Que tarefas o AutoML resolve mal (dados pequenos, conhecimentos de domínio não padrão)?

O AutoML tem dificuldades com tarefas onde:

• Dados pequenos (small data): Métodos automáticos requerem uma quantidade suficiente de dados para treinar e validar modelos. Com poucos dados, os modelos podem sobreajustar, e o AutoML nem sempre é eficaz na seleção de técnicas de regularização ou na geração de características adicionais.

• Conhecimentos especializados não padrão: O AutoML geralmente é orientado a padrões gerais e características padrão. Se a tarefa exigir uma compreensão profunda da especificidade do domínio, engenharia de características complexa ou arquiteturas de modelos não padrão, o AutoML não poderá substituir um especialista.

• Métricas personalizadas complexas e restrições comerciais: A automação muitas vezes não considera requisitos comerciais únicos, que são difíceis de formalizar.

Portanto, o AutoML é adequado para tarefas típicas com volume suficiente de dados, mas não para tarefas especializadas, com poucos dados e que requerem conhecimentos profundos do domínio.