Revista Innovación y Software
Vol. 5, No. 2, Mes Septiembre-Febrero, 2024
ISSN: 2708-0935
Pág. 85-103
https://revistas.ulasalle.edu.pe/innosoft
Esta obra está bajo una Licencia
Creative Commons Atribución
4.0 Internacional.
Tipo de artículo: Artículos originales
Temática: Inteligencia Artificial
Recibido: 19/05/2024 | Aceptado: 06/08/2024 | Publicado: 30/09/2024
Identificadores persistentes:
DOI: 10.48168/innosoft.s16.a177
ARK: ark:/42411/s16/a177
PURL: 42411/s16/a177
Inteligencia artificial en la gestión predictiva de incidentes de TI
Artificial intelligence in predictive IT incident management
Luigui Jampierre Amaya Jave1[0009-0001-3170-6298]*, Roger Alejandro Querevalú
Galán2[0009-0002-2479-1081], Alberto Carlos Mendoza de los Santos3[0000- 0002- 0469-915X]
1Universidad Nacional de Trujillo. Trujillo, Perú. ljamayaj@unitru.edu.pe
2Universidad Nacional de Trujillo. Trujillo, Perú. rquerevalu@unitru.edu.pe
3Universidad Nacional de Trujillo. Trujillo, Perú. correo@dominio.com
∗Autor para correspondencia: amendozad@unitru.edu.pe
Resumen
Esta revisión sistemática sintetiza la literatura sobre la aplicación de la inteligencia artificial (IA) en la gestión
predictiva de incidentes de Tecnologías de la Información (TI). El estudio se enfoca en evaluar la capacidad
predictiva de las soluciones basadas en IA y en identificar áreas de oportunidad para investigaciones futuras.
Utilizando la metodología PRISMA, se realizaron búsquedas exhaustivas en bases de datos académicas utili-
zando ecuaciones de búsqueda específicas. Se seleccionaron 15 artículos que abordan el tema desde diferentes
perspectivas, destacando el uso de técnicas avanzadas como machine learning, deep learning y transformadores
para mejorar la precisión en la predicción de incidentes de TI. Además, se exploró cómo la IA para Operaciones
de TI (AIOps) facilita la automatización y gestión proactiva de incidentes, optimizando así la eficiencia opera-
tiva y la disponibilidad del sistema. Los hallazgos resaltan la efectividad de estas tecnologías en la reducción
del tiempo de resolución de incidentes y en la mejora de la resiliencia organizacional frente a desafíos tecnoló-
gicos emergentes. En conjunto, esta revisión subraya la importancia de la innovación continua y la integración
estratégica de IA en la gestión de servicios de TI para mejorar la eficiencia operativa y fortalecer la capacidad
de adaptación de las organizaciones.
Palabras claves: incidentes de TI, inteligencia artificial, gestión predictiva.
Abstract
This systematic review synthesizes the literature on the application of Artificial Intelligence (AI) in predictive
incident management in Information Technology (IT). The study focuses on evaluating the predictive capability
of AI-based solutions and identifying areas for future research. Using the PRISMA methodology, comprehensive
searches were conducted in academic databases using specific search equations. Fifteen articles were selected
that addressed the topic from various perspectives, highlighting the use of advanced techniques such as machine
learning, deep learning, and transformers to enhance accuracy in predicting IT incidents. Furthermore, it ex-
plored how AI for IT Operations (AIOps) facilitates the automation and proactive management of incidents,
thereby optimizing operational efficiency and system availability. The findings underscore the effectiveness of
these technologies in reducing incident resolution times and improving organizational resilience against emerging
technological challenges. Overall, this review emphasizes the importance of continuous innovation and strategic
integration of AI in IT service management to enhance operational efficiency and strengthen organizational
adaptability.
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
85
Revista Innovación y Software
Vol. 5, No. 2, Mes Septiembre-Febrero, 2024
ISSN: 2708-0935
Pág. 85-103
https://revistas.ulasalle.edu.pe/innosoft
Keywords: IT incidents, artificial intelligence, predictive management.
Introducción
En este trabajo se describen las aplicaciones de la inteligencia artificial (IA) en la gestión predictiva de incidentes
de Tecnologías de la Información (TI). La gestión de incidentes es un componente crítico para el funcionamiento
eficiente de las organizaciones, ya que los incidentes de TI pueden causar interrupciones significativas en los
servicios y operaciones. La capacidad de predecir y gestionar incidentes antes de que ocurran ofrece ventajas
sustanciales, reduciendo tiempos de inactividad y mejorando la eficiencia operativa.
La inteligencia artificial ha emergido como una herramienta poderosa en este ámbito, hasta el punto de que
existen algunas diseñadas para las operaciones de TI conocidas como AIOps (Inteligencia Artificial para Ope-
raciones). Varios estudios [1–5]. han sugerido que las AIOps están siendo utilizadas por las empresas para
afrontar los cambios y los incidentes de TI generados por estos. Además, según Remil [1,2] se empiezan a
explorar soluciones como el Descubrimiento de Subgrupos para analizar comportamientos más específicos. Sin
embargo, la literatura carece de una revisión sistemática que consolide estos esfuerzos y evalúe la efectividad
de las soluciones propuestas.
En la era actual, las innovaciones tecnológicas han transformado significativamente la manera en que se abordan
los desafíos relacionados con la seguridad y la salud en el trabajo. Desde el desarrollo de sistemas de información
avanzados hasta la aplicación de técnicas de aprendizaje automático para la predicción de riesgos, la integración
de tecnología se ha convertido en un pilar fundamental para mejorar los estándares de seguridad laboral [6,7].
Estas iniciativas no solo buscan mitigar riesgos previsibles, como los relacionados con la tecnología, sino también
mejorar la gestión de incidentes mediante el uso de sistemas web especializados [8,9]. Este contexto refleja un
esfuerzo continuo por parte de diversas industrias para adaptarse y responder proactivamente a los desafíos
emergentes en materia prevención de riesgos.
La integración de la inteligencia artificial (IA) en la gestión predictiva de incidentes de tecnología de la informa-
ción (TI) representa un avance crucial en la mejora de la seguridad y eficiencia operativa en diversos contextos
organizacionales. Desde la prevención de pérdidas de datos críticos hasta la optimización de procesos internos
mediante la adopción de prácticas como ITIL V4 y el uso de mesas de ayuda basadas en IA, la aplicación de
tecnologías emergentes está redefiniendo los paradigmas tradicionales de gestión de incidentes [10–12].
Además, la investigación continúa explorando el potencial de la IA en la transformación de procesos educativos
y en la optimización de la interacción humano-IA para la creación de valor en ecosistemas de servicios [12,13].
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
86
Revista Innovación y Software
Vol. 5, No. 2, Mes Septiembre-Febrero, 2024
ISSN: 2708-0935
Pág. 85-103
https://revistas.ulasalle.edu.pe/innosoft
Este contexto subraya la importancia de una revisión sistemática para comprender a fondo las contribuciones
actuales y las tendencias futuras de la IA en la gestión proactiva de incidentes de TI.
El objetivo de este trabajo es revisar y sintetizar la literatura existente sobre la aplicación de IA en la gestión
predictiva de incidentes de TI. Se evalúa la capacidad predictiva de las soluciones basadas en IA y se identifican
áreas de oportunidad para futuras investigaciones. Este estudio se justifica por la necesidad de reducir los
tiempos de inactividad, minimizar los costos asociados a los incidentes de TI y mejorar la satisfacción del
usuario mediante la implementación de soluciones predictivas basadas en IA. En este contexto, se investiga
¿cómo se utiliza la inteligencia artificial para predecir incidentes de TI? y ¿qué tan efectiva es en mejorar la
gestión de servicios de TI?
Concepto de Inteligencia Artificial
La Inteligencia Artificial (IA) se define como la capacidad de una máquina para imitar el comportamiento
humano, incluyendo habilidades como el aprendizaje, la toma de decisiones, el reconocimiento de patrones
y la resolución de problemas. En términos simples, la IA permite que las computadoras realicen tareas que
normalmente requieren inteligencia humana. Estas tareas pueden variar desde juegos y diagnósticos médicos
hasta conducción autónoma y procesamiento del lenguaje natural [14].
Inteligencia Artificial para Operaciones de TI
La Inteligencia Artificial para Operaciones de TI (AIOps, por sus siglas en inglés) se refiere al uso de IA
para mejorar y automatizar las operaciones de tecnología de la información. AIOps combina el aprendizaje
automático, el análisis de big data y otras tecnologías de IA para identificar, diagnosticar y resolver problemas
en entornos de TI de manera más eficiente y proactiva [15]. Esto incluye la capacidad de predecir incidentes antes
de que ocurran, lo que puede minimizar el tiempo de inactividad y mejorar la disponibilidad del sistema [16].
Incidentes de TI
Los incidentes de TI son eventos no planificados que causan una interrupción o una reducción en la calidad
del servicio de una infraestructura de tecnología de la información. Estos incidentes pueden variar desde fallos
en el hardware, problemas de red, errores de software, hasta ciberataques que comprometen la seguridad de
los datos [17]. La gestión efectiva de estos incidentes es crucial para minimizar el impacto en las operaciones
comerciales y asegurar la continuidad del negocio [18].
Con el avance de la inteligencia artificial, las técnicas predictivas están comenzando a jugar un papel signi-
ficativo en la gestión de incidentes de TI. Al analizar grandes volúmenes de datos y detectar patrones, los
sistemas basados en IA pueden anticipar posibles fallos antes de que ocurran, permitiendo una intervención
preventiva. Esto no solo mejora la eficiencia operativa, sino que también puede reducir significativamente los
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
87
Revista Innovación y Software
Vol. 5, No. 2, Mes Septiembre-Febrero, 2024
ISSN: 2708-0935
Pág. 85-103
https://revistas.ulasalle.edu.pe/innosoft
costos asociados con el tiempo de inactividad y la pérdida de productividad [19].
Gestión de servicios TIC
La gestión de servicios de tecnologías de la información (TIC) implica la implementación y administración
de servicios de TI que satisfacen las necesidades de una organización. Esta disciplina incluye un conjunto de
políticas y procedimientos diseñados para planificar, diseñar, entregar, operar y controlar los servicios de TI
para clientes internos y externos [20,21].
La inteligencia artificial (IA) está revolucionando la gestión de servicios de TI al mejorar la capacidad de
predicción y automatización de incidentes, optimizando la eficiencia operativa y la disponibilidad del sistema.
La integración de tecnologías como el aprendizaje automático y los sistemas de IA en operaciones de TI
(AIOps) permite una gestión proactiva y automatizada, reduciendo significativamente el tiempo de resolución
de incidentes y aumentando la resiliencia organizacional [22].
Servicio
En el contexto tecnológico contemporáneo, un servicio se define como una funcionalidad proporcionada por
sistemas informáticos que permite satisfacer necesidades específicas de usuarios o aplicaciones, generalmente
accesible a través de interfaces estandarizadas y protocolos de comunicación. Estos servicios pueden incluir
desde plataformas de inteligencia artificial que facilitan el procesamiento de datos y la toma de decisiones
automatizada, hasta infraestructuras de cómputo en la nube que ofrecen recursos escalables según demanda [23].
Esta definición destaca la importancia de la flexibilidad y la interoperabilidad para adaptarse a las exigencias
cambiantes del entorno tecnológico actual.
Metodología
Para el desarrollo de la presente revisión se empleó la metodología PRISMA. A continuación, en la Figura 1 se
muestra un diagrama de flujo explicando la misma.
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
88
Revista Innovación y Software
Vol. 5, No. 2, Mes Septiembre-Febrero, 2024
ISSN: 2708-0935
Pág. 85-103
https://revistas.ulasalle.edu.pe/innosoft
Ecuaciones de búsqueda
Para iniciar el proceso de búsqueda, se utilizaron conectores booleanos que integran las diferentes variables del
estudio. Para aumentar la precisión en la búsqueda de literatura científica, se diseñó un protocolo que combina
los términos predefinidos con los operadores booleanos detallados en la Tabla 1.
Tabla 1. Ecuación de búsqueda por cada base de datos.
Repositorio Cadena de búsqueda
Google Académico “inteligencia artificial” “prevención de incidentes”
SCOPUS (TITLE-ABS-KEY (“artificial intelligence”)
AND TITLE-ABS-KEY (“incident manage-
ment”))
Criterios de inclusión y exclusión
Los criterios de inclusión y exclusión son directrices específicas establecidas para realizar una revisión biblio-
gráfica o un artículo de revisión. Su propósito es decidir qué estudios o artículos serán incluidos y cuáles serán
descartados durante la revisión. Estos criterios son fundamentales para asegurar la pertinencia y calidad de los
estudios seleccionados para el análisis. Todos los criterios de inclusión se presentan en la Tabla 2, mientras que
los criterios de exclusión se detallan en la Tabla 3.
Tabla 2. Criterios de inclusión.
N°Criterios de inclusión
CI1 Artículos que abordan el tema de la inteligencia
artificial en la gestión predictiva de incidentes de
TI.
CI2 Artículos redactados en español e inglés.
CI3 Artículos publicados entre los años 2019 y 2024..
aCI = criterio de inclusión
Proceso de recolección de información
Las búsquedas se llevaron a cabo utilizando las directrices de inclusión descritas en la Tabla 2, junto con la
combinación de los términos “artificial intelligence” y “incident management” en las bases de datos Google
Scholar y SCOPUS, empleando operadores booleanos AND y OR. Aunque estas búsquedas generaron pocos
resultados, algunos redundantes o de escaso valor para la revisión, proporcionaron una comprensión amplia del
tema.
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
90
Revista Innovación y Software
Vol. 5, No. 2, Mes Septiembre-Febrero, 2024
ISSN: 2708-0935
Pág. 85-103
https://revistas.ulasalle.edu.pe/innosoft
Tabla 3. Criterios de exclusión.
N°Criterios de exclusión
CE1 Artículos no publicados entre los años 2019 y
2024.
CE2 Artículos duplicados.
CE3 Artículos que no tienen similitud con el tema de
investigación.
CE4 Artículos que no son de libre acceso.
aCE = criterio de exclusión
En la Tabla 4 se presenta un desglose de los artículos correspondientes a cada base de datos y motor de búsqueda
empleados como referencia.
Tabla 4. Artículos depurados empleando criterios de inclusión y exclusión.
Base de datos Artículos
encontrados
en total
Aplicando
CE1
Aplicando
CE2
Aplicando
CE3
Aplicando
CE4
Google Académico 153 116 116 21 11
SCOPUS 93 47 44 7 4
TOTAL 246 163 160 28 15
Se implementaron diversos filtros en las publicaciones y revistas científicas seleccionadas (ver Figura 2), si-
guiendo las directrices de inclusión y exclusión establecidas.
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
91
Revista Innovación y Software
Vol. 5, No. 2, Mes Septiembre-Febrero, 2024
ISSN: 2708-0935
Pág. 85-103
https://revistas.ulasalle.edu.pe/innosoft
Resultados
Se identificaron 15 artículos para realizar una exploración exhaustiva y examen detallado del tema de investi-
gación. Posterior al examen, se presenta un resumen en la Tabla 1 que detalla los hallazgos obtenidos.
Tabla 5. Análisis de los artículos académicos
N°Título del artículo Resultados
1 “An Empirical Analysis
of State-of-Art Classi-
fication Models in an
IT Incident Severity
Prediction Framework”
(2023)
Este estudio usa técnicas avanzadas como machine learning,
deep learning y transformadores para predecir incidentes de
TI, siendo pionero en aplicar estas tecnologías en la gestión
de servicios. Se evaluaron diversas fuentes de incidentes, des-
tacando las arquitecturas de transformadores y XGBoost por
su alta precisión. Se empleó remuestreo y datos sintéticos pa-
ra abordar desafíos de desequilibrio de datos, logrando me-
joras significativas y proponiendo un marco para reducir el
tiempo de resolución de incidentes mediante predicción.
2 “Exploring the Transfor-
mative Benefits of In-
tegrating Artificial Inte-
lligence into Configura-
tion Management Data-
base (CMDB)” (2024)
Este artículo examina cómo la integración de Inteligencia
Artificial en la Base de Datos de Gestión de Configuración
(CMDB) está transformando la gestión de servicios de TI.
Explora desde conceptos básicos hasta aplicaciones avanza-
das como el descubrimiento automatizado y la gestión proac-
tiva de incidentes y cambios. Destaca por ofrecer una com-
prensión profunda de los beneficios que la IA aporta al me-
jorar la eficiencia operativa y facilitar decisiones informadas
en la gestión de infraestructuras de TI.
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
93
Revista Innovación y Software
Vol. 5, No. 2, Mes Septiembre-Febrero, 2024
ISSN: 2708-0935
Pág. 85-103
https://revistas.ulasalle.edu.pe/innosoft
N°Título del artículo Resultados
3 “How Can Subgroup
Discovery Help AIOps?”
(2021)
Este estudio mejora la supervisión de sistemas de TI con
técnicas avanzadas de AIOps. Subraya las limitaciones de
los motores de inferencia basados en reglas y sugiere el Des-
cubrimiento de Subgrupos como una innovadora técnica de
minería de datos para entender modelos predictivos. Este
enfoque avanza al ofrecer nuevas perspectivas para automa-
tizar y gestionar incidentes en TI, integrando conocimientos
prácticos e investigativos para resolver desafíos.
4 “Mining Java Memory
Errors using Subjective
Interesting Subgroups
with Hierarchical Tar-
gets” (2023)
Este estudio utiliza AIOps con un enfoque en el Descubri-
miento de Subgrupos (SD), una técnica de minería de datos.
Desarrolla un marco específico para SD que maneja concep-
tos jerárquicos, diseñado para identificar patrones en datos
de incidentes como errores de memoria en sistemas ERP. Se
valida en escenarios reales, mejorando la detección automa-
tizada y diagnóstico de causas raíz. Subraya futuras mejoras
en eficiencia computacional y expansión a otros casos de uso.
5 “On the Difficulty of
Identifying Incident-
Inducing Changes”
(2024)
Utiliza Inteligencia Artificial para Operaciones (AIOps) para
mejorar la gestión de cambios en empresas, enfocándose en
fortalecer la trazabilidad entre cambios e incidentes mediante
métodos precisos validados con datos históricos y evaluacio-
nes prácticas. Destaca la complejidad inherente a esta tarea
debido al impacto del contexto en la efectividad de los méto-
dos de AIOps, evidenciado por diferencias significativas entre
resultados históricos y evaluaciones en tiempo real.
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
94
Revista Innovación y Software
Vol. 5, No. 2, Mes Septiembre-Febrero, 2024
ISSN: 2708-0935
Pág. 85-103
https://revistas.ulasalle.edu.pe/innosoft
N°Título del artículo Resultados
6 “Optimizing IT opera-
tions with AIOps: an in-
vestigation into the op-
portunities and challen-
ges for enterprise adop-
tion” (2023)
Este estudio evaluó cómo las empresas pueden beneficiarse
de AIOps en aplicaciones críticas y su implementación en TI.
Se cerró la brecha explorando su adopción real con un estudio
de caso. Se destaca la etapa inicial de adopción empresarial
de AIOps y la importancia de un proceso continuo alineado
con objetivos empresariales. Se plantean preguntas sobre la
autonomía de decisiones de AI y la responsabilidad legal en
las operaciones de TI, reflejando un enfoque integral hacia
los desafíos y avances futuros.
7 “Towards Intelligent
Incident Management:
Why We Need It and
How We Make It”
(2020)
Este estudio aborda la gestión de incidentes en servicios de
nube con la adopción de AIOps para mejorar la comprensión
y mitigación de incidentes críticos. Se identifican desafíos co-
mo la falta de dependencias detalladas entre servicios y la
evaluación imprecisa del estado de los recursos. Introduce el
marco IcM BRAIN para optimizar la eficiencia en la gestión
de incidentes en Microsoft, sugiriendo áreas para futuras in-
vestigaciones y mejoras en sistemas de nube resilientes.
8 “Implementación de una
mesa de ayuda basada
en ITIL v4 para agilizar
los procesos internos de
TI” (2022)
La investigación implementa una mesa de ayuda basada en
ITIL V4 para optimizar los procesos internos de TI, mejoran-
do la gestión de incidencias y cambios. Se destaca la novedad
de usar el modelo TI Manager Engine para administrar re-
motamente los equipos, reduciendo tiempos de atención y
asegurando un control efectivo de cambios, lo cual supera
soluciones similares al mejorar la calidad y eficiencia del ser-
vicio.
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
95
Revista Innovación y Software
Vol. 5, No. 2, Mes Septiembre-Febrero, 2024
ISSN: 2708-0935
Pág. 85-103
https://revistas.ulasalle.edu.pe/innosoft
N°Título del artículo Resultados
9 “La Inteligencia Artifi-
cial en la transforma-
ción de procesos univer-
sitarios” (2019)
El artículo explora la aplicación de la Inteligencia Artificial
(IA) en diversas áreas universitarias, incluyendo la comu-
nidad académica, la oferta educativa, la investigación, y la
cultura deportiva, evaluando su impacto en la toma de de-
cisiones y propuestas. También se analizan los beneficios y
desventajas de integrar esta tecnología en los procesos uni-
versitarios.
10 “Mejorar un modelo de
gestión de incidentes de
seguridad estándar, me-
diante el uso de una ba-
se de conocimiento de
ataques a servicios web
en ambientes IoT, cons-
truida con tecnologías
Honeypot, Big data y
bases de datos distribui-
das sobre Blockchain,
que facilite el manejo de
eventos de seguridad in-
formática.” (2022)
El proyecto de investigación mejora un modelo de gestión de
incidentes de seguridad mediante una base de conocimiento
de ataques a servicios web en entornos IoT, utilizando tec-
nologías Honeypot, Big Data y bases de datos distribuidas
en Blockchain, para facilitar el manejo de eventos de seguri-
dad informática. Este modelo proactivo gestiona incidentes
en ambientes señuelo para definir controles que mitiguen su
impacto en ambientes productivos. Se seleccionaron e imple-
mentaron herramientas tecnológicas, se analizaron modelos
y buenas prácticas, y se validó el nuevo modelo de gestión,
logrando una gestión más eficiente de los incidentes de segu-
ridad.
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
96
Revista Innovación y Software
Vol. 5, No. 2, Mes Septiembre-Febrero, 2024
ISSN: 2708-0935
Pág. 85-103
https://revistas.ulasalle.edu.pe/innosoft
N°Título del artículo Resultados
11 “Desarrollo de una Guía
para el abordaje de In-
cidentes de Cibersegu-
ridad en Infraestructu-
ras Críticas Industria-
les” (2021)
Este proyecto desarrolla una guía para abordar incidentes de
ciberseguridad en infraestructuras críticas industriales, que
abarque la prevención, mitigación y análisis forense de estos
incidentes. Los sistemas de control industrial, integrados con
tecnologías modernas como Big Data y IoT, están expuestos
a riesgos significativos. El proyecto, realizado por la Univer-
sidad Abierta Interamericana, la Universidad Nacional de la
Defensa y la Universidad FASTA, se centra en desarrollar re-
comendaciones para la seguridad en estos sistemas. La guía
ayudará a gestionar la seguridad en infraestructuras vitales,
como plantas de energía y agua, mejorando su resiliencia an-
te ciberamenazas.
12 “Implantación de un sis-
tema de información ba-
sado en la web de re-
gistro y gestión de acci-
dentes e incidentes para
la mejora de indicadores
de seguridad en el tra-
bajo en una compaÒÌa
minera en la ciudad de
Cusco” (2022)
El sistema web desarrollado para la gestión de accidentes e
incidentes en la compañía minera de Cusco representa una
novedad y mejora en su campo al ofrecer una solución inte-
gral que facilita el registro, seguimiento y análisis de datos
en tiempo real. Su superioridad frente a soluciones similares
radica en su enfoque cuantitativo, diseño no experimental,
y su capacidad de automatizar procesos, lo que incrementa
significativamente la eficiencia y precisión en la gestión de
la seguridad laboral, reduciendo la frecuencia y severidad de
los accidentes.
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
97
Revista Innovación y Software
Vol. 5, No. 2, Mes Septiembre-Febrero, 2024
ISSN: 2708-0935
Pág. 85-103
https://revistas.ulasalle.edu.pe/innosoft
N°Título del artículo Resultados
13 “Predicción de riesgos
en salud para personas
con obesidad empleando
técnicas de aprendizaje
de máquinas” (2022)
La investigación de Wilmer Jesus Agamez Julio introduce
una novedad en el campo de la salud pública al desarrollar un
modelo de predicción de riesgos de salud para personas con
obesidad, utilizando técnicas de aprendizaje de máquinas.
Este modelo destaca por su capacidad de analizar patrones
de comportamiento y la interacción con los sistemas de salud
colombianos, permitiendo una predicción precisa y escalable
de eventos adversos. Su superioridad respecto a soluciones
similares reside en su enfoque preventivo, proporcionando
una herramienta robusta para la formulación de políticas de
salud más eficientes y proactivas.
14 “Innovaciones tecnológi-
cas en la seguridad y sa-
lud en el trabajo en Co-
lombia una revisión do-
cumental” (2024)
La investigación de Diana Vanessa Moreno Avila presenta
una revisión exhaustiva sobre la implementación de tecno-
logías innovadoras en seguridad y salud en el trabajo (SST)
en Colombia, destacando el uso de inteligencia artificial, IoT,
drones y realidad virtual. Este estudio es innovador al pro-
porcionar una guía de implementación para empresas, abor-
dando desde el diagnóstico hasta la evaluación. Su superio-
ridad frente a soluciones similares radica en su enfoque sis-
temático y su capacidad para identificar y superar desafíos
específicos de inversión y capacitación, lo que permite mejo-
rar significativamente la eficiencia y seguridad en el entorno
laboral.
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
98
Revista Innovación y Software
Vol. 5, No. 2, Mes Septiembre-Febrero, 2024
ISSN: 2708-0935
Pág. 85-103
https://revistas.ulasalle.edu.pe/innosoft
N°Título del artículo Resultados
15 “La prevención en la
pérdida de datos e infor-
mación, vital en la vigi-
lancia privada” (2021)
El ensayo sobre la prevención de pérdida de datos e infor-
mación en la vigilancia privada se distingue por su enfoque
en la implementación de políticas específicas y el uso de tec-
nologías avanzadas como Big Data, inteligencia artificial y
Machine Learning. Estas herramientas no solo fortalecen la
seguridad de los datos, sino que también mejoran la eficiencia
operativa y la capacidad predictiva ante posibles incidentes
de fuga de información. Además, el análisis detallado del
valor estratégico de los datos dentro del contexto de la segu-
ridad privada representa una contribución significativa para
establecer prácticas de prevención más efectivas.
Discusion
Los resultados indican que el uso de técnicas avanzadas como machine learning, deep learning y transformadores
para predecir incidentes de TI ha demostrado ser altamente eficaz, destacando las arquitecturas de transfor-
madores por su alta precisión [24]. Este enfoque en la gestión de servicios de TI no solo mejora la precisión
de las predicciones, sino que también introduce un marco que reduce el tiempo de resolución de incidentes.
Los resultados indican que, mediante el uso de remuestreo y datos sintéticos, es posible abordar los desafíos de
desequilibrio de datos, logrando mejoras significativas en la precisión de las predicciones.
La integración de la Inteligencia Artificial en la Base de Datos de Gestión de Configuración (CMDB) está
revolucionando la gestión de servicios de TI [25]. La IA facilita el descubrimiento automatizado y la gestión
proactiva de incidentes y cambios, mejorando la eficiencia operativa y las decisiones informadas en la gestión
de infraestructuras de TI. Este estudio resalta cómo la IA puede ofrecer una comprensión más profunda de los
beneficios operativos, permitiendo una gestión más eficiente y proactiva de los sistemas de TI.
Además, se destaca las limitaciones de los motores de inferencia basados en reglas tradicionales y propone el
Descubrimiento de Subgrupos como una técnica innovadora de minería de datos para mejorar la comprensión
de los modelos predictivos [1,2]. Este enfoque proporciona nuevas perspectivas para la automatización y gestión
de incidentes en TI, integrando conocimientos prácticos e investigativos para abordar desafíos específicos. La
implementación de estas técnicas avanzadas de AIOps muestra un avance significativo en la automatización y
la gestión eficiente de incidentes.
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
99
Revista Innovación y Software
Vol. 5, No. 2, Mes Septiembre-Febrero, 2024
ISSN: 2708-0935
Pág. 85-103
https://revistas.ulasalle.edu.pe/innosoft
La evaluación de cómo las empresas pueden beneficiarse de AIOps en aplicaciones críticas de TI revela que
la adopción de estas tecnologías aún está en sus etapas iniciales. El estudio de caso destaca la necesidad de
ver AIOps como un proceso continuo alineado con los objetivos empresariales. Se plantean cuestiones sobre la
autonomía de las decisiones de IA y la responsabilidad legal en las operaciones de TI, subrayando la importancia
de un enfoque integral para enfrentar los desafíos y aprovechar los avances futuros en AIOps.
Conclusiones
El análisis de diversos estudios en la gestión de incidentes de TI revela avances significativos y contribuciones
clave que impulsan el campo hacia adelante. Uno de los principales hallazgos es el efecto transformador de las
tecnologías emergentes, como el Machine Learning, Inteligencia Artificial y los transformadores, en la predicción
precisa de incidentes. Estas herramientas no solo mejoran la capacidad de anticiparse a problemas, sino que
también permiten una respuesta más rápida y eficiente.
Además, la integración de Inteligencia Artificial en la Base de Datos de Gestión de Configuración (CMDB) ha
facilitado una gestión más proactiva de configuraciones y cambios, optimizando así los recursos y fortaleciendo
la estabilidad operativa. Este avance se traduce en una mayor agilidad para adaptarse a entornos dinámicos y
una reducción notable en el tiempo de resolución de problemas.
Otro punto destacado es el uso innovador del Descubrimiento de Subgrupos en la supervisión de sistemas de
TI. Esta técnica no solo mejora la automatización de la detección de anomalías, sino que también enriquece la
comprensión de los modelos predictivos, ofreciendo nuevas perspectivas para la gestión proactiva de incidentes.
En términos de detección y diagnóstico de errores, los estudios revisados enfatizan la eficacia de AIOps en
la identificación y mitigación de errores críticos, como los relacionados con sistemas ERP. Esta capacidad no
solo mejora la eficiencia operativa, sino que también fortalece la resiliencia organizacional frente a desafíos
complejos.
Finalmente, se identifican desafíos significativos en la gestión de cambios, subrayando la necesidad de mejorar
la trazabilidad entre cambios e incidentes para optimizar la respuesta organizacional. Este aspecto sugiere
oportunidades para futuras investigaciones orientadas a fortalecer las prácticas de gestión de cambios y mejorar
la adaptabilidad de las organizaciones a entornos tecnológicos cambiantes.
En conjunto, estas conclusiones consolidan el panorama actual de la gestión de incidentes de TI y destacan
la importancia de la innovación continua y la integración estratégica de tecnologías emergentes. Estos avances
no solo mejoran la eficiencia operativa, sino que también fortalecen la capacidad de las organizaciones para
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
100
Revista Innovación y Software
Vol. 5, No. 2, Mes Septiembre-Febrero, 2024
ISSN: 2708-0935
Pág. 85-103
https://revistas.ulasalle.edu.pe/innosoft
enfrentar desafíos tecnológicos emergentes en un entorno digital dinámico.
Contribución de Autoría
Luigui Jampierre Amaya Jave: Conceptualización,Metodología,Investigación,Análisis formal,Validación,
Redacción - borrador original,Curación de datos,Escritura, revisión y edición,Visualización.Roger Alejan-
dro Querevalú Galán: Conceptualización,Metodología,Investigación,Análisis formal,Validación,Redacción
- borrador original,Curación de datos,Escritura, revisión y edición,Visualización.Alberto Carlos Mendoza
de los Santos: Redacción - borrador original,Curación de datos,Validación,Visualización.
Referencias
[1] Y. Remil, “How can subgroup discovery help aiops?” in ASE 2021: Proceedings of the 36th IEEE/ACM In-
ternational Conference on Automated Software Engineering, INSA Lyon, CNRS, LIRIS UMR5205, France.
Infologic R&D, Bourg-lès-Valence, France, Sep. 2021.
[2] Y. Remil, A. Bendimerad, M. Chambard, R. Mathonat, and M. Plantevit, “Mining java memory errors
using subjective interesting subgroups with hierarchical targets,” in IEEE International Conference on
Data Mining Workshops (ICDM Workshops), Shanghai, China, Dec. 2023.
[3] E. Kapel, L. Cruz, D. Spinellis, and A. van Deursen, “On the difficulty of identifying incident-inducing
changes,” in 46th International Conference on Software Engineering: Software Engineering in Practice
(ICSE-SEIP’24). Lisbon, Portugal: ACM, 2024, p. 11.
[4] M. G. Locher, “Optimizing it operations with aiops: an investigation into the opportunities and challenges
for enterprise adoption,” Master’s thesis, ZHAW Zürcher Hochschule für Angewandte Wissenschaften,
Winterthur, Switzerland, 2023.
[5] Z. Chen, Y. Kang, L. Li, and X. Zhang, “Towards intelligent incident management: Why we need it and
how we make it,” in 28th ACM Joint European Software Engineering Conference and Symposium on the
Foundations of Software Engineering (ESEC/FSE ’20). Virtual Event, USA: ACM, 2020, p. 11.
[6] D. V. M. Avila, “Innovaciones tecnológicas en la seguridad y salud en el trabajo en colombia: una revisión
documental,” Master’s thesis, Universidad Santo Tomás, Bucaramanga, Colombia, 2024.
[7] W. J. A. Julio, “Predicción de riesgos en salud, para personas con obesidad, empleando técnicas de apren-
dizaje de máquinas,” Master’s thesis, Facultad de Minas, Universidad Nacional de Colombia, Medellín,
Colombia, 2022.
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
101
Revista Innovación y Software
Vol. 5, No. 2, Mes Septiembre-Febrero, 2024
ISSN: 2708-0935
Pág. 85-103
https://revistas.ulasalle.edu.pe/innosoft
[8] H. C. Laguna, “Implantación de un sistema de información basado en la web de registro y gestión de
accidentes e incidentes para la mejora de indicadores de seguridad en el trabajo en una compañía minera
en la ciudad de cusco - 2022,” Lima, Perú, 2023.
[9] J. Kamlofsky, G. Gonzalez, and S. Trigo, “Desarrollo de una guía para el abordaje de incidentes de ciber-
seguridad en infraestructuras críticas industriales,” in XXIII Workshop de Investigadores en Ciencias de
la Computación, RedUNCI - UNdeC, Buenos Aires, Argentina, Apr. 2021.
[10] D. E. V. nas Reyes, “La prevención en la pérdida de datos e información, vital en la vigilancia privada,”
Ensayo Académico, Facultad de Relaciones Internacionales, Estrategia y Seguridad, Programa Adminis-
tración de la Seguridad, Bogotá D.C., Colombia, 2021.
[11] C. A. P. Álvarez and M. F. Lasprilla, “Mejorar un modelo de gestión de incidentes de seguridad estándar,
mediante el uso de una base de conocimiento de ataques a servicios web en ambientes iot, construida
con tecnologías honeypot, big data y bases de datos distribuidas sobre blockchain, que facilite el manejo
de eventos de seguridad informática,” Master’s thesis, Instituto Tecnológico Metropolitano, Facultad de
Ingenierías, Medellín, Colombia, 2022.
[12] R. O. C. Dávila, “Implementación de una mesa de ayuda basada en itil v4 para agilizar los procesos internos
de ti,” Pimentel, Perú, 2022.
[13] Y. S. Martínez, “La inteligencia artificial en la transformación de procesos universitarios,” Tecnología e
Innovación en Educación Superior, vol. 1, no. 2, pp. 1–10, Oct. 2019.
[14] S. Russell and P. Norvig, Artificial Intelligence: A Modern Approach, 4th ed. Pearson, 2020.
[15] G. Kaur and M. Kaur, “Aiops: Predictive analytics for it operations,” International Journal of Computer
Applications, vol. 177, no. 15, pp. 25–30, 2019.
[16] D. R. Gagne, “Leveraging aiops for proactive it incident management,” IT Professional, vol. 22, no. 2, pp.
45–52, 2020.
[17] T. L. Gonsalves and S. T. Parab, “It incident management: A case study,” Procedia Computer Science,
vol. 167, pp. 1575–1584, 2020.
[18] J. K. Bedi, “Effective it incident management,” IT Professional, vol. 21, no. 3, pp. 55–63, 2019.
[19] P. Gupta and R. Ramesh, “Predictive analytics for it incident management,” Journal of Network and
Computer Applications, vol. 156, pp. 102–115, 2021.
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
102
Revista Innovación y Software
Vol. 5, No. 2, Mes Septiembre-Febrero, 2024
ISSN: 2708-0935
Pág. 85-103
https://revistas.ulasalle.edu.pe/innosoft
[20] A. Bilgihan et al., “Raise: Leveraging responsible ai for service excellence,” Journal of Service Management,
2020.
[21] V. Kaartemo and A. Helkkula, “Human–ai resource relations in value cocreation in service ecosystems,”
Journal of Service Management, 2020.
[22] D. V. M. Avila, “Innovaciones tecnológicas en la seguridad y salud en el trabajo en colombia: una revisión
documental,” Journal of Safety Management, 2024.
[23] Y. S. Martínez, “La inteligencia artificial en la transformación de procesos universitarios,” Tecnología e
Innovación en Educación Superior, vol. 1, no. 2, pp. 1–10, Oct. 2019.
[24] S. Ahmed et al., “An empirical analysis of state-of-art classification models in an it incident severity
prediction framework,” Applied Sciences, vol. 13, no. 6, p. 3843, Mar. 2023. [Online]. Available:
https://doi.org/10.3390/app13063843
[25] Y. Chinthapatla, “Exploring the transformative benefits of integrating artificial intelligence into configu-
ration management database (cmdb),” International Journal of Management, IT & Engineering, vol. 14,
no. 2, Feb. 2024.
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
103
