EvoDS: Agente de ciencia de datos auto-evolutivo con aprendizaje de habilidades | Sistema autónomo para análisis de datos con gestión avanzada de contexto | IA agéntica aplicada a la automatización de flujos de trabajo de ciencia de datos complejos

Abstract

PROBLEMA: Los agentes de IA para ciencia de datos a menudo se quedan cortos al manejar proyectos de larga duración debido a la pérdida de contexto y a la incapacidad de reutilizar métodos exitosos en nuevas etapas del proyecto. SOLUCIÓN: Se introduce EvoDS, un agente de ciencia de datos auto-evolutivo que integra un sistema de aprendizaje de habilidades (skill learning) y una gestión de contexto avanzada para ejecutar tareas complejas de extremo a extremo. METODOLOGÍA: EvoDS almacena procedimientos exitosos como "habilidades" en una biblioteca dinámica y utiliza un mecanismo de resumen jerárquico para mantener la relevancia del contexto en workflows largos de análisis de datos. RESULTADOS: Evaluciones en benchmarks de ciencia de datos muestran que EvoDS reduce los errores de redundancia en un 35% y completa tareas de limpieza y modelado con mayor autonomía que los agentes basados en memoria simple. RELEVANCIA: Es un paso importante hacia agentes IA que operan como científicos de datos junior capaces de aprender de su propia experiencia operativa.