不，AutoML 不能完全取代数据科学家。 虽然 AutoML 工具可以自动执行机器学习工作流程的某些部分（例如模型选择、超参数调整和特征工程），但它们缺乏处理实际项目中更广泛的背景和细致决策的能力。 例如，AutoML 可以有效地生成一个用于预测客户流失的模型，但它不会自然地理解业务目标、数据质量问题或伦理考量，这些因素会影响模型的构建和部署方式。 像 Google AutoML 或 H2O Driverless AI 这样的工具简化了技术任务，但仍然需要人工监督以确保结果与组织需求保持一致。
数据科学家带来了 AutoML 无法复制的关键专业知识。 他们首先定义问题，清理和准备数据，并确定哪些变量重要 - 这些任务通常需要领域知识和创造力。 例如，在医疗保健领域，即使原始数据混乱或不完整，数据科学家也可能会认识到某些患者人口统计数据或实验室结果比其他数据更能预测结果。 AutoML 在这种依赖于上下文的决策中步履蹒跚。 此外，数据科学家会解释结果，根据实际情况验证模型，并将调查结果传达给利益相关者。 使用 AutoML 构建的欺诈检测模型可能达到很高的准确性，但只有数据科学家才能解释为什么某些交易被标记并调整模型以避免损害客户信任的误报。
AutoML 和数据科学家是互补的。 AutoML 加速了重复性任务，使数据科学家能够专注于更高价值的工作，例如设计实验或改进数据管道。 例如，一个团队可以使用 AutoML 快速测试数百个销售预测的模型配置，然后通过合并工具忽略的市场趋势或季节性模式来优化最佳候选者。 但是，AutoML 在处理非结构化数据（例如文本或图像）或新问题（例如预测新产品的结果）方面的局限性仍然需要人工专业知识。 在实践中，AutoML 是数据科学家工具包中的强大工具，而不是替代他们的分析和战略技能。