Cómo Ensono Usa Snowflake ML para Predecir Fallos de TI y Reducir el MTTR hasta un 70%

Ensono opera como proveedor de servicios gestionados para grandes clientes empresariales cuyos entornos de TI abarcan cientos de servidores, miles de cuentas SaaS y terabytes de datos operativos. La empresa da soporte a infraestructura crítica a escala, procesando más de 60.000 millones de transacciones minoristas y proporcionando a 24 millones de ciudadanos acceso a plataformas gubernamentales. A esa escala, un ticket mal clasificado o una respuesta a incidentes tardada no afecta solo a un cliente: se propaga a través de docenas de entornos complejos donde el tiempo de inactividad tiene consecuencias financieras y operativas directas.

El modelo tradicional de proveedor de servicios gestionados de monitorizar-alertar-responder era estructuralmente inadecuado. Los ingenieros recibían avalanchas de alertas sin un mecanismo fiable para identificar cuáles eran verdaderos precursores de incidentes graves y cuáles eran ruido. El etiquetado de datos para el entrenamiento de modelos era un proceso manual e intensivo en paneles que resultaba difícil de escalar. Jim Piazza, Director de IA de Ensono, estableció un objetivo específico: cambiar el modelo operativo a prevenir-predecir-optimizar.

Ensono construyó dos sistemas usando la Nube de Datos AI de Snowflake. El primero, el Motor Predictivo Envision (EPE), es un modelo de ML que ingiere datos de millones de eventos y alertas en los entornos de los clientes, estima la probabilidad de que cada ticket de soporte se convierta en un evento que afecte al servicio, y destaca los tickets de alta prioridad como notificaciones emergentes en ServiceNow para los ingenieros de primera línea. Los modelos GPT accedidos a través de Snowflake Cortex AI automatizaron el proceso históricamente manual de etiquetado de datos. El segundo sistema, DiagnoseNow, construido con Streamlit en Snowflake y Cortex AI, automatiza el análisis de causa raíz proporcionando detalles específicos del caso, cronologías de eventos, resúmenes de errores y acciones recomendadas en menos de dos minutos.

Los resultados son concretos. Cuando EPE detecta un incidente grave, el MTTR es un 54% inferior al de referencia. En algunos casos, las pruebas piloto de DiagnoseNow mostraron reducciones de MTTR de hasta el 70%. Combinados, los dos sistemas han ayudado a Ensono a detectar más de 1.700 problemas y reducir los incidentes graves en un 22%. El rendimiento de los SLA mejoró un 38%, y el 80% de los clientes recomienda activamente Ensono a otras organizaciones.

Ensono continúa expandiendo la capa de IA. El equipo está adoptando Snowpark Container Services para acelerar los tiempos de respuesta de DiagnoseNow, y los servidores de Model Context Protocol (MCP) gestionados por Snowflake están previstos para la próxima fase del motor de decisiones.