大型语言模型驱动的人本视角AutoML在数据与模型管理中的效能评估

这篇综述创新性地探讨了LLM（大型语言模型）如何通过人本化AutoML（自动机器学习）框架降低ML（机器学习）技术门槛。研究通过15位多背景专业人员的对照实验证明，LLM界面使93.34%用户获得10%-25%准确率提升，开发时间缩短50%，错误解决效率提高73%，为AI民主化提供了实证方案。

　　

大型语言模型驱动的AutoML革命

1 引言

机器学习（ML）技术虽在医疗和科研领域广泛应用，但复杂的实现流程仍阻碍其普及。传统AutoML工具如Auto-Sklearn和AutoGluon虽简化了特征工程和超参数优化，但仍需用户具备编程基础。本研究提出LLM（大型语言模型）驱动的AutoML框架，通过自然语言交互彻底降低使用门槛。

2 方法

系统架构包含五大模块：

• 模态推断（MI-LLM）自动识别数据类型

• 特征工程（AFE-LLM）处理数据预处理

• 模型选择（MS-LLM）基于概率框架（公式1）优化模型匹配

• 管道组装（PA-LLM）生成可执行代码

• 超参数优化（HPO-LLM）自动调参

15名参与者（含26.67%编程新手）在LLM与传统AutoML条件下完成图像分类（ImageNet子集）和文本情感分析（SST-2）任务。

3 实验结果

性能突破：

• 93.34%用户实现更高准确率，其中46.67%提升>25%

• 图像分类任务完成率从73.33%提升至93.33%

• 平均耗时降低50%（7.85分钟 vs 16.55分钟）

用户行为分析显示，LLM界面消除78%的语法错误，使新手用户6分钟即可完成传统需18分钟的任务。统计检验证实所有指标p<0.001，效应量d>2.0。

4 创新价值

研究首次实证自然语言作为技术接口的可行性：

• 缩短学习曲线：新手适应时间从45分钟降至12分钟

• 跨领域应用：医疗影像分类准确率提升23%

• 资源优化：自动匹配ResNet-50和DistilBERT等模型

5 局限与展望

当前系统在定制化需求（如focal loss实现）和实时交互存在不足。未来将探索多模态LLM与边缘计算的结合，进一步推动ML技术在基层医疗等场景的落地。

这项研究为人工智能民主化提供了可复用的技术范式，其模块化设计尤其适合缺乏AI专家的垂直领域应用。