Kuras uzdevumus AutoML slikti risina (mazs datu apjoms, nestandartiskas domēna zināšanas)?

AutoML saskaras ar grūtībām uzdevumos, kur:

• Mazs datu apjoms (small data): Automātiskās metodes prasa nepieciešamu datu daudzumu modeļu apmācībai un validācijai. Ar maz datu modeļi var pārāk pielāgoties, un AutoML ne vienmēr ir efektīvs, izvēloties piemērotas regulēšanas tehnikas vai ģenerējot papildu raksturlielumus.

• Nestandarta nozares zināšanas: AutoML parasti ir orientēts uz kopējiem modeļiem un standarta raksturlielumiem. Ja uzdevums prasa dziļu nozares specifikas izpratni, sarežģītu raksturlielumu inženieriju vai nestandarta modeļu arhitektūras, AutoML nevar aizstāt ekspertu.

• Sarežģītas pielāgotas metriku un biznesa ierobežojumi: Automatizācija bieži neņem vērā unikālas biznesa prasības, kuras ir grūti formalizēt.

Tādēļ AutoML ir piemērots tipiskiem uzdevumiem ar pietiekamu datu apjomu, bet ne specializētiem, ar maz datu un prasa dziļas nozares zināšanas uzdevumiem.