Un fabricant de moteurs automobiles collecte des données de capteurs horodatées (température moteur, régime, etc.) pendant que les véhicules sont en marche. L'entreprise souhaite prédire les pannes moteur à venir afin que les conducteurs puissent être avertis à l'avance. Le lac de données contient les flux de capteurs historiques pour l'entraînement. Quelle approche de modélisation prédictive est la PLUS appropriée à déployer en production ?

L'approche correcte est d'utiliser un réseau neuronal récurrent (RNN) avec des données de séries temporelles étiquetées. Les RNN sont intrinsèquement conçus pour traiter des données séquentielles, comme les séries temporelles de capteurs, en maintenant un état interne qui capture les dépendances temporelles. Étiqueter les données avec les pannes futures permet un apprentissage supervisé pour prédire ces événements. L'application du clustering k-means (non supervisé) est moins appropriée car l'objectif est une prédiction spécifique (pannes), pas seulement la découverte de motifs. Un réseau neuronal convolutif (CNN) est excellent pour les données spatiales (images) mais moins optimal pour les dépendances temporelles longues par rapport aux RNN. Un modèle séquence-à-séquence est une forme de RNN, mais l'option spécifique des RNN est plus générale et directement applicable ici pour la prédiction de pannes.