Las técnicas tradicionales de ajuste de la distribución de energía espectral (SED) enfrentan incertidumbres debido a suposiciones en las historias de formación estelar y curvas de atenuación del polvo. Proponemos un enfoque avanzado basado en aprendizaje automático que mejora la flexibilidad y la cuantificación de la incertidumbre en el ajuste de SED. A diferencia del modelo fijo utilizado, nuestro enfoque permite cualquier modelo compatible, incluidos los modelos deterministas. Incorporamos regresión cuantílica conformalizada para convertir predicciones puntuales en barras de error, mejorando la interpretabilidad y la fiabilidad. Usando como predictor base, comparamos resultados con y sin predicción conformal, demostrando un rendimiento mejorado utilizando métricas como cobertura y ancho de intervalo. Nuestro método ofrece una herramienta más versátil y precisa para derivar propiedades físicas de galaxias a partir de datos observacionales.