O poder e a promessa do aprendizado de máquina criaram uma demanda por expertise que ultrapassa a quantia de cientistas de dados que se especializam nessa área. Em resposta a essa lacuna de habilidades, temos visto o aparecimento de ferramentas de aprendizado de máquina automatizado (AutoML) que têm como objetivo tornar mais fácil para quem não é especialista automatizar o processo de ponta-a-ponta de seleção e treinamento do modelo. Exemplos incluem o AutoML do Google, o DataRobot, e a interface H2O AutoML. Embora tenhamos visto resultados promissores com essas ferramentas, aconselhamos as empresas a não vê-las como a soma total necessária em sua jornada em aprendizado de máquina. Como dito no site do H2O, “ainda há um bom pedaço de conhecimento e background em ciência de dados que é necessário para produzir modelos de aprendizado de máquina de alta performance”. Confiar cegamente em técnicas automatizadas também aumenta o risco de introduzir vieses éticos ou tomar decisões que colocam minorias em desvantagem. Embora as empresas possam usar essas ferramentas como ponto de partida para gerar modelos úteis, treinados, encorajamos que elas procurem cientistas de dados com experiência para validar e refinar os resultados.
