Mejoras conceptuales en algoritmos de inteligencia artificial para la gestión eficiente de recursos en la nube

Abstract

La gestión de recursos en la nube se ha convertido en un desafío crucial en entornos computacionales que requieren constantes optimizaciones en rendimiento, adaptabilidad, costos, escalabilidad y eficiencia energética. Esta investigación se enfoca en los algoritmos de inteligencia artificial utilizados para la gestión eficiente de recursos, proponiendo mejoras conceptuales en los modelos de inteligencia artificial para identificar limitaciones en métricas de recursos como CPU, memoria RAM y almacenamiento en la nube, cuyos límites generan sobrecargas, altos costos operativos y baja eficiencia en infraestructuras empresariales al no emplear estos algoritmos de autoaprendizaje.

La investigación presenta un enfoque mixto con un diseño conceptual no experimental, orientando el registro de datos de manera exploratoria y descriptiva usando métodos analíticos y deductivos en la revisión de literatura y documentación, abordando el marco normativo aplicable en los modelos y representando los datos estadísticos mediante un análisis comparativo de métricas gestionadas por los algoritmos de inteligencia artificial, como modelos basados en el enfoque de deep reinforcement learning (DRL), algoritmos metaheurísticos, machine learning, arquitecturas híbridas, entre otros modelos que consideran cada métrica como una función para alcanzar la escalabilidad, un consumo energético eficiente y eficiencia en costos y tiempos operativos.

Se propusieron mejoras conceptuales a partir de los resultados formulados en el análisis comparativo, los cuales evidencian que los algoritmos basados en aprendizaje profundo y enfoques híbridos registran mejores niveles de eficiencia en la asignación dinámica de recursos, en el rendimiento del sistema y en la reducción de los costos operativos. Entre estas mejoras se incluyen la combinación del aprendizaje profundo con modelos metaheurísticos, el uso del aprendizaje por refuerzo profundo distribucional para el autoscaling adaptativo, la incorporación de mecanismos de predicción energética y el diseño de arquitecturas multiagente para la gestión inteligente de recursos en la nube. Con ello se concluye que las mejoras conceptuales optimizan la gestión de recursos en la nube al mejorar la escalabilidad, reducir el consumo energético, y generar estabilidad frente a entornos con alta demanda reduciendo los limitantes en la gestión eficiente de los recursos. Asimismo, la investigación aporta un marco técnico-normativo que orienta futuras implementaciones y contribuye al desarrollo de nuevas estrategias en los algoritmos de inteligencia artificial en entornos computacionales en la nube.