各行业一直在利用AutoML来加强数据处理和数据工程。然而，有人讨论AutoML将如何影响数据科学家的工作。让我们更多地了解这项技术及其在提高公司数据效率方面的作用。跨组织的数字化和自动化要求采用数据科学和先进的数据分析，以鼓励业务增长和敏捷性。随着转换速度的加快，公司开始雇佣数据科学家团队来解决开发机器学习模型和分析算法的需要。
数据驱动的组织决策已经证明可以提高生产率，并从长远上最小化成本。由于这项工作需要高技术技能，科学家的数据供应目前仍然有限，因此，组织很难利用数据，创建机器学习模型来分析数据。这就是AutoML的来源。
自动机器学习是人工智能领域的一个新兴发展。AutoML自动执行业务操作中的端到端机器学习需求。该技术可以在不受任何时间或技能限制的情况下开发和部署机器学习模型。数据科学家的传统程序占用了很长时间，因为它涉及数据清理、数据分析、识别机器学习模型、运行它们、进行参数调整、设计算法和部署算法。将这个长过程集成到组织的工作流中可能会很困难，而且耗时。由于数据科学家的供应量较短，需求量高，因此开发一个团队变得更加困难。
自动化机器学习通过自动化过程和同时运行多个机器学习模型来消除所有这些挑战。AutoML还可以帮助特征选择、特征提取和特征工程的运行过程。数据量每天都在增加，组织中采用大数据也是如此。因此，AutoML是一种降低机器学习模型实现时间和复杂度的理想技术。使用AutoML的另一个值得称赞的好处是它在组织中数据科学民主化方面的作用。在数据科学的高技能需求方面，大多数公司的技术差距很大。由于人们对数据科学领域的访问有限，组织通常很难满足对更好的机器学习模型的需求。AutoML为组织消除了这一差距，鼓励“公民数据科学家”在没有任何先前专业知识的情况下执行任务。
它使除具有数据科学家资格的员工以外的员工能够在数据科学团队的最小协助下为数据科学生态系统做出贡献。例如，Google的CloudAutoML使企业能够构建在该领域技能和专业知识有限的定制机器学习模型。AutoML增加了数据科学和数据工程对更大受众的访问能力，而不是将其限制在一个流行的群体中。
AutoML是否会消除数据科学家的需求？
如果你想要一个单词的答案，那么没有自动ML将不会使数据科学家消失。它将通过接管不需要太多关注的重复任务来减轻这些数据专家的负担。AutoML将自动化他们的一些任务，并让他们与那些需要高度技术技能的任务。组织仍然需要数据科学家来定义问题，应用领域知识来解决问题，并生成合理和创造性的模型。AutoML可以与数据科学家一起支持他们，这门课程将使数据科学知识的分散。
来源：贤集网
