Ein Hafenbetreiber sammelt Echtzeit-Sensordaten von großen Kränen (Rotationsgeschwindigkeit, Spannung, Energie, Vibration, Druck, Temperatur) und möchte ML für die vorausschauende Wartung einsetzen. Welche Erkenntnisse würden darauf hindeuten, dass eine ML-basierte Lösung für die vorausschauende Wartung geeignet ist? (Wählen Sie zwei.)

Eine ML-basierte Lösung für die vorausschauende Wartung erfordert ausreichende und relevante historische Daten. Hochgranulare Sensordaten über 3 Jahre (Option D) bieten eine solide Grundlage für das Training eines Modells, um Muster zu erkennen, die zu Ausfällen führen. Ebenso wichtig ist, dass die historischen Aufzeichnungen die Arten von Fehlern abdecken, die vorhergesagt werden sollen (Option E), da das Modell sonst nicht lernen kann, diese spezifischen Probleme zu identifizieren. Fehlende Datenpunkte (Option A) oder fehlende Fehlerbeispiele für die meisten Krantypen (Option C) würden die Modellleistung erheblich beeinträchtigen. Wenn einfache Schwellenwertregeln bereits zuverlässig sind (Option B), ist eine komplexere ML-Lösung möglicherweise nicht notwendig oder bietet keinen signifikanten Mehrwert.