AutoML hangi görevleri kötü çözüyor (küçük veri, standart olmayan alan bilgisi)?

AutoML, şu durumlarda zorlanır:

• Küçük veri setleri (small data): Otomatik yöntemler, modelleri eğitmek ve doğrulamak için yeterli miktarda veriye ihtiyaç duyar. Az veriyle, modeller aşırı uyum sağlayabilir ve AutoML, uygun düzenleme tekniklerini seçme veya ek özellikler oluşturma konusunda her zaman etkili değildir.

• Standart olmayan alan bilgisi: AutoML genellikle genel kalıplar ve standart özellikler üzerine odaklanır. Eğer görev, alanın özgünlüğünü derinlemesine anlamayı, karmaşık özellik mühendisliğini veya standart olmayan model mimarilerini gerektiriyorsa, AutoML bir uzmanı yerine geçemez.

• Karmaşık özelleştirilmiş metrikler ve iş kısıtlamaları: Otomasyon, genellikle benzersiz iş gereksinimlerini dikkate almaz, bunlar formalize edilmesi zor olabilir.

Bu nedenle, AutoML yeterli veri hacmiyle tipik görevler için uygundur, ancak küçük veri setleri ve derin alan bilgisi gerektiren uzmanlık alanları için uygun değildir.