AutoML که در ماه می ۲۰۱۷ معرفی شد، با راندمان و کارایی بیشتری نسبت به محققینی که این سیستم را ساخته‌اند به پیش می‌رود. در واقع، گوگل این سرویس را توسعه داده تا به منزلهٔ مدلی از هوش مصنوعی باشد که به دولوپرها کمک می‌کند تا دیگر سیستم‌هایی که خودشان کارهای مختلف را یاد گرفته و در واقع خودآموز هستند، طراحی کنند.
AutoML اساساً به این دلیل توسعه یافته است که در حال حاضر کارشناسان و متخصصین اندکی هستند که دانش و مهارت کافی در زمینهٔ ساخت سیستم‌های به شدت پیچیدهٔ هوش مصنوعی دارند و برای برطرف کردن نیاز به متخصصین بیشتر، AutoML خلق شده تا به نوعی خودش را کلون کند. گوگل در وبلاگ رسمی خود اعلام کرده که می‌توان AutoML را برای یکسری وظایف خاص آموزش داده و از نحوهٔ انجام آن‌ها فیدبک گرفت مضاف بر اینکه این سیستم می‌تواند هزاران شبیه‌سازی را به منظور ایجاد تغیرات مناسب، ایجاد معماری‌های جدید و دادن بازخوردهای مناسب انجام دهد.
نکتهٔ جالب اینجا است که راندمان و کارایی AutoML در زمینهٔ تشخیص یکسری عکس بر اساس محتوای آن‌ها بیش از ٪۸۰ برآورد شد مضاف بر اینکه وقتی در آزمایش‌ها قرار شد یکسری شییٔ در تصویری را بیابد، کدی که AutoML نوشت در این زمینه میزان موفقیتی برابر با ٪۴۳ داشت در حالی که بهترین برنامه‌ای که دولوپرها برای این کار کدنویسی کردند موفقیتی برابر با ٪۳۹ داشت. Sundar Pichai در این باره گفته است:
AutoMl فقط متشکل از ماشین‌هایی هست که به طور اتوماتیک مدل‌های یادگیری ماشینی ایجاد می‌کنن. در کل، فقط چند هزار دانشمند در کل دنیا وجود داره که می‌تونن همچنین کاری رو به این خوبی و درستی انجام بدن. این کار خیلی سخته و ما می‌خوایم این قضیه رو به صورت همه‌گیر در بیاریم. در واقع، می‌خواهیم این امکان رو در اختیار افراد بیشتری قرار بدیم.
گفتنی است که به جای طراحی یک شبکه‌ٔ عصبی از پایه، کارآمدتر است که بر روی یک سیستم هوش مصنوعی از پیش ایجاد شده کار کنیم و بر طبق تَسکی که باید انجام دهد آن را اصلاح کنیم که اگر از این به بُعد به فناوری‌هایی از این دست نگاه کنیم، انسان فقط یک نقش نظارتی و کنترل‌کننده خواهد داشت چرا که با پیشرفت چنین سیستم‌های هوشمندی دیگر خیلی کاری نمی‌ماند که بخواهد به دست انسان‌ها انجام شود!
