Un opérateur portuaire collecte des données de capteurs en temps réel provenant de grandes grues (vitesse de rotation, tension, énergie, vibration, pression, température) et souhaite appliquer le ML pour la maintenance prédictive. Quelles conclusions indiqueraient qu'une solution de maintenance prédictive basée sur le ML est appropriée ? (Choisissez deux.)

Une solution de maintenance prédictive basée sur le ML nécessite des données historiques complètes et pertinentes pour entraîner un modèle efficace. La disponibilité de données de capteurs à haute granularité sur 3 ans (option correcte) fournit une base solide pour identifier des schémas et des corrélations. De même, l'inclusion de la plupart des types de pannes courants dans les enregistrements historiques (option correcte) est cruciale, car le modèle doit apprendre à reconnaître les événements qu'il est censé prédire. L'absence de données (première option incorrecte) ou de types de pannes (troisième option incorrecte) rendrait le modèle inefficace. Si de simples règles de seuil suffisent (deuxième option incorrecte), une solution ML complexe n'est pas nécessaire.