¿Qué es el meta-aprendizaje para AutoML?

El meta-aprendizaje en el contexto de AutoML es un enfoque en el que el sistema aprende de la experiencia de resolver múltiples tareas previas de aprendizaje automático para seleccionar modelos y hiperparámetros de manera más rápida y eficiente para nuevas tareas.

La idea es que AutoML no comienza desde cero, sino que utiliza conocimientos sobre qué algoritmos y configuraciones funcionaron bien en datos similares. Esto permite reducir significativamente el tiempo y los recursos en la optimización de modelos (HPO — optimización de hiperparámetros).

Ejemplo: si AutoML enfrenta una tarea de clasificación de texto, el meta-aprendizaje puede sugerir que ciertos modelos y parámetros son adecuados para tareas similares, basándose en el historial de ejecuciones exitosas, y reducir inmediatamente el espacio de búsqueda.