El presente proyecto aborda el diseño e implementación de un sistema de telemetría inteligente para redes de alta capacidad, con el objetivo de anticipar condiciones de congestión y degradación del rendimiento a partir de datos recolectados en tiempo real. La propuesta combina mecanismos de inspección de bajo nivel, ejecutadas directamente en la tarjeta de red, con modelos de aprendizaje automático supervisado para el análisis predictivo del tráfico. El sistema se desarrolló sobre una arquitectura jerárquica en tres niveles: la tarjeta de red programable (Smart Network Interface Card (SmartNIC)), el núcleo del sistema operativo Linux, y el espacio de usuario. En la SmartNIC se ejecutaron programas basados en la tecnología extended Berkeley Packet Filter (eBPF) y su extensión de procesamiento en red eXpress Data Path (XDP), capaces de capturar y clasificar paquetes directamente en el plano de datos. Estos programas operan en modo de descarga parcial (offload), de modo que parte del procesamiento se realiza en el hardware de la tarjeta, reduciendo la carga sobre el procesador principal. En el nivel del núcleo se implementó la agregación de las métricas recolectadas en la SmartNIC, mientras que en el espacio de usuario se desarrollaron módulos en lenguaje C encargados de leer los datos, almacenarlos y exponerlos para su análisis. La persistencia se realizó mediante la base de datos TimescaleDB, una extensión de PostgreSQL optimizada para series temporales, y la visualización, con un programa de consola. El conjunto de datos obtenido combina métricas de red y del sistema operativo, capturadas mediante telemetría en SmartNIC fueron utilizadas para entrenar modelos supervisados de clasificación y regresión basados en el algoritmo Extreme Gradient Boosting (XGBoost). Este enfoque se seleccionó por su robustez frente a ruido, su capacidad para modelar relaciones no lineales y su eficacia demostrada en problemas de análisis de tráfico de red. El modelo clasificador mostró un desempeño estable y confiable en la detección de eventos de congestión, mientras que el modelo regresor permitió analizar la evolución temporal del tráfico, aunque con menor capacidad de generalización debido a la variabilidad y naturaleza dinámica de la red. En conjunto, los resultados confirman la viabilidad de aplicar técnicas de aprendizaje supervisado en entornos de monitoreo inteligente, resaltando la necesidad de enfoques adaptativos que acompañen la evolución del tráfico en redes de alta capacidad.