Operator portowy zbiera dane z czujników w czasie rzeczywistym z dużych dźwigów (prędkość obrotowa, napięcie, energia, wibracje, ciśnienie, temperatura) i chce zastosować ML do konserwacji predykcyjnej. Które ustalenia wskazywałyby, że rozwiązanie do konserwacji predykcyjnej oparte na ML jest odpowiednie? (Wybierz dwie odpowiedzi.)

Dostępność szczegółowych danych z czujników z ostatnich 3 lat (opcja 4) jest kluczowa, ponieważ modele ML wymagają dużej ilości danych do nauki wzorców i zależności prowadzących do awarii. Im więcej danych, tym lepiej model może uogólniać i przewidywać. Historyczne zapisy obejmujące większość typowych typów awarii (opcja 5) są również niezbędne, ponieważ model ML musi mieć przykłady awarii, aby nauczyć się je identyfikować i przewidywać. Bez tych przykładów model nie będzie w stanie skutecznie przewidywać. Brak wielu punktów danych i atrybutów (opcja 1) utrudnia budowanie wiarygodnego modelu. Proste reguły progowe (opcja 2) sugerują, że ML może nie być konieczny, jeśli prostsze metody są już skuteczne. Brak przykładów awarii dla większości typów dźwigów (opcja 3) oznacza, że model nie będzie mógł przewidywać awarii dla tych nieobecnych typów, ograniczając jego użyteczność.