El software destaca como una de las tecnologías que evolucionan más rápidamente en la era actual, caracterizada por su rápida expansión tanto en escala como en complejidad, lo que conlleva desafíos en la garantía de calidad. La predicción de defectos de software (SDP) ha surgido como una metodología diseñada para anticipar defectos no descubiertos, aprovechando datos de defectos conocidos de códigos existentes. Esta metodología sirve para facilitar la gestión de calidad del software, asegurando así la calidad general del producto. Las metodologías de aprendizaje automático (ML) y una de sus ramas, el aprendizaje profundo (DL), exhiben una precisión y adaptabilidad superiores en comparación con los enfoques estadísticos tradicionales, catalizando la investigación activa en este ámbito. Sin embargo, resulta difícil generalizar, no solo debido a la disparidad entre proyectos de código abierto y proyectos comerciales, sino también debido a las diferencias en cada sector industrial. En consecuencia, se ha vuelto imperativo realizar más investigaciones utilizando conjuntos de datos procedentes de diversos sectores del mundo real para reforzar la aplicabilidad de estos hallazgos. Para este estudio, utilizamos software integrado para su uso en los sistemas de telecomunicaciones de Samsung Electronics, complementado con la introducción de nueve características novedosas para entrenar el modelo, y se realizó un análisis posterior de los resultados. Los resultados experimentales revelaron que la métrica de F-medición se ha mejorado de 0.58 a 0.63 tras la integración de las nuevas características, lo que significa una mejora del rendimiento del 8.62%. Se espera que este estudio de caso contribuya a reforzar la aplicación de las metodologías de SDP dentro de sectores industriales análogos.