AutoML平台旨在减少构建机器学习模型所需的编码工作，但所需的编码级别取决于平台和任务的复杂性。大多数 AutoML 工具分为两类：低代码/无代码界面（例如，Google AutoML、Azure 机器学习工作室）和以代码为中心的框架（例如，H2O AutoML、TPOT）。低代码平台允许用户上传数据，通过图形界面配置设置，并以最少的脚本编写部署模型——通常只需要基本的 Python 或 R 来加载数据或调用 API。例如，在 Google AutoML 中训练模型可能涉及编写几行代码来验证身份、上传数据集并启动作业。然而，以代码为中心的工具需要熟悉脚本编写来定义管道或自定义工作流程，尽管它们自动化了超参数调整等任务。
中级用例通常需要一些编码来处理数据预处理、特征工程或与现有系统集成。例如，虽然 AutoML 处理模型选择，但开发人员可能仍然需要 Python 脚本来清理数据、处理缺失值或在将数据集馈送到平台之前合并数据集。像 PyCaret 或 Auto-sklearn 这样的工具允许用户编写代码来定义自定义指标或约束，例如在医疗诊断模型中优先考虑召回率而不是精确率。同样，将 AutoML 生成的模型部署到生产环境（例如，通过 Flask 或 FastAPI）通常需要编写 API、设置 Docker 容器或管理云基础设施——这些任务需要超出基本脚本编写的编码技能。
高级用户（例如 ML 工程师）可能会将 AutoML 用作更大管道的一部分，并将其与自定义代码结合起来以满足特定需求。例如，虽然 AutoML 处理基线模型训练，但开发人员可以编写代码将它的输出与手动调整的模型集成，或者添加后处理逻辑。像 MLflow 或 Kubeflow 这样的平台与 AutoML 集成以跟踪实验或管理工作流程，但这些集成通常需要编写脚本来配置。即使在低代码工具中，调试意外结果（例如，模型因数据漂移而失败）通常也需要编码技能来检查日志、修改数据输入或调整超参数。因此，虽然 AutoML 减少了核心 ML 任务的编码负担，但它并没有消除对编程的需求——尤其是在为实际系统定制解决方案时。