Mostrar el registro sencillo del ítem
Inteligencia artificial aplicada a la gestión de capacidad de infraestructura tecnológica
| dc.contributor.author | Cevallos-Terán, Carlos Xavier | |
| dc.date | 2020-09-23 | |
| dc.date.accessioned | 2021-01-25T10:50:03Z | |
| dc.date.available | 2021-01-25T10:50:03Z | |
| dc.identifier.uri | https://reunir.unir.net/handle/123456789/10887 | |
| dc.description | A proper dimensioning of the technological infrastructure can result in available services and cost savings. The current artificial intelligence researches consider cloud computing providers and other sectors. None solutions were identified for data center infrastructure users. The contribution of this work is an intelligent tool that makes easier the capacity management of the technological infrastructure. The solution was built using the CRISP-DM methodology and an application case. The system contemplates the management of demand and capacity data, and the generation of forecasts with the supervised learning models: Linear Regression, Random Forest, Support Vector Machines and Artificial Neural Networks. According to the mean square error, the best model was Random Forest, with an error of less than 20% with respect to the maximum value of the analyzed metric. Looking ahead, the use and refinement of this tool in real environments is proposed. | es_ES |
| dc.description.abstract | Un dimensionamiento adecuado de infraestructura tecnológica puede redundar en servicios disponibles y ahorros de costos. Las investigaciones actuales en inteligencia artificial, contemplan proveedores en la nube y otros sectores. No se identifican soluciones para usuarios de infraestructura de centro de cómputo. La contribución de este trabajo es una herramienta inteligente que facilita la gestión de capacidad de infraestructura tecnológica. Se construyó la solución utilizando la metodología CRISP-DM y un caso de aplicación. El sistema contempla la gestión de datos de demanda y capacidad, y la generación de pronósticos con los modelos de aprendizaje supervisado: Regresión Lineal, Random Forest, Máquinas de Vector de Soporte y Redes Neuronales Artificiales. De acuerdo al error cuadrático medio, el mejor modelo fue Random Forest, con un error inferior al 20% respecto al máximo valor de la métrica analizada. De cara al futuro, se plantea el uso y afinamiento de esta herramienta en entornos reales. | es_ES |
| dc.language.iso | spa | es_ES |
| dc.rights | openAccess | es_ES |
| dc.subject | gestión de capacidad | es_ES |
| dc.subject | inteligencia artificial | es_ES |
| dc.subject | aprendizaje supervisado | es_ES |
| dc.subject | capacity management | es_ES |
| dc.subject | artificial intelligence | es_ES |
| dc.subject | supervised learning | es_ES |
| dc.subject | Máster Universitario en Inteligencia Artificial | es_ES |
| dc.title | Inteligencia artificial aplicada a la gestión de capacidad de infraestructura tecnológica | es_ES |
| dc.type | masterThesis | es_ES |
| reunir.tag | ~MIA | es_ES |
