Este artículo presenta un flujo de trabajo automatizado de optimización de hiperparámetros basado en evolución diferencial de alto rendimiento (AutoDEHypO), que se implementa en un supercomputador de petascale y utiliza múltiples GPUs para ejecutar una función de aptitud especializada para aprendizaje automático (ML). El flujo de trabajo está diseñado para analíticas operativas de eficiencia energética. En este caso de uso de optimización de evolución diferencial (DE), analizamos qué tan eficientemente energéticamente se desempeña el algoritmo DE con diferentes estrategias DE y modelos de ML. El análisis del flujo de trabajo considera factores clave como estrategias DE y configuraciones automatizadas de casos de uso, como la arquitectura del modelo ML y el conjunto de datos, mientras se monitorea tanto la precisión lograda como la utilización de recursos informáticos, como el tiempo transcurrido y la energía consumida. Mientras que la eficiencia de una estrategia DE elegida se evalúa en función de una precisión de ML supervisada de múltiples etiquetas, se informan datos operativos sobre el consumo de recursos de trabajos individuales completados obtenidos de una base de datos de Slurm. Para demostrar el impacto en la eficiencia energética, utilizando nuestro flujo de trabajo de análisis, visualizamos los datos operativos obtenidos y los agregamos con pruebas estadísticas que comparan y agrupan la eficiencia energética de las estrategias DE aplicadas en los modelos ML.