Un operatore portuale raccoglie dati da sensori in tempo reale da grandi gru (velocità di rotazione, tensione, energia, vibrazioni, pressione, temperatura) e desidera applicare il ML per la manutenzione predittiva. Quali risultati indicherebbero che una soluzione di manutenzione predittiva basata su ML è appropriata? (Scegliere due.)

Una soluzione di manutenzione predittiva basata su ML richiede dati storici sufficienti e pertinenti. La disponibilità di dati dei sensori ad alta granularità per 3 anni fornisce una base ricca per addestrare modelli che possono identificare pattern complessi che precedono i guasti. Inoltre, la presenza di record storici che includono i tipi più comuni di guasti è cruciale perché il modello ML deve imparare a riconoscere specificamente questi eventi per essere utile. Le altre opzioni indicano sfide o inidoneità: Log storici mancanti o dati incompleti ostacolerebbero l'addestramento del modello. Se semplici regole di soglia sono già efficaci, una soluzione ML complessa potrebbe non essere necessaria o non aggiungere valore significativo. La mancanza di esempi di guasti per la maggior parte dei tipi di gru renderebbe difficile generalizzare il modello a tutte le gru.