Las aplicaciones de Inteligencia Artificial (IA) están creciendo rápidamente, y más aplicaciones se están sumando a la competencia del mercado. Como resultado, el modelo de IA como servicio (IAaaS) está experimentando un crecimiento rápido. Muchas de estas aplicaciones basadas en IAaaS no están optimizadas correctamente inicialmente. Una vez que comienzan a experimentar un gran volumen de tráfico, diferentes desafíos comienzan a revelarse. Uno de estos desafíos es mantener un margen de beneficio para la sostenibilidad del modelo de negocio basado en aplicaciones de IAaaS, que depende de la utilización adecuada de los recursos informáticos. Este documento presenta el modelo predictivo de premios de recursos (RAP) para la optimización de costos de IAaaS llamado RAP-Optimizer. Se desarrolla combinando una red neuronal profunda (DNN) con el algoritmo de optimización de recocido simulado. Está diseñado para reducir la subutilización de recursos y minimizar el número de hosts activos en entornos de nube. Asigna recursos dinámicamente y maneja las solicitudes de API de manera eficiente. El RAP-Optimizer reduce el número de hosts físicos activos en un promedio de 5 por día, lo que conlleva a una disminución del 45% en los costos del servidor. El impacto del RAP-Optimizer se observó durante un período de 12 meses. Los datos observacionales muestran una mejora significativa en la utilización de recursos. Reduce de manera efectiva los costos operativos de USD 2600 a USD 1250 por mes. Además, el RAP-Optimizer aumenta el margen de beneficio en un 179%, de USD 600 a USD 1675 por mes. La inclusión del algoritmo de control dinámico de deserción (DDC) en el proceso de entrenamiento de DNN mitiga el sobreajuste, logrando una precisión de validación del 97,48% y una pérdida de validación de 2,82%. Estos resultados indican que el RAP-Optimizer mejora de manera efectiva la gestión de recursos y la eficiencia de costos en aplicaciones de IAaaS, convirtiéndolo en una solución valiosa para entornos de nube modernos.