SELA es un sistema innovador que mejora el aprendizaje automático automatizado (AutoML) al combinar la búsqueda del árbol de Monte Carlo (MCTS) con agentes basados en grandes modelos de lenguaje (LLM). Los métodos tradicionales de AutoML a menudo producen código de baja diversidad y subóptimo, lo que limita su eficacia en la selección e integración de modelos. SELA permite a los agentes explorar inteligentemente el espacio de soluciones representando la configuración de la canalización como un árbol, e iterar y mejorar su estrategia basándose en la retroalimentación experimental.