Description
En muchas instalaciones Moodle, los problemas no aparecen de forma súbita: se manifiestan primero como pequeños cambios en el comportamiento del sistema. Picos de carga inusuales, patrones de acceso atípicos, tareas que empiezan a degradarse o usuarios que generan más tráfico del esperado. Detectar estas señales a tiempo sigue siendo uno de los grandes retos del área de sistemas.
En esta sesión se abordarán los siguientes puntos:
-
Qué tipos de comportamientos anómalos pueden detectarse en un entorno Moodle desde la perspectiva de sistemas.
-
Qué datos son útiles para entrenar modelos de IA (logs, métricas, eventos, uso de recursos).
-
Enfoques prácticos de machine learning y detección no supervisada aplicados a Moodle.
-
Integración de estos modelos en arquitecturas reales (monolíticas, distribuidas, contenedores).
-
Relación entre detección temprana de anomalías y estrategias de autoescalado.
-
Límites del autoescalado: cuándo escala bien… y cuándo solo se escalan los problemas.
-
Beneficios reales en términos de prevención de incidencias, estabilidad y costes.
La charla está orientada a administradores de Moodle, perfiles DevOps y responsables de infraestructura que quieran incorporar IA de forma pragmática, entendiendo no solo el “cómo”, sino también el “cuándo” y el “por qué” dentro de una arquitectura bien diseñada.
Target Groups
Buenas prácticas y casos de uso
Técnica para administradores
Técnica para desarrolladores
Keywords
infraestructura,costes,ia
