O trabalho provém de estudos realizados na Linha de Pesquisa Políticas, Gestão e Avaliação, aderente ao projeto de pesquisa Gestão, Avaliação e Organização da Educação Profissional, da Unidade de Pós-Graduação, Extensão e Pesquisa do Centro Paula Souza – CEETEPS - e ao subprojeto desenvolvido junto ao grupo cadastrado no diretório CNPq que aborda práticas de ensino e aprendizagem condizentes com as realidades locais e regionais, inseridas no mundo informatizado, ligadas ao desenvolvimento de competências voltadas à formação profissional e que favoreçam a inserção social. O trabalho aborda a predição de evasão escolar em cursos técnicos e tecnológicos utilizando a abordagem com AutoML. A pesquisa objetiva analisar e desenvolver modelo preditivo que identifica antecipadamente a tendência de não conclusão de novos alunos matriculados nos cursos citados, por meio de IA, com o intuito de auxiliar as instituições de ensino na implementação de medidas preventivas e de intervenção. A fundamentação teórica da pesquisa se baseia em teorias de evasão escolar, aprendizado de máquina e autoaprendizado de máquina. A pesquisa foi realizada por meio da coleta de dados históricos de alunos, aplicação de técnicas de pré-processamento e engenharia de recursos nos dados, e treinamento e avaliação de modelos utilizando ferramentas de AutoML. Como resultado observou-se que o AutoML foi capaz de gerar diferentes algoritmos de aprendizado de máquina, todos capazes de predizer a evasão com acurácia superior a 70%. Também se observou que predições com dados acadêmicos são mais eficazes. O produto gerado por este trabalho é um software para geração de modelos de AM e predição de evasão, desenvolvido em Python, denominado EvaDetect e registrado no Instituo Nacional da Propriedade Industrial sob o número BR512024000219-7.