blog

Alertas Predictivas en GLPI: IA para Prevenir Fallos Críticos en TI

Escrito por David Garcia | 4/08/2025 11:24:25 PM

Introducción: 

GLPI + Inteligencia Artificial – Anticiparse a incidentes críticos antes de que ocurran

“Detectar patrones en los registros históricos de soporte para generar alertas tempranas de posibles fallos antes de que impacten al negocio.”

 

 Contexto

Una compañía de manufactura industrial con más de 300 equipos informáticos en planta y oficinas sufría fallas repetitivas en impresoras, puntos de red y software de control de calidad. Las interrupciones afectaban la línea de producción y generaban pérdidas económicas considerables.

El equipo de soporte utilizaba GLPI, pero solo de forma reactiva: actuaban una vez que los usuarios reportaban problemas. No existía un sistema para anticipar fallas basadas en historial o comportamiento.
 Solución implementada:
 

El equipo de TI decidió implementar un sistema de alertas predictivas integrando GLPI con un modelo de IA que analizara el historial de incidentes.

Consolidación de datos históricos

  • Se extrajeron 3 años de registros de tickets desde GLPI: categorías, tiempos, activos afectados, síntomas descritos, técnicos asignados.
  • Los datos se limpiaron y estructuraron en una base de datos analítica.

Entrenamiento de modelos predictivos

  • Se usaron modelos de machine learning (Random Forest y regresión logística) para identificar correlaciones como:
    • Tipo de incidente + equipo + hora del día.
    • Fallas recurrentes por ubicación o marca.
    • Intervalos regulares entre tickets similares.

Generación de alertas inteligentes

  • Cuando se detectaban patrones similares a los que precedieron fallos pasados, el sistema generaba:
    • Una alerta preventiva directamente en GLPI.
    • Un ticket automatizado clasificado como "Riesgo de incidencia crítica".
  • Los técnicos recibían tareas preventivas, como revisión de hardware, reinstalación de controladores, o verificación de logs.

Panel de seguimiento proactivo

  • Se diseñó un dashboard en Power BI que mostraba:
    • Puntos calientes con alta probabilidad de fallos.
    • Equipos con comportamiento anómalo en los últimos 30 días.
    • Áreas que requerían mantenimiento preventivo.

Resultados

  • Se detectaron y evitaron 12 fallos críticos en menos de 2 meses (incluyendo caída del servidor de control de inventario).
  • Reducción del 45% en tickets repetitivos por equipos conocidos con historial problemático.
  • Mejora en la disponibilidad de equipos críticos de planta y reducción de tiempos muertos.
  • Transformación del soporte TI en un modelo proactivo y no reactivo.

Lecciones aprendidas

  • El historial de tickets es una mina de oro para predecir incidentes.
  • GLPI no es solo un sistema de registro, también puede ser un motor de prevención.
  • No se necesita un equipo de data science: modelos simples bien entrenados ya marcan la diferencia.
  • La inteligencia predictiva aplicada a ITSM mejora la continuidad operativa del negocio.  
Ver post completo