机器学习对许多领域产生了重大影响，AutoML也随之而来。通过使机器学习更高效，这种连锁反应加速了机器学习对领域专家的实际应用和效用。
在具有表格数据的领域，AutoML 在合理的时间范围内找到合适的流程至关重要，这使得领域专家能够更专注于他们所了解的内容，而减少了在各种机器学习模型上进行调整的时间。凭借多目标和约束优化的理论框架，AutoML 使实践者能够了解应用机器学习到其数据时存在的通常未知的指标权衡。其中一个日益重要的指标是公平性。虽然没有一个定义就足够了，但公平性感知的 AutoML 使利益相关者摆脱了优化的细节，并专注于模型对现实世界的影响。该领域 AutoML 的一个最新亮点是 TabPFN，这是一种最先进的模型，无需开箱即用即可进行训练，从而能够实现许多新的应用，但它也足够灵活，可以使领域专家编码他们对数据的信念。
AutoML 另一个被广泛应用的是 RL。 正在建设中…
一个令人担忧的问题是机器学习成本高昂，在其基础上进行优化更是如此。 正在涌现一个可持续的 AutoML 领域，它着眼于如何减少这些昂贵程序的碳足迹，甚至找到更小、更节能的模型，用于边缘设备，同时也减少机器学习的整体能耗。
AutoML 在实际应用中也取得了很大的成功，尤其是在 RNA 设计、EEG 数据和整个 医疗保健领域。 正在建设中…