Een havenexploitant verzamelt real-time sensorgegevens van grote kranen (rotatiesnelheid, spanning, energie, trillingen, druk, temperatuur) en wil ML toepassen voor voorspellend onderhoud. Welke bevindingen zouden aangeven dat een ML-gebaseerde oplossing voor voorspellend onderhoud geschikt is? (Kies er twee.)

ML-oplossingen voor voorspellend onderhoud vereisen voldoende en relevante data. De beschikbaarheid van sensorgegevens met hoge granulariteit over 3 jaar (optie 4) biedt een rijke dataset voor het trainen van modellen om patronen te leren die leiden tot storingen. Het omvatten van de meest voorkomende soorten kraanstoringen in de historische gegevens (optie 5) is cruciaal, omdat het model dan leert om de storingen te voorspellen die het bedrijf daadwerkelijk wil voorkomen. Ontbrekende datapunten (optie 1) of het ontbreken van storingsvoorbeelden voor de meeste kraantypen (optie 3) zouden de effectiviteit van een ML-oplossing ernstig beperken. Als eenvoudige drempelregels al betrouwbaar storingen voorspellen (optie 2), is een complexere ML-oplossing mogelijk niet nodig of niet kosteneffectief.