Desarrollo de una aplicación para la creación de modelos predictivos usando LLM y AutoML

Abstract

El crecimiento en la complejidad y disponibilidad de datos ha incrementado la demanda de soluciones de aprendizaje automático (ML) accesibles y eficientes. El Aprendizaje Automático Automatizado (AutoML) busca simplificar la creación de modelos mediante la automatización de etapas clave como el preprocesamiento de datos, la selección de algoritmos y la optimización de hiperparámetros. No obstante, las herramientas AutoML tradicionales suelen presentar dificultades para adaptarse a usuarios sin conocimientos técnicos, recursos o interpretar adecuadamente sus intenciones. Este Trabajo de Fin de Grado presenta un sistema software que integra inteligencia artificial generativa en flujos de trabajo AutoML, permitiendo a los usuarios diseñar modelos predictivos a través de interfaces conversacionales en lenguaje natural. Se proponen dos versiones del sistema: una implementación en la nube, basada en Google Colab y el modelo LLaMA, y otra de ejecución local mediante la plataforma Ollama y el modelo Gemma3. Ambas versiones utilizan modelos de lenguaje para guiar al usuario en la configuración de los datos, la generación automatizada de archivos YAML para Ludwig y la interpretación de resultados. El sistema se complementa con una interfaz gráfica desarrollada en Streamlit y desplegada mediante Hugging Face Spaces, que facilita la carga de datos, el entrenamiento del modelo y la visualización de métricas de evaluación. La evaluación está basada en diversos conjuntos de datos públicos, demuestra que la herramienta permite generar modelos con rendimiento competitivo, al tiempo que mejora significativamente la accesibilidad y la experiencia del usuario. Mediante la combinación de AutoML con la asistencia de modelos de lenguaje, el sistema contribuye a adaptar el uso del aprendizaje automático, acercándolo a usuarios sin formación técnica de forma intuitiva.

The increasing complexity and availability of data have intensified the demand for accessible and efficient machine learning (ML) solutions. Automated Machine Learning (AutoML) seeks to simplify model development by automating key stages such as data preprocessing, algorithm selection, and hyperparameter tuning. However, traditional AutoML tools often face challenges in adapting to users without technical expertise or resources, and in accurately interpreting their intentions. This final degree project presents a software system that integrates generative artificial intelligence into AutoML workflows, enabling users to design predictive models through natural language conversational interfaces. Two versions of the system are proposed: a cloud-based implementation using Google Colab and the LLaMA model, and a local version using the Ollama platform and the Gemma3 model. Both leverage language models to guide users through data configuration, automated generation of YAML files for Ludwig, and result interpretation. The system is complemented by a graphical interface developed with Streamlit and deployed via Hugging Face Spaces, which facilitates data upload, model training, and evaluation metric visualization. Evaluation based on multiple public datasets demonstrates that the tool produces competitively performing models while significantly enhancing user accessibility and experience. By combining AutoML with language model assistance, the system helps adapt machine learning usage to non-technical users in an intuitive and user-friendly manner.