“AutoML可以提升数据科学家的工作，但不太可能完全取代他们。尽管AutoML工具自动化了机器学习过程中的某些方面，比如模型选择、超参数调优和特征工程，但它们缺乏人类数据科学家所具备的情境理解和创造性解决问题的能力。例如，数据科学家可以根据领域知识判断数据集中哪些特征最为相关，并能够定制模型以符合特定的商业目标，而这是AutoML无法有效做到的。
此外，AutoML最适合处理结构良好的标准任务，而问题定义清晰的情况。然而，许多现实世界的场景需要细致的决策、实验和调整，而自动化工具无法足够地执行这些操作。例如，在医疗保健环境中，数据科学家可能需要解读复杂的患者数据，考虑伦理影响，并与医疗专业人员合作开发一个既有效又可靠的预测模型。AutoML可以辅助初始模型的开发，但无法替代在敏感领域中对人类判断的需求。
最后，数据科学家的角色正在演变，越来越强调指导项目、理解数据驱动决策的影响，并有效地向利益相关者传达发现。随着AutoML处理更多技术性的任务，数据科学家可以专注于更高层次的战略，确保机器学习项目与商业目标相一致，并促进团队之间的合作。通过将他们的专业知识与AutoML相结合，数据科学家将在未来的数据科学中继续发挥至关重要的作用。”