El éxito de las técnicas de aprendizaje automático (ML) implementadas en diferentes industrias depende en gran medida de la experiencia del operador y del conocimiento del dominio, que se utiliza para elegir manualmente un algoritmo y configurar los parámetros específicos del algoritmo para un problema. Debido a la naturaleza manual de la selección de modelos y el ajuste de parámetros, es imposible cuantificar o evaluar la calidad de este proceso manual, lo que a su vez limita la capacidad de realizar estudios comparativos entre diferentes algoritmos. En este estudio, proponemos un nuevo enfoque híbrido para desarrollar flujos de trabajo de aprendizaje automático que ayuden a la selección automatizada de algoritmos y la optimización de hiperparámetros. El enfoque propuesto proporciona un flujo de trabajo robusto, reproducible y no sesgado que puede ser cuantificado y validado utilizando diferentes métricas de puntuación. Hemos utilizado los flujos de trabajo más comunes implementados en la aplicación de inteligencia artificial (IA) y ML en problemas de ingeniería, incluyendo búsqueda en cuadrícula/aleatoria, búsqueda y optimización bayesiana, programación genética, y lo hemos comparado con nuestro nuevo enfoque híbrido que incluye la integración de la Herramienta de Optimización de Pipeline Basada en Árbol (TPOT) y la optimización bayesiana. El rendimiento de cada flujo de trabajo se cuantifica utilizando diferentes métricas de puntuación, como la correlación de Pearson (es decir, la correlación R) y el Error Cuadrático Medio (es decir, MSE). Para este propósito, se probaron datos de campo reales obtenidos de 1567 pozos de gas en Marcellus Shale, con 121 características del reservorio, perforación, finalización, estimulación y operación utilizando diferentes flujos de trabajo propuestos. Luego, se utiliza un nuevo flujo de trabajo híbrido propuesto para evaluar el tipo de pozo utilizado para la evaluación de la producción de gas de Marcellus shale. En conclusión, nuestro enfoque híbrido automatizado mostró una mejora significativa en comparación con otros flujos de trabajo propuestos utilizando ambas matrices de puntuación. El nuevo enfoque híbrido proporciona una herramienta práctica que apoya la selección automatizada de modelos y hiperparámetros, que se prueba utilizando datos de campo reales que pueden implementarse en la resolución de diferentes problemas de ingeniería utilizando inteligencia artificial y aprendizaje automático. El nuevo modelo híbrido se prueba en un campo real y se compara con pozos tipo convencionales desarrollados por ingenieros de campo. Se encontró que el pozo tipo del campo está muy cerca de las predicciones P50 del campo, lo que muestra un gran éxito en el diseño de finalización del campo realizado por ingenieros de campo. También muestra que la producción promedio del campo podría haberse mejorado en un 8% si se hubieran utilizado espacios de clúster más cortos y una mayor carga de proppant por clúster durante los trabajos de fracturación.