Hoy en día, el análisis de video se está volviendo extremadamente popular debido a la creciente necesidad de extraer información valiosa de videos disponibles en servicios de compartición pública a través de flujos impulsados por cámaras en entornos de IoT. Para evitar sobrecargas en la comunicación de datos, una práctica común es realizar el procesamiento cerca de la fuente de datos en lugar de descargarlo en la nube. Típicamente, el análisis de video se organiza como tareas separadas, cada una con diferentes requisitos de recursos (por ejemplo, tareas intensivas en computación frente a tareas intensivas en memoria). El paradigma de computación sin servidor forma un enfoque prometedor para mapear este tipo de aplicaciones, permitiendo un despliegue y gestión detallados de manera por función y por dispositivo. Sin embargo, existe un compromiso entre la adherencia a QoS y la eficiencia de recursos. La variabilidad del rendimiento debido a la co-localización de funciones y la heterogeneidad de recursos prevalente hacen que mantener QoS sea un desafío. Al mismo tiempo, la eficiencia de recursos es esencial para evitar desperdicios, como el consumo innecesario de energía y la reserva de CPU. En este documento, presentamos Darly, un programador basado en Aprendizaje Profundo por Refuerzo (Deep Reinforcement Learning) que tiene en cuenta QoS, interferencias y heterogeneidad para implementaciones de análisis de video sin servidor sobre nodos Edge distribuidos. El marco propuesto incorpora un agente de DRL que explota contadores de rendimiento para identificar los niveles de interferencia y el grado de heterogeneidad en la infraestructura Edge subyacente. Combina esta información junto con los requisitos de QoS definidos por el usuario para mejorar las asignaciones de recursos al decidir la ubicación, migración o escalado horizontal de funciones sin servidor. Evaluamos Darly en un clúster Edge típico con un flujo de trabajo del mundo real compuesto por funciones de análisis de video sin servidor comúnmente utilizadas y mostramos que nuestro enfoque logra una programación eficiente de las funciones desplegadas al satisfacer múltiples requisitos de QoS para hasta el 91.6% (basado en perfiles) de las solicitudes totales en condiciones dinámicas.