Un operador portuario recopila datos de sensores en tiempo real de grúas grandes (velocidad de rotación, tensión, energía, vibración, presión, temperatura) y quiere aplicar ML para el mantenimiento predictivo. ¿Qué hallazgos indicarían que una solución de mantenimiento predictivo basada en ML es apropiada? (Elija dos).

Una solución de mantenimiento predictivo basada en ML requiere una cantidad suficiente de datos históricos de alta calidad para entrenar un modelo eficaz. La disponibilidad de datos de sensores con alta granularidad durante 3 años (opción correcta) proporciona la riqueza de información necesaria para identificar patrones complejos que preceden a las fallas. Además, es crucial que los registros históricos incluyan ejemplos de los tipos de fallas que se desean predecir (opción correcta), ya que el modelo aprende a reconocer estas condiciones. Las opciones incorrectas describen escenarios que dificultarían o harían innecesario el ML. La falta de datos o atributos (opción incorrecta) impediría el entrenamiento. Si las reglas de umbral simples ya predicen fallas de forma fiable (opción incorrecta), una solución de ML podría ser una sobreingeniería. La falta de ejemplos de fallas para la mayoría de los modelos de grúas (opción incorrecta) limitaría la aplicabilidad del modelo de ML.