Debido a varios avances en el aprendizaje automático y arquitecturas informáticas, los modelos de aprendizaje automático están comenzando a proliferar a través de plataformas integradas. Algunos de estos modelos de aprendizaje automático abarcan una variedad de aplicaciones que incluyen visión por computadora, reconocimiento de voz, eficiencia en la atención médica, IoT industrial, robótica y muchas más. Sin embargo, hay una limitación crítica en la implementación eficiente de algoritmos de ML en plataformas integradas: el gasto computacional y de memoria de muchos modelos de aprendizaje automático puede hacerlos inadecuados en entornos con recursos limitados. Por lo tanto, para implementar eficientemente estos algoritmos intensivos en memoria y computacionalmente costosos en un entorno informático integrado, se requieren técnicas innovadoras de gestión de recursos a nivel de hardware, software y sistema. Con este fin, presentamos un novedoso esquema de asignación de recursos basado en la calidad del servicio que utiliza control de retroalimentación para ajustar dinámicamente los recursos informáticos para hacer frente a las cargas de trabajo variables e impredecibles de las aplicaciones de ML mientras se mantiene un nivel aceptable de servicio para el usuario. Para evaluar la viabilidad de nuestro enfoque, implementamos un simulador de programación de control de retroalimentación que se utilizó para analizar nuestro marco bajo diversas cargas de trabajo simuladas. También implementamos nuestro marco como un módulo del kernel de Linux que se ejecuta en una máquina virtual, así como en una Raspberry Pi 4. Los resultados ilustran que nuestro enfoque pudo mantener un nivel suficiente de servicio sin sobrecargar el procesador y proporcionar un ahorro de energía de casi el 20% en comparación con la gestión de recursos nativa en Linux.