Um operador portuário coleta dados de sensores em tempo real de guindastes grandes (velocidade de rotação, tensão, energia, vibração, pressão, temperatura) e deseja aplicar ML para manutenção preditiva. Quais descobertas indicariam que uma solução de manutenção preditiva baseada em ML é apropriada? (Escolha duas.)

A disponibilidade de dados de sensores com alta granularidade por 3 anos (opção correta) é crucial, pois modelos de ML para manutenção preditiva exigem grandes volumes de dados históricos detalhados para aprender padrões e anomalias que precedem falhas. A inclusão dos tipos mais comuns de falhas nos registros históricos (opção correta) é igualmente importante, pois o modelo precisa de exemplos rotulados dessas falhas para ser treinado e prever eventos futuros relevantes. A falta de dados ou atributos (opção incorreta) inviabiliza o treinamento. Se regras de limite simples já funcionam (opção incorreta), o ML pode não ser necessário, indicando que a complexidade do ML não agrega valor suficiente. A ausência de exemplos de falhas para a maioria dos modelos de guindaste (opção incorreta) limitaria a aplicabilidade do modelo treinado a apenas um tipo de guindaste.