Milyen feladatokat nem jól old meg az AutoML (kis adatok, nem szabványos domain tudás)?

Az AutoML nehézségekbe ütközik olyan feladatoknál, ahol:

• Kis adatmennyiség (small data): Az automatikus módszerek elegendő adatot igényelnek a modellek tanításához és validálásához. Kevés adat esetén a modellek túlilleszthetnek, és az AutoML nem mindig hatékony a megfelelő regularizációs technikák kiválasztásában vagy további jellemzők generálásában.

• Nem szabványos szakterületi ismeretek: Az AutoML általában általános mintákra és szabványos jellemzőkre összpontosít. Ha a feladat mély megértést igényel a szakterület sajátosságairól, összetett jellemzőkészítésről vagy nem szabványos modellezési architektúrákról, az AutoML nem helyettesítheti a szakértőt.

• Bonyolult egyedi metrikák és üzleti korlátozások: Az automatizálás gyakran nem veszi figyelembe az egyedi üzleti követelményeket, amelyek formalizálása nehéz lehet.

Ezért az AutoML alkalmas a tipikus feladatokra, ahol elegendő adat áll rendelkezésre, de nem a speciális, kis adatmennyiséget igénylő, mély szakterületi ismereteket követelő feladatokra.