AutoML (自动化机器学习) 通过自动化特征工程和超参数调优等任务简化了模型开发，但它也有明显的局限性。首先，AutoML 工具通常需要大量的计算资源和时间，尤其是对于大型数据集。虽然它们减少了手动工作量，但自动搜索最佳模型可能在计算上非常昂贵。例如，在高维数据集上训练多个模型架构并测试数千个超参数组合可能需要数小时或数天，即使使用云资源也是如此。这使得 AutoML 不适用于需要实时模型更新的场景或硬件有限的环境，例如边缘设备。此外，许多 AutoML 生成的模型的“黑盒”性质可能会阻碍可解释性，从而使其难以调试问题或满足医疗保健或金融等领域的监管要求。
另一个局限性是对准备充分的数据的依赖。AutoML 工具假设输入数据是干净的、格式正确的且与问题相关的。如果数据集缺少值、标签不一致或特征嘈杂，AutoML 可能会产生次优结果。例如，需要特定领域特征工程（例如，滞后变量或季节性指标）的时间序列预测任务可能无法通过通用 AutoML 框架有效地处理。同样，诸如图数据或具有复杂语义的文本等专用数据类型通常需要 AutoML 工具无法自动化的自定义预处理。虽然某些平台提供基本的数据清理，但开发人员仍然需要投入时间来理解数据的结构和特性，以避免垃圾进垃圾出的结果。
最后，AutoML 在高度定制或新颖的用例中表现不佳。大多数工具优先考虑常见的工作流程（例如，分类、回归），并且可能缺乏针对特定需求的灵活性。例如，构建具有独特约束（例如，集成实时用户反馈）的推荐系统的开发人员可能会发现 AutoML 的预定义模板不足。同样，需要实验性架构（例如，混合神经网络）或非标准评估指标的研究导向型项目通常通过手动编码更好地服务。虽然 AutoML 使 ML 民主化以用于日常任务，但在解决非常规问题或针对特定部署约束（如延迟或内存使用）进行优化时，它无法取代经验丰富的开发人员的细致决策。