El algoritmo de programación de taller de trabajo (JSSP) y sus algoritmos de solución han sido de interés duradero tanto en la academia como en la industria durante décadas. En los últimos años, el aprendizaje automático (ML) ha estado desempeñando un papel cada vez más importante en el avance de soluciones existentes y en la creación de nuevas soluciones heurísticas para el JSSP, con el objetivo de encontrar mejores soluciones en tiempos de computación más cortos. En este estudio, nos basamos en un agente de aprendizaje profundo del estado del arte, llamado Búsqueda Local Neural (NLS), que puede controlar de manera eficiente y efectiva una búsqueda de vecindario local amplio en el JSSP. En particular, desarrollamos un método para entrenar el algoritmo de transformación de decisiones (DT) en trayectorias de búsqueda tomadas por un agente NLS entrenado para mejorar aún más las secuencias de toma de decisiones aprendidas. Nuestros experimentos mostraron que el DT aprende con éxito estrategias de búsqueda local que son diferentes y, en muchos casos, más efectivas que las del propio agente NLS. En términos del equilibrio entre la calidad de la solución y el tiempo de computación aceptable necesario para la búsqueda, el DT es particularmente superior en escenarios de aplicación donde los tiempos de computación más largos son aceptables. En este caso, compensa los tiempos de inferencia más largos requeridos por paso de búsqueda, que son causados por la arquitectura de red neural más grande, a través de decisiones de mejor calidad por paso. Por lo tanto, el DT logra resultados de vanguardia para resolver el JSSP con búsqueda local mejorada por ML.