La llegada de las tecnologías 5G/6G y el despliegue generalizado de dispositivos IoT están impulsando la aparición de aplicaciones exigentes que requieren una latencia ultra baja, un alto ancho de banda y un poder computacional significativo. Los modelos tradicionales de computación en la nube no cumplen con estos estrictos requisitos. Para abordar esto, han surgido las Redes de Borde Definidas por Software (SDEN) como una arquitectura prometedora, sin embargo, gestionar de manera eficiente sus recursos heterogéneos y distribuidos geográficamente plantea desafíos sustanciales para la provisión óptima de aplicaciones. En respuesta, este documento propone un nuevo marco para la descarga inteligente de tareas, que replantea el intrincado problema de la descarga de tareas de aplicaciones de múltiples componentes como un desafío de Embedding de Red Virtual (VNE) dentro de un entorno SDEN. Introducimos un modelo integral donde las aplicaciones complejas se representan como Solicitudes de Red Virtual (VNR). En este modelo, cada VNR consiste en nodos virtuales que demandan recursos específicos de computación y almacenamiento, así como enlaces virtuales que demandan un ancho de banda específico y deben adherirse a las restricciones de retraso máximo tolerable. Para resolver dinámicamente este problema VNE NP-duro ante la llegada estocástica de VNR y las condiciones dinámicas de la red, aprovechamos el Aprendizaje por Refuerzo Profundo (DRL). Específicamente, se emplea un agente Soft Actor-Critic (SAC) en el controlador SDN. Este agente aprende una política de toma de decisiones secuencial para mapear nodos virtuales a servidores de borde físicos y enlaces virtuales a rutas de red. Para guiar al agente hacia una utilización eficiente de los recursos, definimos la recompensa por cada embedding exitoso como la relación ingreso-costo a largo plazo. Al aprender a maximizar esta recompensa, el agente se ve naturalmente impulsado a encontrar estrategias de asignación económicamente viables. Experimentos de simulación exhaustivos demuestran que nuestro enfoque VNE basado en SAC supera significativamente a otras líneas base en métricas clave, afirmando su eficacia en entornos dinámicos de SDEN.