「若用一句話形容，Google的Cloud Auto ML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Auto ML？
Cloud Auto ML可以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。
而從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》文章中指出。
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
而這樣個工具對於台灣企業的幫助有多大呢？艾爾科技（MyET）執行長林宜敬分析，最近這一波的人工智慧熱潮，最主要的突破是在影像的分類上面，而Auto ML這樣的工具，可以讓一家企業很快地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了很多的目視檢測(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。而有了 Auto ML 之後，那些電子製造業公司就可以很快地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，但是已經非常的成熟，已經融入很多的Domain Knowledge，並且跟整個製造流程結合的很好。用Auto ML這樣的工具所作出來的目視檢測程式，也許正確率會更高，但是能不能跟現有的製造品管流程順利結合？這恐怕還要花一番功夫。」林宜敬舉例。
「我不是這方面的專家，但是我猜，用Auto ML所作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。
不過對於新創公司來說，如果公司僅專精在建模的部分，那其服務被這些平台取代的機會相當大。
適用在概念驗證（Prove of concept）或最小可行性產品（Minimum Viable Product）
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，只是能跑得模型即可。」
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。Auto ML 對於找應用可能幫不了太多，如果找到合適的應用，Auto ML 也許可以快速的證明這個應用是否可行。
而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，或是還不想要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 Auto ML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 Auto ML的確降低的機器學習的建模門檻，但其創新性並不是跨時代性的。也因此我們對於Auto ML等工具也不應太過於「神話」。
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有真正的全自動化。」
