Koje zadatke AutoML loše rešava (mali podaci, nestandardna znanja o domenu)?

AutoML ima poteškoće sa zadacima gde:

• Mali obim podataka (small data): Automatske metode zahtevaju dovoljan broj podataka za obuku i validaciju modela. Sa malo podataka, modeli mogu prekomerno da se prilagode, a AutoML nije uvek efikasan u izboru odgovarajućih tehnika regularizacije ili generisanju dodatnih karakteristika.

• Nestandardna znanja iz domena: AutoML je obično fokusiran na opšte obrasce i standardne karakteristike. Ako zadatak zahteva duboko razumevanje specifičnosti domena, složenu inženjeriju karakteristika ili nestandardne arhitekture modela, AutoML ne može zameniti stručnjaka.

• Složene prilagođene metrike i poslovna ograničenja: Automatizacija često ne uzima u obzir jedinstvene zahteve poslovanja, koji su teško formalizovati.

Stoga, AutoML je pogodan za tipične zadatke sa dovoljnim obimom podataka, ali nije za specijalizovane, sa malim podacima i zahtevaju duboko znanje o domenu.