Detección de errores en configuraciones de servidores cognitivos mediante modelos de clasificación basados en árboles de decisión

Abstract

Empresas globales del sector tecnológico desarrollan servidores con configuraciones altamente personalizadas, adaptadas a los requerimientos específicos de sus clientes. Estas configuraciones implican la selección de componentes clave, tales como procesadores, módulos de memoria, tarjetas de expansión y dispositivos de almacenamiento. Este proceso de personalización responde a criterios de desempeño, escalabilidad, tolerancia a fallos y eficiencia energética. En consecuencia, la correcta definición y validación de dichas configuraciones resulta fundamental para garantizar la compatibilidad entre componentes y evitar errores de implementación. El objetivo de este trabajo, es desarrollar un sistema automatizado para la detección de errores en configuraciones de órdenes de producción de servidores mediante el uso de modelos de aprendizaje automático basados en árboles de clasificación. Estos modelos resultan adecuados para entornos caracterizados por múltiples variables categóricas, interacciones complejas entre componentes y la existencia de reglas de compatibilidad. Los modelos no sólo actúan como un mecanismo de detección de errores, sino que permiten identificar patrones y reglas implícitas presentes en las configuraciones históricas del sistema. Se utilizaron dos bases de datos de configuraciones de servidores, una con relaciones estructuradas y otra con relaciones complejas entre las variables con las cuales se entrenaron múltiples modelos supervisados, incluyendo Árbol de Decisión, Random Forest y Gradient Boosting. Adicionalmente, se evaluó un modelo no supervisado (Isolation Forest) para detección de anomalías estructurales. El desempeño se midió utilizando métricas robustas para clases desbalanceadas, tales como F1-score, ROC-AUC y Average Precision derivada de curvas Precision–Recall. Los resultados muestran que, en el escenario de modelos de servidores de baja gama, los modelos supervisados alcanzan un desempeño cercano a perfecto, lo que indica que las reglas técnicas pueden ser capturadas de manera efectiva. Random Forest presenta el mejor desempeño y ofrece un balance óptimo entre precisión y robustez para su implementación productiva. Por otro lado, en el escenario de servidores de alta gama, se observa una degradación significativa del desempeño, atribuida a la complejidad del dominio y a la presencia de relaciones implícitas no modelables mediante reglas discretas. Se concluye que los modelos basados en árboles son altamente efectivos para la validación automática en entornos estructurados, mientras que en escenarios complejos su uso debe orientarse hacia sistemas probabilísticos de evaluación de riesgo más que a clasificación binaria estricta. Este trabajo sienta las bases para la integración de enfoques híbridos que combinen aprendizaje automático, reglas de negocio y lógica difusa, con el fin de mejorar la toma de decisiones en sistemas de configuración de alta complejidad.