Automatisation du pipeline de machine learning qui libère le data scientist des tâches répétitives de sélection d'algorithme, feature engineering, preprocessing et hyperparameter tuning. Un système AutoML explore systématiquement l'espace des configurations (algorithmes × hyperparamètres × transformations) via des méthodes comme Bayesian optimization ou évolution génétique, et retourne le meilleur modèle selon les métriques définies. Il démocratise le ML pour les équipes sans expertise approfondie et accélère le prototypage pour les experts. Ses limites : les modèles produits sont souvent des boîtes noires complexes, et AutoML ne remplace pas la compréhension du problème métier, la qualité des données et l'interprétabilité.