Welke taken lost AutoML slecht op (kleine data, niet-standaard domeinkennis)?

AutoML heeft moeite met taken waarbij:

• Kleine hoeveelheden gegevens (small data): Automatische methoden vereisen voldoende gegevens om modellen te trainen en te valideren. Bij weinig gegevens kunnen modellen overfitten, en AutoML is niet altijd effectief in het kiezen van geschikte regularisatietechnieken of het genereren van extra kenmerken.

• Niet-standaard domeinkennis: AutoML richt zich meestal op algemene patronen en standaardkenmerken. Als de taak een diepgaand begrip van de domeinspecificiteit, complexe feature engineering of niet-standaard modelarchitecturen vereist, kan AutoML geen vervanging zijn voor een expert.

• Complexe aangepaste metrics en zakelijke beperkingen: Automatisering houdt vaak geen rekening met unieke zakelijke vereisten, die moeilijk te formaliseren zijn.

Dus, AutoML is geschikt voor typische taken met voldoende gegevens, maar niet voor gespecialiseerde taken met weinig gegevens en die diepe domeinkennis vereisen.