Ingeniería Electrónica · 2026

Diseño e implementación de una arquitectura de contenedores escalable para un servicio de detección de fraudes en pagos digitales mediante aprendizaje automático. Trabajo de grado

Resumen

Este trabajo presenta el diseño e implementación de una arquitectura de contenedores escalable para un servicio de detección de fraudes en pagos digitales mediante aprendizaje automático. La propuesta surge de la necesidad de operar modelos de inferencia en entornos con alta concurrencia, demanda variable y restricciones de latencia, garantizando escalabilidad, disponibilidad, trazabilidad y observabilidad. Para ello, se definió una arquitectura orientada a microservicios orquestada con Kubernetes, compuesta por servicios de inferencia, ingesta y auditoría de datos, monitoreo del modelo, reentrenamiento automatizado y monitoreo del clúster. La metodología incluyó revisión técnica, definición de requisitos, diseño del clúster experimental, desarrollo de microservicios, integración del sistema y evaluación mediante pruebas de carga controladas. Los resultados evidenciaron la correcta operación del entorno desplegado, la disponibilidad funcional de los servicios y la integración de mecanismos de monitoreo y trazabilidad. En las pruebas de escalabilidad, el sistema respondió de forma adaptativa ante incrementos de carga, alcanzando hasta 20 réplicas automáticas del servicio de inferencia y un máximo de 410 solicitudes por segundo en el escenario de mayor demanda. En conjunto, los hallazgos muestran que la orquestación con Kubernetes constituye una alternativa efectiva para soportar servicios de detección de fraude con requisitos de operación continua y escalamiento dinámico.

Tesauro de su biblioteca