La interacción entre la inteligencia artificial (IA), el edge y la nube es un ámbito en rápida evolución en el que se adopta cada vez más la computación cerca de las fuentes de datos. Los datos capturados pueden ser procesados localmente (es decir, en el edge) o de forma remota en las nubes donde hay abundantes recursos disponibles. Si bien muchas aplicaciones emergentes se procesan in situ debido principalmente a su intensidad de datos y a la necesidad de baja latencia, la capacidad de los recursos de edge sigue siendo limitada. Como resultado, el uso colaborativo de los recursos de edge y nube es de gran importancia práctica. Este uso colaborativo debe tener en cuenta la privacidad de los datos, la alta latencia y el alto consumo de ancho de banda, así como el costo del uso de la nube. En este documento, abordamos el problema de la asignación de recursos para trabajos de procesamiento de datos en el entorno edge-nube para optimizar la eficiencia de costos. Con este fin, desarrollamos el Programador y Recomendador de Estallido de Nube Eficiente en Costos (CECBS-R) como un marco de asignación de recursos asistido por IA. En particular, CECBS-R incorpora técnicas de aprendizaje automático como perceptrones multicapa (MLP) y redes neuronales de memoria a largo y corto plazo (LSTM). Además de preservar la privacidad al emplear recursos de edge, se adoptan el costo de utilidad del edge más los ciclos de facturación de la nube pública para la programación, y los trabajos se perfilan en el entorno nube-edge para facilitar la programación a través de recomendaciones de recursos. Estas recomendaciones son generadas por la red neuronal MLP y LSTM para la estimación en tiempo de ejecución y la recomendación de recursos, respectivamente. CECBS-R se entrena con las salidas de programación de Facebook y trazas de carga de trabajo de grid. Los resultados experimentales basados en cargas de trabajo no vistas muestran que las recomendaciones de CECBS-R logran un ahorro del 65% en costos en comparación con un programador eficiente en costos en línea (BOS), un servicio de gestión de recursos (RMS) y un algoritmo de programación adaptativa con satisfacción de QoS (AsQ).