IA no-code: vantaggi, settori e differenze chiave

Gli strumenti di IA no-code consentono agli utenti di creare, addestrare o distribuire applicazioni di IA senza scrivere codice. Queste piattaforme si basano in genere su interfacce drag-and-drop, prompt in linguaggio naturale, procedure guidate di configurazione o builder visuali di flussi di lavoro. Questo approccio abbassa la barriera all'ingresso e rende lo sviluppo dell'IA accessibile agli utenti senza competenze di programmazione.

Recentemente, l'IA no-code si è ampliata ben oltre la semplice automazione e i prototipi in fase iniziale. Molte piattaforme supportano ora 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 attività anziché limitarsi a generare output.

Scopri le principali applicazioni di settore, le piattaforme no-code leader e le differenze critiche rispetto ad AutoML.

Che cos'è l'IA no-code?

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

La categoria comprende diversi tipi di prodotto:

• Builder 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, previsioni, classificazione di documenti, classificazione di immagini.
• Strumenti di automazione e flussi di lavoro con agenti: Flussi di lavoro multi-step che instradano i dati, chiamano API, riassumono testi, classificano input o attivano azioni.
• Builder 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 builder di app “no-code” generano vero codice sorgente, espongono integrazioni con GitHub o consentono modifiche manuali al codice. Questi strumenti sono spesso meglio descritti come no-code per la prima realizzazione 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 in diverse capacità di IA, tra cui modelli linguistici, visione, automazione e analisi:

Piattaforme basate su LLM

ChatGPT Custom GPTs (OpenAI)

Crea assistenti IA personalizzati con comportamento, tono o conoscenze specifici. Configurali tramite istruzioni in linguaggio naturale e caricamenti di file.

Flowise

Un builder visuale drag-and-drop per creare app basate su modelli linguistici di grandi dimensioni (ad es. chatbot, agenti, pipeline RAG) utilizzando LangChain sotto il cofano. Ideale per la prototipazione.

MagickML

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

MindStudio

Fornisce accesso a 200+ modelli di IA tramite un'interfaccia visiva, consentendo agli utenti di creare flussi di lavoro senza gestire chiavi API o fatturazione separate per ciascun provider.

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

Strumenti di dati no-code e IA predittiva

Levity

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

Obviously.IA

Carica il tuo dataset e genera previsioni (ad es. abbandono dei clienti, previsione delle vendite).

Automazione e flussi di lavoro

Creatio

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

Attraverso il suo IA Command Center, le organizzazioni possono progettare, distribuire e gestire agenti IA senza scrivere codice, mantenendo al contempo piena visibilità e governance sull'uso dell'IA. Creatio fornisce inoltre agenti IA predefiniti e personalizzabili per vendite, marketing e assistenza, aiutando i team ad automatizzare attività, orchestrare flussi di lavoro e generare approfondimenti in tutta l'impresa.

Bardeen

Una piattaforma di automazione del browser che combina agenti IA e automazione no-code per attività ripetitive come report, smistamento delle email e pianificazione.

Make.com (ex Integromat)

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

Le funzionalità includono agenti IA nativi con pannelli di orchestrazione visiva e ragionamento, un modulo IA Web Search, l'integrazione del client MCP per l'uso standardizzato degli strumenti e l'assistente IA Maia per aiutare a creare automazioni con linguaggio naturale.

Zapier IA

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

Vibe coding/Builder 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, storage, pagamenti) e la logica frontend a partire dall'inglese semplice.

Include funzionalità basate sull'IA come la chat del builder e la modalità discussione; infrastrutture di base come la gestione del database, l'archiviazione dei file, i sistemi email e l'elaborazione dei pagamenti; e strumenti di gestione delle app come domini personalizzati, automazione dei flussi di lavoro e analisi.

Lovable

Lovable.dev è un web builder 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, un backend, un database, autenticazione e integrazioni funzionanti, con codice reale modificabile e opzioni di distribuzione.

Bolt.new (di StackBlitz)

Builder di app IA basato su browser che utilizza Claude per generare applicazioni full-stack a partire da prompt di testo 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: builder di agenti citizen più capaci

Ricerche recenti mostrano che gli strumenti no-code stanno diventando più capaci abbinando interfacce in linguaggio naturale all'orchestrazione basata su agenti. Ciò consente ai non esperti di creare 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 attività, estraggono dati e azioni e associano tali azioni agli strumenti giusti.¹

Le funzionalità notevoli includono:

• Convertire input formulati in modo approssimativo in passaggi chiari e ordinati.
• Identificare dati, azioni e contesto direttamente dal linguaggio naturale e visualizzarli.
• Associare automaticamente le azioni descritte dall'utente a API o modelli adatti.
• Consentire ai non esperti di creare servizi IA end-to-end, come dimostrato dagli studi con 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, così gli utenti possono descrivere la funzionalità desiderata, mentre il sistema gestisce automaticamente generazione del codice, pacchettizzazione e 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 elimina attività operative come la configurazione del server o del runtime.
• Nelle valutazioni con prompt reali degli utenti, LLM4FaaS ha raggiunto un tasso di superamento semantico del 71%, superando una baseline non FaaS e uno strumento di esecuzione LLM esistente.

L'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 predittive, analisi del sentiment, rilevamento delle frodi e analisi dei dati dei clienti.

Questi strumenti aiutano a creare modelli predittivi accurati ed eseguire attività come l'analisi dei dati storici, la creazione 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 gli operatori sanitari ad analizzare dati strutturati e non strutturati per la diagnostica dei pazienti, la classificazione delle immagini (ad es. radiografie o risonanze magnetiche) e l'analisi predittiva. Questo approccio no-code accelera l'adozione dell'IA nella ricerca medica e nell'efficienza operativa.

Ad esempio, gli strumenti di IA sanitaria consentono agli operatori di identificare i 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 dettaglianti e le aziende 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 apprendimento automatico consente di personalizzare l'esperienza di acquisto online in base al comportamento e alle preferenze dei clienti, come lo storico 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 nel retail 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 autonomamente. Questi sistemi aiutano ad automatizzare attività come la scansione degli articoli e l'elaborazione dei pagamenti per un'esperienza di cassa fluida.

Manifatturiero

Le piattaforme di IA no-code aiutano manifatturiere aziende ad automatizzare attività come il rilevamento di oggetti, il rilevamento di anomalie e la manutenzione predittiva utilizzando la visione artificiale e l'apprendimento automatico. Questi strumenti possono anche analizzare i dati aziendali e ottimizzare i processi senza necessità di competenze di 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 le 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 puntuali e accurate nonostante la gestione di più stabilimenti in regioni diverse.

Marketing e pubblicità

Gli esperti di marketing 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 nel controllo grammaticale, nella valutazione della scrittura e nella correzione. Gli insegnanti possono usare ChatGPT per rileggere i piani di lezione, fornire feedback sulla scrittura degli studenti e insegnare competenze grammaticali e di scrittura.

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

Tecnologia e startup

Le startup possono trarre vantaggio dagli strumenti di IA no-code che consentono 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 usare strumenti di IA no-code per creare un chatbot intelligente per automatizzare l'assistenza clienti. Può addestrare il chatbot a gestire le FAQ, risolvere problemi comuni e inoltrare richieste complesse a operatori 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 del settore logistico 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 bot basati sull'IA con visione artificiale possono automatizzare attività di inventario ripetitive, come la scansione in tempo reale. Questi bot possono supportare la gestione dell'inventario in magazzini e negozi al dettaglio, migliorando efficienza e precisione.

Cosa riserva il futuro all'IA no-code?

La direzione dell'IA no-code sta diventando più chiara con l'avanzare della ricerca e l'ingresso di nuovi strumenti sul mercato. La tendenza generale punta verso piattaforme che supportano compiti più complessi pur restando accessibili agli utenti non tecnici.

Crescente utilizzo 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 creare flussi di lavoro che elaborano testo, immagini e potenzialmente video in un unico ambiente.

Tali flussi di lavoro possono anche avviare azioni invece di fornire previsioni, ampliando la gamma di possibili applicazioni.

Espansione delle piattaforme open source e auto-ospitabili

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 alle proprie esigenze specifiche.

La crescita di queste piattaforme offre ai team tecnici una flessibilità aggiuntiva, pur continuando a supportare interfacce senza codice per gli utenti quotidiani.

Integrazione più profonda nelle operazioni aziendali

L'IA no-code sta andando oltre le automazioni isolate. Le organizzazioni stanno iniziando a incorporare questi strumenti in processi più ampi, inclusi sistemi interni, assistenza clienti, analisi e coordinamento dei flussi 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 fa 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 progettazione 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 attendere capacità scarse di data science o ingegneria. I team di vendita, operazioni, finanza, risorse umane e assistenza possono trasformare decisioni ripetute o flussi di lavoro manuali in processi assistiti dall'IA.

Può ridurre i costi iniziali di sviluppo

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

Tuttavia, non si deve dare per scontato un costo basso. I prezzi possono scalare in base a postazioni, attività, crediti, token, previsioni o infrastruttura. Un flusso di lavoro economico durante i 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 assistenza, un flusso di lavoro di lead scoring, un chatbot o un processo di instradamento dei documenti prima di chiedere ai team di ingegneria di realizzare una versione di produzione.

Aiuta data scientist e 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.

Non perderti i nostri benchmark e approfondimenti basati sui dati. Il pulsante apre Google; selezionare AIMultiple conferma che desideri vedere AIMultiple più spesso nei risultati di ricerca di Google.

Aggiungi come fonte preferita

Quali sono le sfide dell'IA no-code?

Limiti di scalabilità

Gli strumenti di IA no-code rendono facile creare prototipi e piccole automazioni interne, ma spesso incontrano difficoltà quando il carico di lavoro cresce. Ciò accade perché gli utenti hanno poco controllo sull'infrastruttura sottostante. Con l'espansione dei progetti, i vincoli nascosti della piattaforma diventano più visibili.

I problemi principali includono:

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

Limiti di prestazioni e generalizzazione

Molti strumenti di IA no-code si basano su modelli preaddestrati o interfacce di addestramento semplificate. Queste scorciatoie aiutano gli utenti non tecnici a iniziare rapidamente, ma limitano anche quanto si possono spingere le prestazioni 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 supportano l'ingegneria delle feature avanzata.
• Maggiore rischio di overfitting quando si lavora con dataset piccoli o ristretti.

Governance, sicurezza e “shadow IA”

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

I team aziendali dovrebbero definire chi può creare, pubblicare, collegare fonti di dati, utilizzare API esterne e portare i flussi di lavoro IA in produzione.

Human-in-the-loop e bias

L'IA no-code non elimina la necessità di revisione umana. Gli utenti aziendali potrebbero essere meno attrezzati per rilevare bias 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 periodici della qualità.

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 intelligenza artificiale (IA) e machine learning (ML), ma si rivolgono a gruppi di utenti e scopi diversi, con distinzioni chiave:

Pubblico target

• AutoML: Rivolto principalmente a data scientist e utenti tecnici che hanno competenze in data science e machine learning.
• IA No-Code: Per utenti senza conoscenze tecniche, come analisti aziendali, educatori, professionisti HR, team di vendita e marketing.

Complessità vs semplicità

• AutoML: Offre trasparenza e controllo sull'intera pipeline 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 ML. Gli utenti interagiscono con interfacce visive facili da usare per uno sviluppo rapido dei modelli senza complessità tecnica.

Flessibilità vs facilità d'uso

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

Ideale per

• AutoML: Utenti esperti che desiderano gestire le attività ripetitive nello sviluppo ML mantenendo la possibilità di modificare aspetti specifici della pipeline.
• IA No-Code: Utenti non tecnici che devono sviluppare rapidamente soluzioni di IA, come modelli predittivi o analisi dei dati, senza entrare 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  = aug,
  howpublished    = {\url{https://aimultiple.com/no-code-ai}},
  note   = {AIMultiple. Consultato il 21 agosto 2026}
}

Registro delle modifiche

11 aggiornamenti

2026202520232022

1. 23 giu

   Aggiunta una sezione "Che cos'è l'IA no-code?" che classifica i tipi di piattaforma prima dell'elenco delle piattaforme di IA no-code.

2. 17 feb

   Aggiunto MindStudio alle piattaforme basate su LLM.

Collegamenti di riferimento

1.

AIAP: A No-Code Workflow Builder for Non-Experts with Natural Language and Multi-Agent Collaboration

2.

LLM4FaaS: No-Code Application Development using LLMs and FaaS

Cem Dilmegani

Analista principale

Segui

Cem è analista principale presso AIMultiple dal 2017.

Il lavoro di Cem presso AIMultiple è stato citato da importanti testate internazionali tra cui Business Insider, Forbes, Morning Brew e Washington Post, da aziende globali come Deloitte e HPE, da ONG come il World Economic Forum e da organizzazioni sovranazionali come la Commissione europea. [1], [2], [3], [4], [5]

Nel corso della sua carriera, Cem ha lavorato come consulente tecnologico, acquirente tecnologico e imprenditore tecnologico. Ha consigliato le aziende sulle loro decisioni tecnologiche presso McKinsey & Company e Altman Solon per più di un decennio. Ha inoltre pubblicato un report McKinsey sulla digitalizzazione.

Ha guidato la strategia tecnologica e gli approvvigionamenti di una società di telecomunicazioni rispondendo direttamente al CEO. Ha inoltre guidato la crescita commerciale dell'azienda deep tech Hypatos, che ha raggiunto ricavi ricorrenti annuali a 7 cifre e una valutazione a 9 cifre partendo da zero in 2 anni. Il lavoro di Cem in Hypatos è stato ripreso da importanti testate tecnologiche come TechCrunch e Business Insider.

Cem interviene regolarmente a conferenze tecnologiche internazionali. Si è laureato come ingegnere informatico presso l'Università di 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 e si occupa di modelli di IA, infrastrutture di IA, governance dell'IA e applicazioni aziendali dell'IA. La sua ricerca si concentra principalmente sull'uso dell'IA nel marketing, nella sanità, nelle catene di approvvigionamento e nella sostenibilità.
In precedenza ha lavorato come reclutatrice in società di project management e consulenza. Sıla ha conseguito un Master of Science in Psicologia Sociale e un Bachelor of Arts 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