Para llevar a cabo controles cada vez más sofisticados, que cumplan con las regulaciones internacionales y restricciones estrictas, se requieren sistemas computacionales a bordo que manipulen un número creciente de variables, proporcionadas por un número cada vez mayor de sensores reales y virtuales. La fase de optimización de un ICE pasa por el control de estas numerosas variables, que a menudo exhiben tendencias cambiantes rápidamente a lo largo del tiempo. Por un lado, la cantidad de datos a procesar, con frecuencias cíclicas estrechas, implica equipos computacionales cada vez más potentes. Por otro lado, se requieren estrategias y técnicas computacionales que permitan tiempos de actuación útiles para un control oportuno y optimizado. En la industria automotriz, el enfoque de "aprendizaje automático" se está convirtiendo en uno de los más utilizados para realizar actividades de pronóstico con un esfuerzo computacional reducido, debido tanto a su rentabilidad como a su estructura simple y compacta. En el presente trabajo, el sistema dinámico no lineal que abordamos está relacionado con la estimación del par de un ICE a través de un enfoque de autorregresivo no lineal con entradas exógenas (NARX). Se realizaron actividades preliminares para optimizar la red neuronal en términos de neuronas, capas ocultas y el número de parámetros de entrada a evaluar. Un análisis de sensibilidad de Shapley permitió cuantificar el impacto de cada variable en la predicción objetivo y, por lo tanto, una reducción en la cantidad de datos a procesar por la arquitectura. En todos los casos analizados, la estructura optimizada logró errores porcentuales promedio en la predicción objetivo que siempre fueron inferiores a un umbral crítico del 10%. En particular, cuando se aumentó el conjunto de datos o se fusionaron los casos analizados, la arquitectura logró errores de predicción promedio de alrededor del 1%, destacando su notable capacidad para reproducir el objetivo con fidelidad.