Кои задачи AutoML решава зле (малки данни, нестандартни знания за домейна)?

AutoML има затруднения при задачи, при които:

• Малки обеми данни (small data): Автоматичните методи изискват достатъчно количество данни за обучение и валидиране на модели. При малко данни моделите могат да се пренастроят прекалено, а AutoML не винаги е ефективен при избора на подходящи техники за регуляризация или при генерирането на допълнителни характеристики.

• Нестандартни знания за областта: AutoML обикновено е насочен към общи модели и стандартни характеристики. Ако задачата изисква дълбоко разбиране на спецификата на областта, сложна инженерия на характеристики или нестандартни архитектури на модели, AutoML не може да замести експерт.

• Сложни персонализирани метрики и бизнес ограничения: Автоматизацията често не взема предвид уникалните изисквания на бизнеса, които са трудни за формализиране.

Следователно, AutoML е подходящ за типични задачи с достатъчен обем данни, но не за специализирани, с малки данни и изискващи дълбоки знания за областта.