Welche Aufgaben löst AutoML schlecht (kleine Daten, nicht standardmäßiges Domänenwissen)?

AutoML hat Schwierigkeiten bei Aufgaben, bei denen:

• Kleine Datenmengen (small data): Automatische Methoden benötigen eine ausreichende Menge an Daten, um Modelle zu trainieren und zu validieren. Bei kleinen Datenmengen können Modelle überanpassen, und AutoML ist nicht immer effektiv bei der Auswahl geeigneter Regularisierungstechniken oder der Generierung zusätzlicher Merkmale.

• Nicht standardisierte domänenspezifische Kenntnisse: AutoML ist in der Regel auf allgemeine Muster und Standardmerkmale ausgerichtet. Wenn die Aufgabe ein tiefes Verständnis der Domänenspezifik, komplexe Feature-Engineering oder nicht standardmäßige Modellarchitekturen erfordert, kann AutoML keinen Experten ersetzen.

• Komplexe benutzerdefinierte Metriken und geschäftliche Einschränkungen: Automatisierung berücksichtigt oft nicht die einzigartigen Geschäftsanforderungen, die schwer zu formalisieren sind.

Daher ist AutoML gut geeignet für typische Aufgaben mit ausreichendem Datenvolumen, aber schlecht für spezialisierte, kleine Datensätze und Aufgaben, die tiefgehendes Domänenwissen erfordern.