La digitalización de nuestras vidas provoca un cambio en la producción de datos, así como en la gestión de datos requerida. Numerosos nodos son capaces de producir enormes volúmenes de datos en nuestras actividades cotidianas. Sensores, dispositivos inteligentes personales y el paradigma del Internet de las Cosas (IoT) conducen a una vasta infraestructura que abarca todos los aspectos de las actividades en las sociedades modernas. En la mayoría de los casos, el problema crítico para las autoridades públicas (generalmente, locales, como los municipios) es la gestión eficiente de los datos para apoyar nuevos servicios. La razón es que los análisis proporcionados sobre los datos recopilados podrían ayudar en la entrega de nuevas aplicaciones que facilitarán la vida de los ciudadanos. Sin embargo, la provisión de análisis exige técnicas inteligentes para la gestión de datos subyacente. La técnica más conocida es la separación de enormes volúmenes de datos en varias partes y su gestión paralela para limitar el tiempo requerido para la entrega de análisis. Posteriormente, las solicitudes de análisis en forma de consultas podrían realizarse y derivar el conocimiento necesario para apoyar aplicaciones inteligentes. En este documento, definimos el concepto de un Controlador de Consultas (QC) que recibe consultas para análisis y asigna cada una de ellas a un procesador ubicado frente a cada partición de datos. Discutimos un proceso inteligente para la asignación de consultas que adopta el Aprendizaje Automático (ML). Adoptamos dos esquemas de aprendizaje, es decir, Aprendizaje por Refuerzo (RL) y agrupamiento. Informamos sobre la comparación de los dos esquemas y elaboramos sobre su combinación. Nuestro objetivo es proporcionar un marco eficiente para apoyar la toma de decisiones del QC que debe seleccionar rápidamente el procesador apropiado para cada consulta. Proporcionamos formulaciones matemáticas para el problema discutido y presentamos resultados de simulación. A través de una evaluación experimental integral, revelamos las ventajas de los modelos propuestos y describimos los resultados obtenidos al compararlos con un marco determinista.