AutoML
Sinónimos: Aprendizaje automático automatizado
Definición ampliada
AutoML, o aprendizaje automático automatizado, reúne métodos que exploran automáticamente opciones del desarrollo de un modelo: algoritmos, preprocesado, hiperparámetros y, en algunos sistemas, ensambles. El espacio de opciones, la métrica, los datos y el presupuesto de búsqueda siguen siendo decisiones humanas. Auto-sklearn mostró una implementación que combina selección de algoritmos, preparación de variables y ajuste [1].
La búsqueda de arquitecturas neuronales automatiza una decisión más estrecha: la estructura de una red. AutoML puede incluirla, pero no se reduce a ella.
Contexto histórico
La automatización de la selección y del ajuste precede a las plataformas comerciales actuales. En 2015, Feurer y colaboradores describieron auto-sklearn, que evaluaba distintas combinaciones de algoritmos y preprocesamiento mediante optimización y construía un ensamble [1].
Importancia actual
A fecha de septiembre de 2026, AutoML facilita explorar alternativas dentro de un tiempo fijado. Es útil para establecer líneas de base reproducibles, siempre que se conserve el registro de qué se buscó, cómo se seleccionó y con qué datos se evaluó. El nombre no garantiza que el sistema automatice todo el ciclo ni que el resultado sea el mejor posible.
Aplicaciones
Generales
- Comparar varios algoritmos y configuraciones bajo un presupuesto común.
- Buscar combinaciones de preprocesado y modelo.
- Obtener una referencia inicial antes de dedicar trabajo a un modelo concreto.
Sanitarias
En un estudio de predicción clínica, AutoML puede comparar modelos sobre una cohorte de desarrollo. La definición del desenlace, las variables admisibles, la separación entre pacientes y periodos, y la validación externa siguen a cargo del equipo. Automatizar la búsqueda no acredita utilidad asistencial.
Limitaciones
- Repetir muchas configuraciones sobre los mismos datos favorece el sobreajuste a la validación utilizada para elegirlas.
- Si la imputación o la selección de variables se hacen antes de dividir los datos, se filtra información; cada paso aprendido debe quedar dentro de la evaluación.
- El espacio de búsqueda y el presupuesto pueden excluir una opción mejor.
- Una interfaz sencilla puede ocultar supuestos sobre datos faltantes, subgrupos y transporte entre centros.
Ejemplos
Ejemplo hipotético: un hospital compara modelos para predecir reingreso. AutoML prueba algoritmos y parámetros en los datos de desarrollo. El equipo reserva otro periodo para evaluación final y descubre una caída de rendimiento. El resultado de la búsqueda era válido para su partición de desarrollo, no una garantía de generalización.