziende nel settore della logistica possono utilizzare strumenti no-code per analizzare dati strutturati e non strutturati e prevedere la domanda, ottimizzare i percorsi e gestire l'inventario.

Ad esempio, i robot potenziati dall'IA con visione artificiale possono automatizzare compiti di inventario ripetitivi, come la scansione in tempo reale. Questi robot possono supportare la gestione dell'inventario in magazzini e negozi al dettaglio, migliorando efficienza e precisione.

Qual è il futuro dell'IA no-code

La direzione dell'IA no-code sta diventando più chiara man mano che la ricerca avanza e più strumenti entrano nel mercato. La tendenza generale punta verso piattaforme che supportano compiti più complessi pur rimanendo accessibili agli utenti non tecnici.

Uso crescente di sistemi agentici, multimodali e multi-agente

Nuovi sforzi di ricerca indicano uno spostamento verso sistemi in grado di gestire input più ampi e coordinare più passaggi. Questi sviluppi consentono agli utenti di costruire flussi di lavoro che elaborano testo, immagini e potenzialmente video in un unico ambiente.

Tali flussi di lavoro possono anche avviare azioni piuttosto che fornire previsioni, espandendo la gamma di possibili applicazioni.

Espansione di piattaforme open source e self-hosted

Sempre più team scelgono strumenti che possono distribuire sulla propria infrastruttura. Questo aiuta le organizzazioni a mantenere il controllo dei propri dati, ridurre la dipendenza da fornitori esterni e adattare gli strumenti ai loro requisiti specifici.

La crescita di queste piattaforme offre ai team tecnici maggiore flessibilità, pur supportando interfacce senza codice per gli utenti quotidiani.

Integrazione più profonda nelle operazioni aziendali

L'IA no-code si sta spostando oltre le automazioni isolate. Le organizzazioni stanno iniziando a incorporare questi strumenti in processi più ampi, inclusi sistemi interni, assistenza clienti, analisi e coordinamento del flusso di lavoro.

Miglioramenti nell'usabilità e nell'astrazione

Molte piattaforme stanno lavorando per semplificare l'esperienza utente. Interfacce più chiare, flussi di lavoro guidati e migliori spiegazioni del comportamento del modello aiutano gli utenti a capire cosa sta facendo il sistema.

Allo stesso tempo, gli strumenti mirano a offrire opzioni di configurazione sufficienti per i team che necessitano di maggiore controllo. Bilanciare semplicità e flessibilità rimarrà probabilmente un obiettivo di design chiave.

Principali vantaggi delle soluzioni di IA no-code

Abbassa la barriera all'adozione dell'IA

L'IA no-code consente agli esperti di dominio di sperimentare con l'IA senza aspettare la scarsa capacità di data science o ingegneria. I team di vendita, operazioni, finanza, risorse umane e supporto possono trasformare decisioni ripetute o flussi di lavoro manuali in processi assistiti dall'IA.

Può ridurre i costi di sviluppo iniziali

L'IA no-code può essere più economica dello sviluppo personalizzato perché i team iniziano con interfacce, connettori, modelli e modelli ospitati predefiniti. I risparmi derivano da una prototipazione più rapida, meno passaggi di consegne e meno ingegneria personalizzata per flussi di lavoro comuni.

Tuttavia, non si deve dare per scontato un basso costo. I prezzi possono scalare con postazioni, attività, crediti, token, previsioni o infrastruttura. Un flusso di lavoro economico durante il test può diventare costoso se viene eseguito migliaia di volte al giorno, utilizza modelli di IA premium o richiede funzionalità di sicurezza aziendale.

Accelera la sperimentazione

Gli strumenti di IA no-code aiutano i team a passare rapidamente dall'idea al prototipo. Un utente aziendale può testare un classificatore di supporto, un flusso di lavoro di lead scoring, un chatbot o un processo di instradamento dei documenti prima di chiedere ai team di ingegneria di costruire una versione di produzione.

Aiuta i data scientist e gli sviluppatori a concentrarsi

L'IA no-code può ridurre il numero di richieste semplici e ripetitive che i team di data science e ingegneria ricevono. I team tecnici possono concentrarsi su architettura dei dati, governance, valutazione dei modelli, sistemi di produzione e casi d'uso ad alto rischio mentre gli utenti aziendali gestiscono flussi di lavoro più sicuri e ristretti.

Scopri altri nostri benchmark e approfondimenti basati sui dati nella Ricerca Google.

Aggiungi come fonte preferita

Quali sono le sfide dell'IA no-code?

Limiti di scalabilità

Gli strumenti di IA no-code facilitano la creazione di prototipi e piccole automazioni interne, ma spesso faticano quando il carico di lavoro cresce. Questo accade perché gli utenti hanno poco controllo sull'infrastruttura sottostante. Man mano che i progetti si espandono, i vincoli nascosti della piattaforma diventano più visibili.

I problemi chiave includono:

• Le prestazioni rallentano quando si gestiscono dataset più grandi o volumi di richieste più elevati.
• Limiti del fornitore sulla dimensione dei dati, sul throughput delle API o sui tipi di modello disponibili.
• Impossibilità di modificare l'architettura del sistema, come il pre-processing personalizzato o la logica del flusso di lavoro.
• Mancanza di opzioni di configurazione dettagliate su cui i team tecnici fanno affidamento per mantenere efficienti i grandi sistemi.

Limiti di prestazioni e generalizzazione

Molti strumenti di IA no-code si basano su modelli pre-addestrati o interfacce di addestramento semplificate. Queste scorciatoie aiutano gli utenti non tecnici a iniziare rapidamente, ma limitano anche quanto le prestazioni possano essere spinte per compiti specializzati.

Le limitazioni comuni includono:

• Accesso minimo o nullo ai parametri di fine-tuning oltre ai controlli di alto livello.
• Cicli di addestramento semplificati che limitano la sperimentazione con la progettazione del modello.
• Pipeline di dati ristrette che non possono supportare un'ingegneria delle feature avanzata.
• Rischio più elevato di overfitting quando si lavora con dataset piccoli o ristretti.

Governance, sicurezza e "shadow IA"

L'IA no-code abilita gli sviluppatori cittadini, ma può anche creare shadow IA: flussi di lavoro, agenti e assistenti costruiti al di fuori della supervisione IT. I rischi includono l'esposizione di dati sensibili, l'uso di modelli non approvati, automazioni duplicate, logiche aziendali contrastanti e flussi di lavoro che prendono decisioni senza responsabilità.

I team aziendali dovrebbero definire chi può costruire, pubblicare, connettere fonti di dati, utilizzare API esterne e spostare i flussi di lavoro IA in produzione.

Human-in-the-loop e bias

L'IA no-code non elimina la necessità di una revisione umana. Gli utenti aziendali potrebbero essere meno attrezzati per rilevare distorsioni del modello, allucinazioni, perdite di dati o overfitting. I flussi di lavoro ad alto impatto dovrebbero includere soglie di confidenza, regole di escalation, campionamento, approvazioni umane e controlli di qualità periodici.

Quali sono le differenze tra AutoML e IA no-code?

AutoML e IA no-code sono entrambi strumenti progettati per semplificare lo sviluppo di modelli di IA e machine learning (ML), ma servono gruppi di utenti e scopi diversi, con distinzioni chiave:

Pubblico target

• AutoML: Principalmente rivolto a data scientist e utenti tecnici che hanno esperienza in data science e machine learning.
• IA No-Code: Per utenti senza conoscenze tecniche, come analisti aziendali, educatori, professionisti delle risorse umane, team di vendita e marketing.

Complessità vs semplicità

• AutoML: Offre trasparenza e controllo sull'intera pipeline di ML, inclusa la pre-elaborazione dei dati, l'ingegneria delle feature, la selezione del modello e l'ottimizzazione degli iperparametri. Questa complessità consente ai data scientist di personalizzare e perfezionare i modelli per soddisfare esigenze specifiche.
• IA No-Code: Semplifica il processo astraendo i dettagli della pipeline di ML. Gli utenti interagiscono con interfacce visive facili da usare per uno sviluppo rapido del modello senza complessità tecnica.

Flessibilità vs facilità d'uso

• AutoML: Fornisce maggiore flessibilità per personalizzazione avanzata e fine-tuning, rendendolo adatto a progetti complessi che richiedono un controllo preciso.
• IA No-Code: Privilegia la facilità d'uso e l'accessibilità, rendendolo ideale per casi d'uso semplici ma meno personalizzabile per requisiti avanzati o sfumati.

Ideale per

• AutoML: Utenti esperti che vogliono gestire compiti ripetitivi nello sviluppo di ML mantenendo la capacità di modificare aspetti specifici della pipeline.
• IA No-Code: Utenti non tecnici che hanno bisogno di sviluppare rapidamente soluzioni di IA, come modelli predittivi o analisi dei dati, senza immergersi nei dettagli tecnici.

FAQ

Cita questa ricerca

Scegli il formato adatto a dove pubblicherai. Incollare la versione con link nel tuo CMS preserva il backlink.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{IA No-Code: Vantaggi, Settori e Differenze Chiave}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/no-code-ai}},
  note   = {AIMultiple. Consultato il 23 Giugno 2026}
}

Collegamenti di riferimento

1.

https://arxiv.org/pdf/2508.02470

2.

https://arxiv.org/pdf/2502.14450

Cem Dilmegani

Analista principale

Segui

Cem è il principale analista presso AIMultiple dal 2017. AIMultiple informa centinaia di migliaia di aziende (secondo similarWeb) incluso il 55% di Fortune 500 ogni mese. Il lavoro di Cem è stato citato da importanti pubblicazioni globali tra cui Business Insider, Forbes, Washington Post, aziende globali come Deloitte, HPE e ONG come il World Economic Forum e organizzazioni sovranazionali come la Commissione Europea. Puoi vedere altre aziende e risorse affidabili che hanno fatto riferimento a AIMultiple. Nell'arco della sua carriera, Cem ha lavorato come consulente tecnologico, acquirente tecnologico e imprenditore tecnologico. Ha consigliato le imprese sulle loro decisioni tecnologiche presso McKinsey & Company e Altman Solon per oltre un decennio. Ha anche pubblicato un rapporto McKinsey sulla digitalizzazione. Ha guidato la strategia tecnologica e l'approvvigionamento di un'azienda di telecomunicazioni riportando al CEO. Ha anche guidato la crescita commerciale della società deep tech Hypatos che ha raggiunto un fatturato annuo ricorrente a 7 cifre e una valutazione a 9 cifre partendo da 0 in 2 anni. Il lavoro di Cem in Hypatos è stato seguito da importanti pubblicazioni tecnologiche come TechCrunch e Business Insider. Cem parla regolarmente a conferenze tecnologiche internazionali. Si è laureato in ingegneria informatica presso l'Università Bogazici e possiede un MBA della Columbia Business School.

Visualizza il profilo completo

Ricercato da

Sıla Ermut

Analista di settore

Segui

Sıla Ermut è un'analista di settore presso AIMultiple specializzata in email marketing e video di vendita. In precedenza ha lavorato come recruiter in società di project management e consulenza. Sıla possiede una Laurea Magistrale in Psicologia Sociale e una Laurea triennale in Relazioni Internazionali.

Visualizza il profilo completo

Commenti 1

Condividi i tuoi pensieri

Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori. I commenti vengono lasciati nella loro lingua originale.

Nome

Indirizzo e-mail

Commento

0/450

Pubblica un commento

Evgeniy Mamchenko

Jun 02, 2021 at 13:41

You can try transfer learning for image classification without writing any code in an Android app called Pocket AutoML. It trains a model right on your phone without sending your photos to some "cloud" so it can even work offline.

Rispondere