#7 - No-code i Low-code – jak tanio i skutecznie wdrażać AI?

I tak jak powiedziałeś, na przykład wykorzystanie takiego longchain'a czy longflow'a czy jakiejkolwiek innej platformy jest tego rodzaju właśnie poziomem abstrakcji. No bo to, co się liczy dla nas finalnie, to jest to, żeby rozwiązać problem, a nie żeby chwalić się, jak nisko technologicznie potrafimy zejść i napisać serwer w C od 0 na przykład. Mam wrażenie, że jeszcze do tego, o czym mówisz, trzeba dodać jedną bardzo ważną rzecz, która rozróżnia z punktu widzenia biznesowego no-code od low-codu. Jest to abonament, licencja, bo o ile w przypadku low-code spotykamy się Z podejściem narzędzi open source'owych, które możemy użyć, bo tak naprawdę one pomogą nam wytworzyć znaczącą ilość kodu, ale są ogólnodostępne, nie wymagają płacenia, po prostu stawiamy infrastrukturę i płacimy, nie wiem, za klucz API, czyli za te tokeny, że używamy na przykład GPT czy LAMy czy innego modelu EjAjowego, tam płacimy za zużycie jakby tej mocy obliczeniowej.

I tutaj na przykład podejście w stylu zbudujmy sami coś od zera, choć wykorzystajmy platformę low-codową i dołóżmy od siebie trochę serca, może przynieść po prostu lepszy rezultat. Więc kończę z tą przedługą wypowiedź. Jeżeli nasz problem jest dobrze zdefiniowany, jest to już znany problem, czyli jeżeli możemy znaleźć gotowe rozwiązania w znanych platformach, To wydaje mi się, że podejście, w którym po prostu sprawdzimy to rozwiązanie i damy im szansę za niewielką ilość najpewniej pieniędzy jest najprawdopodobniej sposobne, bo tryby też szybko sprawdzimy i szybko dostaniemy walidację, czy to rozwiązanie spełnia nasze kryteria. Natomiast jeżeli nasz problem jest poważniejszy i zakładając, że posiadamy budżet, aby sprawdzić, czy możemy taki problem rozwiązać, to pewnie podejście byłoby takie, że dzielimy sobie ten problem na mniejsze podproblemy.