人工智能（A I）的工作有一個諷刺之處：它涉及大量的手工、嘗試和錯誤的努力，以建立最高精度的預測模型。 隨著機器學習和深度學習框架的不斷出現，以及對它們的更新，以及對工具平臺的更改，難怪如此多的人工智能工作是如此的臨時性。 但是，為什么一個關于自動化的技術會涉及這么多定制的努力呢？

所有手工工作的問題有兩個：第一，沒有數據科學培訓的人幾乎不可能從事人工智能工作;第二，具有數據科學背景的人本身面臨著一個非常低效的工作流程。

然而，隨著自動機器學習（AutoML）的出現，這種僵局現在開始變得清晰起來。 一些公司，如數據機器人，專門從事它。 其他AI創業公司，如Dataiku、H20和Rapid Miner，以及Tibco等已建立的企業軟件公司，也擁有廣泛的AI平臺，具有AutoML功能。 主要的公共云平臺也是如此，包括Micros of tAzure、AmazonWeb服務和GoogleCloud平臺。 還有開源的AutoML框架，如Auto-sklearn、Auto-Keras和Uber最近的開源Ludwig平臺。

汽車ML看起來比時尚多得多。 事實上，我在AI市場上交談過的一些人認為AutoML可能是AI整體的未來。 只要你有一個干凈的數據集，你知道它中的哪一列是“標簽”（a.k.a目標），即你想用新數據預測的值，AutoML將為你建立一個模型，并大大減少努力。 而且，有時，你會得到你的模型，根本沒有額外的努力。

考慮到這一點，我認為一個入門的東西可能是有序的，這篇文章是我試圖提供一個。 免責聲明：雖然我自80年代以來一直是AI的追隨者，90年代末以來一直是數據挖掘系統的愛好者，但我不是數據科學家。 因此，我的詞匯和解釋在教學上并不權威----在某些情況下，它們可能是天真的。 但我在這里得到的東西應該能幫助你理解AutoML平臺的能力，我希望它能幫助你判斷市場上的產品和框架。