El desarrollo de soluciones de Machine Learning (ML) ha evolucionado rápidamente en los últimos años; sin embargo, uno de los principales retos continúa siendo transformar modelos experimentales en aplicaciones confiables, reproducibles y listas para producción. Para responder a este desafío, Google Research presentó MLE-STAR (Machine Learning Engineering via Search and Targeted Refinement), un agente de inteligencia artificial diseñado para automatizar y estandarizar el proceso de ingeniería de modelos de ML.
A diferencia de los agentes tradicionales de ingeniería de Machine Learning, que suelen depender exclusivamente del conocimiento incorporado en los modelos de lenguaje (LLM), MLE-STAR combina capacidades de razonamiento con mecanismos de búsqueda y optimización continua. Este enfoque permite identificar las técnicas más recientes para cada problema específico y construir soluciones con un mayor nivel de desempeño y adaptabilidad.
La propuesta de MLE-STAR se fundamenta en tres capacidades principales:
• Búsqueda especializada de conocimiento: el agente consulta fuentes actualizadas para identificar arquitecturas y técnicas de última generación, evitando depender únicamente del conocimiento preentrenado del LLM y favoreciendo modelos modernos como Vision Transformer (ViT) o EfficientNet cuando resultan más adecuados.
• Refinamiento iterativo del pipeline: mediante estudios automáticos de ablación, identifica qué componente del flujo de trabajo (preprocesamiento, ingeniería de características, imputación de datos, selección de modelos, entre otros) tiene mayor impacto en el rendimiento y concentra los esfuerzos de optimización donde generan mayor valor.
• Ensamblado inteligente de modelos: genera y evalúa distintas estrategias para combinar múltiples soluciones candidatas, obteniendo un desempeño superior al que alcanzaría un único modelo de manera aislada.
Desde la perspectiva de la ingeniería y la normalización de software, esta propuesta representa un cambio importante en la forma de desarrollar soluciones basadas en inteligencia artificial. La incorporación de agentes autónomos exige fortalecer los marcos de gobierno tecnológico mediante estándares que contemplen la validación del código generado por IA, la trazabilidad de las decisiones automatizadas, el control de calidad del pipeline de datos y la verificación de aspectos críticos como fugas de información, consumo de recursos y reproducibilidad de resultados.
Los resultados obtenidos respaldan el potencial del enfoque; en el benchmark MLE-Bench-Lite, conformado por 22 competiciones de Kaggle, MLE-STAR obtuvo medallas en el 63.6 % de los desafíos evaluados, incluyendo 36.4 % de medallas de oro, mientras que el mejor método previo alcanzó únicamente 25.8 %. Además, su desempeño se mantuvo consistente en diferentes modalidades de datos y utilizando distintos modelos de lenguaje, demostrando que el enfoque es robusto y escalable.
Más allá del incremento en precisión, MLE-STAR anticipa una nueva etapa en la ingeniería de software impulsada por IA, donde los agentes inteligentes evolucionan de ser simples asistentes de programación a convertirse en colaboradores capaces de investigar, diseñar, optimizar y validar soluciones de manera autónoma. Para las organizaciones, esto implica que la estandarización ya no deberá centrarse únicamente en el código desarrollado por personas, sino también en la supervisión, auditoría y gobernanza de los procesos ejecutados por agentes de inteligencia artificial.
Referencias
Nam et al. (2025). MLE-STAR: Machine Learning Engineering Agent via Search and Targeted Refinement.
Sommerville (2024). Ingeniería de software (10.ª ed.).
Treveil et al. (2020). Introducing MLOps.
INSTITUTO POLITÉCNICO NACIONAL
D.R. Instituto Politécnico Nacional (IPN). Av. Luis Enrique Erro S/N, Unidad Profesional Adolfo López Mateos, Zacatenco, Alcaldía Gustavo A. Madero, C.P. 07738, Ciudad de México. Conmutador: 55 57 29 60 00 / 55 57 29 63 00.
Esta página es una obra intelectual protegida por la Ley Federal del Derecho de Autor, puede ser reproducida con fines no lucrativos, siempre y cuando no se mutile, se cite la fuente completa y su dirección electrónica; su uso para otros fines, requiere autorización previa y por escrito de la Dirección General del Instituto.
