自动化技术的成功应用大大减少了人工任务。它管理基础设施，释放人力资源，专注于有价值的任务。AutoML或自动机器学习对机器学习也有同样的作用。AutoML通常指的是将机器学习集成到现实世界问题的过程自动化的能力，从而消除了对数据科学家的需求。但这并不意味着它将取代数据科学家，因为当谈到AutoML时，这已成为一个常见的问题。然而，它将有助于推动数据科学工作流程，帮助数据科学家，让他们把宝贵的时间集中在更具挑战性、创造性和难以自动化的任务上。
在现代机器学习系统中，经常听到人们把它称为“黑盒”。然而，在过去的几年里，系统已经开始偏离它，而是使用更简单的模型，更容易解释。由于复杂的模型很难解释，因此很难知道模型何时引入了偏差。这就是AutoML的用武之地，通过隐藏模型的数学模型并执行数据清理、特征选择、模型选择和参数选择，加剧了黑盒模型的问题。
根据福布斯的一篇文章，第一代AutoML平台的重点是自动化数据科学过程中的机器学习部分。然而，传统数据科学工作流程中最具挑战性的部分之一是称为特征工程的高度手动步骤。它主要涉及连接数据源和创建一个平面的“特征表”，其中包含一组丰富多样的“特征”，这些特征是根据多个ML算法进行评估的。特性工程的挑战在于，它需要更高水平的领域专业知识来构思新特性。当特征被评估、拒绝或选择时，它是非常迭代的。然而，最近出现了一些新的平台，它们提供了额外的功能和自动化，旨在解决这一挑战。具有“自动化特征工程”功能的平台现在允许从关系数据源以及平面文件自动创建特征表。
用AutoML增强数据科学工作流
难怪自动机器学习有可能超越数据科学家。AutoML工具在速度和风险降低方面比数据科学家有优势。但是自动化机器还没有达到人类大脑的智能。例如，人类可以将细微差别、直觉和创造性的问题解决能力带到机器根本无法完成的过程中。
因此，自动机器学习只能增强人的能力。通过将其应用到业务流程中，公司可以培养其数据科学工作流程。通过采用AutoML，数据科学家将有能力深入研究ML的功能，并在他们的工作中变得更加能干和有效。
来源：贤集网
