Un fabricante de motores de automóviles recopila datos de sensores con marca de tiempo (temperatura del motor, RPM, etc.) mientras los vehículos están en marcha. La empresa quiere predecir futuras fallas del motor para que los conductores puedan ser notificados con antelación. El data lake contiene los flujos históricos de los sensores para el entrenamiento. ¿Qué enfoque de modelado predictivo es el MÁS apropiado para implementar en producción?

La opción correcta es la más apropiada porque el problema implica la predicción de eventos futuros (fallas del motor) basándose en datos de series de tiempo (datos de sensores con marca de tiempo). Etiquetar las ocurrencias de fallas crea un problema de aprendizaje supervisado, ideal para RNNs. Las Redes Neuronales Recurrentes (RNN) son excelentes para procesar secuencias de datos, como las series de tiempo, ya que pueden capturar dependencias temporales y patrones a lo largo del tiempo, lo cual es crucial para predecir eventos futuros. Las otras opciones son menos adecuadas: El clustering k-means es un método no supervisado para encontrar patrones, no para predecir eventos específicos. Las CNNs son más adecuadas para datos espaciales (imágenes) o para extraer características locales en secuencias, pero las RNNs son generalmente superiores para capturar dependencias temporales de largo alcance en series de tiempo. Un modelo secuencia-a-secuencia es un tipo de RNN, pero la descripción es menos específica y no enfatiza la necesidad de etiquetado para la predicción de fallas, que es un problema de clasificación o regresión supervisada.