¿Qué tareas maneja mal AutoML (datos pequeños, conocimientos de dominio no estándar)?

AutoML tiene dificultades con tareas donde:

• Datos pequeños (small data): Los métodos automáticos requieren una cantidad suficiente de datos para entrenar y validar modelos. Con pocos datos, los modelos pueden sobreajustarse, y AutoML no siempre es efectivo en la selección de técnicas de regularización o en la generación de características adicionales.

• Conocimientos especializados no estándar: AutoML generalmente se orienta a patrones generales y características estándar. Si la tarea requiere una comprensión profunda de la especificidad del dominio, ingeniería de características compleja o arquitecturas de modelos no estándar, AutoML no podrá reemplazar a un experto.

• Métricas personalizadas complejas y restricciones comerciales: La automatización a menudo no considera requisitos comerciales únicos, que son difíciles de formalizar.

Por lo tanto, AutoML es adecuado para tareas típicas con suficiente volumen de datos, pero no para tareas especializadas, con datos pequeños y que requieren conocimientos profundos del dominio.