AutoML er oversolgt: Kode-evner bliver kun vigtigere for data scientists

AutoML har det seneste år været et af de store temaer fra selskaber bag analytics-løsninger. Selskaber som Google og Microsoft har indbygget automatiseret machine learning i deres flagskibsprodukter, og løftet er typisk, at brugeren nu kan bygge komplekse ML-modeller uden at skrive så meget som en linje kode.

For Benjamin Biering, der er Head of Data Science hos 2021.AI, klinger løftet en smule hult.

»Jeg mener, at værdien i AutoML er ret begrænset,« indleder han.

»Det, AutoML gør, er den nemme del af arbejdet: at vælge modellen og hyperparametrene. Det svære er at forstå problemet gennem data, altså datamining, og feature engineering, for at finde frem til den data, som indeholder informationen. som gør os i stand til at lave forudsigelser,« siger Benjamin Biering og tilføjer:

»Så AutoML er fint, men det kommer ikke automatisk til at løse dine problemer uden videre.«

Når man arbejder med Deep Learning, kan der være fordele i at se nærmere på de nyeste fremskridt inden for neural architechtural search (NAS), som er en del af AutoML, for at optimere dine resultater yderligere. Men generelt vil man som praktiker sandsynligvis have flere og bedre værktøjer i værktøjskassen, lyder argumentet fra Benjamin Biering.

»Med erfaring får man en sans for, hvilke modeller der performer bedst. og når det handler om at optimere, er der mange andre muligheder. Jeg ser derfor ikke meget medvind for AutoML i branchen på nuværende tidspunkt. De fleste peers, jeg taler med, synes ikke, at AutoML-løsningerne er attraktive nok, når det handler om at anvende dem på faktiske projekter, de er involveret i.«