Производитель автомобильных двигателей собирает данные датчиков с отметками времени (температура двигателя, обороты в минуту и т. д.) во время движения автомобилей. Компания хочет предсказывать предстоящие неисправности двигателя, чтобы водители могли быть уведомлены заранее. Озеро данных содержит исторические потоки данных датчиков для обучения. Какой подход к предиктивному моделированию НАИБОЛЕЕ целесообразно использовать в производстве?

Правильный ответ — обучение рекуррентной нейронной сети (RNN) на размеченных временных рядах. RNNs отлично подходят для анализа последовательных данных, таких как временные ряды датчиков, поскольку они могут улавливать зависимости во времени, что критически важно для прогнозирования неисправностей. Разметка данных с будущими неисправностями создает четкую цель для обучения модели. Кластеризация k-средних (вариант 2) — это метод обучения без учителя, который выявляет закономерности, но не может напрямую предсказывать будущие события. Сверточная нейронная сеть (CNN) (вариант 3) хорошо работает с пространственными данными (изображениями), но менее эффективна для временных зависимостей, чем RNN. Модель «последовательность-в-последовательность» (вариант 4) — это тип RNN, но формулировка «прогнозирование будущих значений и сбоев» менее точна, чем прямое предсказание неисправностей, и RNN является более общим и подходящим выбором для данной задачи.