AutoML რა დავალებებს ცუდად ხსნის (პატარა მონაცემები, ნორმალური დომენის ცოდნა)?

AutoML ქვედა სირთულეებს აწყდება, სადაც:

• პატარა მონაცემები (small data): ავტომატური მეთოდები საჭიროებს საკმარის რაოდენობას მონაცემების მოდელების სწავლებისა და ვალიდაციისთვის. მცირე მონაცემებით, მოდელები შეიძლება გადამეტდნენ, და AutoML ყოველთვის არ არის ეფექტური შესაბამისი რეგულაციის ტექნიკების არჩევაში ან დამატებითი თვისებების შექმნაში.

• სტანდარტი არარეალური დომენის ცოდნა: AutoML ჩვეულებრივ ორიენტირებულია ზოგად ნიმუშებსა და სტანდარტულ თვისებებზე. თუ დავალება მოითხოვს დომენის სიღრმისეულ გაგებას, რთულ თვისებათა ინჟინერიას ან არასტანდარტულ მოდელურ არქიტექტურებს, AutoML ვერ შეცვლის ექსპერტს.

• სირთული პერსონალიზებული მეტრიკები და ბიზნეს შეზღუდვები: ავტომატიზაცია ხშირად არ განიხილავს უნიკალურ ბიზნეს მოთხოვნებს, რომლებიც სირთულეა ფორმალიზება.

ამიტომ, AutoML შესაფერისია ტიპიურ დავალებებზე, სადაც მონაცემთა მოცულობა საკმარისია, მაგრამ არა სპეციალიზებულ, მცირე მონაცემებით და სიღრმისეულ დომენის ცოდნას საჭიროებელ დავალებებზე.