Automatización asistida por LLMs en el ciclo de vida de clasificadores supervisados: de la exploración estocástica al razonamiento heurístico

Resumen

La selección de algoritmos de aprendizaje automático y la optimización de sus hiperparámetros constituyen fases críticas del ciclo de vida de los clasificadores supervisados, demandando tradicionalmente una inversión significativa de tiempo, capacidad de cómputo y supervisión experta. El presente trabajo evalúa el potencial de los Modelos Grandes de Lenguaje (LLMs) como asistentes de decisión en la automatización de dicho ciclo. Se reportan resultados preliminares, en los cuales un agente LLM asume el rol de especialista humano en la fase de entrenamiento y ajuste fino, operando de forma iterativa sobre el conjunto de datos. El diseño experimental contrasta dos modalidades de despliegue, una basada en pesos cerrados gestionados vía API y otra basada en pesos abiertos ejecutados localmente, bajo un protocolo común de optimización. Los resultados muestran que el agente, en sus dos modalidades de despliegue (vía API y local), presenta  rendimientos comparables a los de referencia reportados por expertos humanos. Estos resultados demuestran la viabilidad de una automatización más eficiente, explicable y soberana en el desarrollo de soluciones de Machine Learning, con capacidad para reducir trabajo manual sin perder trazabilidad ni consistencia en el proceso iterativo.