Որ խնդիրները վատ է լուծում AutoML-ը (փոքր տվյալներ, ոչ ստանդարտ դոմենային գիտելիքներ)?

AutoML դժվարություններ ունի այն խնդիրներում, որտեղ:

• Փոքր տվյալների ծավալ (small data): Ավտոմատ մեթոդները պահանջում են բավարար տվյալներ մոդելների ուսուցման և վավերացման համար: Փոքր տվյալների դեպքում մոդելները կարող են գերագնահատել, և AutoML-ը չի միշտ արդյունավետ ընտրում համապատասխան ռեգուլյարիզացիոն տեխնիկան կամ ավելացնող հատկանիշների ստեղծումը:

• Անստանդարտ ոլորտային գիտելիքներ: AutoML-ը սովորաբար կենտրոնացած է ընդհանուր նմուշների և ստանդարտ հատկանիշների վրա: Եթե խնդիրն պահանջում է ոլորտի խորքային ըմբռնում, բարդ հատկանիշների ինժեներություն կամ անստանդարտ մոդելային ճարտարապետություններ, AutoML-ը չի կարող փոխարինել փորձագետին:

• Ավելորդ բարդ անհատականացված չափանիշներ և բիզնեսի սահմանափակումներ: Ավտոմատիզացումը հաճախ չի հաշվի առնում բիզնեսի յուրահատուկ պահանջները, որոնք դժվար է ֆորմալացնել:

Հետևաբար, AutoML-ը լավ է համապատասխանում սովորական խնդիրների համար, որոնց տվյալների ծավալը բավարար է, բայց ոչ մասնագիտացված, փոքր տվյալներով և խորքային գիտելիքներ պահանջող խնդիրների համար։