Un desafío persistente en el aprendizaje automático es la ineficiencia computacional de la búsqueda de arquitecturas neuronales (NAS), especialmente en dominios con recursos limitados como el mantenimiento predictivo. Este trabajo presenta un novedoso marco de estimación de curvas de aprendizaje que reduce los costos computacionales de NAS en más del 50% manteniendo el rendimiento del modelo, abordando un cuello de botella crítico en el diseño automatizado de aprendizaje automático. Al desarrollar un estimador basado en datos entrenado en 62 conjuntos de datos diferentes de mantenimiento predictivo, demostramos un enfoque generalizado para detener los ensayos durante la optimización de redes neuronales. Nuestra metodología no solo reduce los recursos computacionales, sino que también proporciona una técnica transferible para la exploración eficiente de arquitecturas de redes neuronales en tareas complejas de monitoreo industrial. El enfoque propuesto logra un notable equilibrio entre eficiencia computacional y rendimiento del modelo, con solo una degradación del rendimiento del 2%, mostrando un avance significativo en las estrategias de optimización automatizada de arquitecturas neuronales.