「若用一句話形容，Google 的 Cloud AutoML 是一種『自動建模』工具。」玉山金控科技長暨臺灣人工智慧學校執行長陳昇瑋說。
什麼是 AutoML？
Cloud AutoML 可幫企業用較低的成本，更快的速度建置模型，容易上手，可以降低企業導入機器學習的進入門檻，即使企業具備的機器學習專業知識有限，也能建立精確的模型。
從 Google 部落格資料來看，這套工具的易用性，更是一大亮點。「AutoML 提供簡單明瞭的圖形化使用者介面，方便使用者選取數據，接著再利用這些數據打造符合使用者特定需求的模型。」
「AutoML 在資訊技術的發展堆疊上，最大的意義在於把人工智慧技術的抽象層級再提高一層，就好像 C 語言的發明，讓程式設計師從此以後不用懂太多底層電腦的架構就可以寫程式一樣，現在使用 AI 技術不用懂太多機器學習。」LIVEhouse 共同創辦人程世嘉在《Google 憑 AutoML，將把 AI 新創公司的一些活路堵死》文章指出。
程世嘉認為，「AutoML 最大的突破性和破壞性在『用 AI 協助企業做決策』這個領域。」另外，他也認為「AutoML 把人工智慧的易用性擴大到所有不太懂人工智慧的人。」
適合台灣「少量多樣」的製造業生態
而這樣個工具對台灣企業的幫助有多大呢？艾爾科技（MyET）執行長林宜敬分析，最近這一波人工智慧熱潮，最主要的突破是在影像分類，而 AutoML 這樣的工具，可讓一家企業很快建立自己的影像分類程式。
林宜敬舉例，台灣有許多電子製造業公司僱用很多目視檢測（Visual Inspection）人員，他們的工作，就是將看起來有問題的產品跟看起來沒有問題的產品分開。有了 AutoML 之後，那些電子製造業公司就可以很快建立自己的人工智慧目視檢驗程式，取代人工的目視檢測。
「當然，大型電子公司早就在使用一些自動光學檢查（Automated Optical Inspection，AOI）工具，那些自動光學檢查工具用的也許不是最新的機器學習技術，但已經非常成熟，融入很多 Domain Knowledge，並跟整個製造流程結合得很好。用 AutoML 這種工具做出來的目視檢測程式，也許正確率會更高，但能不能跟現有的製造品管流程順利結合？這恐怕還要花一番工夫。」林宜敬舉例。
「我不是這方面的專家，但是我猜，用 AutoML 做出來的自動光學檢查工具，應該靈活性更高，也許更適合台灣『少量多樣』的製造業生態。這應該是一個機會。」林宜敬說。
台大資工系教授洪士灝，也認同這類工具帶來的正面效益認為，對於深耕專業領域的新創，Google AutoML 可能是助力。
不過對新創公司來說，如果公司僅專精在建模部分，那其服務被這些平台取代的機會相當大。
適用在概念驗證或最小可行性產品
不過陳昇瑋提醒，若企業都使用這種標準工具建模，會產生「大家採用一樣的工具，模型效能等級雷同的狀況」，因此對企業來說，這類工具，適合「還不需要做到極致，只是能跑的模型即可。」
趨勢科技全球資深研發副總周存貹指出，對於企業來說，什麼樣的「ML 應用」可以幫助企業（不管是在利潤或營運上）是一大挑戰，找到適合企業的應用才是重點。AutoML 對於找應用可能幫不了太多，如果找到合適的應用，AutoML 也許可以快速的證明這個應用是否可行。
藍星球副總經理宋浩則分析，自動化機器學習工具適合用資源不夠充足，或是還不想花大錢組建人工智慧團隊的企業，用在概念驗證（Prove of concept）期或是打造最小可行性產品（MVP：Minimum Viable Product；最小可行產品）時採用。」
概念並非 Google 獨有，Mircrosoft 與 IBM 也致力於此
本文雖然以 Google Clould AutoML 產品為例，不代表僅有 Google 投入資源打造這類工具，其實，除了 Google，Microsoft 的 Cognitive Services、亞馬遜的 AWS 也有雷同服務。
也有業內人士指出，Google Clould AutoML 的確降低機器學習的建模門檻，但創新性並非跨時代性。也因此我們對 AutoML 等工具也不應太過「神話」化。
微軟亞太研究院院長洪小文就針對此議題提供一個有趣的觀點，「當初汽車出來也冠上 Automobile 之名，但汽車到現在也還沒真正全自動化。」