在AI Time的第二期研讨会中，学者们围绕自动机器学习与可解释机器学习展开了深入探讨。首先，王立威教授介绍了AutoML的基本概念和意义。他认为AutoML是一种将模型设计和超参数调优过程自动化的方法，让机器能够通过数据自我学习，而不依赖于人类经验。这不仅可以减少人工干预带来的偏差，还能让网络结构更加复杂且高效。
接着，梅俏竹教授强调了可解释性与自动性之间并不冲突。她提到，可解释机器学习旨在提供清晰、直观的结果，使得医生或患者能够理解诊断过程，这是建立信任的关键。而且，不同的问题可能需要不同的解决方案，不一定所有问题都需要追求完全可解释。
李兴建博士则从产业界角度谈到了AutoML。他分享了百度在神经网络结构搜索方面取得的一些成果，如使用进化算法、强化学习等方法来优化网络结构，从而提升性能。此外，他还指出，在实际应用中，除了算法层面的自动化，还有许多流程上的自动化需求，将产生一个全方位的人工智能工具包。
王立威教授再次发言，他提出了一种对可解释性的挑战。在一些复杂的问题上，即使我们尝试去解释，也很难用简单的话语来描述。因此，他认为，在某些情况下，我们可能不需要非得追求完美的可解释性，只要能提供准确、高效的情报即可。
最后，俞士纶教授谈到了AutoML在处理简单任务时表现良好的特点，但是在面对复杂问题时（如交通预测）就显得力所不及。他提醒，我们应该审慎地看待技术发展，并寻找一种结合人为设计与自动学习优势的地方，以避免盲目追求技术进步带来的过度消耗。
