Автор: koch @koch. Определимся с терминологией. Можно найти c десяток формулировок «AutoML – это… с разной степенью детализации. Но все они сведутся к словам «AutoML — автоматизирует и упрощает работу с данными». И вот здесь как раз и начинаются сложности. Границы определения AutoML размыты. Есть фреймворки работающие на «3 строчках» кода, есть с платформы с GUI, есть библиотеки для профессионалов и новичков.

В AutoML идут по нескольким причинам: по неопытности, из-за лени, от нехватки времени, из-за большого ума. Автор, скорее относится к первым трем категориям.

Пожалуй, основное, что надо понимать, впуская AutoML в свои проекты – это не волшебная таблетка для всех задач. Для каждого типа проблем мы можем использовать свой инструмент. Мне скорее нравится смотреть на подмножество AutoML как на комнату инженера-ремесленника, где собраны шурупы, отвертки, молотки, дрели, станки и шлифовальные машины. Войти в эту комнату просто, а вот выбрать нужный инструмент, получить результат и выйти из комнаты без травм не всегда получается.

В каких прикладных задачах AutoML может помочь?

• Подготовка данных для моделей
• EDA
• Feature Engineering
• Отбор моделей и их параметров
• Объяснимость моделей
• Блендинг, стекинг
• вывод в жизнь*
• — если для табличных данных и классических ML задач, решаемых через регрессии и классификации, AutoML будет точно хорош, то с временными рядами, мультимодальными данными и выводом решений в жизнь есть вопросики.

Что из AutoML попробовать?

Ниже приведу краткий справочник по инструментарию AutoML (актуально на май 2024)