Este articulo surge como producto final del trabajo de titulación que tiene como tema Análisis de capacidades predictivas para la detección de fallos en servicios críticos de TI de la empresa ASAP BUSINESS S.A el objetivo de la investigación es la exploración de modelos de aprendizaje automático para predecir la congestión de CPU y RAM en entornos virtuales utilizando Zabbix para la monitorización y Grafana para la visualización, en entorno de pruebas controlado, alojado en servidores ubicados en Alemania, aplicando algoritmos como Random Forest, SVM y KNN para el entrenamiento del modelo con datos reales simulados bajo diferentes cargas. Los resultados demostraron que es posible transformar el monitoreo tradicional en un sistema inteligente de predicción, siendo Random Forest el modelo con mejor rendimiento. Esta solución no solo mejora la capacidad de reacción ante fallos inminentes, sino que abre paso a una gestión proactiva, optimizando la disponibilidad del servicio. La propuesta es replicable en otros entornos virtualizados y representa un paso hacia la integración efectiva de inteligencia artificial en la administración de infraestructuras TI. Los hallazgos de esta investigación permiten demostrar que la monitorización predictiva mejora la estabilidad operativa de manera proactiva ante posibles fallos.
Este articulo surge como producto final del trabajo de titulación que tiene como tema Análisis de capacidades predictivas para la detección de fallos en servicios críticos de TI de la empresa ASAP BUSINESS S.A el objetivo de la investigación es la exploración de modelos de aprendizaje automático para predecir la congestión de CPU y RAM en entornos virtuales utilizando Zabbix para la monitorización y Grafana para la visualización, en entorno de pruebas controlado, alojado en servidores ubicados en Alemania, aplicando algoritmos como Random Forest, SVM y KNN para el entrenamiento del modelo con datos reales simulados bajo diferentes cargas. Los resultados demostraron que es posible transformar el monitoreo tradicional en un sistema inteligente de predicción, siendo Random Forest el modelo con mejor rendimiento. Esta solución no solo mejora la capacidad de reacción ante fallos inminentes, sino que abre paso a una gestión proactiva, optimizando la disponibilidad del servicio. La propuesta es replicable en otros entornos virtualizados y representa un paso hacia la integración efectiva de inteligencia artificial en la administración de infraestructuras TI. Los hallazgos de esta investigación permiten demostrar que la monitorización predictiva mejora la estabilidad operativa de manera proactiva ante posibles fallos.