자동차 엔진 제조업체는 차량 운행 중 타임스탬프가 찍힌 센서 데이터(엔진 온도, RPM 등)를 수집합니다. 이 회사는 운전자에게 미리 알릴 수 있도록 향후 엔진 결함을 예측하고자 합니다. 데이터 레이크에는 학습을 위한 과거 센서 스트림이 저장되어 있습니다. 프로덕션에 배포하기에 가장 적합한 예측 모델링 접근 방식은 무엇입니까?

정답은 시계열 데이터의 시간적 종속성을 효과적으로 처리하는 순환 신경망(RNN)을 사용하여 미래 결함을 예측하는 지도 학습 접근 방식입니다. 엔진 센서 데이터는 시간 순서가 중요하므로, 과거 데이터를 기반으로 미래 이벤트를 예측하는 데 RNN이 매우 적합합니다. 오답 설명: k-평균 클러스터링은 비지도 학습 방법으로, 결함 예측과 같은 특정 목표 변수가 있는 문제에는 적합하지 않습니다. 패턴을 찾을 수는 있지만, 예측 모델을 직접 생성하지는 않습니다. 컨볼루션 신경망(CNN)은 이미지 및 공간 데이터 처리에는 강력하지만, 시계열 데이터의 시간적 종속성을 모델링하는 데는 RNN만큼 효과적이지 않습니다. 시퀀스-투-시퀀스 모델은 주로 번역이나 텍스트 생성과 같이 한 시퀀스를 다른 시퀀스로 변환하는 데 사용되며, 특정 결함 발생 예측보다는 미래 값 자체를 예측하는 데 중점을 둡니다.