“AutoML 可以适用于实时应用，但其有效性取决于多个因素，例如模型复杂性、训练时间和操作要求。一般来说，AutoML 自动化了算法选择和超参数调整的过程，这简化了模型开发，但如果实施不当，可能会导致生成预测的延迟。对于实时需求，所选模型必须高效，并能够在应用程序的限制内快速提供结果。
例如，在实时推荐系统中，例如流媒体平台使用的系统，AutoML 可以用于微调实时分析用户行为和偏好的模型。然而，如果模型过于复杂或者需要大量资源来生成预测，它可能无法满足应用程序的延迟要求。为了解决这个问题，开发人员可以使用 AutoML 关注在准确性与性能之间取得平衡的模型。模型剪枝和量化等技术可以帮助简化通过 AutoML 生成的最终模型，使其更适合实时使用。
总之，尽管 AutoML 可以支持实时应用，但在确保所选模型能够在预期负载和延迟限制下高效运作时，需要进行仔细的考虑。开发人员应该评估生成模型的训练和推理时间，并考虑集成性能优化技术。通过这样做，AutoML 可以有效地用于增强实时系统，提供自动化与性能的良好结合。”