DS-Lighting: Hacer que los Agentes Aprovechen Explícitamente la Automatización de Ciencia de Datos

Un equipo de investigadores ha presentado DS‑Lighting, una herramienta que pretende estructurar de forma explícita el “harness” o armazón que utilizan los agentes basados en grandes modelos de lenguaje (LLM) para automatizar tareas de ciencia de datos. En los sistemas actuales, este armazón suele quedar implícito, lo que dificulta reproducir los resultados, comparar distintas soluciones y atribuir el desempeño a componentes concretos. DS‑Lighting divide el armazón en cuatro capas reutilizables: datos, flujo de trabajo, ejecución y evaluación, y permite describir a los agentes como programas de operadores ejecutables. De este modo, los agentes pueden seguir pipelines predefinidos o explorar adaptativamente soluciones alternativas. Además, los autores han integrado varios benchmarks de ciencia de datos de código abierto en un formato tipo MLE‑Bench, ofreciendo una interfaz de tarea común, un entorno de ejecución aislado y un protocolo de métricas estandarizado. Las pruebas realizadas con diferentes agentes, armazones y modelos demuestran que una definición explícita del armazón mejora la reproducibilidad, la comparabilidad y la fiabilidad de los flujos de trabajo, al tiempo que reduce fallos sistémicos evitables. Esta propuesta es relevante porque facilita la evaluación objetiva de soluciones de IA en ciencia de datos, lo que puede acelerar la adopción de automatizaciones más robustas y transparentes en la práctica profesional.

Leer artículo original en arXiv cs.AI

Este resumen es una síntesis informativa elaborada por dataqbs.com. Todos los derechos sobre el contenido original pertenecen a su autor y al medio de comunicación citado. Nosotros solo actuamos como curadores de noticias tecnológicas, sin reclamar autoría alguna.