测试背景：用PCB缺陷检测任务，试试五款主流工具
我们团队上个月接了个活儿：用几千张PCB（印刷电路板）图做缺陷检测，目标是把误判率压到3%以下。这任务不算小，但也不算特别复杂，很适合拿来看看AutoML工具到底行不行。
我们选了五个平台：Google的Vertex AI AutoML、Azure Machine Learning的自动化ML、H2O.ai的Driverless AI，以及百度的BML和阿里云的PAI-Designer。统一用它们的免费或试用额度，先不考虑钱的事儿。
数据预处理：这一步，工具确实能省不少时间
我们故意在数据里掺了点“杂质”：一些图片光照不均，少数标签标错了。结果五个平台都提供了数据清洗建议或自动化流程。
Vertex AI最省心，直接列出了“疑似异常图像”，还建议做均衡采样。H2O.ai的Driverless AI自动完成了图像增强和标准化，甚至建议了针对小样本的合成策略。国内平台指引更细致，但自动化深度稍弱，需要手动确认的步骤更多。
关键发现：以前这种数据预处理，工程师可能得埋头干一两天。现在用这些工具，半小时左右数据就能进训练状态。这个效率提升是实实在在的。
模型训练：一键启动后，效果天花板很明显
我们把所有参数都设为“自动”，让平台自己选模型、调超参。
出来的结果：Vertex AI和Azure AutoML的基线模型准确率分别是94.1%和93.8%，H2O.ai是93.5%。国内平台在92%到93%之间。对很多工业场景来说，这个水平已经能用了。
但问题在于，这基本就是它们的上限。我们在Azure上手动微调了一个模型，只花了两小时调整学习率和数据增强策略，准确率就提到了96.2%。
一个具体判断：AutoML给你的是一个不错的起跑线，通常能把人从繁琐的调参中解放出来。但想冲刺到96%甚至97%的区间，光靠“一键”不行。平台默认的搜索空间和计算预算，有时会错过一些关键组合。
部署与成本：真正的战场在这里
模型训练完，只是开始。怎么部署、花多少钱，才是企业关心的。这里差异就出来了。
Google和Azure按调用次数或计算单元计费，高并发场景下成本会陡增。H2O.ai提供边缘部署套件，但商业授权价格不低。国内平台的优势是与自家云服务深度整合，打包价相对友好，尤其适合已有云资源的公司。
我们粗略算了一下：如果这是一个年调用百万次的API服务，用Azure或Google的方案，年成本可能在20-30万元区间。用H2O.ai自主部署在私有云，初期投入高，但长期边际成本低。选哪个，完全取决于你的业务量级和技术栈。
一个意外收获：工作流正在被重构
这次测试让我印象最深的，不是某个工具多厉害，而是整个工作流正在被改变。以前，一个算法工程师70%的时间可能花在数据清洗和调参上。现在，这些工作被压缩到了20%以内。
省下的时间去了哪儿？去了更上游的数据标注质量、更下游的业务规则集成和持续监控。比如，我们给这个PCB项目建的监控看板，就借鉴了之前给一家电商做的AI法务助手那套思路——不是模型上线就完事，得持续看它的置信度分布和失败案例。这和我们之前观察到的一些工厂案例思路一致：工程化和规则层的调优，重要性不亚于模型本身。
给实操者的四条建议
如果你正在考虑引入AutoML工具，这是从这次测试里得出的几点实在经验：
- 把它当超强实习生，而非老师傅：它能快速完成基础工作，但关键决策和最后2-3个点的优化，还得你来把关。
- 数据质量是最大的杠杆：在各工具自动化程度接近时，你在数据清洗和标注上投入的一分钱，回报远高于后期在模型上纠结调参。
- 一定要算清部署总账：训练一次模型可能不贵，但推理成本是长期的。务必基于你的业务模型做测算，避免上线后成本失控。
- 关注与现有工作流的整合：最好的AutoML工具，是能无缝嵌入你现有CI/CD和监控体系的。选型时，多看看它的API和扩展性。
AutoML没有取代算法工程师，但它正在重塑这个岗位的核心工作：从“炼丹调参”转向了“数据治理、业务抽象和系统运维”。
