En este documento, construimos una tubería de aprendizaje automático (AutoML) automatizada para el aprendizaje basado en estructuras y la optimización de hiperparámetros. La tubería consta de tres etapas automatizadas principales. La primera lleva a cabo la recolección y el preprocesamiento del conjunto de datos de la base de datos de Kaggle a través de la API de Kaggle. La segunda utiliza la biblioteca de ajuste de optimización bayesiana de Keras para realizar la optimización de hiperparámetros. La tercera se centra en el proceso de entrenamiento del modelo de aprendizaje automático (ML) utilizando los valores de hiperparámetros estimados en la etapa anterior, y su evaluación se realiza en los datos de prueba mediante la implementación de Neptune AI. Las principales tecnologías utilizadas para desarrollar una tubería de aprendizaje automático estable y reutilizable son el popular sistema de control de versiones Git, la máquina virtual en la nube de Google, el servidor Jenkins, la tecnología de contenedorización Docker y la herramienta de proxy inverso Ngrok. Esta última puede publicar de forma segura la dirección local de Jenkins como pública a través de Internet. Como tal, algunas partes de la tubería propuesta se toman del área temática de operaciones de aprendizaje automático (MLOps), lo que resulta en un esquema de software híbrido. El modelo de aprendizaje automático se utilizó para evaluar la tubería, que es un perceptrón multicapa (MLP) que combina capas densas típicas, así como capas polinómicas. Los resultados de la simulación muestran que la tubería propuesta exhibe un rendimiento confiable y preciso mientras logra mejorar el rendimiento de la red en tareas de clasificación.