En la era de la información actual, el conocimiento puede representar riesgos en el ámbito en línea. Es imperativo reconocer de manera proactiva las posibles amenazas, ya que los peligros imprevistos no pueden eliminarse por completo. A menudo, las explotaciones de malware y otros riesgos emergentes solo se identifican después de que han ocurrido. Estos tipos de riesgos se conocen como ataques de día cero, ya que no existen medidas antivirus preexistentes disponibles para mitigarlos. En consecuencia, se producen daños significativos cuando se explotan vulnerabilidades en los sistemas. La efectividad de los sistemas de seguridad, como IPS e IDS, depende en gran medida de la respuesta oportuna y eficiente a las amenazas emergentes. La falta de abordar estos problemas de manera rápida obstaculiza la efectividad de los desarrolladores de sistemas de seguridad. El propósito de este estudio es analizar datos de la plataforma de Twitter y utilizar técnicas de aprendizaje automático, como la categorización de palabras, para identificar vulnerabilidades y contrarrestar rápidamente los ataques de día cero. Se utilizó TensorFlow para manejar el procesamiento y la conversión de datos brutos de Twitter, lo que resultó en mejoras significativas en la eficiencia. Además, integramos la herramienta Natural Language Toolkit (NLTK) para extraer palabras específicas en varios idiomas. Nuestros resultados indican que hemos logrado una tasa de éxito del 80% en la detección de ataques de día cero utilizando nuestra herramienta. Al utilizar la información disponible públicamente compartida por individuos, los proveedores de seguridad relevantes pueden ser informados rápidamente. Este enfoque permite a las empresas parchar vulnerabilidades de manera más rápida.