Quelles tâches l'AutoML gère-t-il mal (petites données, connaissances de domaine non standard) ?

AutoML a du mal à gérer les tâches où :

• Petits volumes de données (small data) : Les méthodes automatiques nécessitent une quantité suffisante de données pour entraîner et valider les modèles. Avec peu de données, les modèles peuvent surajuster, et AutoML n'est pas toujours efficace pour choisir les bonnes techniques de régularisation ou générer des caractéristiques supplémentaires.

• Connaissances spécifiques non standard : AutoML est généralement orienté vers des modèles et caractéristiques standards. Si la tâche nécessite une compréhension approfondie du domaine, une ingénierie de caractéristiques complexe ou des architectures de modèles non standard, AutoML ne pourra pas remplacer un expert.

• Métriques personnalisées complexes et contraintes commerciales : L'automatisation ne prend souvent pas en compte les exigences commerciales uniques, difficiles à formaliser.

Ainsi, AutoML convient aux tâches typiques avec un volume de données suffisant, mais pas aux tâches spécialisées, avec peu de données et nécessitant une connaissance approfondie du domaine.