Producent silników samochodowych zbiera dane z czujników z sygnaturami czasowymi (temperatura silnika, obroty na minutę itp.) podczas jazdy pojazdów. Firma chce przewidywać nadchodzące usterki silnika, aby kierowcy mogli być powiadamiani z wyprzedzeniem. Jezioro danych przechowuje historyczne strumienie danych z czujników do celów szkoleniowych. Które podejście do modelowania predykcyjnego jest NAJBARDZIEJ odpowiednie do wdrożenia w środowisku produkcyjnym?

Prawidłowa odpowiedź to użycie RNN. Problem przewidywania usterek na podstawie danych z czujników z sygnaturami czasowymi jest klasycznym zadaniem szeregów czasowych. RNN, w tym warianty takie jak LSTM lub GRU, są specjalnie zaprojektowane do przetwarzania danych sekwencyjnych i uchwytywania zależności czasowych, co jest kluczowe dla przewidywania zdarzeń w przyszłości. Oznaczenie danych przyszłymi usterkami tworzy nadzorowany problem uczenia maszynowego, który RNN może skutecznie rozwiązać. K-średnie to uczenie nienadzorowane, które nie przewiduje przyszłych zdarzeń. CNN są lepsze do danych przestrzennych (np. obrazów), a nie sekwencyjnych. Model sekwencja-do-sekwencji jest formą RNN, ale sama opcja nie precyzuje, jak dane wejściowe i wyjściowe są strukturyzowane dla przewidywania usterek, co czyni ją mniej konkretną niż opcja z RNN.