MLEvolve: Framework auto-evolutivo para el descubrimiento de algoritmos de ML | Agentes autónomos para la invención de técnicas de Machine Learning | Automatización end-to-end de la investigación en ciencia de datos mediante LLMs

Abstract

PROBLEMA: La automatización de la ciencia de datos (AutoML) suele limitarse a la optimización de hiperparámetros o selección de arquitecturas predefinidas, sin la capacidad de descubrir nuevos enfoques algorítmicos. SOLUCIÓN: Se presenta MLEvolve, un framework donde agentes autónomos utilizan el razonamiento iterativo para diseñar, probar y refinar nuevos algoritmos de aprendizaje automático a partir de principios básicos. METODOLOGÍA: El sistema mantiene una biblioteca de "habilidades" y "experiencias" que el agente consulta para proponer mutaciones de código y nuevas arquitecturas de red, evaluadas automáticamente en múltiples datasets. RESULTADOS: MLEvolve logró "descubrir" de forma independiente variantes de optimizadores y arquitecturas de atención que superaron en rendimiento a sus versiones base originales en tareas específicas de series temporales. RELEVANCIA: Impulsa el concepto de "IA que construye IA", eliminando cuellos de botella humanos en el ciclo de diseño de modelos.