Een autofabrikant verzamelt tijdgestempelde sensorgegevens (motortemperatuur, RPM, enz.) terwijl voertuigen rijden. Het bedrijf wil aankomende motorstoringen voorspellen, zodat bestuurders van tevoren op de hoogte kunnen worden gesteld. Het data lake bevat de historische sensorstromen voor training. Welke voorspellende modelleringsaanpak is HET MEEST geschikt om in productie te nemen?

De correcte aanpak is het labelen van de tijdreeks met toekomstige storingen en het trainen van een Recurrent Neuraal Netwerk (RNN). RNN's zijn uitermate geschikt voor het verwerken van sequentiële gegevens zoals tijdreeksen, omdat ze interne geheugenmechanismen hebben die afhankelijkheden over lange perioden kunnen vastleggen, wat cruciaal is voor het voorspellen van toekomstige gebeurtenissen op basis van historische sensorstromen. De taak is een supervisied learning probleem, omdat we een specifieke uitkomst (motorstoring) willen voorspellen. K-means clustering is ongeschikt omdat het een unsupervised learning techniek is die patronen ontdekt zonder labels, terwijl we hier een specifieke voorspelling willen doen. Een Convolutioneel Neuraal Netwerk (CNN) is primair ontworpen voor ruimtelijke patronen (zoals in afbeeldingen) en minder efficiënt voor het vastleggen van temporele afhankelijkheden over lange sequenties dan een RNN. Een sequence-to-sequence model is een type RNN, maar de optie is minder specifiek en de term "toekomstige waarden en storingen" is minder direct dan de gerichte classificatie van een naderende storing.